update optimization algorithm

chatbot/agents/graphs/chatbot_graph.py

@@ -2,22 +2,33 @@ from langgraph.graph import StateGraph, START, END
 from chatbot.agents.states.state import AgentState
 
 # Import các node
-from chatbot.agents.nodes.classify_topic import classify_topic, route_by_topic
-from chatbot.agents.nodes.meal_identify import meal_identify
-from chatbot.agents.nodes.suggest_meal_node import suggest_meal_node
-from chatbot.agents.nodes.food_query import food_query
-from chatbot.agents.nodes.select_food_plan import select_food_plan
-from chatbot.agents.nodes.general_chat import general_chat
-
-def workflow_chatbot() -> StateGraph:
+from chatbot.agents.nodes.chatbot import (
+    classify_topic,
+    route_by_topic,
+    meal_identify,
+    suggest_meal_node,
+    generate_final_response,
+    food_suggestion,
+    select_food_plan,
+    food_query,
+    select_food,
+    general_chat,
+    policy
+)
+
+def workflow_chatbot():
     workflow_chatbot = StateGraph(AgentState)
 
     workflow_chatbot.add_node("classify_topic", classify_topic)
     workflow_chatbot.add_node("meal_identify", meal_identify)
     workflow_chatbot.add_node("suggest_meal_node", suggest_meal_node)
-    workflow_chatbot.add_node("food_query", food_query)
+    workflow_chatbot.add_node("generate_final_response", generate_final_response)
+    workflow_chatbot.add_node("food_suggestion", food_suggestion)
     workflow_chatbot.add_node("select_food_plan", select_food_plan)
+    workflow_chatbot.add_node("food_query", food_query)
+    workflow_chatbot.add_node("select_food", select_food)
     workflow_chatbot.add_node("general_chat", general_chat)
+    workflow_chatbot.add_node("policy", policy)
 
     workflow_chatbot.add_edge(START, "classify_topic")
 
@@ -26,18 +37,26 @@ def workflow_chatbot() -> StateGraph:
         route_by_topic,
         {
             "meal_identify": "meal_identify",
+            "food_suggestion": "food_suggestion",
             "food_query": "food_query",
+            "policy": "policy",
             "general_chat": "general_chat",
         }
     )
 
     workflow_chatbot.add_edge("meal_identify", "suggest_meal_node")
-    workflow_chatbot.add_edge("suggest_meal_node", END)
+    workflow_chatbot.add_edge("suggest_meal_node", "generate_final_response")
+    workflow_chatbot.add_edge("generate_final_response", END)
 
-    workflow_chatbot.add_edge("food_query", "select_food_plan")
+    workflow_chatbot.add_edge("food_suggestion", "select_food_plan")
     workflow_chatbot.add_edge("select_food_plan", END)
 
+    workflow_chatbot.add_edge("food_query", "select_food")
+    workflow_chatbot.add_edge("select_food", END)
+
+    workflow_chatbot.add_edge("policy", END)
     workflow_chatbot.add_edge("general_chat", END)
 
-    graph = workflow_chatbot.compile()
-    return graph
+    app = workflow_chatbot.compile()
+    
+    return app

chatbot/agents/graphs/food_similarity_graph.py

@@ -1,23 +1,21 @@
 from langgraph.graph import StateGraph, START, END
-from chatbot.agents.states.state import AgentState
+from chatbot.agents.states.state import SwapState
 
-# Import các node
-from chatbot.agents.nodes.functions import get_user_profile, generate_food_similarity, generate_best_food_choice, enrich_food_with_nutrition
+from chatbot.agents.nodes.app_functions import get_user_profile, find_replacement_candidates, calculate_top_options, llm_finalize_choice
 
 def food_similarity_graph() -> StateGraph:
-    workflow = StateGraph(AgentState)
+    swap_workflow = StateGraph(SwapState)
 
-    workflow.add_node("Get_User_Profile", get_user_profile)
-    workflow.add_node("Generate_Food_Similarity", generate_food_similarity)
-    workflow.add_node("Generate_Best_Food_Choice", generate_best_food_choice)
-    workflow.add_node("Enrich_Food_With_Nutrition", enrich_food_with_nutrition)
+    swap_workflow.add_node("get_profile", get_user_profile)
+    swap_workflow.add_node("find_candidates", find_replacement_candidates)
+    swap_workflow.add_node("optimize_select", calculate_top_options)
+    swap_workflow.add_node("select_meal", llm_finalize_choice)
 
-    workflow.set_entry_point("Get_User_Profile")
+    swap_workflow.set_entry_point("get_profile")
+    swap_workflow.add_edge("get_profile", "find_candidates")
+    swap_workflow.add_edge("find_candidates", "optimize_select")
+    swap_workflow.add_edge("optimize_select", "select_meal")
+    swap_workflow.add_edge("select_meal", END)
 
-    workflow.add_edge("Get_User_Profile", "Generate_Food_Similarity")
-    workflow.add_edge("Generate_Food_Similarity", "Generate_Best_Food_Choice")
-    workflow.add_edge("Generate_Best_Food_Choice", "Enrich_Food_With_Nutrition")
-    workflow.add_edge("Enrich_Food_With_Nutrition", END)
-
-    graph = workflow.compile()
-    return graph
+    app = swap_workflow.compile()
+    return app

chatbot/agents/graphs/meal_similarity_graph.py

@@ -1,23 +0,0 @@
-from langgraph.graph import StateGraph, START, END
-from chatbot.agents.states.state import AgentState
-
-# Import các node
-from chatbot.agents.nodes.functions import get_user_profile, generate_food_similarity_2, generate_meal_plan_json_2, enrich_meal_plan_with_nutrition_2
-
-def meal_similarity_graph() -> StateGraph:
-    workflow = StateGraph(AgentState)
-
-    workflow.add_node("Get_User_Profile", get_user_profile)
-    workflow.add_node("Generate_Food_Similarity_2", generate_food_similarity_2)
-    workflow.add_node("Generate_Meal_Plan_Json_2", generate_meal_plan_json_2)
-    workflow.add_node("Enrich_Meal_Plan_With_Nutrition_2", enrich_meal_plan_with_nutrition_2)
-
-    workflow.set_entry_point("Get_User_Profile")
-
-    workflow.add_edge("Get_User_Profile", "Generate_Food_Similarity_2")
-    workflow.add_edge("Generate_Food_Similarity_2", "Generate_Meal_Plan_Json_2")
-    workflow.add_edge("Generate_Meal_Plan_Json_2", "Enrich_Meal_Plan_With_Nutrition_2")
-    workflow.add_edge("Enrich_Meal_Plan_With_Nutrition_2", END)
-
-    graph = workflow.compile()
-    return graph

chatbot/agents/graphs/meal_suggestion_graph.py

@@ -2,20 +2,21 @@ from langgraph.graph import StateGraph, START, END
 from chatbot.agents.states.state import AgentState
 
 # Import các node
-from chatbot.agents.nodes.functions import get_user_profile, generate_food_plan, generate_meal_plan
+from chatbot.agents.nodes.app_functions import get_user_profile, generate_food_candidates, select_menu_structure, optimize_portions_scipy
 
-def workflow_meal_suggestion() -> StateGraph:
+def meal_plan_graph():
     workflow = StateGraph(AgentState)
 
-    workflow.add_node("Get_User_Profile", get_user_profile)
-    workflow.add_node("Generate_Food_Plan", generate_food_plan)
-    workflow.add_node("Generate_Meal_Plan", generate_meal_plan)
+    workflow.add_node("get_profile", get_user_profile)
+    workflow.add_node("generate_candidates", generate_food_candidates)
+    workflow.add_node("select_menu", select_menu_structure)
+    workflow.add_node("optimize_macros", optimize_portions_scipy)
 
-    workflow.set_entry_point("Get_User_Profile")
-
-    workflow.add_edge("Get_User_Profile", "Generate_Food_Plan")
-    workflow.add_edge("Generate_Food_Plan", "Generate_Meal_Plan")
-    workflow.add_edge("Generate_Meal_Plan", END)
+    workflow.set_entry_point("get_profile")
+    workflow.add_edge("get_profile", "generate_candidates")
+    workflow.add_edge("generate_candidates", "select_menu")
+    workflow.add_edge("select_menu", "optimize_macros")
+    workflow.add_edge("optimize_macros", END)
 
     graph = workflow.compile()
     return graph

chatbot/agents/graphs/meal_suggestion_json_graph.py

@@ -1,23 +0,0 @@
-from langgraph.graph import StateGraph, START, END
-from chatbot.agents.states.state import AgentState
-
-# Import các node
-from chatbot.agents.nodes.functions import get_user_profile, generate_food_plan, generate_meal_plan_day_json, enrich_meal_plan_with_nutrition
-
-def workflow_meal_suggestion_json() -> StateGraph:
-    workflow = StateGraph(AgentState)
-
-    workflow.add_node("Get_User_Profile", get_user_profile)
-    workflow.add_node("Generate_Food_Plan", generate_food_plan)
-    workflow.add_node("Generate_Meal_Plan_Day_Json", generate_meal_plan_day_json)
-    workflow.add_node("Enrich_Meal_Plan_With_Nutrition", enrich_meal_plan_with_nutrition)
-
-    workflow.set_entry_point("Get_User_Profile")
-
-    workflow.add_edge("Get_User_Profile", "Generate_Food_Plan")
-    workflow.add_edge("Generate_Food_Plan", "Generate_Meal_Plan_Day_Json")
-    workflow.add_edge("Generate_Meal_Plan_Day_Json", "Enrich_Meal_Plan_With_Nutrition")
-    workflow.add_edge("Enrich_Meal_Plan_With_Nutrition", END)
-
-    graph = workflow.compile()
-    return graph

chatbot/agents/nodes/app_functions/__init__.py

@@ -0,0 +1,21 @@
+from .get_profile import get_user_profile
+
+from .generate_candidates import generate_food_candidates
+from .select_menu import select_menu_structure
+from .optimize_macros import optimize_portions_scipy
+
+from .find_candidates import find_replacement_candidates
+from .optimize_select import calculate_top_options
+from .select_meal import llm_finalize_choice
+
+__all__ = [
+    "get_user_profile",
+    
+    "generate_food_candidates",
+    "select_menu_structure",
+    "optimize_portions_scipy",
+    
+    "find_replacement_candidates",
+    "calculate_top_options",
+    "llm_finalize_choice",
+]

chatbot/agents/nodes/app_functions/find_candidates.py

@@ -0,0 +1,68 @@
+from chatbot.agents.states.state import SwapState
+from chatbot.agents.tools.food_retriever import food_retriever
+from chatbot.agents.nodes.app_functions.generate_candidates import generate_numerical_constraints
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def find_replacement_candidates(state: SwapState):
+    logger.info("---NODE: FIND REPLACEMENTS (SELF QUERY)---")
+    food_old = state["food_old"]
+    profile = state["user_profile"]
+
+    diet_mode = profile.get('diet', '')       # VD: Chế độ HighProtein
+    restrictions = profile.get('limitFood', '') # VD: Dị ứng sữa, Thuần chay
+    health_status = profile.get('healthStatus', '') # VD: Suy thận
+
+    constraint_prompt = ""
+
+    if restrictions:
+        constraint_prompt += f"Yêu cầu bắt buộc: {restrictions}. "
+    if health_status:
+        constraint_prompt += f"Phù hợp người bệnh: {health_status}. "
+    if diet_mode:
+        constraint_prompt += f"Chế độ: {diet_mode}."
+
+    # 1. Trích xuất ngữ cảnh từ món cũ
+    role = food_old.get("role", "main")       # VD: main, side, carb
+    meal_type = food_old.get("assigned_meal", "trưa") # VD: trưa
+    old_name = food_old.get("name", "")
+    numerical_query = generate_numerical_constraints(profile, meal_type)
+
+    # 2. Xây dựng Query tự nhiên để SelfQueryRetriever hiểu
+    # Mẹo: Đưa thông tin phủ định "Không phải món X" vào
+    query = (
+        f"Tìm các món ăn đóng vai trò '{role}' phù hợp cho bữa '{meal_type}'. "
+        f"Khác với món '{old_name}'. "
+        f"{constraint_prompt}"
+    )
+
+    if numerical_query:
+        query += f"Yêu cầu: {numerical_query}"
+
+    logger.info(f"🔎 Query: {query}")
+
+    # 3. Gọi Retriever
+    try:
+        docs = food_retriever.invoke(query)
+    except Exception as e:
+        logger.info(f"⚠️ Lỗi Retriever: {e}")
+        return {"candidates": []}
+
+    # 4. Lọc sơ bộ (Python Filter)
+    candidates = []
+    for doc in docs:
+        item = doc.metadata.copy()
+
+        # Bỏ qua chính món cũ (Double check)
+        if item.get("name") == old_name: continue
+
+        # Gán context của món cũ sang để tính toán
+        item["target_role"] = role
+        item["target_meal"] = meal_type
+        candidates.append(item)
+
+    logger.info(f"📚 Tìm thấy {len(candidates)} ứng viên tiềm năng.")
+    return {"candidates": candidates}

chatbot/agents/nodes/app_functions/generate_candidates.py

@@ -0,0 +1,261 @@
+import random
+import logging
+from chatbot.agents.states.state import AgentState
+from chatbot.agents.tools.food_retriever import food_retriever_50
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def generate_food_candidates(state: AgentState):
+    logger.info("---NODE: RETRIEVAL CANDIDATES (ADVANCED PROFILE)---")
+    meals = state.get("meals_to_generate", [])
+    profile = state["user_profile"]
+
+    candidates = []
+
+    diet_mode = profile.get('diet', '')       # VD: Chế độ HighProtein
+    restrictions = profile.get('limitFood', '') # VD: Dị ứng sữa, Thuần chay
+    health_status = profile.get('healthStatus', '') # VD: Suy thận
+
+    constraint_prompt = ""
+    if restrictions:
+        constraint_prompt += f"Yêu cầu bắt buộc: {restrictions}. "
+    if health_status:
+        constraint_prompt += f"Phù hợp người bệnh: {health_status}. "
+    if diet_mode:
+        constraint_prompt += f"Chế độ: {diet_mode}."
+
+    # ĐỊNH NGHĨA TEMPLATE PROMPT
+    prompt_templates = {
+        "sáng": (
+            f"Món ăn sáng, điểm tâm. Ưu tiên món nước hoặc món khô dễ tiêu hóa. "
+            f"{constraint_prompt}"
+        ),
+        "trưa": (
+            f"Món ăn chính cho bữa trưa. "
+            f"{constraint_prompt}"
+        ),
+        "tối": (
+            f"Món ăn tối, nhẹ bụng. "
+            f"{constraint_prompt}"
+        ),
+    }
+
+    random_vibes = [
+        "hương vị truyền thống", "phong cách hiện đại",
+        "thanh đạm", "chế biến đơn giản", "phổ biến nhất"
+    ]
+
+    for meal_type in meals:
+        logger.info(meal_type)
+        base_prompt = prompt_templates.get(meal_type, f"Món ăn {meal_type}. {constraint_prompt}")
+        vibe = random.choice(random_vibes)
+        numerical_query = generate_numerical_constraints(profile, meal_type)
+
+        final_query = f"{base_prompt} Phong cách: {vibe}.{' Ràng buộc: ' + numerical_query if numerical_query != '' else ''}"
+        logger.info(f"🔎 Query ({meal_type}): {final_query}")
+
+        docs = food_retriever_50.invoke(final_query)
+        ranked_items = rank_candidates(docs, profile, meal_type)
+        
+        if len(ranked_items) > 0:
+            ranked_items_shuffle = random.sample(ranked_items[:30], 30)
+            
+            k = 20 if len(meals) == 1 else 10
+            
+            selected_docs = ranked_items_shuffle[:k]
+            
+            for doc in selected_docs:
+                item = doc.copy()
+                item["meal_type_tag"] = meal_type
+                item["retrieval_vibe"] = vibe
+                candidates.append(item)
+
+    unique_candidates = {v['name']: v for v in candidates}.values()
+    final_pool = list(unique_candidates)
+
+    logger.info(f"📚 Candidate Pool Size: {len(final_pool)} món")
+    return {"candidate_pool": final_pool, "meals_to_generate": meals}
+
+def generate_numerical_constraints(user_profile, meal_type):
+    """
+    Tạo chuỗi ràng buộc số liệu dinh dưỡng dựa trên cấu hình người dùng.
+    """
+    ratios = {"sáng": 0.25, "trưa": 0.40, "tối": 0.35}
+    meal_ratio = ratios.get(meal_type, 0.3)
+
+    critical_nutrients = {
+        "Protein": ("protein", "protein", "g", "range"),
+        "Saturated fat": ("saturatedfat", "saturated_fat", "g", "max"),
+        "Natri": ("natri", "natri", "mg", "max"), # Quan trọng cho thận/tim
+        "Kali": ("kali", "kali", "mg", "range"),  # Quan trọng cho thận
+        "Phốt pho": ("photpho", "photpho", "mg", "max"), # Quan trọng cho thận
+        "Sugars": ("sugar", "sugar", "g", "max"), # Quan trọng cho tiểu đường
+        "Carbohydrate": ("carbohydrate", "carbohydrate", "g", "range"),
+    }
+
+    constraints = []
+
+    check_list = set(user_profile.get('Kiêng', []) + user_profile.get('Hạn chế', []))
+    for item_name in check_list:
+        if item_name not in critical_nutrients: continue
+
+        config = critical_nutrients.get(item_name)
+        profile_key, db_key, unit, logic = config
+        daily_val = float(user_profile.get(profile_key, 0))
+        meal_target = daily_val * meal_ratio
+
+        if logic == 'max':
+            # Nới lỏng một chút ở bước tìm kiếm (120-130% target) để không bị lọc hết
+            threshold = round(meal_target * 1.3, 2)
+            constraints.append(f"{db_key} < {threshold}{unit}")
+
+        elif logic == 'range':
+            # Range rộng (50% - 150%) để bắt được nhiều món
+            min_val = round(meal_target * 0.5, 2)
+            max_val = round(meal_target * 1.5, 2)
+            constraints.append(f"{db_key} > {min_val}{unit} - {db_key} < {max_val}{unit}")
+
+    if not constraints: return ""
+    return ", ".join(constraints)
+
+def rank_candidates(candidates, user_profile, meal_type):
+    """
+    Chấm điểm (Scoring) các món ăn dựa trên cấu hình dinh dưỡng chi ti��t.
+    """
+    print("---NODE: RANKING CANDIDATES (ADVANCED SCORING)---")
+
+    ratios = {"sáng": 0.25, "trưa": 0.40, "tối": 0.35}
+    meal_ratio = ratios.get(meal_type, 0.3)
+
+    nutrient_config = {
+        # --- Nhóm Đa lượng (Macro) ---
+        "Protein": ("protein", "protein", "g", "range"),
+        "Total Fat": ("totalfat", "lipid", "g", "max"),
+        "Carbohydrate": ("carbohydrate", "carbohydrate", "g", "range"),
+        "Saturated fat": ("saturatedfat", "saturated_fat", "g", "max"),
+        "Monounsaturated fat": ("monounsaturatedfat", "monounsaturated_fat", "g", "max"),
+        "Trans fat": ("transfat", "trans_fat", "g", "max"),
+        "Sugars": ("sugar", "sugar", "g", "max"),
+        "Chất xơ": ("fiber", "fiber", "g", "min"),
+
+        # --- Nhóm Vi chất (Micro) ---
+        "Vitamin A": ("vitamina", "vit_a", "mg", "min"),
+        "Vitamin C": ("vitaminc", "vit_c", "mg", "min"),
+        "Vitamin D": ("vitamind", "vit_d", "mg", "min"),
+        "Vitamin E": ("vitamine", "vit_e", "mg", "min"),
+        "Vitamin K": ("vitamink", "vit_k", "mg", "min"),
+        "Vitamin B6": ("vitaminb6", "vit_b6", "mg", "min"),
+        "Vitamin B12": ("vitaminb12", "vit_b12", "mg", "min"),
+
+        # --- Khoáng chất ---
+        "Canxi": ("canxi", "canxi", "mg", "min"),
+        "Sắt": ("fe", "sat", "mg", "min"),
+        "Magie": ("magie", "magie", "mg", "min"),
+        "Kẽm": ("zn", "kem", "mg", "min"),
+        "Kali": ("kali", "kali", "mg", "range"),
+        "Natri": ("natri", "natri", "mg", "max"),
+        "Phốt pho": ("photpho", "photpho", "mg", "max"),
+
+        # --- Khác ---
+        "Cholesterol": ("cholesterol", "cholesterol", "mg", "max"),
+        "Choline": ("choline", "choline", "mg", "min"),
+        "Caffeine": ("caffeine", "caffeine", "mg", "max"),
+        "Alcohol": ("alcohol", "alcohol", "g", "max"),
+    }
+
+    scored_list = []
+
+    for doc in candidates:
+        item = doc.metadata
+        score = 0
+        reasons = [] # Lưu lý do để debug hoặc giải thích cho user
+
+        # --- 1. CHẤM ĐIỂM NHÓM "BỔ SUNG" (BOOST) ---
+        # Logic: Càng nhiều càng tốt
+        for nutrient in user_profile.get('Bổ sung', []):
+            config = nutrient_config.get(nutrient)
+            if not config: continue
+
+            p_key, db_key, unit, logic = config
+
+            # Lấy giá trị thực tế trong món ăn và mục tiêu
+            val = float(item.get(db_key, 0))
+            daily_target = float(user_profile.get(p_key, 0))
+            meal_target = daily_target * meal_ratio
+
+            if meal_target == 0: continue
+
+            # Chấm điểm
+            # Nếu đạt > 50% target bữa -> +10 điểm
+            if val >= meal_target * 0.5:
+                score += 10
+                reasons.append(f"Giàu {nutrient}")
+            # Nếu đạt > 80% target -> +15 điểm (thưởng thêm)
+            if val >= meal_target * 0.8:
+                score += 5
+
+        # --- 2. CHẤM ĐIỂM NHÓM "HẠN CHẾ" & "KIÊNG" (PENALTY/REWARD) ---
+        # Gộp chung vì logic giống nhau: Càng thấp càng tốt
+        check_list = set(user_profile.get('Hạn chế', []) + user_profile.get('Kiêng', []))
+
+        for nutrient in check_list:
+            config = nutrient_config.get(nutrient)
+            if not config: continue
+
+            p_key, db_key, unit, logic = config
+            val = float(item.get(db_key, 0))
+            daily_target = float(user_profile.get(p_key, 0))
+            meal_target = daily_target * meal_ratio
+
+            if meal_target == 0: continue
+
+            if logic == 'max':
+                # Nếu thấp hơn target -> +10 điểm (Tốt)
+                if val <= meal_target:
+                    score += 10
+                # Nếu thấp hơn hẳn (chỉ bằng 50% target) -> +15 điểm (Rất an toàn)
+                if val <= meal_target * 0.5:
+                    score += 5
+                # Nếu vượt quá target -> -10 điểm (Phạt)
+                if val > meal_target:
+                    score -= 10
+
+            elif logic == 'range':
+                # Logic cho Kali/Protein: Tốt nhất là nằm trong khoảng, không thấp quá, không cao quá
+                min_safe = meal_target * 0.5
+                max_safe = meal_target * 1.5
+
+                if min_safe <= val <= max_safe:
+                    score += 10 # Nằm trong vùng an toàn
+                elif val > max_safe:
+                    score -= 10 # Cao quá (nguy hiểm cho thận)
+                # Thấp quá thì không trừ điểm nặng, chỉ không được cộng
+
+        # --- 3. ĐIỂM THƯỞNG CHO SỰ PHÙ HỢP CƠ BẢN (BASE HEALTH) ---
+        # Ít đường (< 5g) -> +2 điểm
+        if float(item.get('sugar', 0)) < 5: score += 2
+
+        # Ít saturated fat (< 3g) -> +2 điểm
+        if float(item.get('saturated_fat', 0)) < 3: score += 2
+
+        # Giàu xơ (> 3g) -> +3 điểm
+        if float(item.get('fiber', 0)) > 3: score += 3
+
+        # Lưu kết quả
+        item_copy = item.copy()
+        item_copy["health_score"] = score
+        item_copy["score_reason"] = ", ".join(reasons[:3]) # Chỉ lấy 3 lý do chính
+        scored_list.append(item_copy)
+
+    # 4. SẮP XẾP & TRẢ VỀ
+    # Sort giảm dần theo điểm (Điểm cao nhất lên đầu)
+    scored_list.sort(key=lambda x: x["health_score"], reverse=True)
+
+    # # Debug: In Top 3
+    # logger.info("🏆 Top 3 Món Tốt Nhất (Sau khi chấm điểm):")
+    # for i, m in enumerate(scored_list[:3]):
+    #     logger.info(f"   {i+1}. {m['name']} (Score: {m['health_score']}) | {m.get('score_reason')}")
+
+    return scored_list

chatbot/agents/nodes/app_functions/get_profile.py

@@ -0,0 +1,22 @@
+import logging
+
+from chatbot.agents.states.state import AgentState
+from chatbot.utils.user_profile import get_user_by_id
+from chatbot.utils.restriction import get_restrictions
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def get_user_profile(state: AgentState):
+    logger.info("---NODE: GET USER PROFILE---")
+    user_id = state.get("user_id", 1)
+
+    raw_profile = get_user_by_id(user_id)
+    restrictions = get_restrictions(raw_profile["healthStatus"])
+
+    final_profile = {**raw_profile, **restrictions}
+    
+    logger.info(f"Tổng hợp user profile cho user_id={user_id} thành công!")
+
+    return {"user_profile": final_profile}

chatbot/agents/nodes/app_functions/optimize_macros.py

@@ -0,0 +1,204 @@
+import logging
+from chatbot.agents.states.state import AgentState
+import numpy as np
+from scipy.optimize import minimize
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def optimize_portions_scipy(state: AgentState):
+    logger.info("---NODE: SCIPY OPTIMIZER (FINAL VERSION)---")
+    profile = state.get("user_profile", {})
+    menu = state.get("selected_structure", [])
+
+    if not menu:
+        print("⚠️ Menu rỗng, bỏ qua tối ưu hóa.")
+        return {"final_menu": []}
+
+    # --- BƯỚC 1: XÁC ĐỊNH MỤC TIÊU TỐI ƯU HÓA (CRITICAL STEP) ---
+    # Lấy Target Ngày gốc
+    daily_targets = np.array([
+        float(profile.get("targetcalories", 1314)),
+        float(profile.get("protein", 98)),
+        float(profile.get("totalfat", 43)),
+        float(profile.get("carbohydrate", 131))
+    ])
+
+    # Tỷ lệ các bữa
+    meal_ratios = {"sáng": 0.25, "trưa": 0.40, "tối": 0.35}
+
+    # Xác định các bữa có trong menu hiện tại
+    generated_meals = set(d.get("assigned_meal", "").lower() for d in menu)
+
+    # Tính Target Thực Tế (Optimization Target)
+    # Ví dụ: Nếu chỉ có bữa Trưa -> Target = Daily * 0.4
+    # Nếu có Trưa + Tối -> Target = Daily * (0.4 + 0.35)
+    active_target = np.zeros(4)
+    active_ratios_sum = 0
+
+    for m in ["sáng", "trưa", "tối"]:
+        if m in generated_meals:
+            active_target += daily_targets * meal_ratios[m]
+            active_ratios_sum += meal_ratios[m]
+
+    # Fallback: Nếu không xác định được bữa nào, dùng Target Ngày
+    if np.sum(active_target) == 0:
+        active_target = daily_targets
+
+    logger.info(f"   🎯 Mục tiêu tối ưu hóa (Active Target): {active_target.astype(int)}")
+
+    # --- BƯỚC 2: THIẾT LẬP MA TRẬN & BOUNDS ---
+    matrix = []
+    bounds = []
+    meal_indices = {"sáng": [], "trưa": [], "tối": []}
+
+    # Tính target riêng từng bữa để dùng cho Distribution Loss
+    target_kcal_per_meal = {
+        k: daily_targets[0] * v for k, v in meal_ratios.items()
+    }
+
+    for i, dish in enumerate(menu):
+        nutrients = [
+            float(dish.get("kcal", 0)),
+            float(dish.get("protein", 0)),
+            float(dish.get("lipid", 0)),
+            float(dish.get("carbohydrate", 0))
+        ]
+        matrix.append(nutrients)
+
+        # Logic Bounds Thông minh
+        current_kcal = nutrients[0]
+        t_meal_name = dish.get("assigned_meal", "").lower()
+        t_meal_target = target_kcal_per_meal.get(t_meal_name, 500)
+
+        # Nếu 1 món chiếm > 90% Kcal mục tiêu của bữa đó -> Phải cho giảm sâu
+        if current_kcal > (t_meal_target * 0.9):
+             bounds.append((0.3, 1.0))
+        elif "solver_bounds" in dish:
+            bounds.append(dish["solver_bounds"])
+        else:
+            bounds.append((0.5, 1.5))
+
+        if "sáng" in t_meal_name: meal_indices["sáng"].append(i)
+        elif "trưa" in t_meal_name: meal_indices["trưa"].append(i)
+        elif "tối" in t_meal_name: meal_indices["tối"].append(i)
+
+    matrix = np.array(matrix).T
+    n_dishes = len(menu)
+    initial_guess = np.ones(n_dishes)
+
+    # --- BƯỚC 3: ADAPTIVE WEIGHTS (TRÁNH BẪY LIPID) ---
+    # Kiểm tra tính khả thi: Liệu menu này có ĐỦ chất để đạt target không?
+
+    # Tính dinh dưỡng tối đa có thể đạt được (nếu ăn x2.5 suất tất cả)
+    max_possible = matrix.dot(np.full(n_dishes, 2.5))
+
+    # Trọng số mặc định: [Kcal, P, L, C]
+    adaptive_weights = np.array([3.0, 2.0, 1.0, 1.0])
+    nutri_names = ["Kcal", "Protein", "Lipid", "Carb"]
+
+    for i in range(1, 4): # Check P, L, C
+        # Nếu Max khả thi vẫn < 70% Target -> Menu này quá thiếu chất đó
+        # -> Giảm trọng số về gần 0 để Solver không cố gắng cứu nó
+        if max_possible[i] < (active_target[i] * 0.7):
+            logger.info(f"   ⚠️ Thiếu hụt {nutri_names[i]} nghiêm trọng (Max {int(max_possible[i])} < Target {int(active_target[i])}). Bỏ qua tối ưu chỉ số này.")
+            adaptive_weights[i] = 0.01
+
+    # --- BƯỚC 4: LOSS FUNCTION ---
+    def objective(portions):
+        # A. Loss Macro (So với Active Target)
+        current_macros = matrix.dot(portions)
+
+        # Dùng adaptive_weights để tránh bẫy
+        diff = (current_macros - active_target) / (active_target + 1e-5)
+        loss_macro = np.sum(adaptive_weights * (diff ** 2))
+
+        # B. Loss Phân bổ Bữa ăn (Chỉ cần thiết nếu sinh nhiều bữa)
+        loss_dist = 0
+        if active_ratios_sum > 0.5: # Chỉ tính nếu sinh > 1 bữa
+            kcal_row = matrix[0]
+            for m_type, indices in meal_indices.items():
+                if not indices: continue
+                current_meal_kcal = np.sum(kcal_row[indices] * portions[indices])
+                target_meal = target_kcal_per_meal.get(m_type, 0)
+                d = (current_meal_kcal - target_meal) / (target_meal + 1e-5)
+                loss_dist += (d ** 2)
+
+        return loss_macro + (1.5 * loss_dist)
+
+    # 5. Run Optimization
+    res = minimize(objective, initial_guess, method='SLSQP', bounds=bounds)
+
+    # 6. Apply Results
+    optimized_portions = res.x
+    final_menu = []
+    total_stats = np.zeros(4)
+    achieved_meal_kcal = {"sáng": 0, "trưa": 0, "tối": 0}
+
+    for i, dish in enumerate(menu):
+        ratio = optimized_portions[i]
+        final_dish = dish.copy()
+
+        final_dish["portion_scale"] = float(round(ratio, 2))
+        final_dish["final_kcal"] = int(dish.get("kcal", 0) * ratio)
+        final_dish["final_protein"] = int(dish.get("protein", 0) * ratio)
+        final_dish["final_lipid"] = int(dish.get("lipid", 0) * ratio)
+        final_dish["final_carb"] = int(dish.get("carbohydrate", 0) * ratio)
+
+        logger.info(f"   - {dish['name']} ({dish['assigned_meal']}): x{final_dish['portion_scale']} suất -> {final_dish['final_kcal']}kcal, {final_dish['final_protein']}g Protein, {final_dish['final_lipid']}g Lipid, {final_dish['final_carb']}g Carbohydrate")
+
+        final_menu.append(final_dish)
+        total_stats += np.array([
+            final_dish["final_kcal"], final_dish["final_protein"],
+            final_dish["final_lipid"], final_dish["final_carb"]
+        ])
+
+        m_type = dish.get("assigned_meal", "").lower()
+        if "sáng" in m_type: achieved_meal_kcal["sáng"] += final_dish["final_kcal"]
+        elif "trưa" in m_type: achieved_meal_kcal["trưa"] += final_dish["final_kcal"]
+        elif "tối" in m_type: achieved_meal_kcal["tối"] += final_dish["final_kcal"]
+
+    # --- BƯỚC 7: BÁO CÁO KẾT QUẢ ---
+    logger.info("\n   📊 BÁO CÁO TỐI ƯU HÓA CHI TIẾT:")
+
+    headers = ["Chỉ số", "Mục tiêu (Bữa)", "Kết quả", "Độ lệch"]
+    row_format = "   | {:<12} | {:<15} | {:<15} | {:<15} |"
+    logger.info("   " + "-"*65)
+    logger.info(row_format.format(*headers))
+    logger.info("   " + "-"*65)
+
+    labels = ["Năng lượng", "Protein", "Lipid", "Carb"]
+    units = ["Kcal", "g", "g", "g"]
+
+    for i in range(4):
+        t_val = int(active_target[i]) # So sánh với Active Target
+        r_val = int(total_stats[i])
+        diff = r_val - t_val
+        diff_str = f"{diff:+d} {units[i]}"
+
+        status = ""
+        percent_diff = abs(diff) / (t_val + 1e-5)
+        # Nếu weight bị giảm về 0.01 thì không cảnh báo lỗi nữa (vì đã chấp nhận bỏ qua)
+        if percent_diff > 0.15 and adaptive_weights[i] > 0.1: status = "⚠️"
+        else: status = "✅"
+
+        logger.info(row_format.format(
+            labels[i],
+            f"{t_val} {units[i]}",
+            f"{r_val} {units[i]}",
+            f"{diff_str} {status}"
+        ))
+    logger.info("   " + "-"*65)
+
+    logger.info("\n   ⚖️  PHÂN BỔ TỪNG BỮA (Kcal):")
+    for meal in ["sáng", "trưa", "tối"]:
+        if meal in generated_meals:
+            t_meal = int(target_kcal_per_meal[meal])
+            r_meal = int(achieved_meal_kcal[meal])
+            logger.info(f"   - {meal.capitalize():<5}: Đạt {r_meal} / {t_meal} Kcal")
+
+    return {
+        "final_menu": final_menu,
+        "user_profile": profile
+    }

chatbot/agents/nodes/app_functions/optimize_select.py

@@ -0,0 +1,76 @@
+from scipy.optimize import minimize_scalar
+from chatbot.agents.states.state import SwapState
+import numpy as np
+import logging
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def calculate_top_options(state: SwapState):
+    logger.info("---NODE: SCIPY RANKING (MATH FILTER)---")
+    candidates = state["candidates"]
+    food_old = state["food_old"]
+
+    if not candidates: return {"top_candidates": []}
+
+    # 1. Xác định "KPI" từ món cũ
+    old_scale = float(food_old.get("portion_scale", 1.0))
+    target_vector = np.array([
+        float(food_old.get("kcal", 0)) * old_scale,
+        float(food_old.get("protein", 0)) * old_scale,
+        float(food_old.get("lipid", 0)) * old_scale,
+        float(food_old.get("carbohydrate", 0)) * old_scale
+    ])
+    weights = np.array([3.0, 2.0, 1.0, 1.0])
+
+    # Bound của món cũ
+    bounds = food_old.get("solver_bounds", (0.5, 2.0))
+
+    # Hàm tính toán (giữ nguyên logic cũ)
+    def calculate_score(candidate):
+        base_vector = np.array([
+            float(candidate.get("kcal", 0)),
+            float(candidate.get("protein", 0)),
+            float(candidate.get("lipid", 0)),
+            float(candidate.get("carbohydrate", 0))
+        ])
+        if np.sum(base_vector) == 0: return float('inf'), 1.0
+
+        def objective(x):
+            current_vector = base_vector * x
+            diff = (current_vector - target_vector) / (target_vector + 1e-5)
+            loss = np.sum(weights * (diff ** 2))
+            return loss
+
+        res = minimize_scalar(objective, bounds=bounds, method='bounded')
+        return res.fun, res.x
+
+    # 3. Chấm điểm hàng loạt
+    scored_candidates = []
+    for item in candidates:
+        loss, scale = calculate_score(item)
+
+        # Chỉ lấy những món có sai số chấp nhận được (Loss < 5.0)
+        if loss < 5.0:
+            item_score = item.copy()
+            item_score["optimization_loss"] = round(loss, 4)
+            item_score["portion_scale"] = round(scale, 2)
+
+            # Tính chỉ số hiển thị sau khi scale
+            item_score["final_kcal"] = int(item["kcal"] * scale)
+            item_score["final_protein"] = int(item["protein"] * scale)
+            item_score["final_lipid"] = int(item["lipid"] * scale)
+            item_score["final_carb"] = int(item["carbohydrate"] * scale)
+
+            scored_candidates.append(item_score)
+
+    # 4. Lấy Top 10 tốt nhất
+    # Sắp xếp theo Loss (thấp nhất là giống dinh dưỡng nhất)
+    scored_candidates.sort(key=lambda x: x["optimization_loss"])
+    top_10 = scored_candidates[:10]
+
+    logger.info(f"📊 Scipy đã lọc ra {len(top_10)} ứng viên tiềm năng.")
+    for item in top_10:
+        logger.info(f"   - {item['name']} (Scale x{item['portion_scale']} | Loss: {item['optimization_loss']})")
+
+    return {"top_candidates": top_10}

chatbot/agents/nodes/app_functions/select_meal.py

@@ -0,0 +1,129 @@
+from langchain_core.pydantic_v1 import BaseModel, Field
+from chatbot.models.llm_setup import llm
+from chatbot.agents.states.state import SwapState
+import logging
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class ChefDecision(BaseModel):
+    # Thay đổi tên trường cho rõ nghĩa
+    selected_meal_id: int = Field(description="ID (meal_id) của món ăn được chọn từ danh sách")
+    reason: str = Field(description="Lý do ẩm thực ngắn gọn")
+
+def llm_finalize_choice(state: SwapState):
+    logger.info("---NODE: LLM FINAL SELECTION (BY REAL MEAL_ID)---")
+    top_candidates = state["top_candidates"]
+    food_old = state["food_old"]
+
+    if not top_candidates: return {"best_replacement": None}
+
+    # 1. Format danh sách hiển thị kèm Real ID
+    options_text = ""
+    for item in top_candidates:
+        # Lấy meal_id thực tế từ dữ liệu
+        real_id = item.get("meal_id")
+
+        options_text += (
+            f"ID [{real_id}] - {item['name']}\n"  # <--- Hiển thị ID thật
+            f"   - Số liệu: {item['final_kcal']} Kcal | P:{item['final_protein']}g | L:{item['final_lipid']}g | C:{item['final_carb']}g\n"
+            f"   - Độ lệch (Loss): {item['optimization_loss']}\n"
+        )
+
+    # 2. Prompt cập nhật
+    system_prompt = f"""
+    Bạn là Bếp trưởng. Người dùng muốn đổi món '{food_old.get('name')}'.
+    Dưới đây là các ứng viên thay thế:
+
+    {options_text}
+
+    NHIỆM VỤ:
+    1. Chọn ra 1 món thay thế tốt nhất về mặt ẩm thực.
+    2. Trả về chính xác ID (số trong ngoặc vuông []) của món đó.
+    """
+
+    # 3. Gọi LLM
+    try:
+        llm_structured = llm.with_structured_output(ChefDecision)
+        decision = llm_structured.invoke(system_prompt)
+        target_id = decision.selected_meal_id
+    except Exception as e:
+        logger.info(f"⚠️ LLM Error: {e}. Fallback to first option.")
+        # Fallback lấy ID của món đầu tiên
+        target_id = top_candidates[0].get("meal_id")
+        decision = ChefDecision(selected_meal_id=target_id, reason="Fallback do lỗi hệ thống.")
+
+    # 4. Mapping lại bằng meal_id (Chính xác tuyệt đối)
+    selected_full_candidate = None
+
+    for item in top_candidates:
+        # So sánh ID (lưu ý ép kiểu nếu cần thiết để tránh lỗi string vs int)
+        if int(item.get("meal_id")) == int(target_id):
+            selected_full_candidate = item
+            break
+
+    # Fallback an toàn
+    if not selected_full_candidate:
+        logger.info(f"⚠️ ID {target_id} không tồn tại trong list. Chọn món Top 1.")
+        selected_full_candidate = top_candidates[0]
+
+    # Bổ sung lý do
+    selected_full_candidate["chef_reason"] = decision.reason
+
+    # Bổ sung lý do
+    selected_full_candidate["chef_reason"] = decision.reason
+
+    #-------------------------------------------------------------------
+    # --- PHẦN MỚI: IN BẢNG SO SÁNH (VISUAL COMPARISON) ---
+    logger.info(f"\n✅ CHEF SELECTED: {selected_full_candidate['name']} (ID: {selected_full_candidate['meal_id']})")
+    logger.info(f"📝 Lý do: {decision.reason}")
+
+    # Lấy thông tin món cũ (đã scale ở menu gốc)
+    # Lưu ý: food_old trong state là thông tin gốc hoặc đã tính toán ở daily menu
+    old_kcal = float(food_old.get('final_kcal', food_old['kcal']))
+    old_pro = float(food_old.get('final_protein', food_old['protein']))
+    old_fat = float(food_old.get('final_lipid', food_old['lipid']))
+    old_carb = float(food_old.get('final_carb', food_old['carbohydrate']))
+
+    # Lấy thông tin món mới (đã re-scale bởi Scipy)
+    new_kcal = selected_full_candidate['final_kcal']
+    new_pro = selected_full_candidate['final_protein']
+    new_fat = selected_full_candidate['final_lipid']
+    new_carb = selected_full_candidate['final_carb']
+    scale = selected_full_candidate['portion_scale']
+
+    # In bảng
+    logger.info("\n   📊 BẢNG SO SÁNH THAY THẾ:")
+    headers = ["Chỉ số", "Món Cũ (Gốc)", "Món Mới (Re-scale)", "Chênh lệch"]
+    row_fmt = "   | {:<10} | {:<15} | {:<20} | {:<12} |"
+
+    logger.info("   " + "-"*68)
+    logger.info(row_fmt.format(*headers))
+    logger.info("   " + "-"*68)
+
+    # Helper in dòng
+    def print_row(label, old_val, new_val, unit=""):
+        diff = new_val - old_val
+        diff_str = f"{diff:+.1f}"
+
+        # Đánh dấu màu (Logic text)
+        status = "✅"
+        # Nếu lệch > 20% thì cảnh báo
+        if old_val > 0 and abs(diff)/old_val > 0.2: status = "⚠️"
+
+        logger.info(row_fmt.format(
+            label,
+            f"{old_val:.0f} {unit}",
+            f"{new_val:.0f} {unit} (x{scale} suất)",
+            f"{diff_str} {status}"
+        ))
+
+    print_row("Năng lượng", old_kcal, new_kcal, "Kcal")
+    print_row("Protein", old_pro, new_pro, "g")
+    print_row("Lipid", old_fat, new_fat, "g")
+    print_row("Carb", old_carb, new_carb, "g")
+    logger.info("   " + "-"*68)
+
+    logger.info(f"✅ Chef Selected: ID {selected_full_candidate['meal_id']} - {selected_full_candidate['name']}")
+
+    return {"best_replacement": selected_full_candidate}

chatbot/agents/nodes/app_functions/select_menu.py

@@ -0,0 +1,237 @@
+from langchain_core.pydantic_v1 import BaseModel, Field
+from typing import Literal, List
+from collections import defaultdict
+import logging
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# --- DATA MODELS ---
+class SelectedDish(BaseModel):
+    name: str = Field(description="Tên món ăn chính xác trong danh sách")
+    meal_type: str = Field(description="Bữa ăn (sáng/trưa/tối)")
+    role: Literal["main", "carb", "side"] = Field(
+        description="Vai trò: 'main' (Món mặn/Đạm), 'carb' (Cơm/Tinh bột), 'side' (Rau/Canh)"
+    )
+    reason: str = Field(description="Lý do chọn (ngắn gọn)")
+
+class DailyMenuStructure(BaseModel):
+    dishes: List[SelectedDish] = Field(description="Danh sách các món ăn được chọn")
+
+# --- NODE LOGIC ---
+def select_menu_structure(state: AgentState):
+    logger.info("---NODE: AI SELECTOR (FULL MACRO AWARE)---")
+    profile = state["user_profile"]
+    candidates = state.get("candidate_pool", [])
+    meals_req = state["meals_to_generate"]
+    
+    if len(candidates) == 0:
+        logger.warning("⚠️ Danh sách ứng viên rỗng, không thể chọn món.")
+        return {"selected_structure": []}
+
+    # 1. TÍNH TOÁN MỤC TIÊU CHI TIẾT TỪNG BỮA (Budgeting)
+    daily_targets = {
+        "kcal": float(profile.get('targetcalories', 2000)),
+        "protein": float(profile.get('protein', 150)),
+        "lipid": float(profile.get('totalfat', 60)),
+        "carbohydrate": float(profile.get('carbohydrate', 200))
+    }
+    ratios = {"sáng": 0.25, "trưa": 0.40, "tối": 0.35}
+
+    # Tính target chi tiết cho từng bữa
+    # Kết quả dạng: {'sáng': {'kcal': 500, 'protein': 37.5, ...}, 'trưa': ...}
+    meal_targets = {}
+    for meal, ratio in ratios.items():
+        meal_targets[meal] = {
+            k: int(v * ratio) for k, v in daily_targets.items()
+        }
+
+    # --- LOGIC TẠO HƯỚNG DẪN ĐỘNG ---
+    health_condition = profile.get('healthStatus', 'Bình thường')
+    safety_instruction = f"""
+    - Tình trạng sức khỏe: {health_condition}.
+    - Ưu tiên: Các món thanh đạm, chế biến đơn giản (Hấp/Luộc) nếu người dùng có nhiều bệnh nền.
+    """
+
+    # 2. TIỀN XỬ LÝ & PHÂN NHÓM CANDIDATES
+    candidates_by_meal = {"sáng": [], "trưa": [], "tối": []}
+
+    for m in candidates:
+        if m.get('kcal', 0) > 1500: continue
+        if m.get('kcal', 0) < 100: continue
+
+        tag = m.get('meal_type_tag', '').lower()
+        if "sáng" in tag: candidates_by_meal["sáng"].append(m)
+        elif "trưa" in tag: candidates_by_meal["trưa"].append(m)
+        elif "tối" in tag: candidates_by_meal["tối"].append(m)
+
+    def format_list(items):
+        if not items: return ""
+        return "\n".join([
+            f"- {m['name']}: {m.get('kcal')} kcal | P:{m.get('protein')}g | L:{m.get('lipid')}g | C:{m.get('carbohydrate')}g"
+            for m in items
+        ])
+
+    def get_target_str(meal):
+        t = meal_targets.get(meal, {})
+        return f"{t.get('kcal')} Kcal (P: {t.get('protein')}g, L: {t.get('lipid')}g, C: {t.get('carbohydrate')}g)"
+
+    # 3. XÂY DỰNG PROMPT (Kèm full chỉ số P/L/C)
+    guidance_sang = ""
+    if 'sáng' in meals_req:
+        guidance_sang = f"""BỮA SÁNG (Mục tiêu ~{get_target_str('sáng')}):
+        - Chọn 1 món chính có năng lượng ĐỦ LỚN (gần {get_target_str('sáng')}).
+        - Có thể bổ sung 1 món phụ sao cho dinh dưỡng cân bằng.
+        - Ưu tiên món nước (Phở/Bún) hoặc Bánh mì/Xôi, không nên ăn lẩu vào bữa sáng."""
+
+    guidance_trua = ""
+    if 'trưa' in meals_req:
+        guidance_trua = f"""BỮA TRƯA (Mục tiêu ~{get_target_str('trưa')}):
+        - Chọn tổ hợp gồm 3 món:
+        1. Main: Món cung cấp Protein chính.
+        2. Carb: Nguồn tinh bột thanh đạm như cơm trắng, cơm lứt, khoai, bún/phở (ít gia vị/dầu mỡ nếu Main đã đậm đà).
+        3. Side: Rau/Canh để bổ sung Xơ.
+        - Hoặc chọn 1 món Hỗn hợp (VD: Cơm chiên/Mì xào) nhưng không chọn thêm món mặn.
+        - Lưu ý: Món 'Main' và 'Side' phải tách biệt. Đừng chọn món rau xào thịt làm món Side (đó là Main)."""
+
+    guidance_toi = ""
+    if 'tối' in meals_req:
+        guidance_toi = f"""BỮA TỐI (Mục tiêu ~{get_target_str('tối')}):
+        - Tương tự như bữa trưa.
+        - Ưu tiên các món nhẹ bụng, dễ tiêu hóa.
+        - Giảm lượng tinh bột so với bữa trưa."""
+
+    # 2. Ghép vào prompt chính
+    system_prompt = f"""
+    Bạn là Chuyên gia Dinh dưỡng AI.
+    Nhiệm vụ: Chọn thực đơn cho các bữa: {', '.join(meals_req)} từ danh sách ứng viên đã được lọc sơ bộ. Mỗi bữa bao gồm từ 1 đến 3 món.
+
+    TỔNG MỤC TIÊU NGÀY: {int(daily_targets['kcal'])} Kcal | Protein: {int(daily_targets['protein'])}g | Lipid: {int(daily_targets['lipid'])}g | Carbohydrate: {int(daily_targets['carbohydrate'])}g.
+
+    NGUYÊN TẮC CỐT LÕI:
+    1. Nhìn vào số liệu: Hãy chọn món sao cho tổng dinh dưỡng xấp xỉ với Mục Tiêu Chi Tiết của từng bữa.
+    2. Cảm quan đầu bếp: Món ăn phải hợp vị (VD: Canh chua đi với Cá kho).
+    3. Ước lượng: Không cần tính chính xác tuyệt đối, nhưng đừng chọn món 5g Protein cho mục tiêu 60g Protein.
+
+    NGUYÊN TẮC AN TOÀN:
+    Mặc dù danh sách món đã được lọc, bạn vẫn là chốt chặn cuối cùng. Hãy tuân thủ:
+    {safety_instruction}
+
+    HƯỚNG DẪN TỪNG BỮA
+    {guidance_sang}
+    {guidance_trua}
+    {guidance_toi}
+
+    DANH SÁCH ỨNG VIÊN
+    {format_list(candidates_by_meal['sáng'])}
+    {format_list(candidates_by_meal['trưa'])}
+    {format_list(candidates_by_meal['tối'])}
+    """
+
+    logger.info("Prompt:")
+    logger.info(system_prompt)
+
+    # Gọi LLM
+    llm_structured = llm.with_structured_output(DailyMenuStructure, strict=True)
+    result = llm_structured.invoke(system_prompt)
+
+    # In danh sách các món đã chọn lần lượt theo bữa
+    def print_menu_by_meal(daily_menu):
+        menu_by_meal = defaultdict(list)
+        for dish in daily_menu.dishes:
+            menu_by_meal[dish.meal_type.lower()].append(dish)
+        meal_order = ["sáng", "trưa", "tối"]
+        for meal in meal_order:
+            if meal in menu_by_meal:
+                logger.info(f"\n🍽 Bữa {meal.upper()}:")
+                for d in menu_by_meal[meal]:
+                    logger.info(f" - {d.name} ({d.role}): {d.reason}")
+
+    logger.info("\n--- MENU ĐÃ CHỌN ---")
+    print_menu_by_meal(result)
+
+    # 4. HẬU XỬ LÝ (Gán Bounds)
+    selected_full_info = []
+    all_clean_candidates = []
+    for sublist in candidates_by_meal.values():
+        all_clean_candidates.extend(sublist)
+    candidate_map = {m['name']: m for m in all_clean_candidates}
+
+    for choice in result.dishes:
+        if choice.name in candidate_map:
+            dish_data = candidate_map[choice.name].copy()
+            dish_data["assigned_meal"] = choice.meal_type
+
+            # Lấy thông tin dinh dưỡng món hiện tại
+            d_kcal = float(dish_data.get("kcal", 0))
+            d_pro = float(dish_data.get("protein", 0))
+
+            # Lấy target bữa hiện tại (VD: Trưa)
+            t_target = meal_targets.get(choice.meal_type.lower(), {})
+            t_kcal = t_target.get("kcal", 500)
+            t_pro = t_target.get("protein", 30)
+
+            # --- GIAI ĐOẠN 1: TỰ ĐỘNG SỬA SAI VAI TRÒ (ROLE CORRECTION) ---
+            final_role = choice.role # Bắt đầu bằng role AI chọn
+
+            # 1. Phát hiện "Carb trá hình" (Cơm chiên/Mì xào quá nhiều thịt)
+            if final_role == "carb" and d_pro > 15:
+                print(f"   ⚠️ Phát hiện Carb giàu đạm ({choice.name}: {d_pro}g Pro). Đổi role sang 'main'.")
+                final_role = "main"
+
+            # 2. Phát hiện "Side giàu đạm" (Salad gà/bò, Canh sườn)
+            elif final_role == "side" and d_pro > 10:
+                print(f"   ⚠️ Phát hiện Side giàu đạm ({choice.name}: {d_pro}g Pro). Đổi role sang 'main'.")
+                final_role = "main"
+
+            # Cập nhật lại role chuẩn vào dữ liệu
+            dish_data["role"] = final_role
+
+
+            # --- GIAI ĐOẠN 2: THIẾT LẬP BOUNDS CƠ BẢN (BASE BOUNDS) ---
+            lower_bound = 0.5
+            upper_bound = 1.5
+
+            if final_role == "carb":
+                # Cơm/Bún thuần: Cho phép co dãn cực mạnh để bù Kcal
+                lower_bound, upper_bound = 0.4, 3.0
+
+            elif final_role == "side":
+                # Rau/Canh: Co dãn rộng để bù thể tích ăn
+                lower_bound, upper_bound = 0.5, 2.0
+
+            elif final_role == "main":
+                # Món mặn: Co dãn vừa phải để giữ hương vị
+                lower_bound, upper_bound = 0.6, 1.8
+
+
+            # --- GIAI ĐOẠN 3: KIỂM TRA AN TOÀN & GHI ĐÈ  ---
+
+            # Override A: Nếu món Main có Protein quá khủng so với Target
+            # (VD: Món 52g Pro vs Target Bữa 30g Pro) -> Phải cho phép giảm sâu
+            if final_role == "main" and d_pro > t_pro:
+                print(f"   ⚠️ Món {choice.name} thừa đạm ({d_pro}g > {t_pro}g). Mở rộng bound xuống thấp.")
+                lower_bound = 0.3  # Cho phép giảm xuống 30% suất
+                upper_bound = min(upper_bound, 1.2) # Không cho phép tăng quá nhiều
+
+            # Override B: Nếu món quá nhiều Calo (Chiếm > 80% Kcal cả bữa)
+            if d_kcal > (t_kcal * 0.8):
+                print(f"   ⚠️ Món {choice.name} quá đậm năng lượng ({d_kcal} kcal). Siết chặt bound.")
+                lower_bound = 0.3
+                upper_bound = min(upper_bound, 1.0) # Chặn không cho tăng
+
+            # Override C: Nếu là món Side nhưng Protein vẫn hơi cao (5-10g)
+            # Cho phép giảm để nhường quota Protein cho món Main
+            if final_role == "side" and d_pro > 5:
+                lower_bound = 0.2 # Cho phép ăn ít rau này lại
+
+            # --- KẾT THÚC: GÁN VÀO DỮ LIỆU ---
+            dish_data["solver_bounds"] = (lower_bound, upper_bound)
+            selected_full_info.append(dish_data)
+
+    return {
+        "selected_structure": selected_full_info,
+    }

chatbot/agents/nodes/chatbot/__init__.py

@@ -0,0 +1,25 @@
+from .classify_topic import classify_topic, route_by_topic
+from .meal_identify import meal_identify
+from .suggest_meal_node import suggest_meal_node
+from .food_query import food_query
+from .select_food_plan import select_food_plan
+from .general_chat import general_chat
+from .generate_final_response import generate_final_response
+from .food_suggestion import food_suggestion
+from .policy import policy
+from .select_food import select_food
+
+
+__all__ = [
+    "classify_topic",
+    "route_by_topic",
+    "meal_identify",
+    "suggest_meal_node",
+    "food_query",
+    "select_food_plan",
+    "general_chat",
+    "generate_final_response",
+    "food_suggestion",
+    "policy",
+    "select_food",
+]

chatbot/agents/nodes/{classify_topic.py → chatbot/classify_topic.py}

@@ -1,60 +1,71 @@
-from langchain.prompts import PromptTemplate
-import json
-from pydantic import BaseModel, Field
-from chatbot.agents.states.state import AgentState
-from chatbot.models.llm_setup import llm
-
-class Topic(BaseModel):
-    name: str = Field(
-        description=(
-            "Tên chủ đề mà người dùng đang hỏi. "
-            "Các giá trị hợp lệ: 'nutrition_analysis', 'meal_suggestion', 'general_chat'."
-        )
-    )
-
-def classify_topic(state: AgentState):
-    print("---CLASSIFY TOPIC---")
-    llm_with_structure_op = llm.with_structured_output(Topic)
-
-    prompt = PromptTemplate(
-        template="""
-        Bạn là bộ phân loại chủ đề câu hỏi người dùng trong hệ thống chatbot dinh dưỡng.
-
-        Nhiệm vụ:
-        - Phân loại câu hỏi vào một trong các nhóm:
-            1. "meal_suggestion": khi người dùng muốn gợi ý thực đơn cho một bữa ăn, khẩu phần, hoặc chế độ ăn (chỉ cho bữa ăn, không cho món ăn đơn lẻ).
-            2. "food_query": khi người dùng tìm kiếm, gợi ý một món ăn hoặc muốn biết thành phần dinh dưỡng của món ăn hoặc khẩu phần cụ thể.
-            3. "general_chat": khi câu hỏi không thuộc hai nhóm trên.
-
-        Câu hỏi người dùng: {question}
-
-        Hãy trả lời dưới dạng JSON phù hợp với schema sau:
-        {format_instructions}
-        """
-    )
-
-    messages = state["messages"]
-    user_message = messages[-1].content if messages else state.question
-
-    format_instructions = json.dumps(llm_with_structure_op.output_schema.model_json_schema(), ensure_ascii=False, indent=2)
-
-    chain = prompt | llm_with_structure_op
-
-    topic_result = chain.invoke({
-        "question": user_message,
-        "format_instructions": format_instructions
-    })
-
-    print("Topic:", topic_result.name)
-
-    return {"topic": topic_result.name}
-
-def route_by_topic(state: AgentState):
-    topic = state["topic"]
-    if topic == "meal_suggestion":
-        return "meal_identify"
-    elif topic == "food_query":
-        return "food_query"
-    else:
-        return "general_chat"
+from langchain.prompts import PromptTemplate
+import json
+from pydantic import BaseModel, Field
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class Topic(BaseModel):
+    name: str = Field(
+        description=(
+            "Tên chủ đề mà người dùng đang hỏi. "
+            "Các giá trị hợp lệ: 'meal_suggestion', 'food_suggestion', food_query, 'policy', 'general_chat'."
+        )
+    )
+
+def classify_topic(state: AgentState):
+    logger.info("---CLASSIFY TOPIC---")
+    llm_with_structure_op = llm.with_structured_output(Topic)
+
+    prompt = PromptTemplate(
+        template="""
+        Bạn là bộ phân loại chủ đề câu hỏi người dùng trong hệ thống chatbot dinh dưỡng.
+
+        Nhiệm vụ:
+        - Phân loại câu hỏi vào một trong các nhóm:
+            1. "meal_suggestion": khi người dùng yêu cầu gợi ý thực đơn cho cả một bữa ăn hoặc trong cả một ngày (chỉ cho bữa ăn, không cho món ăn đơn lẻ).
+            2. "food_suggestion": khi người dùng yêu cầu tìm kiếm hoặc gợi ý một món ăn duy nhất (có thể của một bữa nào đó).
+            3. "food_query": khi người dùng muốn tìm kiếm thông tin về một món ăn như tên, thành phần, dinh dưỡng, cách chế biến
+            4. "policy": khi người dùng muốn biết các thông tin liên quan đến app.
+            5. "general_chat": khi người dùng muốn hỏi đáp các câu hỏi chung liên quan đến sức khỏe, chất dinh dưỡng.
+
+        Câu hỏi người dùng: {question}
+
+        Hãy trả lời dưới dạng JSON phù hợp với schema sau:
+        {format_instructions}
+        """
+    )
+
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    format_instructions = json.dumps(llm_with_structure_op.output_schema.model_json_schema(), ensure_ascii=False, indent=2)
+
+    chain = prompt | llm_with_structure_op
+
+    topic_result = chain.invoke({
+        "question": user_message,
+        "format_instructions": format_instructions
+    })
+
+    logger.info(f"Topic: {topic_result.name}")
+
+    return {"topic": topic_result.name}
+
+def route_by_topic(state: AgentState):
+    topic = state["topic"]
+    if topic == "meal_suggestion":
+        return "meal_identify"
+    elif topic == "food_suggestion":
+        return "food_suggestion"
+    elif topic == "food_query":
+        return "food_query"
+    elif topic == "policy":
+        return "policy"
+    else:
+        return "general_chat"
     

chatbot/agents/nodes/chatbot/food_query.py

@@ -0,0 +1,39 @@
+from chatbot.agents.states.state import AgentState
+from chatbot.agents.tools.food_retriever import query_constructor, docsearch
+from langchain.retrievers.self_query.elasticsearch import ElasticsearchTranslator
+from langchain.retrievers.self_query.base import SelfQueryRetriever
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def food_query(state: AgentState):
+    logger.info("---FOOD QUERY---")
+
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    suggested_meals = []
+
+    prompt = f"""
+    Câu hỏi: "{user_message}".
+    Hãy tìm các món ăn phù hợp với yêu cầu này.
+    """
+
+    query_ans = query_constructor.invoke(prompt)
+    food_retriever = SelfQueryRetriever(
+        query_constructor=query_constructor,
+        vectorstore=docsearch,
+        structured_query_translator=ElasticsearchTranslator(),
+        search_kwargs={"k": 3},
+    )
+    logger.info(f"🔍 Dạng truy vấn: {food_retriever.structured_query_translator.visit_structured_query(structured_query=query_ans)}")
+
+    foods = food_retriever.invoke(prompt)
+    logger.info(f"🔍 Kết quả truy vấn: ")
+    for i, food in enumerate(foods):
+        logger.info(f"{i} - {food.metadata['name']}")
+        suggested_meals.append(food)
+
+    return {"suggested_meals": suggested_meals}

chatbot/agents/nodes/{food_query.py → chatbot/food_suggestion.py}

@@ -1,31 +1,35 @@
-from chatbot.agents.states.state import AgentState
-from chatbot.utils.user_profile import get_user_by_id
-from chatbot.agents.tools.food_retriever import food_retriever, food_retriever_top3, query_constructor
-
-
-def food_query(state: AgentState):
-    print("---FOOD QUERY---")
-
-    user_id = state.get("user_id", {})
-    messages = state["messages"]
-    user_message = messages[-1].content if messages else state.question
-
-    user_profile = get_user_by_id(user_id)
-
-    suggested_meals = []
-
-    prompt = f"""
-    Người dùng có khẩu phần: {user_profile["khẩu phần"]}.
-    Câu hỏi: "{user_message}".
-    Hãy tìm các món ăn phù hợp với khẩu phần và yêu cầu này, cho phép sai lệch không quá 20%.
-    """
-
-    query_ans = query_constructor.invoke(prompt)
-    print(f"🔍 Dạng truy vấn: {food_retriever.structured_query_translator.visit_structured_query(structured_query=query_ans)}")
-    foods = food_retriever_top3.invoke(prompt)
-    print(f"🔍 Kết quả truy vấn: ")
-    for i, food in enumerate(foods):
-        print(f"{i} - {food.metadata['name']}")
-        suggested_meals.append(food)
-
+from chatbot.agents.states.state import AgentState
+from chatbot.utils.user_profile import get_user_by_id
+from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def food_suggestion(state: AgentState):
+    logger.info("---FOOD QUERY SUGGESTION---")
+
+    user_id = state.get("user_id", {})
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    user_profile = get_user_by_id(user_id)
+
+    suggested_meals = []
+
+    prompt = f"""
+    Người dùng có khẩu phần: {user_profile["diet"]}.
+    Câu hỏi: "{user_message}".
+    Hãy tìm các món ăn phù hợp với khẩu phần và yêu cầu này, cho phép sai lệch không quá 20%.
+    """
+
+    query_ans = query_constructor.invoke(prompt)
+    logger.info(f"🔍 Dạng truy vấn: {food_retriever.structured_query_translator.visit_structured_query(structured_query=query_ans)}")
+    foods = food_retriever.invoke(prompt)
+    logger.info(f"🔍 Kết quả truy vấn: ")
+    for i, food in enumerate(foods):
+        logger.info(f"{i} - {food.metadata['name']}")
+        suggested_meals.append(food)
+
     return {"suggested_meals": suggested_meals, "user_profile": user_profile}

chatbot/agents/nodes/{general_chat.py → chatbot/general_chat.py}

@@ -1,40 +1,45 @@
-from chatbot.agents.states.state import AgentState
-from chatbot.models.llm_setup import llm
-from langchain.schema.messages import SystemMessage, HumanMessage
-from chatbot.utils.user_profile import get_user_by_id
-
-def general_chat(state: AgentState):
-    print("---GENERAL CHAT---")
-
-    user_id = state.get("user_id", {})
-    messages = state["messages"]
-    user_message = messages[-1].content if messages else state.question
-
-    user_profile = get_user_by_id(user_id)
-
-    system_prompt = f"""
-    Bạn là một chuyên gia dinh dưỡng và ẩm thực AI.
-    Hãy trả lời các câu hỏi về:
-    - món ăn, thành phần, dinh dưỡng, calo, protein, chất béo, carb,
-    - chế độ ăn (ăn chay, keto, giảm cân, tăng cơ...),
-    - sức khỏe, lối sống, chế độ tập luyện liên quan đến ăn uống.
-    Một số thông tin về người dùng có thể dùng đến như sau:
-    - Tổng năng lượng mục tiêu: {user_profile['kcal']} kcal/ngày
-        - Protein: {user_profile['protein']}g
-        - Chất béo (lipid): {user_profile['lipid']}g
-        - Carbohydrate: {user_profile['carbohydrate']}g
-        - Chế độ ăn: {user_profile['khẩu phần']}
-    Không trả lời các câu hỏi ngoài chủ đề này.
-    Giải thích ngắn gọn, tự nhiên, rõ ràng.
-    """
-
-    messages = [
-        SystemMessage(content=system_prompt),
-        HumanMessage(content=user_message),
-    ]
-
-    response = llm.invoke(messages)
-
-    print(response.content if hasattr(response, "content") else response)
-
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+from langchain.schema.messages import SystemMessage, HumanMessage
+from chatbot.utils.user_profile import get_user_by_id
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def general_chat(state: AgentState):
+    logger.info("---GENERAL CHAT---")
+
+    user_id = state.get("user_id", {})
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    user_profile = get_user_by_id(user_id)
+
+    system_prompt = f"""
+    Bạn là một chuyên gia dinh dưỡng và ẩm thực AI.
+    Hãy trả lời các câu hỏi về:
+    - món ăn, thành phần, dinh dưỡng, calo, protein, chất béo, carb,
+    - chế độ ăn (ăn chay, keto, giảm cân, tăng cơ...),
+    - sức khỏe, lối sống, chế độ tập luyện liên quan đến ăn uống.
+    Một số thông tin về người dùng có thể dùng đến như sau:
+    - Tổng năng lượng mục tiêu: {user_profile['targetcalories']} kcal/ngày
+        - Protein: {user_profile['protein']}g
+        - Chất béo (lipid): {user_profile['totalfat']}g
+        - Carbohydrate: {user_profile['carbohydrate']}g
+        - Chế độ ăn: {user_profile['diet']}
+    Không trả lời các câu hỏi ngoài chủ đề này.
+    Giải thích ngắn gọn, tự nhiên, rõ ràng.
+    """
+
+    messages = [
+        SystemMessage(content=system_prompt),
+        HumanMessage(content=user_message),
+    ]
+
+    response = llm.invoke(messages)
+
+    logger.info(response.content if hasattr(response, "content") else response)
+
     return {"response": response.content}

chatbot/agents/nodes/chatbot/generate_final_response.py

@@ -0,0 +1,39 @@
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def generate_final_response(state: AgentState):
+    logger.info("---NODE: FINAL RESPONSE---")
+    menu = state["response"]["final_menu"]
+    profile = state["response"]["user_profile"]
+
+    # Format text để LLM đọc
+    menu_text = ""
+    current_meal = ""
+    for dish in sorted(menu, key=lambda x: x['assigned_meal']): # Sort theo bữa
+        if dish['assigned_meal'] != current_meal:
+            current_meal = dish['assigned_meal']
+            menu_text += f"\n--- BỮA {current_meal.upper()} ---\n"
+
+        menu_text += (
+            f"- {dish['name']} (x{dish['portion_scale']} suất): "
+            f"{dish['final_kcal']}kcal, {dish['final_protein']}g Protein, {dish['final_lipid']}g Lipid, {dish['final_carb']}g Carbohydrate\n"
+        )
+
+    prompt = f"""
+    Người dùng có mục tiêu: {profile['targetcalories']} Kcal, {profile['protein']}g Protein, {profile['totalfat']}g Lipid, {profile['carbohydrate']}g Carbohydrate.
+    Hệ thống đã tính toán thực đơn tối ưu sau:
+
+    {menu_text}
+
+    Nhiệm vụ:
+    1. Trình bày thực đơn này thật đẹp và ngon miệng cho người dùng.
+    2. Giải thích ngắn gọn tại sao khẩu phần lại như vậy (Ví dụ: "Mình đã tăng lượng ức gà lên 1.5 suất để đảm bảo đủ Protein cho bạn").
+    """
+
+    res = llm.invoke(prompt)
+    return {"response": res.content}

chatbot/agents/nodes/{meal_identify.py → chatbot/meal_identify.py}

@@ -1,64 +1,55 @@
-from langchain.prompts import PromptTemplate
-import json
-from pydantic import BaseModel, Field
-from chatbot.agents.states.state import AgentState
-from chatbot.models.llm_setup import llm
-from typing import List
-
-class MealIntent(BaseModel):
-    intent: str = Field(
-        description=(
-            "Loại yêu cầu của người dùng, có thể là:\n"
-            "- 'full_day_meal': khi người dùng chưa ăn bữa nào và muốn gợi ý thực đơn cho cả ngày.\n"
-            "- 'not_full_day_meal': khi người dùng đã ăn một vài bữa và muốn gợi ý một bữa cụ thể hoặc các bữa còn lại."
-        )
-    )
-    meals_to_generate: List[str] = Field(
-        description="Danh sách các bữa được người dùng muốn gợi ý: ['sáng', 'trưa', 'tối']."
-    )
-    
-    
-def meal_identify(state: AgentState):
-    print("---MEAL IDENTIFY---")
-
-    llm_with_structure_op = llm.with_structured_output(MealIntent)
-
-    # Lấy câu hỏi mới nhất từ lịch sử hội thoại
-    messages = state["messages"]
-    user_message = messages[-1].content if messages else state.question
-
-    format_instructions = json.dumps(llm_with_structure_op.output_schema.model_json_schema(), ensure_ascii=False, indent=2)
-
-    prompt = PromptTemplate(
-        template="""
-        Bạn là bộ phân tích yêu cầu gợi ý bữa ăn trong hệ thống chatbot dinh dưỡng.
-
-        Dựa trên câu hỏi của người dùng, hãy xác định:
-        1. Người dùng muốn gợi ý cho **cả ngày**, **một hoặc một vài bữa cụ thể**.
-        2. Danh sách các bữa người dùng muốn gợi ý (nếu có).
-
-        Quy tắc:
-        - Nếu người dùng muốn gợi ý thực đơn cho cả ngày → intent = "full_day_meal".
-        - Nếu họ nói đã ăn một bữa nào đó, muốn gợi ý một hoặc các bữa còn lại → intent = "not_full_day_meal".
-        - Các bữa người dùng có thể muốn gợi ý: ["sáng", "trưa", "tối"].
-
-        Câu hỏi người dùng: {question}
-
-        Hãy xuất kết quả dưới dạng JSON theo schema sau:
-        {format_instructions}
-        """
-    )
-
-    chain = prompt | llm_with_structure_op
-
-    result = chain.invoke({
-        "question": user_message,
-        "format_instructions": format_instructions
-    })
-
-    print("Bữa cần gợi ý: " + ", ".join(result.meals_to_generate))
-
-    return {
-        "meal_intent": result.intent,
-        "meals_to_generate": result.meals_to_generate,
-    }
+from langchain.prompts import PromptTemplate
+import json
+from pydantic import BaseModel, Field
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+from typing import List
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class MealIntent(BaseModel):
+    meals_to_generate: List[str] = Field(
+        description="Danh sách các bữa được người dùng muốn gợi ý: ['sáng', 'trưa', 'tối']."
+    )
+    
+def meal_identify(state: AgentState):
+    logger.info("---MEAL IDENTIFY---")
+
+    llm_with_structure_op = llm.with_structured_output(MealIntent)
+
+    # Lấy câu hỏi mới nhất từ lịch sử hội thoại
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    format_instructions = json.dumps(llm_with_structure_op.output_schema.model_json_schema(), ensure_ascii=False, indent=2)
+
+    prompt = PromptTemplate(
+        template="""
+        Bạn là bộ phân tích yêu cầu gợi ý bữa ăn trong hệ thống chatbot dinh dưỡng.
+
+        Dựa trên câu hỏi của người dùng, hãy xác định danh sách các bữa người dùng muốn gợi ý.
+
+        - Các bữa người dùng có thể muốn gợi ý gồm: ["sáng", "trưa", "tối"].
+
+        Câu hỏi người dùng: {question}
+
+        Hãy xuất kết quả dưới dạng JSON theo schema sau:
+        {format_instructions}
+        """
+    )
+
+    chain = prompt | llm_with_structure_op
+
+    result = chain.invoke({
+        "question": user_message,
+        "format_instructions": format_instructions
+    })
+
+    logger.info("Bữa cần gợi ý: " + ", ".join(result.meals_to_generate))
+
+    return {
+        "meals_to_generate": result.meals_to_generate,
+    }

chatbot/agents/nodes/chatbot/policy.py

@@ -0,0 +1,46 @@
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+from chatbot.agents.tools.info_app_retriever import policy_search
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def policy(state: AgentState):
+    logger.info("---POLICY---")
+    messages = state["messages"]
+    question = messages[-1].content if messages else state.question
+
+    if not question:
+        return {"response": "Chưa có câu hỏi."}
+
+    # Tạo retriever, lấy 3 doc gần nhất
+    policy_retriever = policy_search.as_retriever(search_kwargs={"k": 3})
+
+    # Lấy các document liên quan
+    docs = policy_retriever.invoke(question)
+
+    if not docs:
+        return {"response": "Không tìm thấy thông tin phù hợp."}
+
+    # Gom nội dung các doc lại
+    context_text = "\n\n".join([doc.page_content for doc in docs])
+
+    # Tạo prompt cho LLM
+    prompt_text = f"""
+Bạn là trợ lý AI chuyên về chính sách và thông tin app.
+
+Thông tin tham khảo từ hệ thống:
+{context_text}
+
+Câu hỏi của người dùng: {question}
+
+Hãy trả lời ngắn gọn, dễ hiểu, chính xác dựa trên thông tin có trong hệ thống.
+"""
+
+    # Gọi LLM
+    result = llm.invoke(prompt_text)
+    answer = result.content
+
+    return {"response": answer}

chatbot/agents/nodes/chatbot/select_food.py

@@ -0,0 +1,56 @@
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def select_food(state: AgentState):
+    print("---NODE: ANALYZE & ANSWER---")
+
+    suggested_meals = state["suggested_meals"]
+
+    messages = state.get("messages", [])
+    user_message = messages[-1].content if messages else state.get("question", "")
+
+    # 1. Format dữ liệu món ăn để đưa vào Prompt
+    if not suggested_meals:
+        return {"response": "Xin lỗi, tôi không tìm thấy món ăn nào phù hợp trong cơ sở dữ liệu."}
+
+    meals_context = ""
+    for i, doc in enumerate(suggested_meals):
+        meta = doc.metadata
+        meals_context += (
+            f"Món {i+1}: {meta.get('name', 'Không tên')}\n"
+            f"   - Dinh dưỡng: {meta.get('kcal', '?')} kcal | "
+            f"P: {meta.get('protein', '?')}g | L: {meta.get('lipid', '?')}g | C: {meta.get('carbohydrate', '?')}g\n"
+            f"   - Mô tả/Thành phần: {doc.page_content}...\n"
+        )
+
+    # 2. Prompt Trả lời câu hỏi
+    # Prompt này linh hoạt hơn: Không ép chọn 1 món nếu user hỏi dạng liệt kê ("Tìm các món gà...")
+    system_prompt = f"""
+    Bạn là Trợ lý Dinh dưỡng AI thông minh.
+
+    CÂU HỎI: "{user_message}"
+
+    DỮ LIỆU TÌM ĐƯỢC TỪ KHO MÓN ĂN:
+    {meals_context}
+
+    YÊU CẦU TRẢ LỜI:
+    1. Dựa vào "Dữ liệu tìm được", hãy trả lời câu hỏi của người dùng một cách trực tiếp.
+    2. Nếu người dùng hỏi thông tin (VD: "Phở bò bao nhiêu calo?"), hãy lấy số liệu chính xác từ dữ liệu trên để trả lời.
+    3. Nếu không có dữ liệu phù hợp trong danh sách, hãy thành thật nói "Tôi không tìm thấy thông tin chính xác về món này trong hệ thống".
+
+    Lưu ý: Chỉ sử dụng thông tin từ danh sách cung cấp, không bịa đặt số liệu.
+    """
+
+    # Gọi LLM
+    response = llm.invoke(system_prompt)
+    content = response.content if hasattr(response, "content") else response
+
+    print("💬 AI Response:")
+    print(content)
+
+    return {"response": content}

chatbot/agents/nodes/{select_food_plan.py → chatbot/select_food_plan.py}

@@ -1,51 +1,55 @@
-from chatbot.agents.states.state import AgentState
-from chatbot.models.llm_setup import llm
-
-def select_food_plan(state: AgentState):
-    print("---SELECT FOOD PLAN---")
-
-    user_profile = state["user_profile"]
-    suggested_meals = state["suggested_meals"]
-    messages = state["messages"]
-    user_message = messages[-1].content if messages else state.question
-
-    suggested_meals_text = "\n".join(
-        f"{i+1}. {doc.metadata.get('name', 'Không rõ')} - "
-        f"{doc.metadata.get('kcal', '?')} kcal, "
-        f"Protein:{doc.metadata.get('protein', '?')}g, "
-        f"Chất béo:{doc.metadata.get('lipid', '?')}g, "
-        f"Carbohydrate:{doc.metadata.get('carbohydrate', '?')}g\n"
-        f"Mô tả: {doc.page_content}"
-        for i, doc in enumerate(suggested_meals)
-    )
-
-    prompt = f"""
-        Bạn là chuyên gia dinh dưỡng AI.
-        Bạn có thể sử dụng thông tin người dùng có hồ sơ dinh dưỡng sau nếu cần thiết cho câu hỏi của người dùng:
-        - Tổng năng lượng mục tiêu: {user_profile['kcal']} kcal/ngày
-        - Protein: {user_profile['protein']}g
-        - Chất béo (lipid): {user_profile['lipid']}g
-        - Carbohydrate: {user_profile['carbohydrate']}g
-        - Chế độ ăn: {user_profile['khẩu phần']}
-
-        Câu hỏi của người dùng: "{user_message}"
-
-        Danh sách món ăn hiện có để chọn:
-        {suggested_meals_text}
-
-        Yêu cầu:
-        1. Chọn một món ăn phù hợp nhất với yêu cầu của người dùng, dựa trên dinh dưỡng và chế độ ăn.
-        2. Nếu không có món nào phù hợp, hãy trả về:
-          "Không tìm thấy món phù hợp trong danh sách hiện có."
-        3. Không tự tạo thêm món mới hoặc tên món không có trong danh sách.
-        4. Nếu có nhiều món gần giống nhau, hãy chọn món có năng lượng và thành phần dinh dưỡng gần nhất với mục tiêu người dùng.
-    """
-
-    print("Prompt:")
-    print(prompt)
-
-    result = llm.invoke(prompt)
-
-    print(result.content if hasattr(result, "content") else result)
-
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def select_food_plan(state: AgentState):
+    logger.info("---SELECT FOOD PLAN---")
+
+    user_profile = state["user_profile"]
+    suggested_meals = state["suggested_meals"]
+    messages = state["messages"]
+    user_message = messages[-1].content if messages else state.question
+
+    suggested_meals_text = "\n".join(
+        f"{i+1}. {doc.metadata.get('name', 'Không rõ')} - "
+        f"{doc.metadata.get('kcal', '?')} kcal, "
+        f"Protein:{doc.metadata.get('protein', '?')}g, "
+        f"Chất béo:{doc.metadata.get('lipid', '?')}g, "
+        f"Carbohydrate:{doc.metadata.get('carbohydrate', '?')}g"
+        for i, doc in enumerate(suggested_meals)
+    )
+
+    prompt = f"""
+Bạn là chuyên gia dinh dưỡng AI.
+Bạn có thể sử dụng thông tin người dùng có hồ sơ dinh dưỡng sau nếu cần thiết cho câu hỏi của người dùng:
+- Tổng năng lượng mục tiêu: {user_profile['targetcalories']} kcal/ngày
+- Protein: {user_profile['protein']}g
+- Chất béo (lipid): {user_profile['totalfat']}g
+- Carbohydrate: {user_profile['carbohydrate']}g
+- Chế độ ăn: {user_profile['diet']}
+
+Câu hỏi của người dùng: "{user_message}"
+
+Danh sách món ăn hiện có để chọn:
+{suggested_meals_text}
+
+Yêu cầu:
+1. Chọn một món ăn phù hợp nhất với yêu cầu của người dùng, dựa trên dinh dưỡng và chế độ ăn.
+2. Nếu không có món nào phù hợp, hãy trả về:
+  "Không tìm thấy món phù hợp trong danh sách hiện có."
+3. Không tự tạo thêm món mới hoặc tên món không có trong danh sách.
+4. Nếu có nhiều món gần giống nhau, hãy chọn món có năng lượng và thành phần dinh dưỡng gần nhất với mục tiêu người dùng.
+    """
+
+    logger.info("Prompt:")
+    logger.info(prompt)
+
+    result = llm.invoke(prompt)
+
+    logger.info(result.content if hasattr(result, "content") else result)
+
     return {"response": result.content}

chatbot/agents/nodes/{suggest_meal_node.py → chatbot/suggest_meal_node.py}

@@ -1,72 +1,77 @@
-from langchain_core.messages import HumanMessage, SystemMessage, AIMessage, ToolMessage
-from chatbot.agents.states.state import AgentState
-from chatbot.models.llm_setup import llm
-from chatbot.agents.tools.daily_meal_suggestion import daily_meal_suggestion
-
-def suggest_meal_node(state: AgentState):
-    print("---SUGGEST MEAL NODE---")
-
-    # 🧠 Lấy dữ liệu từ state
-    user_id = state.get("user_id", 0)
-    question = state.get("messages")
-    meals_to_generate = state.get("meals_to_generate", [])
-
-    # 🧩 Chuẩn bị prompt mô tả yêu cầu
-    system_prompt = """
-    Bạn là một chuyên gia gợi ý thực đơn AI.
-    Bạn không được tự trả lời hay đặt câu hỏi thêm.
-    Nếu người dùng yêu cầu gợi ý món ăn, bắt buộc gọi tool 'daily_meal_suggestion'.
-    với các tham số:
-    - user_id: ID người dùng hiện tại
-    - question: nội dung câu hỏi họ vừa hỏi
-    - meals_to_generate: danh sách các bữa cần sinh thực đơn (nếu có)
-
-    Nếu bạn không chắc bữa nào cần sinh, vẫn gọi tool này — phần xử lý sẽ lo chi tiết sau.
-    """
-
-    user_prompt = f"""
-    Người dùng có ID: {user_id}
-    Yêu cầu: "{question}"
-    Danh sách các bữa cần gợi ý: {meals_to_generate}
-    """
-
-    # 🚀 Gọi LLM và Tools
-    tools = [daily_meal_suggestion]
-    llm_with_tools = llm.bind_tools(tools)
-    
-    response = llm_with_tools.invoke(
-        [
-            SystemMessage(content=system_prompt),
-            HumanMessage(content=user_prompt)
-        ]
-    )
-
-    print("===== DEBUG =====")
-    print("Response type:", type(response))
-    print("Tool calls:", getattr(response, "tool_calls", None))
-    print("Message content:", response.content)
-    print("=================")
-
-    if isinstance(response, AIMessage) and response.tool_calls:
-        tool_call = response.tool_calls[0]
-        tool_name = tool_call["name"]
-        tool_args = tool_call["args"]
-        tool_call_id = tool_call["id"]
-
-        print(f"👉 Executing tool: {tool_name} with args: {tool_args}")
-
-        # Bổ sung tham số nếu LLM quên
-        tool_args.setdefault("user_id", user_id)
-        tool_args.setdefault("question", question)
-        tool_args.setdefault("meals_to_generate", meals_to_generate)
-
-        if tool_name == "daily_meal_suggestion":
-            result = daily_meal_suggestion.invoke(tool_args)
-        elif tool_name == "fallback":
-            result = {"message": "Không có tool phù hợp.", "reason": tool_args.get("reason", "")}
-        else:
-            result = {"message": f"Tool '{tool_name}' chưa được định nghĩa."}
-
-        tool_message = ToolMessage(content=str(result), name=tool_name, tool_call_id=tool_call_id)
-        return {"messages": state["messages"] + [response, tool_message], "response": result}
-    return {"response": "Lỗi!!!"}
+from langchain_core.messages import HumanMessage, SystemMessage, AIMessage, ToolMessage
+from chatbot.agents.states.state import AgentState
+from chatbot.models.llm_setup import llm
+from chatbot.agents.tools.daily_meal_suggestion import daily_meal_suggestion
+import logging
+
+# --- Cấu hình logging ---
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def suggest_meal_node(state: AgentState):
+    logger.info("---SUGGEST MEAL NODE---")
+
+    # 🧠 Lấy dữ liệu từ state
+    user_id = state.get("user_id", 0)
+    question = state.get("messages")
+    meals_to_generate = state.get("meals_to_generate", [])
+
+    # 🧩 Chuẩn bị prompt mô tả yêu cầu
+    system_prompt = """
+    Bạn là một chuyên gia gợi ý thực đơn AI.
+    Bạn không được tự trả lời hay đặt câu hỏi thêm.
+    Nếu người dùng yêu cầu gợi ý món ăn, bắt buộc gọi tool 'daily_meal_suggestion'.
+    với các tham số:
+    - user_id: ID người dùng hiện tại
+    - question: nội dung câu hỏi họ vừa hỏi
+    - meals_to_generate: danh sách các bữa cần sinh thực đơn (nếu có)
+
+    Nếu bạn không chắc bữa nào cần sinh, vẫn gọi tool này — phần xử lý sẽ lo chi tiết sau.
+    """
+
+    user_prompt = f"""
+    Người dùng có ID: {user_id}
+    Yêu cầu: "{question}"
+    Danh sách các bữa cần gợi ý: {meals_to_generate}
+    """
+
+    # 🚀 Gọi LLM và Tools
+    tools = [daily_meal_suggestion]
+    llm_with_tools = llm.bind_tools(tools)
+    
+    response = llm_with_tools.invoke(
+        [
+            SystemMessage(content=system_prompt),
+            HumanMessage(content=user_prompt)
+        ]
+    )
+
+    logger.info("===== DEBUG =====")
+    logger.info(f"Response type: {type(response)}")
+    logger.info(f"Tool calls: {getattr(response, 'tool_calls', None)}")
+    logger.info(f"Message content: {response.content}")
+    logger.info("=================")
+
+    if isinstance(response, AIMessage) and response.tool_calls:
+        tool_call = response.tool_calls[0]
+        tool_name = tool_call["name"]
+        tool_args = tool_call["args"]
+        tool_call_id = tool_call["id"]
+
+        logger.info(f"👉 Executing tool: {tool_name} with args: {tool_args}")
+
+        # Bổ sung tham số nếu LLM quên
+        tool_args.setdefault("user_id", user_id)
+        tool_args.setdefault("question", question)
+        tool_args.setdefault("meals_to_generate", meals_to_generate)
+
+        if tool_name == "daily_meal_suggestion":
+            result = daily_meal_suggestion.invoke(tool_args)
+        elif tool_name == "fallback":
+            result = {"message": "Không có tool phù hợp.", "reason": tool_args.get("reason", "")}
+        else:
+            result = {"message": f"Tool '{tool_name}' chưa được định nghĩa."}
+
+        tool_message = ToolMessage(content=str(result), name=tool_name, tool_call_id=tool_call_id)
+        return {"messages": state["messages"] + [response, tool_message], "response": result}
+    return {"response": "Lỗi!!!"}

chatbot/agents/nodes/functions/__init__.py

@@ -1,25 +0,0 @@
-from .enrich_food_with_nutrition import enrich_food_with_nutrition
-from .enrich_meal_plan_with_nutrition import enrich_meal_plan_with_nutrition
-from .enrich_meal_plan_with_nutrition_2 import enrich_meal_plan_with_nutrition_2
-from .generate_best_food_choice import generate_best_food_choice
-from .generate_food_plan import generate_food_plan
-from .generate_food_similarity import generate_food_similarity
-from .generate_food_similarity_2 import generate_food_similarity_2
-from .generate_meal_plan_day_json import generate_meal_plan_day_json
-from .generate_meal_plan_json_2 import generate_meal_plan_json_2
-from .generate_meal_plan import generate_meal_plan
-from .get_user_profile import get_user_profile
-
-__all__ = [
-    "enrich_food_with_nutrition",
-    "enrich_meal_plan_with_nutrition",
-    "enrich_meal_plan_with_nutrition_2",
-    "generate_best_food_choice",
-    "generate_food_plan",
-    "generate_food_similarity",
-    "generate_food_similarity_2",
-    "generate_meal_plan_day_json",
-    "generate_meal_plan_json_2",
-    "generate_meal_plan",
-    "get_user_profile",
-]

chatbot/agents/nodes/functions/enrich_food_with_nutrition.py

@@ -1,54 +0,0 @@
-import logging
-from typing import List, Dict, Any
-
-from chatbot.agents.states.state import AgentState
-from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
-from langgraph.graph import END, StateGraph
-from chatbot.models.llm_setup import llm
-from langchain.tools import tool
-from chatbot.utils.user_profile import get_user_by_id
-
-def enrich_food_with_nutrition(state: AgentState):
-    food_new_raw = state["food_new_raw"]
-    suggested_meals = state.get("suggested_meals", [])
-
-     # Map ID → món gốc
-    meal_map = {str(m["meal_id"]): m for m in suggested_meals}
-
-    # Những field KHÔNG nhân portion
-    skip_scale_fields = {
-        "meal_id", "name", "ingredients", "ingredients_text",
-        "difficulty", "servings", "cooking_time_minutes"
-    }
-
-
-    meal_id = str(food_new_raw["id"])
-    portion = float(food_new_raw["portion"])
-
-    base = meal_map.get(meal_id)
-
-    enriched_food = {}
-
-    if base:
-        enriched_food = {
-            "id": meal_id,
-            "name": food_new_raw["name"],
-            "portion": portion
-        }
-
-        for key, value in base.items():
-            # Nếu không nhân portion
-            if key in skip_scale_fields:
-                enriched_food[key] = value
-                continue
-
-            # Nếu là số → nhân portion
-            if isinstance(value, (int, float)):
-                enriched_food[key] = round(value * portion, 4)
-            else:
-                # Các field text, list thì giữ nguyên
-                enriched_food[key] = value
-
-        return {"food_new": enriched_food}
-    else:
-        return {"food_new": food_new_raw}

chatbot/agents/nodes/functions/enrich_meal_plan_with_nutrition.py

@@ -1,72 +0,0 @@
-import logging
-from typing import List, Dict, Any
-
-from chatbot.agents.states.state import AgentState
-from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
-from langgraph.graph import END, StateGraph
-from chatbot.models.llm_setup import llm
-from langchain.tools import tool
-from chatbot.utils.user_profile import get_user_by_id
-
-def enrich_meal_plan_with_nutrition(state: AgentState):
-    meal_plan = state["meal_plan"]
-    suggested_meals = state.get("suggested_meals", [])
-
-     # Map ID → món gốc
-    meal_map = {str(m["meal_id"]): m for m in suggested_meals}
-
-    # Những field KHÔNG nhân portion
-    skip_scale_fields = {
-        "meal_id", "name", "ingredients", "ingredients_text",
-        "difficulty", "servings", "cooking_time_minutes"
-    }
-
-    enriched_meals = []
-
-    for meal in meal_plan.get("meals", []):
-        enriched_items = []
-
-        for item in meal.get("items", []):
-            meal_id = str(item["id"])
-            portion = float(item["portion"])
-
-            base = meal_map.get(meal_id)
-
-            if base:
-                enriched_item = {
-                    "id": meal_id,
-                    "name": item["name"],
-                    "portion": portion
-                }
-
-                for key, value in base.items():
-                    # Nếu không nhân portion
-                    if key in skip_scale_fields:
-                        enriched_item[key] = value
-                        continue
-
-                    # Nếu là số → nhân portion
-                    if isinstance(value, (int, float)):
-                        enriched_item[key] = round(value * portion, 4)
-                    else:
-                        # Các field text, list thì giữ nguyên
-                        enriched_item[key] = value
-
-                enriched_items.append(enriched_item)
-
-            else:
-                enriched_items.append(item)
-
-        enriched_meals.append({
-            "meal_name": meal["meal_name"],
-            "items": enriched_items
-        })
-
-    meal_plan_day = {
-        "meals": enriched_meals,
-        "reason": meal_plan.get("reason", "")
-    }
-
-    return {
-        "meal_plan_day": meal_plan_day
-    }

chatbot/agents/nodes/functions/enrich_meal_plan_with_nutrition_2.py

@@ -1,72 +0,0 @@
-import logging
-from typing import List, Dict, Any
-
-from chatbot.agents.states.state import AgentState
-from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
-from langgraph.graph import END, StateGraph
-from chatbot.models.llm_setup import llm
-from langchain.tools import tool
-from chatbot.utils.user_profile import get_user_by_id
-
-def enrich_meal_plan_with_nutrition_2(state: AgentState):
-    meal_new_raw = state["meal_new_raw"]
-    suggested_meals = state.get("suggested_meals", [])
-
-     # Map ID → món gốc
-    meal_map = {str(m["meal_id"]): m for m in suggested_meals}
-
-    # Những field KHÔNG nhân portion
-    skip_scale_fields = {
-        "meal_id", "name", "ingredients", "ingredients_text",
-        "difficulty", "servings", "cooking_time_minutes"
-    }
-
-    enriched_meals = []
-
-    for meal in meal_new_raw.get("meals", []):
-        enriched_items = []
-
-        for item in meal.get("items", []):
-            meal_id = str(item["id"])
-            portion = float(item["portion"])
-
-            base = meal_map.get(meal_id)
-
-            if base:
-                enriched_item = {
-                    "id": meal_id,
-                    "name": item["name"],
-                    "portion": portion
-                }
-
-                for key, value in base.items():
-                    # Nếu không nhân portion
-                    if key in skip_scale_fields:
-                        enriched_item[key] = value
-                        continue
-
-                    # Nếu là số → nhân portion
-                    if isinstance(value, (int, float)):
-                        enriched_item[key] = round(value * portion, 4)
-                    else:
-                        # Các field text, list thì giữ nguyên
-                        enriched_item[key] = value
-
-                enriched_items.append(enriched_item)
-
-            else:
-                enriched_items.append(item)
-
-        enriched_meals.append({
-            "meal_name": meal["meal_name"],
-            "items": enriched_items
-        })
-
-    meal_new = {
-        "meals": enriched_meals,
-        "reason": meal_new_raw.get("reason", "")
-    }
-
-    return {
-        "meal_new": meal_new
-    }

chatbot/agents/nodes/functions/generate_best_food_choice.py

@@ -1,79 +0,0 @@
-import logging
-from typing import List, Dict, Any
-
-from chatbot.agents.states.state import AgentState
-from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
-from langgraph.graph import END, StateGraph
-from chatbot.models.llm_setup import llm
-from langchain.tools import tool
-from chatbot.utils.user_profile import get_user_by_id
-
-import json
-
-def generate_best_food_choice(state: AgentState):
-    print("---GENERATE BEST FOOD CHOICE---")
-
-    user_profile = state["user_profile"]
-    food_old = state["food_old"]
-    suggested_meals = state["suggested_meals"]
-
-    if not suggested_meals:
-        return {"error": "Không có món để chọn"}
-
-    # Chuẩn bị danh sách món đã retriever được
-    candidate_text = "\n".join([
-        f"- ID: {m['meal_id']}, {m['name']} | "
-        f"{m.get('kcal',0)} kcal, {m.get('protein',0)} protein, "
-        f"{m.get('lipid',0)} lipid, {m.get('carbohydrate',0)} carbohydrate | "
-        f"tags: {', '.join(m.get('tags', []))}"
-        for m in suggested_meals
-    ])
-
-    # Prompt chọn món tốt nhất
-    prompt = f"""
-        Bạn là AI chuyên gia dinh dưỡng.
-
-        Nhiệm vụ: Trong danh sách các món sau đây, hãy CHỌN RA 1 MÓN TƯƠNG TỰ NHẤT
-        để thay thế món: {food_old['name']}.
-
-        Giá trị dinh dưỡng món cũ:
-        - kcal: {food_old['kcal']}
-        - protein: {food_old['protein']}
-        - lipid: {food_old['lipid']}
-        - carbohydrate: {food_old['carbohydrate']}
-        - tags: {', '.join(food_old['tags'])}
-
-        Danh sách món gợi ý:
-        {candidate_text}
-
-        --- QUY TẮC ---
-        1. Chọn món có dinh dưỡng gần nhất với món cũ (±20%).
-        2. Ưu tiên món có nhiều tag trùng với món cũ.
-        3. Đề xuất khẩu phần (portion) phù hợp để tổng năng lượng món gần với món cũ (ví dụ: 0.5, 1, 1.2).
-        4. Chỉ trả JSON duy nhất, không viết gì thêm.
-
-        --- ĐỊNH DẠNG JSON TRẢ VỀ ---
-        {{
-            "id": <ID>,
-            "name": "<Tên món>",
-            "portion": số_lượng_khẩu_phần (float)
-        }}
-
-        KHÔNG VIẾT GÌ NGOÀI JSON.
-    """
-
-
-    print("---Prompt---")
-    print(prompt)
-
-    result = llm.invoke(prompt)
-    output = result.content
-
-    # Parse JSON an toàn
-    try:
-        food_new_raw = json.loads(output)
-    except Exception as e:
-        print("❌ JSON parse error:", e)
-        return {"response": "LLM trả về JSON không hợp lệ", "raw_output": output}
-
-    return {"food_new_raw": food_new_raw}

chatbot/agents/nodes/functions/generate_food_plan.py

@@ -1,42 +0,0 @@
-import logging
-from typing import List, Dict, Any
-
-from chatbot.agents.states.state import AgentState
-from chatbot.agents.tools.food_retriever import query_constructor, food_retriever
-from langgraph.graph import END, StateGraph
-from chatbot.models.llm_setup import llm
-from langchain.tools import tool
-from chatbot.utils.user_profile import get_user_by_id
-
-# --- Cấu hình logging ---
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-# --- Generate food plan ---
-def generate_food_plan(state: AgentState) -> Dict[str, Any]:
-    logger.info("--- GENERATE_FOOD_PLAN ---")
-    meals_to_generate: List[str] = state.get("meals_to_generate", [])
-    user_profile: Dict[str, Any] = state.get("user_profile", {})
-
-    if not meals_to_generate:
-        logger.warning("meals_to_generate rỗng, sử dụng mặc định ['sáng', 'trưa', 'tối']")
-        meals_to_generate = ["sáng", "trưa", "tối"]
-
-    meals_text = ", ".join(meals_to_generate)
-
-    query_text = (
-        f"Tìm các món ăn phù hợp với người dùng có chế độ ăn: {user_profile.get('khẩu phần', 'ăn chay')}. "
-        f"Ưu tiên món phổ biến, cân bằng dinh dưỡng, cho bữa {meals_text}."
-    )
-    logger.info(f"Query: {query_text}")
-
-    try:
-        foods = food_retriever.invoke(query_text)
-    except Exception as e:
-        logger.error(f"Lỗi khi truy vấn món ăn: {e}")
-        foods = []
-
-    suggested_meals = [food.metadata for food in foods] if foods else []
-    logger.info(f"Số món được gợi ý: {len(suggested_meals)}")
-
-    return {"suggested_meals": suggested_meals}