refactor(server): remove deadlock note api and setup feedback learning agent architecture

backend/agent/dashboard_note_agent/__init__.py

-"""
-Fashion Q&A Agent Package
-"""
-from .graph import build_graph
-from .models import AgentConfig, AgentState, get_config
-
-__all__ = [
-    "AgentConfig",
-    "AgentState",
-    "build_graph",
-    "get_config",
-]

backend/agent/dashboard_note_agent/graph.py

-"""
-Fashion Q&A Agent Graph
-LangGraph workflow với clean architecture.
-Tất cả resources (LLM, Tools) khởi tạo trong __init__.
-Sử dụng ConversationManager (Postgres) để lưu history thay vì checkpoint.
-"""
-
-import logging
-from typing import Any
-
-from langchain_core.language_models import BaseChatModel
-from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
-from langchain_core.runnables import RunnableConfig
-from langgraph.cache.memory import InMemoryCache
-from langgraph.graph import END, StateGraph
-from langgraph.prebuilt import ToolNode
-from langgraph.types import CachePolicy
-
-from common.llm_factory import create_llm
-
-from .models import AgentConfig, AgentState, get_config
-from .prompt import get_system_prompt
-from .tools.get_tools import get_all_tools, get_collection_tools
-
-logger = logging.getLogger(__name__)
-
-
-class CANIFAGraph:
-    """
-    Fashion Q&A Agent Graph Manager.
-    """
-
-    def __init__(
-        self,
-        config: AgentConfig | None = None,
-        llm: BaseChatModel | None = None,
-        tools: list | None = None,
-    ):
-        self.config = config or get_config()
-        self._compiled_graph: Any | None = None
-        self.llm: BaseChatModel = llm or create_llm(
-            model_name=self.config.model_name, api_key=self.config.openai_api_key, streaming=True
-        )
-        self.all_tools = tools or get_all_tools()
-        self.collection_tools = get_collection_tools()  # Vẫn lấy list name để routing
-        self.retrieval_tools = self.all_tools
-
-        self.llm_with_tools = self.llm.bind_tools(self.all_tools, strict=True)
-        # NOTE: prompt is NOT cached here — fetched fresh each request
-        # so Langfuse updates take effect immediately.
-        self.cache = InMemoryCache()
-
-    def _build_chain(self):
-        """Build chain with fresh system prompt (from Langfuse or local fallback)."""
-        system_prompt = get_system_prompt()
-        prompt_template = ChatPromptTemplate.from_messages(
-            [
-                ("system", system_prompt),
-                MessagesPlaceholder(variable_name="history"),
-                MessagesPlaceholder(variable_name="user_query"),
-                MessagesPlaceholder(variable_name="messages"),
-            ]
-        )
-        return prompt_template | self.llm_with_tools
-
-    async def _agent_node(self, state: AgentState, config: RunnableConfig) -> dict:
-        """Agent node — rebuilds chain each call for realtime prompt updates."""
-        messages = state.get("messages", [])
-        history = state.get("history", [])
-        user_query = state.get("user_query")
-
-        chain = self._build_chain()
-        response = await chain.ainvoke({
-            "user_query": [user_query] if user_query else [],
-            "history": history,
-            "messages": messages
-        })
-        return {"messages": [response], "ai_response": response}
-
-
-    def _should_continue(self, state: AgentState) -> str:
-        """Routing: tool nodes hoặc end."""
-        last_message = state["messages"][-1]
-
-        if not hasattr(last_message, "tool_calls") or not last_message.tool_calls:
-            logger.info("🏁 Agent finished")
-            return "end"
-
-        tool_names = [tc["name"] for tc in last_message.tool_calls]
-        collection_names = [t.name for t in self.collection_tools]
-
-        if any(name in collection_names for name in tool_names):
-            logger.info(f"🔄 → collect_tools: {tool_names}")
-            return "collect_tools"
-
-        logger.info(f"🔄 → retrieve_tools: {tool_names}")
-        return "retrieve_tools"
-
-    def build(self) -> Any:
-        """Build và compile LangGraph workflow."""
-        if self._compiled_graph is not None:
-            return self._compiled_graph
-        workflow = StateGraph(AgentState)
-
-        # Nodes
-        workflow.add_node("agent", self._agent_node)
-        workflow.add_node("retrieve_tools", ToolNode(self.retrieval_tools), cache_policy=CachePolicy(ttl=3600))
-        workflow.add_node("collect_tools", ToolNode(self.collection_tools))
-
-        # Edges
-        workflow.set_entry_point("agent")
-        workflow.add_conditional_edges(
-            "agent",
-            self._should_continue,
-            {"retrieve_tools": "retrieve_tools", "collect_tools": "collect_tools", "end": END},
-        )
-        workflow.add_edge("retrieve_tools", "agent")
-        workflow.add_edge("collect_tools", "agent")
-
-        self._compiled_graph = workflow.compile(cache=self.cache)  # No Checkpointer
-        logger.info("✅ Graph compiled (Langfuse callback will be per-run)")
-
-        return self._compiled_graph
-
-    @property
-    def graph(self) -> Any:
-        return self.build()
-
-
-# --- Singleton & Public API ---
-_instance: list[CANIFAGraph | None] = [None]
-
-def build_graph(config: AgentConfig | None = None, llm: BaseChatModel | None = None, tools: list | None = None) -> Any:
-    """Get compiled graph (singleton)."""
-    if _instance[0] is None:
-        _instance[0] = CANIFAGraph(config, llm, tools)
-    return _instance[0].build()
-
-
-def get_graph_manager(
-    config: AgentConfig | None = None, llm: BaseChatModel | None = None, tools: list | None = None
-) -> CANIFAGraph:
-    """Get CANIFAGraph instance."""
-    if _instance[0] is None:
-        _instance[0] = CANIFAGraph(config, llm, tools)
-    return _instance[0]
-
-
-def reset_graph() -> None:
-    """Reset singleton for testing."""
-    _instance[0] = None

backend/agent/dashboard_note_agent/helper.py

-"""
-Agent Helper Functions
-Các hàm tiện ích cho chat controller.
-"""
-
-import json
-import logging
-import uuid
-
-from langchain_core.messages import HumanMessage, ToolMessage
-from langchain_core.runnables import RunnableConfig
-
-from common.conversation_manager import MongoDBConversationManager
-from common.langfuse_client import get_callback_handler
-from .models import AgentState
-
-logger = logging.getLogger(__name__)
-
-
-def extract_product_ids(messages: list) -> list[dict]:
-    """
-    Extract full product info from tool messages (data_retrieval_tool results).
-    Returns list of product objects with: sku, name, price, sale_price, url, thumbnail_image_url.
-    """
-    products = []
-    seen_skus = set()
-
-    for msg in messages:
-        if isinstance(msg, ToolMessage):
-            try:
-                # Tool result is JSON string
-                tool_result = json.loads(msg.content)
-
-                # Check if tool returned products
-                if tool_result.get("status") == "success" and "products" in tool_result:
-                    for product in tool_result["products"]:
-                        sku = product.get("internal_ref_code")
-                        if sku and sku not in seen_skus:
-                            seen_skus.add(sku)
-
-                            # Extract full product info
-                            product_obj = {
-                                "sku": sku,
-                                "name": product.get("magento_product_name", ""),
-                                "price": product.get("price_vnd", 0),
-                                "sale_price": product.get("sale_price_vnd"),  # null nếu không sale
-                                "url": product.get("magento_url_key", ""),
-                                "thumbnail_image_url": product.get("thumbnail_image_url", ""),
-                            }
-                            products.append(product_obj)
-            except (json.JSONDecodeError, KeyError, TypeError) as e:
-                logger.debug(f"Could not parse tool message for products: {e}")
-                continue
-
-    return products
-
-
-def parse_ai_response(ai_raw_content: str, all_product_ids: list) -> tuple[str, list]:
-    """
-    Parse AI response từ LLM output.
-    
-    Args:
-        ai_raw_content: Raw content từ AI response
-        all_product_ids: Product IDs extracted từ tool messages
-        
-    Returns:
-        tuple: (ai_text_response, final_product_ids)
-    """
-    ai_text_response = ai_raw_content
-    final_product_ids = all_product_ids
-
-    try:
-        # Strip markdown code blocks if present (```json ... ```)
-        content_to_parse = ai_raw_content.strip()
-        
-        # Remove markdown code block markers
-        if content_to_parse.startswith("```"):
-            # Find the first newline after ```
-            first_newline = content_to_parse.find("\n")
-            if first_newline != -1:
-                # Remove opening ```json or ``` and closing ```
-                content_to_parse = content_to_parse[first_newline + 1:]
-                if content_to_parse.endswith("```"):
-                    content_to_parse = content_to_parse[:-3]
-                content_to_parse = content_to_parse.strip()
-        
-        # Try to parse if it's a JSON string from LLM
-        ai_json = json.loads(content_to_parse)
-        ai_text_response = ai_json.get("ai_response", ai_raw_content)
-        explicit_ids = ai_json.get("product_ids", [])
-        if explicit_ids and isinstance(explicit_ids, list):
-            # Replace with explicit IDs from LLM
-            final_product_ids = explicit_ids
-    except (json.JSONDecodeError, TypeError, ValueError):
-        # If parsing fails, return original content
-        pass
-
-    return ai_text_response, final_product_ids
-
-
-def prepare_execution_context(query: str, user_id: str, history: list, images: list | None):
-    """
-    Prepare initial state and execution config for the graph run.
-    
-    Returns:
-        tuple: (initial_state, exec_config)
-    """
-    initial_state: AgentState = {
-        "user_query": HumanMessage(content=query),
-        "messages": [HumanMessage(content=query)],
-        "history": history,
-        "user_id": user_id,
-        "images_embedding": [],
-        "ai_response": None,
-    }
-    run_id = str(uuid.uuid4())
-
-    # Metadata for LangChain (tags for logging/filtering)
-    metadata = {
-        "run_id": run_id,
-        "tags": "chatbot,production",
-    }
-
-    langfuse_handler = get_callback_handler()
-
-    exec_config = RunnableConfig(
-        configurable={
-            "user_id": user_id,
-            "transient_images": images or [],
-            "run_id": run_id,
-        },
-        run_id=run_id,
-        metadata=metadata,
-        callbacks=[langfuse_handler] if langfuse_handler else [],
-    )
-    return initial_state, exec_config
-
-
-async def handle_post_chat_async(
-    memory: MongoDBConversationManager, 
-    identity_key: str, 
-    human_query: str, 
-    ai_response: dict | None
-):
-    """
-    Save chat history in background task after response is sent.
-    Lưu AI response dưới dạng JSON string.
-    """
-    if ai_response:
-        try:
-            # Convert dict thành JSON string để lưu vào TEXT field
-            ai_response_json = json.dumps(ai_response, ensure_ascii=False)
-            await memory.save_conversation_turn(identity_key, human_query, ai_response_json)
-            logger.debug(f"Saved conversation for identity_key {identity_key}")
-        except Exception as e:
-            logger.error(f"Failed to save conversation for identity_key {identity_key}: {e}", exc_info=True)

backend/agent/dashboard_note_agent/models.py

-from typing import Annotated, Any, TypedDict
-
-from langchain_core.messages import BaseMessage
-from langgraph.graph.message import add_messages
-from pydantic import BaseModel
-
-import config as global_config
-
-
-class QueryRequest(BaseModel):
-    """API Request model cho Fashion Q&A Chat"""
-
-    user_id: str | None = None
-    user_query: str
-    images: list[str] | None = None
-    image_analysis: dict[str, Any] | None = None
-
-
-class AgentState(TypedDict):
-    """Trạng thái của Agent trong LangGraph."""
-
-    user_query: BaseMessage
-    history: list[BaseMessage]
-    user_id: str | None
-    ai_response: BaseMessage | None
-    images_embedding: list[str] | None
-    messages: Annotated[list[BaseMessage], add_messages]
-
-
-class AgentConfig:
-    """Class chứa cấu hình runtime cho Agent."""
-
-    def __init__(self, **kwargs):
-        self.model_name = kwargs.get("model_name") or global_config.DEFAULT_MODEL
-        self.openai_api_key = kwargs.get("openai_api_key")
-        self.google_api_key = kwargs.get("google_api_key")
-        self.groq_api_key = kwargs.get("groq_api_key")
-        self.supabase_url = kwargs.get("supabase_url")
-        self.supabase_key = kwargs.get("supabase_key")
-        self.langfuse_public_key = kwargs.get("langfuse_public_key")
-        self.langfuse_secret_key = kwargs.get("langfuse_secret_key")
-        self.langfuse_base_url = kwargs.get("langfuse_base_url")
-
-
-def get_config() -> AgentConfig:
-    """Khởi tạo cấu hình Agent từ các biến môi trường."""
-    return AgentConfig(
-        model_name=global_config.DEFAULT_MODEL,
-        openai_api_key=global_config.OPENAI_API_KEY,
-        google_api_key=global_config.GOOGLE_API_KEY,
-        groq_api_key=global_config.GROQ_API_KEY,
-        supabase_url=global_config.AI_SUPABASE_URL,
-        supabase_key=global_config.AI_SUPABASE_KEY,
-        langfuse_public_key=global_config.LANGFUSE_PUBLIC_KEY,
-        langfuse_secret_key=global_config.LANGFUSE_SECRET_KEY,
-        langfuse_base_url=global_config.LANGFUSE_BASE_URL,
-    )

backend/agent/dashboard_note_agent/nodes/__init__.py

-"""
-Agent Nodes Package
-"""
-
-from .agent import agent_node
-
-__all__ = ["agent_node"]

backend/agent/dashboard_note_agent/prompt.py

-"""
-CuCu Assistant - System Prompt
-Supports two modes:
-  1. Langfuse prompt management (realtime, editable from Langfuse dashboard)
-  2. Local fallback (inline template)
-"""
-
-import logging
-from datetime import datetime
-from functools import lru_cache
-
-from common.timezone_config import VIETNAM_TZ
-
-logger = logging.getLogger(__name__)
-
-# Vietnamese weekday names
-_WEEKDAY_MAP = {
-    0: "Thứ 2",
-    1: "Thứ 3",
-    2: "Thứ 4",
-    3: "Thứ 5",
-    4: "Thứ 6",
-    5: "Thứ 7",
-    6: "Chủ nhật",
-}
-
-
-def _get_weekday_str() -> str:
-    return _WEEKDAY_MAP[datetime.now(VIETNAM_TZ).weekday()]
-
-# ──────────────────────────── Local template ────────────────────────────
-# This is the SAME prompt pushed to Langfuse via scripts/push_prompt_to_langfuse.py
-# {{date_str}} is the only variable, replaced at runtime.
-
-_PROMPT_TEMPLATE = """# VAI TRÒ
-Bạn là **CuCu Assistant** - Trợ lý quản lý ghi chú cá nhân (Memos).
-- Thông minh, ngắn gọn, đi thẳng vào vấn đề.
-- NHIỆM VỤ DUY NHẤT: Giúp người dùng tìm kiếm và truy vấn lại các ghi chú (memos) họ đã lưu.
-- Hôm nay: {{date_str}} ({{weekday_str}})
-
----
-
-# QUY TẮC SỬ DỤNG TOOL "memo_retrieval_tool"
-
-## 0. KHI NÀO GỌI TOOL vs KHÔNG GỌI
-
-### KHÔNG gọi tool (chỉ chào lại):
-- Câu CHỈ có lời chào, KHÔNG nhắc gì đến note/ghi chú/chủ đề: "hello", "hi bro", "chào em"
-
-### CÓ gọi tool (ưu tiên tìm kiếm):
-- Câu có nhắc đến **bất kỳ từ khóa nào** liên quan note/ghi chú/chủ đề, DÙ CÓ LỜI CHÀO đi kèm:
-  - "chào em, tao note kafka hôm nào ấy" → GỌI TOOL tìm kafka
-  - "hello, hôm qua tao note gì" → GỌI TOOL tìm theo ngày
-  - "ê bro, tìm note về meeting" → GỌI TOOL tìm meeting
-
-**NGUYÊN TẮC: Nếu câu có chứa từ khóa/chủ đề/topic → LUÔN GỌI TOOL, bỏ qua phần chào hỏi.**
-
-## 1. TỰ TÍNH TOÁN NGÀY THÁNG
-Bạn PHẢI tự tính ngày cụ thể (YYYY-MM-DD) dựa trên "Hôm nay: {{date_str}} ({{weekday_str}})".
-
-Quy ước thứ: Thứ 2 = Monday, Thứ 3 = Tuesday, Thứ 4 = Wednesday, Thứ 5 = Thursday, Thứ 6 = Friday, Thứ 7 = Saturday, Chủ nhật = Sunday.
-
-### CÁC MỐC THỜI GIAN THÔNG DỤNG:
-- "Hôm nay" → `start_date` = `end_date` = {{date_str}}
-- "Hôm qua" → `start_date` = `end_date` = {{date_str}} - 1 ngày
-- "Tuần trước" (không nói ngày cụ thể) → `start_date` = thứ 2 tuần trước, `end_date` = chủ nhật tuần trước
-- "Tuần này" → `start_date` = thứ 2 tuần này, `end_date` = {{date_str}}
-- "Tháng này" → `start_date` = ngày đầu tháng, `end_date` = {{date_str}}
-- "Năm nay" → `start_date` = ngày 1/1, `end_date` = {{date_str}}
-
-### CỰC KỲ QUAN TRỌNG — "THỨ X TUẦN TRƯỚC/NÀY" = ĐÚNG 1 NGÀY:
-Khi user nói "thứ X tuần trước" hoặc "thứ X tuần này", tính ra ĐÚNG 1 NGÀY cụ thể:
-- `start_date` = `end_date` = ngày đó (YYYY-MM-DD)
-- Ví dụ: Nếu hôm nay là 2026-02-25 (Thứ 4), thì:
-  - "thứ 5 tuần trước" → 2026-02-19 (chỉ 1 ngày!)
-  - "thứ 2 tuần này" → 2026-02-23 (chỉ 1 ngày!)
-  - "thứ 6 tuần trước" → 2026-02-20 (chỉ 1 ngày!)
-- **KHÔNG ĐƯỢC dùng range cả tuần** — user hỏi đúng 1 ngày thì trả đúng 1 ngày!
-
-### KHI USER HỎI "HÔM NÀO / NGÀY NÀO / BAO GIỜ":
-- "Kafka note hôm nào ấy nhỉ?" = User ĐANG HỎI ngày → tìm ALL dates
-- "Tao note cái đó khi nào?" = User ĐANG HỎI ngày → tìm ALL dates
-- → Dùng range rộng: `start_date` = "2020-01-01", `end_date` = {{date_str}}
-- **KHÔNG ĐƯỢC HỎI LẠI "ngày nào?"** — vì user đang nhờ bot tìm ngày!
-- → **CHỈ TRẢ VỀ NGÀY**, ví dụ: "Bạn note cái đó vào ngày **2026-02-05** (Thứ 5) nhé!"
-- **KHÔNG cần trích dẫn toàn bộ nội dung** khi user hỏi "hôm nào/khi nào" — user chỉ cần biết NGÀY.
-- Nếu tìm thấy nhiều memo khớp, liệt kê ngày của từng memo.
-
-### KHI KHÔNG NHẮC THỜI GIAN:
-- "Tìm note về X" → range rộng: `start_date` = "2020-01-01", `end_date` = {{date_str}}
-
-## 2. PHÂN TÍCH PARAMETERS
-
-### NGUYÊN TẮC: CHỈ THÊM PARAMETER KHI USER NÓI RÕ
-- **`content_search`**: Khi user nhắc từ khóa: "về Kafka", "pass wifi", "meeting"
-- **`tag`**: Khi user nhắc tag: "#work", "#idea"
-- **KHÔNG THÊM** content_search/tag nếu user chỉ hỏi theo ngày
-
-### VÍ DỤ:
-- "Hôm qua note gì?" → ✅ date only
-- "Note kafka hôm nào?" → ✅ `content_search="kafka"` + range rộng
-- "Tìm note #work tuần này" → ✅ `tag="work"` + date tuần này
-
-## 3. KHI NÀO HỎI LẠI USER
-- **CHỈ hỏi lại khi THẬT SỰ không có thông tin gì**: "Tìm note", "Tìm cái đó"
-- **KHÔNG HỎI LẠI** nếu có bất kỳ keyword nào: "note kafka hôm nào" → đủ rồi, GỌI TOOL
-- **KHÔNG BAO GIỜ hỏi lại ngày** nếu user đang hỏi "hôm nào/khi nào" → dùng range rộng
-
----
-
-# QUY TẮC TRẢ LỜI (CỰC KỲ QUAN TRỌNG)
-
-1. **NGẮN GỌN DƯỚI 100 TỪ**: Trả lời súc tích, đi thẳng vấn đề. KHÔNG dài dòng.
-2. **TÓM TẮT NỘI DUNG**: Mỗi memo chỉ hiển thị **tóm tắt ngắn gọn** (tối đa 15 từ), KHÔNG trích dẫn toàn bộ nội dung.
-3. **FORMAT**: 
-   - **📝 (YYYY-MM-DD):** [tóm tắt ngắn gọn nội dung]
-   - Nếu nhiều memo, liệt kê dạng danh sách bullet
-4. **KHÔNG BỊA ĐẶT**: Không tự chế nội dung.
-5. **NGÔN NGỮ**: Thân thiện, tự nhiên, như nói chuyện với bạn.
-6. Nếu count=0: "Không tìm thấy ghi chú nào 🤷"
-7. **Trả lời bằng text thuần/markdown**, KHÔNG wrap JSON.
-8. **CHỈ HIỂN THỊ ĐẦY ĐỦ** khi user yêu cầu rõ: "cho xem chi tiết", "đọc full nội dung"."""
-
-
-def get_system_prompt_template() -> str:
-    """Return the raw prompt template with {{date_str}} placeholder.
-    Used by the push script to upload to Langfuse.
-    """
-    return _PROMPT_TEMPLATE
-
-
-def _fetch_langfuse_prompt() -> str | None:
-    """
-    Try to fetch the latest prompt from Langfuse.
-    Returns the compiled prompt string, or None if unavailable.
-    Uses Langfuse's built-in caching (default TTL=60s).
-    """
-    try:
-        from common.langfuse_client import get_langfuse_client
-        client = get_langfuse_client()
-        if not client:
-            return None
-
-        prompt = client.get_prompt(
-            name="cucu-system-prompt",
-            label="production",
-            cache_ttl_seconds=60,  # Re-fetch every 60s
-        )
-        date_str = datetime.now(VIETNAM_TZ).strftime("%Y-%m-%d")
-        weekday_str = _get_weekday_str()
-        compiled = prompt.compile(date_str=date_str, weekday_str=weekday_str)
-        logger.info("✅ Prompt fetched from Langfuse (version=%s)", prompt.version)
-        return compiled
-    except Exception as e:
-        logger.warning("⚠️ Langfuse prompt fetch failed: %s — using local fallback", e)
-        return None
-
-
-def get_system_prompt() -> str:
-    """
-    Get the system prompt. Priority:
-      1. Langfuse prompt management (realtime, editable)
-      2. Local fallback template
-    """
-    # Try Langfuse first
-    langfuse_prompt = _fetch_langfuse_prompt()
-    if langfuse_prompt:
-        return langfuse_prompt
-
-    # Fallback to local template
-    date_str = datetime.now(VIETNAM_TZ).strftime("%Y-%m-%d")
-    weekday_str = _get_weekday_str()
-    prompt = _PROMPT_TEMPLATE.replace("{{date_str}}", date_str).replace("{{weekday_str}}", weekday_str)
-    logger.info("📝 Using local prompt fallback (date=%s, weekday=%s)", date_str, weekday_str)
-    return prompt

backend/agent/dashboard_note_agent/tools/__init__.py

-"""
-Tools Package
-Hiện tại CuCu Agent chỉ dùng memo_retrieval_tool (MongoDB).
-Các tool cũ cho StarRocks / CANIFA đã bỏ.
-"""
-
-from .get_tools import get_all_tools
-
-__all__ = ["get_all_tools"]

backend/agent/dashboard_note_agent/tools/brand_knowledge_tool.py

-import logging
-
-from langchain_core.tools import tool
-from pydantic import BaseModel, Field
-
-from common.embedding_service import create_embedding_async
-from common.starrocks_connection import get_db_connection
-
-logger = logging.getLogger(__name__)
-
-
-class KnowledgeSearchInput(BaseModel):
-    query: str = Field(
-        description="Câu hỏi hoặc nhu cầu tìm kiếm thông tin phi sản phẩm của khách hàng (ví dụ: tìm cửa hàng, hỏi chính sách, tra bảng size...)"
-    )
-
-
-@tool("canifa_knowledge_search", args_schema=KnowledgeSearchInput)
-async def canifa_knowledge_search(query: str) -> str:
-    """
-    Tra cứu TOÀN BỘ thông tin về thương hiệu và dịch vụ của Canifa.
-    Sử dụng tool này khi khách hàng hỏi về:
-
-    1. THƯƠNG HIỆU & GIỚI THIỆU: Lịch sử hình thành, giá trị cốt lõi, sứ mệnh.
-    2. HỆ THỐNG CỬA HÀNG: Tìm địa chỉ, số điện thoại, giờ mở cửa các cửa hàng tại các tỉnh thành (Hà Nội, HCM, Đà Nẵng, v.v.).
-    3. CHÍNH SÁCH BÁN HÀNG: Quy định đổi trả, bảo hành, chính sách vận chuyển, phí ship.
-    4. KHÁCH HÀNG THÂN THIẾT (KHTT): Điều kiện đăng ký thành viên, các hạng thẻ (Green, Silver, Gold, Diamond), quyền lợi tích điểm, thẻ quà tặng.
-    5. HỖ TRỢ & FAQ: Giải đáp thắc mắc thường gặp, chính sách bảo mật, thông tin liên hệ văn phòng, tuyển dụng.
-    6. TRA CỨU SIZE (BẢNG KÍCH CỠ): Hướng dẫn chọn size chuẩn cho nam, nữ, trẻ em dựa trên chiều cao, cân nặng.
-
-    Ví dụ các câu hỏi phù hợp:
-    - 'Canifa ở Cầu Giấy địa chỉ ở đâu?'
-    - 'Chính sách đổi trả hàng trong bao nhiêu ngày?'
-    - 'Làm sao để lên hạng thẻ Gold?'
-    - 'Cho mình xem bảng size áo nam.'
-    - 'Phí vận chuyển đi tỉnh là bao nhiêu?'
-    - 'Canifa thành lập năm nào?'
-    """
-    logger.info(f"🔍 [Semantic Search] Brand Knowledge query: {query}")
-
-    try:
-        # 1. Tạo embedding cho câu hỏi (Mặc định 1536 chiều như bro yêu cầu)
-        query_vector = await create_embedding_async(query)
-        if not query_vector:
-            return "Xin lỗi, tôi gặp sự cố khi xử lý thông tin. Vui lòng thử lại sau."
-
-        v_str = "[" + ",".join(str(v) for v in query_vector) + "]"
-
-        # 2. Query StarRocks lấy Top 4 kết quả phù hợp nhất (Không check score)
-        sql = f"""
-        SELECT 
-            content,
-            metadata
-        FROM shared_source.chatbot_rsa_knowledge
-        ORDER BY approx_cosine_similarity(embedding, {v_str}) DESC
-        LIMIT 4
-        """
-
-        sr = get_db_connection()
-        results = await sr.execute_query_async(sql)
-
-        if not results:
-            logger.warning(f"⚠️ No knowledge data found in DB for query: {query}")
-            return "Hiện tại tôi chưa tìm thấy thông tin chính xác về nội dung này trong hệ thống kiến thức của Canifa. Bạn có thể liên hệ hotline 1800 6061 để được hỗ trợ trực tiếp."
-
-        # 3. Tổng hợp kết quả
-        knowledge_texts = []
-        for i, res in enumerate(results):
-            content = res.get("content", "")
-            knowledge_texts.append(content)
-            # LOG DỮ LIỆU LẤY ĐƯỢC (Chỉ hiển thị nội dung)
-            logger.info(f"📄 [Knowledge Chunk {i + 1}]: {content[:200]}...")
-
-        final_response = "\n\n---\n\n".join(knowledge_texts)
-        logger.info(f"✅ Found {len(results)} relevant knowledge chunks.")
-
-        return final_response
-
-    except Exception as e:
-        logger.error(f"❌ Error in canifa_knowledge_search: {e}")
-        return "Tôi đang gặp khó khăn khi truy cập kho kiến thức. Bạn muốn hỏi về sản phẩm gì khác không?"

backend/agent/dashboard_note_agent/tools/customer_info_tool.py

-"""
-Tool thu thập thông tin khách hàng (Tên, Số điện thoại, Email)
-Dùng để đẩy data về CRM hoặc hệ thống lưu trữ khách hàng.
-"""
-
-import json
-import logging
-
-from langchain_core.tools import tool
-
-logger = logging.getLogger(__name__)
-
-
-@tool
-async def collect_customer_info(name: str, phone: str, email: str | None) -> str:
-    """
-    Sử dụng tool này để ghi lại thông tin khách hàng khi họ muốn tư vấn sâu hơn,
-    nhận khuyến mãi hoặc đăng ký mua hàng.
-    Args:
-        name: Tên của khách hàng
-        phone: Số điện thoại của khách hàng
-        email: Email của khách hàng (không bắt buộc)
-    """
-    try:
-        print(f"\n[TOOL] --- 📝 Thu thập thông tin khách hàng: {name} - {phone} ---")
-        logger.info(f"📝 Collecting customer info: {name}, {phone}, {email}")
-
-        # Giả lập việc đẩy data đi (CRM/Sheet)
-        # Trong thực tế, bạn sẽ gọi một API ở đây
-        db_record = {
-            "customer_name": name,
-            "phone_number": phone,
-            "email_address": email,
-            "status": "pending_consultation",
-        }
-
-        # Trả về kết quả thành công
-        return json.dumps(
-            {
-                "status": "success",
-                "message": (
-                    f"Cảm ơn anh/chị {name}. CiCi đã ghi nhận thông tin và sẽ có nhân viên "
-                    f"liên hệ tư vấn qua số điện thoại {phone} sớm nhất ạ!"
-                ),
-                "data_captured": db_record,
-            },
-            ensure_ascii=False,
-        )
-
-    except Exception as e:
-        logger.error(f"❌ Lỗi khi thu thập thông tin: {e}")
-        return json.dumps(
-            {
-                "status": "error",
-                "message": f"Xin lỗi, CiCi gặp sự cố khi lưu thông tin. Anh/chị vui lòng thử lại sau ạ. Lỗi: {e!s}",
-            },
-            ensure_ascii=False,
-        )

backend/agent/dashboard_note_agent/tools/data_retrieval_tool.py

-"""
-CANIFA Data Retrieval Tool - Tối giản cho Agentic Workflow.
-Hỗ trợ Hybrid Search: Semantic (Vector) + Metadata Filter.
-"""
-
-import asyncio
-import json
-import logging
-import time
-from decimal import Decimal
-
-from langchain_core.tools import tool
-from pydantic import BaseModel, Field
-
-from agent.tools.product_search_helpers import build_starrocks_query
-from common.embedding_service import create_embeddings_async
-from common.starrocks_connection import get_db_connection
-
-# from langsmith import traceable
-
-logger = logging.getLogger(__name__)
-
-
-class DecimalEncoder(json.JSONEncoder):
-    """Xử lý kiểu Decimal từ Database khi convert sang JSON."""
-
-    def default(self, obj):
-        if isinstance(obj, Decimal):
-            return float(obj)
-        return super().default(obj)
-
-
-class SearchItem(BaseModel):
-    """
-    Cấu trúc một mục tìm kiếm đơn lẻ trong Multi-Search.
-
-    Lưu ý quan trọng về cách SINH QUERY:
-    - Trường `query` KHÔNG phải câu hỏi thô của khách.
-    - Phải là một đoạn text có cấu trúc giống hệt format trong cột `description_text_full` của DB,
-      ví dụ (chỉ là 1 chuỗi duy nhất, nối các field bằng dấu chấm):
-
-      product_name: Pack 3 đôi tất bé gái cổ thấp. master_color: Xanh da trời/ Blue.
-      product_image_url: https://.... product_image_url_thumbnail: https://....
-      product_web_url: https://.... description_text: ... material: ...
-      material_group: Yarn - Sợi. gender_by_product: female. age_by_product: others.
-      season: Year. style: Feminine. fitting: Slim. size_scale: 4/6.
-      form_neckline: None. form_sleeve: None. product_line_vn: Tất.
-      product_color_name: Blue Strip 449.
-
-    - Khi khách chỉ nói “áo màu hồng”, hãy suy luận và sinh query dạng:
-
-      product_name: Áo thun/áo sơ mi/áo ... màu hồng ... . master_color: Hồng/ Pink.
-      product_image_url: None. product_image_url_thumbnail: None.
-      product_web_url: None. description_text: ... (mô tả thêm nếu có).
-      material: None. material_group: None. gender_by_product: ... (nếu đoán được).
-      age_by_product: others. season: Year. style: ... (nếu đoán được).
-      fitting: ... size_scale: None. form_neckline: None. form_sleeve: None.
-      product_line_vn: Áo. product_color_name: Pink / Hồng (nếu hợp lý).
-
-    - Nếu không suy luận được giá trị cho field nào thì để `None` hoặc bỏ trống phần text đó.
-    """
-
-    query: str = Field(
-        ...,
-        description=(
-            "ĐOẠN TEXT CÓ CẤU TRÚC theo format của cột description_text_full trong DB, "
-            "bao gồm các cặp key: product_name, master_color, product_image_url, "
-            "product_image_url_thumbnail, product_web_url, description_text, material, "
-            "material_group, gender_by_product, age_by_product, season, style, fitting, "
-            "size_scale, form_neckline, form_sleeve, product_line_vn, product_color_name. "
-            "Ví dụ: 'product_name: Pack 3 đôi tất bé gái cổ thấp. master_color: Xanh da trời/ Blue. "
-            "product_image_url: https://.... product_web_url: https://.... description_text: ... "
-            "material: None. material_group: Yarn - Sợi. gender_by_product: female. ...'"
-        ),
-    )
-    magento_ref_code: str | None = Field(
-        ..., description="Mã sản phẩm hoặc SKU (Ví dụ: 8TS24W001). CHỈ điền khi khách hỏi mã code cụ thể."
-    )
-    price_min: float | None = Field(..., description="Giá thấp nhất (VD: 100000)")
-    price_max: float | None = Field(..., description="Giá cao nhất (VD: 500000)")
-    action: str = Field(..., description="Hành động: 'search' (tìm kiếm) hoặc 'visual_search' (phân tích ảnh)")
-
-
-class MultiSearchParams(BaseModel):
-    """Tham số cho Parallel Multi-Search."""
-
-    searches: list[SearchItem] = Field(..., description="Danh sách các truy vấn tìm kiếm chạy song song")
-
-
-
-@tool(args_schema=MultiSearchParams)
-# @traceable(run_type="tool", name="data_retrieval_tool")
-async def data_retrieval_tool(searches: list[SearchItem]) -> str:
-    """
-    Siêu công cụ tìm kiếm sản phẩm CANIFA - Hỗ trợ Parallel Multi-Search (chạy song song nhiều truy vấn).
-
-    Hướng dẫn dùng nhanh:
-    - Trường 'query': mô tả chi tiết sản phẩm (tên, chất liệu, giới tính, màu sắc, phong cách, dịp sử dụng), không dùng câu hỏi thô.
-    - Trường 'magento_ref_code': chỉ dùng khi khách hỏi mã sản phẩm/SKU cụ thể (vd: 8TS24W001).
-    - Trường 'price_min' / 'price_max': dùng khi khách nói về khoảng giá (vd: dưới 500k, từ 200k đến 400k).
-    """
-    logger.info("data_retrieval_tool started, searches=%s", len(searches))
-    try:
-        # 0. Log input tổng quan (không log chi tiết dài)
-        for idx, item in enumerate(searches):
-            short_query = (item.query[:60] + "...") if item.query and len(item.query) > 60 else item.query
-            logger.debug(
-                "search[%s] query=%r, code=%r, price_min=%r, price_max=%r",
-                idx,
-                short_query,
-                item.magento_ref_code,
-                item.price_min,
-                item.price_max,
-            )
-
-
-        queries_to_embed = [s.query for s in searches if s.query]
-        all_vectors = []
-        if queries_to_embed:
-            logger.info("batch embedding %s queries", len(queries_to_embed))
-            emb_batch_start = time.time()
-            all_vectors = await create_embeddings_async(queries_to_embed)
-            logger.info(
-                "batch embedding done in %.2f ms",
-                (time.time() - emb_batch_start) * 1000,
-            )
-
-        # 2. Get DB connection (singleton)
-        db = get_db_connection()
-
-        tasks = []
-        vector_idx = 0
-        for item in searches:
-            current_vector = None
-            if item.query:
-                if vector_idx < len(all_vectors):
-                    current_vector = all_vectors[vector_idx]
-                    vector_idx += 1
-
-            tasks.append(_execute_single_search(db, item, query_vector=current_vector))
-
-        results = await asyncio.gather(*tasks)
-
-        # 3. Tổng hợp kết quả
-        combined_results = []
-        for i, products in enumerate(results):
-            combined_results.append(
-                {
-                    "search_index": i,
-                    "search_criteria": searches[i].dict(exclude_none=True),
-                    "count": len(products),
-                    "products": products,
-                }
-            )
-
-        logger.info("data_retrieval_tool finished, results=%s", len(combined_results))
-        return json.dumps(
-            {"status": "success", "results": combined_results},
-            ensure_ascii=False,
-            cls=DecimalEncoder,
-        )
-
-    except Exception as e:
-        logger.exception("Error in Multi-Search data_retrieval_tool: %s", e)
-        return json.dumps({"status": "error", "message": str(e)})
-
-
-async def _execute_single_search(db, item: SearchItem, query_vector: list[float] | None = None) -> list[dict]:
-    """Thực thi một search query đơn lẻ (Async)."""
-    try:
-        short_query = (item.query[:60] + "...") if item.query and len(item.query) > 60 else item.query
-        logger.debug(
-            "_execute_single_search started, query=%r, code=%r",
-            short_query,
-            item.magento_ref_code,
-        )
-
-        # Timer: build query (sử dụng vector đã có hoặc build mới)
-        query_build_start = time.time()
-        sql = await build_starrocks_query(item, query_vector=query_vector)
-        query_build_time = (time.time() - query_build_start) * 1000  # Convert to ms
-        logger.debug("SQL built, length=%s, build_time_ms=%.2f", len(sql), query_build_time)
-
-        # Timer: execute DB query
-        db_start = time.time()
-        products = await db.execute_query_async(sql)
-        db_time = (time.time() - db_start) * 1000  # Convert to ms
-        logger.info(
-            "_execute_single_search done, products=%s, build_ms=%.2f, db_ms=%.2f, total_ms=%.2f",
-            len(products),
-            query_build_time,
-            db_time,
-            query_build_time + db_time,
-        )
-
-        return _format_product_results(products)
-    except Exception as e:
-        logger.exception("Single search error for item %r: %s", item, e)
-        return []
-
-
-def _format_product_results(products: list[dict]) -> list[dict]:
-    """Lọc và format kết quả trả về cho Agent."""
-    max_items = 15
-    formatted: list[dict] = []
-
-    for p in products[:max_items]:
-        formatted.append(
-            {
-                "internal_ref_code": p.get("internal_ref_code"),
-                # Chuỗi text dài, đã bao gồm: product_name, master_color, image, web_url, material, style, ...
-                "description_text": p.get("description_text_full"),
-                "sale_price": p.get("sale_price"),
-                "original_price": p.get("original_price"),
-                "discount_amount": p.get("discount_amount"),
-                "max_score": p.get("max_score"),
-            }
-        )
-
-    return formatted

backend/agent/dashboard_note_agent/tools/get_tools.py

-"""
-Tools Factory
-Chỉ return 1 tool duy nhất: memo_retrieval_tool (MongoDB)
-"""
-
-from langchain_core.tools import BaseTool
-
-from .memo_retrieval_tool import memo_retrieval_tool
-
-
-def get_retrieval_tools() -> list[BaseTool]:
-    """Các tool chỉ dùng để đọc/truy vấn dữ liệu"""
-    return [memo_retrieval_tool]
-
-
-def get_collection_tools() -> list[BaseTool]:
-    """Các tool dùng để ghi/thu thập dữ liệu"""
-    return []
-
-
-def get_all_tools() -> list[BaseTool]:
-    """Return toàn bộ list tools cho Agent"""
-    return get_retrieval_tools() + get_collection_tools()

backend/agent/dashboard_note_agent/tools/product_search_helpers.py

-import logging
-import time
-
-from common.embedding_service import create_embedding_async
-
-logger = logging.getLogger(__name__)
-
-
-def _escape(val: str) -> str:
-    """Thoát dấu nháy đơn để tránh SQL Injection cơ bản."""
-    return val.replace("'", "''")
-
-
-def _get_where_clauses(params) -> list[str]:
-    """Xây dựng danh sách các điều kiện lọc từ params."""
-    clauses = []
-    clauses.extend(_get_price_clauses(params))
-    clauses.extend(_get_metadata_clauses(params))
-    clauses.extend(_get_special_clauses(params))
-    return clauses
-
-
-def _get_price_clauses(params) -> list[str]:
-    """Lọc theo giá."""
-    clauses = []
-    p_min = getattr(params, "price_min", None)
-    if p_min is not None:
-        clauses.append(f"sale_price >= {p_min}")
-    p_max = getattr(params, "price_max", None)
-    if p_max is not None:
-        clauses.append(f"sale_price <= {p_max}")
-    return clauses
-
-
-def _get_metadata_clauses(params) -> list[str]:
-    """Xây dựng điều kiện lọc từ metadata (Phối hợp Exact và Partial)."""
-    clauses = []
-
-    # 1. Exact Match (Giới tính, Độ tuổi) - Các trường này cần độ chính xác tuyệt đối
-    exact_fields = [
-        ("gender_by_product", "gender_by_product"),
-        ("age_by_product", "age_by_product"),
-    ]
-    for param_name, col_name in exact_fields:
-        val = getattr(params, param_name, None)
-        if val:
-            clauses.append(f"{col_name} = '{_escape(val)}'")
-
-    # 2. Partial Match (LIKE) - Giúp map text linh hoạt hơn (Chất liệu, Dòng SP, Phong cách...)
-    # Cái này giúp map: "Yarn" -> "Yarn - Sợi", "Knit" -> "Knit - Dệt Kim"
-    partial_fields = [
-        ("season", "season"),
-        ("material_group", "material_group"),
-        ("product_line_vn", "product_line_vn"),
-        ("style", "style"),
-        ("fitting", "fitting"),
-        ("form_neckline", "form_neckline"),
-        ("form_sleeve", "form_sleeve"),
-    ]
-    for param_name, col_name in partial_fields:
-        val = getattr(params, param_name, None)
-        if val:
-            v = _escape(val).lower()
-            # Dùng LOWER + LIKE để cân mọi loại ký tự thừa hoặc hoa/thường
-            clauses.append(f"LOWER({col_name}) LIKE '%{v}%'")
-
-    return clauses
-
-
-def _get_special_clauses(params) -> list[str]:
-    """Các trường hợp đặc biệt: Mã sản phẩm, Màu sắc."""
-    clauses = []
-    # Mã sản phẩm / SKU
-    m_code = getattr(params, "magento_ref_code", None)
-    if m_code:
-        m = _escape(m_code)
-        clauses.append(f"(magento_ref_code = '{m}' OR internal_ref_code = '{m}')")
-
-    # Màu sắc
-    color = getattr(params, "master_color", None)
-    if color:
-        c = _escape(color).lower()
-        clauses.append(f"(LOWER(master_color) LIKE '%{c}%' OR LOWER(product_color_name) LIKE '%{c}%')")
-    return clauses
-
-
-async def build_starrocks_query(params, query_vector: list[float] | None = None) -> str:
-    """
-    Build SQL cho Product Search với 2 chiến lược:
-    1. CODE SEARCH: Nếu có magento_ref_code → Tìm trực tiếp theo mã (KHÔNG dùng vector)
-    2. HYDE SEARCH: Semantic search với HyDE vector (Pure vector approach)
-    """
-
-    # ============================================================
-    # CASE 1: CODE SEARCH - Tìm theo mã sản phẩm (No Vector)
-    # ============================================================
-    magento_code = getattr(params, "magento_ref_code", None)
-    if magento_code:
-        logger.info(f"🎯 [CODE SEARCH] Direct search by code: {magento_code}")
-        code = _escape(magento_code)
-
-        # Tìm trực tiếp theo mã + Lọc trùng (GROUP BY internal_ref_code)
-        # Tìm chính xác theo mã (Lấy tất cả các bản ghi/màu sắc/size của mã đó)
-        sql = f"""
-        SELECT 
-            internal_ref_code,
-            description_text_full,
-            sale_price,
-            original_price,
-            discount_amount,
-            1.0 as max_score
-        FROM shared_source.magento_product_dimension_with_text_embedding
-        WHERE (magento_ref_code = '{code}' OR internal_ref_code = '{code}')
-        """
-
-        print("✅ [CODE SEARCH] Query built - No vector search needed!")
-
-        # Ghi log debug query FULL vào Background Task (Không làm chậm Request)
-        # asyncio.create_task(save_query_to_log(sql))
-
-        return sql
-
-    # ============================================================
-    # CASE 2: HYDE SEARCH - Semantic Vector Search
-    # ============================================================
-    logger.info("🚀 [HYDE RETRIEVER] Starting semantic vector search...")
-
-    # 1. Lấy Vector từ HyDE (AI-generated hypothetical document)
-    query_text = getattr(params, "query", None)
-
-    if query_text and query_vector is None:
-        emb_start = time.time()
-        query_vector = await create_embedding_async(query_text)
-        logger.info(f"⏱️ [TIMER] Single HyDE Embedding: {(time.time() - emb_start) * 1000:.2f}ms")
-
-    if not query_vector:
-        logger.warning("⚠️ No vector found, returning empty query.")
-        return ""
-
-    v_str = "[" + ",".join(str(v) for v in query_vector) + "]"
-
-    # 2. Build PRICE filter ONLY (chỉ lọc giá, để vector tự semantic search)
-    price_clauses = _get_price_clauses(params)
-    where_filter = ""
-    if price_clauses:
-        where_filter = " AND " + " AND ".join(price_clauses)
-        logger.info(f"💰 [PRICE FILTER] Applied: {where_filter}")
-
-    # 3. SQL Pure Vector Search + Price Filter Only
-    sql = f"""
-    WITH top_matches AS (
-        SELECT /*+ SET_VAR(ann_params='{{"ef_search":128}}') */
-            internal_ref_code,
-            product_color_code,
-            description_text_full,
-            sale_price,
-            original_price,
-            discount_amount,
-            approx_cosine_similarity(vector, {v_str}) as similarity_score
-        FROM shared_source.magento_product_dimension_with_text_embedding
-        ORDER BY similarity_score DESC
-        LIMIT 100
-    )
-    SELECT 
-        internal_ref_code,
-        MAX_BY(description_text_full, similarity_score) as description_text_full,
-        MAX_BY(sale_price, similarity_score) as sale_price,
-        MAX_BY(original_price, similarity_score) as original_price,
-        MAX_BY(discount_amount, similarity_score) as discount_amount,
-        MAX(similarity_score) as max_score
-    FROM top_matches
-    WHERE 1=1 {where_filter}
-    GROUP BY internal_ref_code
-    ORDER BY max_score DESC
-    LIMIT 20
-    """
-
-    return sql
-
-
-# ============================================================
-# TEMPORARILY COMMENTED OUT - save_query_to_log
-# ============================================================
-# async def save_query_to_log(sql: str):
-#     """Lưu query full vào file hyde_pure_query.txt."""
-#     import os
-#     log_path = r"D:\cnf\chatbot_canifa\backend\logs\hyde_pure_query.txt"
-#     try:
-#         log_dir = os.path.dirname(log_path)
-#         if not os.path.exists(log_dir):
-#             os.makedirs(log_dir)
-#         with open(log_path, "w", encoding="utf-8") as f:
-#             f.write(sql)
-#         print(f"💾 Full Query saved to: {log_path}")
-#     except Exception as e:
-#         print(f"Save query log failed: {e}")
-
-
-# ============================================================
-# TEMPORARILY COMMENTED OUT - save_preview_to_log
-# ============================================================
-# async def save_preview_to_log(search_query: str, products: list[dict]):
-#     """Lưu kết quả DB trả về vào db_preview.txt (Format đẹp cho AI)."""
-#     import os
-#     preview_path = r"D:\cnf\chatbot_canifa\backend\logs\db_preview.txt"
-#     try:
-#         log_dir = os.path.dirname(preview_path)
-#         if not os.path.exists(log_dir):
-#             os.makedirs(log_dir)
-#
-#         with open(preview_path, "a", encoding="utf-8") as f:
-#             f.write(f"\n{'='*60}\n")
-#             f.write(f"⏰ TIME: {time.strftime('%Y-%m-%d %H:%M:%S')}\n")
-#             f.write(f"🔍 SEARCH: {search_query}\n")
-#             f.write(f"📊 RESULTS COUNT: {len(products)}\n")
-#             f.write(f"{'-'*60}\n")
-#
-#             if not products:
-#                 f.write("❌ NO PRODUCTS FOUND\n")
-#             else:
-#                 for idx, p in enumerate(products[:5], 1):
-#                     code = p.get("internal_ref_code", "N/A")
-#                     sale = p.get("sale_price", "N/A")
-#                     orig = p.get("original_price", "N/A")
-#                     disc = p.get("discount_amount", "0")
-#                     score = p.get("max_score", p.get("similarity_score", "N/A"))
-#                     desc = p.get("description_text_full", "No Description")
-#
-#                     f.write(f"{idx}. [{code}] Score: {score}\n")
-#                     f.write(f"   💰 Price: {sale} (Orig: {orig}, Disc: {disc}%)\n")
-#                     f.write(f"   📝 Desc: {desc}\n")
-#
-#             f.write(f"{'='*60}\n")
-#         print(f"💾 DB Preview (Results) saved to: {preview_path}")
-#     except Exception as e:
-#         print(f"Save preview log failed: {e}")

backend/agent/feedback_agent/langfuse_puller.py

+import logging
+from typing import List
+
+logger = logging.getLogger(__name__)
+
+class LangfusePuller:
+    """
+    Module phụ trách cào dữ liệu bad-feedback từ hệ thống Langfuse (hoặc Database Log nội bộ).
+    """
+    def __init__(self, public_key=None, secret_key=None):
+        self.public_key = public_key
+        self.secret_key = secret_key
+        # TODO: Khởi tạo db connect / langfuse client thật ở đây khi có Auth Key
+        
+    def fetch_bad_feedbacks(self, limit: int = 10) -> List[dict]:
+        """
+        Kéo log các ca tư vấn bị người dùng chê bai (1 Sao hoặc có Cảm xúc tiêu cực).
+        Dữ liệu trả về sẽ dùng để nhồi vào cho Agent học lại.
+        Giả lập dữ liệu mồi do chưa nối Auth thực tế.
+        """
+        logger.info(f"Đang kéo top {limit} bad feedbacks từ Langfuse...")
+        
+        # MOCK DATA ĐỂ TEST LUỒNG
+        return [
+            {
+                "trace_id": "lf_tr_83x91A",
+                "user_query": "Tìm đồ đi dạo phố mùa hè",
+                "bot_suggestion": "Áo len cardigan mỏng + Quần nỉ",
+                "feedback_note": "Mùa hè mà khuyên mặc áo nỉ với áo len?? Đồ dở hơi!",
+                "score": 0.0
+            },
+            {
+                "trace_id": "lf_tr_42mL0P",
+                "user_query": "Đi sự kiện công ty mặc gì trang trọng?",
+                "bot_suggestion": "Áo thun T-shirt dáng hộp rộng + Quần ngố denim",
+                "feedback_note": "Đi event công sở ai cho mặc quần ngố với áo thun rộng thế này?",
+                "score": 0.0
+            }
+        ]
+
+langfuse_puller = LangfusePuller()

backend/agent/feedback_agent/learning_loop.py

+import json
+import logging
+from typing import List
+
+logger = logging.getLogger(__name__)
+
+def generate_optimizer_prompt(feedbacks: list, current_rules: str) -> str:
+    """
+    Hàm này tạo Prompt Module chuẩn để nhồi cho con Gemini.
+    Định nghĩa vai trò là Chuyên gia Fashion QC Agent.
+    """
+    feedback_text = ""
+    for idx, fb in enumerate(feedbacks):
+        feedback_text += f"{idx+1}. User hỏi: '{fb['user_query']}' -> Bot trả lời: '{fb['bot_suggestion']}' -> User chửi: '{fb['feedback_note']}'\n"
+        
+    prompt = f"""
+    You are an expert AI Fashion Quality Assurance (QA) Agent. 
+    Your task is to fix logical flaws in the current 'fashion_rules.json' based on user bad-feedback.
+    
+    =========== EXPLICIT INSTRUCTIONS ===========
+    1. Check what the users are angry about in the feedback.
+    2. Review the CURRENT RULES JSON.
+    3. Modify specific weight arrays or negative pairs to satisfy the user feedback. (For example, explicitly banning 'sweatshirt' for 'summer', or 'shorts' for 'formal_event').
+    4. Provide the FINAL COMPLETE JSON EXACTLY in the output format, properly structured.
+
+    =========== BAD FEEDBACK LOGS ===========
+    {feedback_text}
+    
+    =========== CURRENT RULES (JSON) ===========
+    {current_rules}
+    """
+    return prompt
+
+def run_optimization_logic(feedbacks: list, current_rules_str: str) -> str:
+    """
+    Lõi chạy suy luận trực tiếp. Thực tế sẽ invoke call sang LLM.
+    Trong bản API PoC này, trả về mock JSON mô phỏng Gemini đã edit lại file.
+    """
+    logger.info("Chạy Agent Learning Loop phân tích Rules vs Feedbacks...")
+    
+    # TODO: Tích hợp langchain_google_genai hoặc API Gemini thật tại đây...
+    # prompt = generate_optimizer_prompt(feedbacks, current_rules_str)
+    # output = gemini_llm.invoke(prompt)
+    
+    # ----------------------------------------
+    # MOCK DATA: Giả sử LLM xuất ra JSON đã sửa lỗi "sweatshirt" mua he
+    # Bản gốc fashion_rules.json sẽ đc lấy nội dung + đắp thêm rule cấm kỵ mới
+    try:
+        old_data = json.loads(current_rules_str)
+    except:
+        old_data = {}
+        
+    # Agent tự động bổ sung Rule âm điểm (Trừ 99 điểm) cho ca lỗi
+    if "negative_matches" not in old_data:
+        old_data["negative_matches"] = []
+        
+    old_data["negative_matches"].extend([
+        {"season_vi": "mùa hè", "banned_category": "áo nỉ", "reason": "Feedback tồi: nóng"},
+        {"season_vi": "mùa hè", "banned_category": "áo len cardigan", "reason": "Feedback tồi: nóng"},
+        {"occasion": "công sở", "banned_category": "quần ngố", "reason": "Feedback tồi: không lịch sự"}
+    ])
+    
+    # Trả ra text JSON chuẩn đã đc Agent "chỉnh não"
+    return json.dumps(old_data, ensure_ascii=False, indent=4)

backend/api/feedback_agent_route.py

+import json
+import os
+from fastapi import APIRouter
+from fastapi.responses import JSONResponse
+from pydantic import BaseModel
+
+# Import 2 module gốc của Phòng ban Learning Agent
+from agent.feedback_agent.langfuse_puller import langfuse_puller
+from agent.feedback_agent.learning_loop import run_optimization_logic
+
+router = APIRouter(prefix="/api/feedback-agent", tags=["Learning Agent"])
+
+RULES_PATH = os.path.join(os.path.dirname(os.path.abspath(__file__)), "../worker/fashion_rules.json")
+
+class ApplyRuleRequest(BaseModel):
+    new_rules_json: str
+
+@router.get("/sync-langfuse")
+async def sync_langfuse_feedbacks():
+    """ 
+    Kéo bad feedbacks thủ công từ Langfuse về xem chơi. 
+    Dành cho View ở trang Admin (HTML).
+    """
+    feedbacks = langfuse_puller.fetch_bad_feedbacks(limit=5)
+    return JSONResponse(status_code=200, content={"status": "success", "data": feedbacks})
+
+@router.post("/analyze")
+async def analyze_feedbacks():
+    """ 
+    Bắt con LLM học và chỉnh sửa file Rules hiện tại. 
+    Trả về File Cu - Mới để UI Admin Review (không ghi đè File ngay). 
+    """
+    feedbacks = langfuse_puller.fetch_bad_feedbacks()
+    
+    # 1. Đọc não bộ hiện tại (JSON)
+    current_rule_str = "{}"
+    if os.path.exists(RULES_PATH):
+        try:
+            with open(RULES_PATH, "r", encoding="utf-8") as f:
+                current_rule_str = f.read()
+        except Exception as e:
+            pass
+
+    # 2. Bắt con LLM suy luận học hỏi
+    draft_rule_str = run_optimization_logic(feedbacks, current_rule_str)
+    
+    # 3. Trả về nháp cho Admin Compare
+    return JSONResponse(status_code=200, content={
+        "status": "success", 
+        "draft_json": draft_rule_str,
+        "old_json": current_rule_str,
+        "feedbacks": feedbacks
+    })
+
+@router.post("/apply")
+async def apply_new_rules(req: ApplyRuleRequest):
+    """ 
+    Cho phép Admin Confirm bản Cập nhật mới mà LLM đề xuất.
+    Ghi đè trực tiếp lên fashion_rules.json -> Hoàn tất vòng chạy Tự học!
+    """
+    try:
+        # Check an toàn: Parse lại nếu LLM nhả rác (không phải JSON)
+        parsed = json.loads(req.new_rules_json)
+        
+        # Ghi đè vào Rule hệ thống
+        with open(RULES_PATH, "w", encoding="utf-8") as f:
+            json.dump(parsed, f, ensure_ascii=False, indent=4)
+            
+        return {"status": "success", "message": "Updated fashion_rules.json successfully."}
+    except json.JSONDecodeError:
+        return JSONResponse(status_code=400, content={"status": "error", "message": "Feedback Agent nhả ra chuỗi không phải File JSON chuẩn!"})
+    except Exception as e:
+        return JSONResponse(status_code=500, content={"status": "error", "message": str(e)})

backend/server.py

@@ -19,7 +19,6 @@ from api.n8n_api_route import router as n8n_router
 from api.feedback_route import router as feedback_router
 from api.text_to_sql_route import router as text_to_sql_router
 from api.dashboard_route import router as dashboard_router
-from api.notes_route import router as notes_router
 from api.experiment_links_route import router as experiment_links_router
 from api.product_route import router as product_router
 from api.sql_chat_route import router as sql_chat_router
@@ -83,13 +82,7 @@ async def startup_event():
     # Start FastStream EventBus
     await event_bus.start()
 
-    # Initialize Dashboard Note tables (Postgres)
-    try:
-        from common.note_service import init_note_tables
-        init_note_tables()
-    except Exception as e:
-        logger.warning("⚠️ Dashboard Note tables init skipped: %s", e)
-
+   # Cleaned up Note APIs
     # Start report worker if Redis is available
     if REDIS_CACHE_TURN_ON and redis_cache.get_client():
         from agent.report_agent.report_queue import report_worker_loop
@@ -180,7 +173,6 @@ app.include_router(n8n_router)
 app.include_router(feedback_router)
 app.include_router(text_to_sql_router)  # Bản 2: Text-to-SQL
 app.include_router(dashboard_router)  # Dashboard overview
-app.include_router(notes_router)  # Dashboard team notes
 app.include_router(experiment_links_router)  # Experiment links sidebar
 app.include_router(product_router)  # Product performance dashboard
 app.include_router(sql_chat_router)  # AI Data Analyst (Text-to-SQL)
@@ -214,13 +206,14 @@ from api.canifa_product_api import router as canifa_product_router
 app.include_router(canifa_product_router)  # Canifa Product Proxy (GraphQL)
 from api.ai_diagram_route import router as diagram_router
 app.include_router(diagram_router)  # AI Diagram Agent
-from api.dashboard_note_route import router as dashboard_note_router
-app.include_router(dashboard_note_router)  # Dashboard Note (Postgres)
 from api.merge_history.merge_history_route import router as merge_history_router
 app.include_router(merge_history_router)  # Mock merge history endpoints
 from api.mock_auth_route import router as mock_auth_router
 app.include_router(mock_auth_router)  # Mock Auth (identity linking test)
 
+from api.feedback_agent_route import router as feedback_agent_router
+app.include_router(feedback_agent_router) # Lõi Agent Rút Kinh Nghiệm (Langfuse -> Rules)
+
 
 if __name__ == "__main__":
     print("=" * 60)