Wire up query history: localStorage session persistence + sidebar UI

apps/ai-service/rag/understanding.py

@@ -118,6 +118,31 @@ SECTION_KEY_HINTS: dict[str, str] = {
     "thong_tin_quy_che": "thông tin quy chế/pháp lý",
 }
 
+# Short, chip-sized Vietnamese section names — SECTION_KEY_HINTS above is
+# full-sentence disambiguation text for the model, well over
+# _QUICK_REPLY_MAX_CHARS, so it cannot double as a quick_reply label.
+_SECTION_SHORT_LABEL: dict[str, str] = {
+    "ten_chung_quoc_te": "Tên chung quốc tế",
+    "ten_thuong_mai": "Tên thương mại",
+    "ma_atc": "Mã ATC",
+    "loai_thuoc": "Loại thuốc",
+    "dang_thuoc_va_ham_luong": "Dạng thuốc và hàm lượng",
+    "duoc_ly_va_co_che_tac_dung": "Dược lý, cơ chế tác dụng",
+    "chi_dinh": "Chỉ định",
+    "chong_chi_dinh": "Chống chỉ định",
+    "than_trong": "Thận trọng",
+    "thoi_ky_mang_thai": "Thời kỳ mang thai",
+    "thoi_ky_cho_con_bu": "Thời kỳ cho con bú",
+    "tac_dung_khong_mong_muon": "Tác dụng không mong muốn",
+    "huong_dan_xu_tri_adr": "Xử trí ADR",
+    "lieu_luong_va_cach_dung": "Liều lượng và cách dùng",
+    "tuong_tac_thuoc": "Tương tác thuốc",
+    "qua_lieu_va_xu_tri": "Quá liều và xử trí",
+    "do_on_dinh_va_bao_quan": "Độ ổn định, bảo quản",
+    "tuong_ky": "Tương kỵ",
+    "thong_tin_quy_che": "Thông tin quy chế",
+}
+
 # What kind of turn this is — the router branches on it. Deliberately explicit so a
 # symptom lookup is never silently treated as a failed drug lookup, and a two-drug
 # interaction never collapses to an "ambiguous drug" abstain.
@@ -294,7 +319,7 @@ _ALLOWED_ROUTES = {
     "uong", "tiem_tinh_mach", "tiem_bap", "tiem_duoi_da",
     "dat_truc_trang", "boi_ngoai_da", "nho_mat", "nho_mui", "khac",
 }
-_QUICK_REPLY_MAX_ITEMS = 18  # one per monograph section (see rag/sections.py SECTION_ORDER)
+_QUICK_REPLY_MAX_ITEMS = 19  # one per monograph section (see rag/sections.py SECTION_ORDER)
 _QUICK_REPLY_MAX_CHARS = 40
 
 _SYSTEM = """Bạn là bộ HIỂU CÂU HỎI cho một chatbot tra cứu Dược thư Quốc gia Việt Nam.
@@ -577,6 +602,7 @@ class LlmQueryUnderstander:
             resolved_section_key=(section_match.section_key if section_match else None),
             resolved_section_phrase=(section_match.phrase if section_match else None),
         )
+        frame = _apply_multi_section_clarify(frame, turn)
         return _merge_with_prior_frame(frame, prior_frame)
 
     @staticmethod
@@ -856,6 +882,51 @@ def _apply_named_drug_cues(
     return frame
 
 
+def _apply_multi_section_clarify(frame: QueryFrame, turn: str) -> QueryFrame:
+    """A turn naming two-or-more distinct monograph sections for one drug
+    ("chỉ định và chống chỉ định của X") cannot be served by narrowing
+    `attribute` to a single value: both the model's own JSON output and
+    `_apply_named_drug_cues` above only ever produce one `attribute`, so
+    retrieval silently fetches evidence for whichever section wins while the
+    question handed to generation still promises both. The completeness check
+    then correctly reports a real, quote-backed gap against the one section
+    actually retrieved, generation retries with the same mismatched scope,
+    and the turn fails closed as a confusing `incomplete_answer` abstain —
+    found live 2026-08-14, reproduced 2/2 on "Chỉ định và chống chỉ định của
+    Aspirin là gì?". Answering every named section at once is a larger,
+    separate change (multi-attribute retrieval); asking which one first is
+    the safe interim behavior, using the generic `needs_clarify`+
+    `clarify_reason` clarify path `RagAgent` already has (checked ahead of
+    the narrower `attribute is None` -> `missing_attribute` branch, and the
+    only one of the two that forwards `quick_replies`).
+
+    Scoped to turns already read as a single named drug's own attribute(s)
+    — `_apply_named_drug_cues` runs first, so by this point `turn_type` is
+    already "drug_attribute"/"drug_overview" for exactly the cases this
+    bug affects; interaction/condition/dosing turns are untouched.
+    """
+    if frame.turn_type not in ("drug_attribute", "drug_overview") or not frame.drugs:
+        return frame
+    matches = _SECTION_RESOLVER.resolve_all(turn)
+    distinct_sections = tuple(dict.fromkeys(match.section_key for match in matches))
+    if len(distinct_sections) < 2:
+        return frame
+    options = tuple(
+        _SECTION_SHORT_LABEL.get(key, key) for key in distinct_sections
+    )[:_QUICK_REPLY_MAX_ITEMS]
+    return replace(
+        frame,
+        turn_type="drug_attribute",
+        attribute=None,
+        needs_clarify=True,
+        clarify_reason=(
+            "Câu hỏi nêu nhiều mục cùng lúc — anh/chị muốn xem mục nào trước?"
+        ),
+        quick_replies=options,
+        system_error=None,
+    )
+
+
 _KNOWN_FACT_LABELS: tuple[tuple[str, str], ...] = (
     ("population", "Đối tượng"),
     ("age_text", "Tuổi"),