Fix ai-service Dockerfile: bake in drug_entities.json, override its path

apps/ai-service/rag/prompt.py

@@ -33,7 +33,14 @@ Quy tắc bắt buộc:
    [n] ở mọi câu — gắn một lần cho một cụm cùng nguồn là đủ. Không bịa số [n].
 5. Nếu BẰNG CHỨNG không đủ (thiếu đối tượng được hỏi, thiếu con số, hoặc chỉ nói
    chung chung), nói rõ là không đủ và đặt evidence_sufficient=false. Đó là câu
-   trả lời hợp lệ. Không suy diễn để lấp chỗ trống.
+   trả lời hợp lệ. Không suy diễn để lấp chỗ trống. TRƯỜNG HỢP NÀY BẮT BUỘC LUÔN
+   điền `clarifying_question` giải thích NGẮN GỌN, CỤ THỂ vì sao — dù đó là vì
+   người dùng chưa nêu đủ dữ kiện (hỏi lại dữ kiện còn thiếu, như quy tắc 7), hay
+   đơn giản là chuyên luận KHÔNG đề cập nội dung này cho đối tượng/đường dùng
+   đang hỏi (nói thẳng điều đó, ví dụ "Dược thư không nêu liều dùng đường nhỏ
+   mắt của thuốc này"). TUYỆT ĐỐI KHÔNG để `clarifying_question`=null khi
+   evidence_sufficient=false — một câu giải thích cụ thể luôn hữu ích hơn cho
+   người đọc so với việc để trống.
 6. Giữ nguyên thuật ngữ chuyên môn của sách. Không diễn giải cho người
    không chuyên.
 7. HỎI LẠI khi thiếu dữ kiện — ĐÂY LÀ QUY TẮC QUAN TRỌNG NHẤT, ưu tiên hơn việc
@@ -70,8 +77,11 @@ ANSWER_SCHEMA = {
         "clarifying_question": {
             "type": ["string", "null"],
             "description": (
-                "Câu hỏi lại khi người dùng chưa nêu đủ dữ kiện (vd tuổi/cân nặng "
-                "cho câu hỏi liều có nhiều mức). null nếu đã đủ dữ kiện để trả lời."
+                "BẮT BUỘC khi evidence_sufficient=false: câu hỏi lại khi người dùng "
+                "chưa nêu đủ dữ kiện (vd tuổi/cân nặng), HOẶC — nếu vấn đề là "
+                "chuyên luận không có nội dung này — một câu nói thẳng điều đó (vd "
+                "'Dược thư không nêu liều dùng đường nhỏ mắt của thuốc này'). "
+                "null CHỈ khi evidence_sufficient=true."
             ),
         },
     },
@@ -94,18 +104,32 @@ Quy tắc:
 - Câu hỏi KHÔNG về liều (chống chỉ định, tương tác, tác dụng phụ, giới thiệu
   thuốc…) thì thường ĐỦ.
 
-Trả về DUY NHẤT JSON: {"sufficient": bool, "clarifying_question": string|null}.
+Trả về DUY NHẤT JSON: {"sufficient": bool, "clarifying_question": string|null,
+"quick_replies": string[]}.
 Nếu CHƯA đủ: sufficient=false và clarifying_question hỏi NGẮN GỌN tất cả dữ kiện
 còn thiếu (vd: "Bé mấy tuổi, cân nặng bao nhiêu kg, dùng đường nào và để hạ sốt
-hay giảm đau?"). Nếu đủ: sufficient=true, clarifying_question=null."""
+hay giảm đau?"). Nếu đủ: sufficient=true, clarifying_question=null,
+quick_replies=[].
+
+quick_replies: 2-4 phương án trả lời NGẮN (dưới ~20 ký tự mỗi phương án) cho
+CHÍNH câu clarifying_question vừa đặt ra, để người dùng bấm chọn thay vì gõ —
+CHỈ khi câu hỏi thực sự có vài lựa chọn rời rạc, tự nhiên (vd đối tượng: "Người
+lớn" / "Trẻ em"; đường dùng: "Uống" / "Tiêm"). Để mảng RỖNG nếu câu hỏi cần một
+con số cụ thể không có sẵn lựa chọn ngắn (vd hỏi cân nặng chính xác) — không
+được bịa ra các phương án number-ish giả."""
 
 SUFFICIENCY_SCHEMA = {
     "type": "object",
     "properties": {
         "sufficient": {"type": "boolean"},
         "clarifying_question": {"type": ["string", "null"]},
+        "quick_replies": {
+            "type": "array",
+            "items": {"type": "string"},
+            "maxItems": 4,
+        },
     },
-    "required": ["sufficient", "clarifying_question"],
+    "required": ["sufficient", "clarifying_question", "quick_replies"],
     "additionalProperties": False,
 }
 
@@ -180,7 +204,8 @@ def build_entailment_request(claims: list[tuple[str, str]]) -> "GenerationReques
 
 
 def build_request(
-    question: str, evidence_texts: tuple[str, ...], intro: bool = False
+    question: str, evidence_texts: tuple[str, ...], intro: bool = False,
+    list_mode: bool = False,
 ) -> GenerationRequest:
     """The prompt for one question over one ordered evidence list.
 
@@ -191,6 +216,14 @@ def build_request(
     `intro=True` is the "user typed only a drug name" case: instead of restating
     a section, write a short introduction — what the drug is, its class and its
     main indication — then invite a specific follow-up. Still evidence-only.
+
+    `list_mode=True` is the symptom_to_drug reverse-lookup case: each evidence
+    block is a DIFFERENT drug's own `chi_dinh`, not alternative phrasings of
+    one drug's section — found live 2026-08-07 that without this the model
+    picked just one drug out of 8 real matches and answered only about that
+    one, silently dropping the rest. Not a treatment ranking — a factual list
+    ([[feedback_no_recommendation_gate]] already covers why a "which is best"
+    framing would be wrong for this audience anyway).
     """
     if not evidence_texts:
         raise ValueError("cannot build a grounded prompt with no evidence")
@@ -206,6 +239,16 @@ def build_request(
             "lượng. Kết thúc bằng một câu mời hỏi tiếp về thuộc tính cụ thể (liều "
             "dùng, chống chỉ định, thận trọng, tương tác…)."
         )
+    elif list_mode:
+        task = (
+            f"CÂU HỎI: {question}\n\nMỖI đoạn BẰNG CHỨNG trên là chỉ định của MỘT "
+            "thuốc KHÁC NHAU. Hãy LIỆT KÊ TẤT CẢ các thuốc mà bằng chứng cho thấy "
+            "có chỉ định phù hợp với câu hỏi — không chỉ chọn một thuốc. Mỗi thuốc "
+            "một câu ngắn, gắn đúng số nguồn [n] của thuốc đó. Đây là liệt kê tra "
+            "cứu, KHÔNG phải khuyến cáo thuốc nào tốt hơn — không xếp hạng, không "
+            "chọn thuốc \"phù hợp nhất\". Nếu KHÔNG thuốc nào trong bằng chứng thực "
+            "sự phù hợp với câu hỏi, nói rõ điều đó thay vì liệt kê thuốc không liên quan."
+        )
     else:
         task = f"CÂU HỎI: {question}"
     user = f"BẰNG CHỨNG:\n\n{blocks}\n\n{task}"