Remove chat rate limit

apps/ai-service/rag/agent.py

@@ -335,7 +335,20 @@ class RagAgent:
                     ),
                     turn_type=tt,
                 )
-            if frame.condition_relation != ConditionRelation.INDICATION:
+            # UNKNOWN is treated as INDICATION here, not as a third rejection
+            # state: turn_type is already condition_to_drug/symptom_to_drug at
+            # this point, which only exists because the turn was read as
+            # asking which drug treats the condition -- that already settles
+            # the direction. Only an explicit reverse-relation reading
+            # (ADVERSE_EFFECT/CONTRAINDICATION) should abstain here; UNKNOWN
+            # is the model hedging on an ordinary question, not a genuine
+            # reverse-relation query (found live 2026-08-13: bare "X thì dùng
+            # thuốc gì" turns were reliably classified with the right
+            # turn_type but condition_relation="unknown", incorrectly
+            # aborting a plain treatment-lookup question).
+            if frame.condition_relation in (
+                ConditionRelation.ADVERSE_EFFECT, ConditionRelation.CONTRAINDICATION,
+            ):
                 return AgentReply(
                     "abstain",
                     "unsupported_reverse_relation",

apps/ai-service/rag/answer.py

@@ -30,7 +30,7 @@ from .routing import QueryRoutingService
 # be different prompts (or a different judge) to be independent evidence —
 # see this function's own reasoning above.
 
-_QUICK_REPLY_MAX_ITEMS = 4
+_QUICK_REPLY_MAX_ITEMS = 18  # one per monograph section (see rag/sections.py SECTION_ORDER)
 _QUICK_REPLY_MAX_CHARS = 40
 logger = logging.getLogger(__name__)
 
@@ -207,6 +207,29 @@ class _VerificationOutcome:
     missing: tuple[str, ...] = ()
 
 
+# Display-only label override, 2026-08-13: these 3 of 684 catalog drug_ids are
+# missing the letter for "Đ"/"đ" entirely (ingestion's slug generator drops it
+# instead of mapping it to "d" like every other Vietnamese diacritic), so
+# `drug_id.replace("_", " ").upper()` can never reconstruct the accented name
+# and the fold-based dedup below always mismatches for them. Does not touch
+# drug_id or any stored data — only the label text shown in generated answers.
+_DRUG_LABEL_OVERRIDES: dict[str, str] = {
+    "giai_oc_to_uon_van_hap_phu_vac_xin_uon_van_hap_phu":
+        "GIẢI ĐỘC TỐ UỐN VÁN HẤP PHỤ (VẮC XIN UỐN VÁN HẤP PHỤ)",
+    "khang_oc_to_bach_hau": "KHÁNG ĐỘC TỐ BẠCH HẦU",
+    "thuoc_uong_bu_nuoc_va_ien_giai": "THUỐC UỐNG BÙ NƯỚC VÀ ĐIỆN GIẢI",
+}
+
+
+def _fold_diacritics(text: str) -> str:
+    """Accent-insensitive fold. Vietnamese "Đ"/"đ" is not a combining-mark
+    decomposition under NFKD (unlike every other Vietnamese diacritic), so it
+    survives the strip below unless mapped explicitly first."""
+    text = text.replace("Đ", "D").replace("đ", "d")
+    stripped = unicodedata.normalize("NFKD", text)
+    return "".join(ch for ch in stripped if not unicodedata.combining(ch)).casefold()
+
+
 def _parse_claims(
     raw_claims: list, *, include_drug_label: bool = False
 ) -> tuple[tuple[str, tuple[int, ...]], ...] | None:
@@ -230,8 +253,8 @@ def _parse_claims(
             drug_id = item.get("drug_id")
             if not isinstance(drug_id, str) or not drug_id.strip():
                 return None
-            label = drug_id.replace("_", " ").upper()
-            if label.casefold() not in cleaned.casefold():
+            label = _DRUG_LABEL_OVERRIDES.get(drug_id) or drug_id.replace("_", " ").upper()
+            if _fold_diacritics(label) not in _fold_diacritics(cleaned):
                 cleaned = f"{label}: {cleaned}"
         claims.append((cleaned, tuple(citations)))
     return tuple(claims)

apps/ai-service/rag/understanding.py

@@ -50,9 +50,11 @@ from .clinical import (
     RenalContext,
 )
 from .ports import AnswerGenerationUnavailable
+from .sections import SectionResolver
 from .text import normalize_name
 
 logger = logging.getLogger(__name__)
+_SECTION_RESOLVER = SectionResolver()
 
 # The 19 monograph section keys, kept here as the closed vocabulary the model may
 # use for `attribute`. Adding a new section is one entry, not a code change.
@@ -208,8 +210,15 @@ FRAME_SCHEMA = {
     },
     "condition_relation": (
         "indication | adverse_effect | contraindication | unknown. "
-        "'thuốc nào gây X' is adverse_effect; 'thuốc nào chống chỉ định ở X' "
-        "is contraindication, never indication"
+        "DEFAULT is 'indication' — use it for the ordinary, most common case: "
+        "any question asking which drug to use/take/treat a condition or "
+        "symptom with (e.g. 'X thì dùng thuốc gì', 'bị X uống thuốc gì', "
+        "'thuốc trị X', 'thuốc chữa X'). Only deviate from 'indication' when "
+        "the question ITSELF contains an explicit reverse-direction phrase: "
+        "'thuốc nào gây X' -> adverse_effect; 'thuốc nào chống chỉ định ở X' -> "
+        "contraindication. Do not pick 'unknown' for an ordinary treatment "
+        "question just to hedge — 'unknown' is only for text that is not "
+        "readable as any of the other three at all."
     ),
     "patient_context": {
         "age_text": "age exactly as stated, else null",
@@ -285,7 +294,7 @@ _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 = 4
+_QUICK_REPLY_MAX_ITEMS = 18  # 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.
@@ -299,17 +308,24 @@ Quy tắc bắt buộc:
 - Sai chính tả một thuốc CÓ trong danh sách thì sửa về đúng drug_id của nó
   (ví dụ "amoxicillin" -> "amoxicilin", "metfomin" -> "metformin").
 - Nếu câu nhắc 2 thuốc trở lên và hỏi về dùng chung/tương tác -> turn_type="interaction".
-- Nếu là BỆNH/CONDITION đã nêu và hỏi thuốc nào có chỉ định điều trị ->
-  "condition_to_drug", điền `condition`, `condition_relation="indication"`.
-  Có thể dùng "symptom_to_drug" cho triệu chứng chưa phải chẩn đoán; không đánh
-  đồng triệu chứng với bệnh đã chẩn đoán.
+- MẶC ĐỊNH cho một BỆNH/TRIỆU CHỨNG đã nêu (không nhắc tên thuốc): câu hỏi
+  đang hỏi THUỐC NÀO DÙNG ĐỂ ĐIỀU TRỊ nó -> "condition_to_drug" (bệnh đã chẩn
+  đoán) hoặc "symptom_to_drug" (triệu chứng chưa phải chẩn đoán), điền
+  `condition`, `condition_relation="indication"`. Đây là cách đọc MẶC ĐỊNH —
+  mọi cách diễn đạt kiểu "bị/mắc [bệnh] thì/nên dùng/uống thuốc gì", "thuốc gì
+  trị/chữa [bệnh]", "[bệnh] uống thuốc gì" đều thuộc nhánh này, kể cả khi
+  không có từ "chỉ định". Không đánh đồng triệu chứng với bệnh đã chẩn đoán.
 - Nếu hỏi một THUỐC đã nêu được chỉ định cho bệnh gì -> "drug_to_condition",
   attribute="chi_dinh". Đây là chiều ngược với condition_to_drug.
-- Phân biệt QUAN HỆ: "thuốc nào GÂY tăng huyết áp" ->
-  turn_type="condition_relation", condition_relation="adverse_effect"; "thuốc
-  nào CHỐNG CHỈ ĐỊNH ở bệnh nhân gout" -> "condition_relation",
-  condition_relation="contraindication". TUYỆT ĐỐI không gán hai câu này thành
-  condition_to_drug/indication.
+- NGOẠI LỆ DUY NHẤT khỏi mặc định ở trên — turn_type="condition_relation" —
+  là câu hỏi tra NGƯỢC từ một bệnh/biến cố sang danh sách thuốc: "thuốc nào
+  GÂY tăng huyết áp", "thuốc nào CHỐNG CHỈ ĐỊNH ở bệnh nhân gout". Cụm
+  "chống chỉ định" tự nó KHÔNG đủ để chọn nhánh này: khi đã nêu một thuốc làm
+  đối tượng tra cứu, ví dụ "Chống chỉ định của Paracetamol là gì?" hoặc
+  "Probenecid có chống chỉ định gì?", phải là turn_type="drug_attribute",
+  attribute="chong_chi_dinh". Tương tự, "tác dụng không mong muốn của X" là
+  thuộc tính của thuốc X, không phải tra ngược. Chỉ gán condition_relation khi
+  chiều hỏi thực sự là bệnh/biến cố -> thuốc.
 - Chuẩn hoá condition bảo thủ: "cao huyết áp"/"THA" -> "tăng huyết áp" khi
   chắc chắn; giữ nguyên viết tắt mơ hồ. "Viêm gan", "ung thư", "nhiễm trùng"
   không có subtype/vị trí là mơ hồ đáng kể -> ambiguous=true và hỏi làm rõ.
@@ -374,7 +390,18 @@ Quy tắc bắt buộc:
 - Khi needs_clarify=true, kèm "quick_replies": 2-4 phương án NGẮN cho câu hỏi lại
   đó, CHỈ khi nó thực sự có vài lựa chọn rời rạc tự nhiên (vd đối tượng: "Người
   lớn"/"Trẻ em"). Để mảng rỗng nếu cần một giá trị cụ thể không có lựa chọn ngắn
-  (vd hỏi cân nặng chính xác) — không bịa phương án dạng số."""
+  (vd hỏi cân nặng chính xác) — không bịa phương án dạng số.
+- NGOẠI LỆ về số lượng: khi CÂU HỎI đã nêu đúng MỘT thuốc cụ thể (drugs có đúng
+  một phần tử) nhưng KHÔNG nêu mục/thuộc tính nào (attribute=null, không hỏi
+  liều/chỉ định/tương tác/... cụ thể) — tức người dùng chỉ gõ tên thuốc — thì
+  "quick_replies" liệt kê TOÀN BỘ các mục chuyên luận của Dược thư, không giới
+  hạn ở 2-4: "Tên chung quốc tế", "Mã ATC", "Loại thuốc", "Dạng thuốc và hàm
+  lượng", "Dược lý và cơ chế tác dụng", "Chỉ định", "Chống chỉ định", "Thận
+  trọng", "Thời kỳ mang thai", "Thời kỳ cho con bú", "Tác dụng không mong
+  muốn", "Hướng dẫn xử trí ADR", "Liều lượng và cách dùng", "Tương tác thuốc",
+  "Độ ổn định và bảo quản", "Tương kỵ", "Quá liều và xử trí", "Thông tin quy
+  chế" — nguyên văn đúng 18 nhãn này, đúng thứ tự, không rút gọn, không tự
+  đổi chữ."""
 
 
 class JsonLlm(Protocol):
@@ -471,6 +498,14 @@ class LlmQueryUnderstander:
         budget: RequestBudget | None = None,
         prior_frame: QueryFrame | None = None,
     ) -> QueryFrame:
+        turn_resolution = self._resolver.resolve(turn) if turn.strip() else None
+        resolved_turn_drug = (
+            turn_resolution.drug_id
+            if turn_resolution is not None
+            and turn_resolution.status == "resolved"
+            and turn_resolution.drug_id in self._catalog
+            else None
+        )
         shown = {
             drug_id: self._catalog[drug_id]
             for drug_id in self._candidate_ids(turn, history)
@@ -534,7 +569,14 @@ class LlmQueryUnderstander:
             frame, turn, self._condition_normalizer
         )
         frame = _apply_reverse_relation_cues(frame, turn)
-        frame = _apply_named_drug_cues(frame, turn)
+        section_match = _SECTION_RESOLVER.resolve(turn)
+        frame = _apply_named_drug_cues(
+            frame,
+            turn,
+            resolved_turn_drug=resolved_turn_drug,
+            resolved_section_key=(section_match.section_key if section_match else None),
+            resolved_section_phrase=(section_match.phrase if section_match else None),
+        )
         return _merge_with_prior_frame(frame, prior_frame)
 
     @staticmethod
@@ -735,23 +777,66 @@ def _apply_broad_condition_cue(
     )
 
 
-def _apply_named_drug_cues(frame: QueryFrame, turn: str) -> QueryFrame:
+def _apply_named_drug_cues(
+    frame: QueryFrame,
+    turn: str,
+    resolved_turn_drug: str | None = None,
+    resolved_section_key: str | None = None,
+    resolved_section_phrase: str | None = None,
+) -> QueryFrame:
     """A drug explicitly named as subject outranks reverse-condition wording."""
-    if not frame.drugs:
+    subject_drugs = frame.drugs or (
+        (resolved_turn_drug,) if resolved_turn_drug else ()
+    )
+    if not subject_drugs:
         return frame
     text = f" {normalize_name(turn)} "
+    explicit_reverse = any(
+        cue in text
+        for cue in (
+            " thuoc nao chong chi dinh ",
+            " nhung thuoc nao chong chi dinh ",
+            " thuoc nao can tranh o ",
+            " thuoc nao can tranh cho ",
+            " thuoc nao gay ",
+            " thuoc nao co the gay ",
+            " thuoc nao lam tang ",
+            " thuoc nao co adr ",
+        )
+    )
+    owned_section = bool(
+        resolved_turn_drug
+        and resolved_section_key
+        and resolved_section_phrase
+        and f" {normalize_name(resolved_section_phrase)} cua " in text
+    )
+    if owned_section and not explicit_reverse:
+        return replace(
+            frame,
+            turn_type="drug_attribute",
+            drugs=(resolved_turn_drug,),
+            attribute=resolved_section_key,
+            needs_clarify=False,
+            clarify_reason=None,
+            quick_replies=(),
+        )
     purpose = (
         " co tac dung gi " in text
         and " tac dung khong mong muon " not in text
     ) or " dung de lam gi " in text
-    contraindication = (
-        " co chong chi dinh " in text
+    contraindication = not explicit_reverse and (
+        frame.attribute == "chong_chi_dinh"
+        or " chong chi dinh cua " in text
+        or " co chong chi dinh " in text
+        or " chong chi dinh gi " in text
+        or " chong chi dinh nao " in text
         or " co dung duoc khong " in text
     )
     if purpose:
         return replace(
             frame,
             turn_type="drug_to_condition",
+            drugs=subject_drugs,
             attribute="chi_dinh",
             condition_relation=ConditionRelation.INDICATION,
             needs_clarify=False,
@@ -762,6 +847,7 @@ def _apply_named_drug_cues(frame: QueryFrame, turn: str) -> QueryFrame:
         return replace(
             frame,
             turn_type="drug_attribute",
+            drugs=subject_drugs,
             attribute="chong_chi_dinh",
             needs_clarify=False,
             clarify_reason=None,

apps/ai-service/tests/test_clinical_condition_flow.py

@@ -15,6 +15,7 @@ from rag.clinical import (
     RenalContext,
 )
 from rag.models import Evidence, SourceRef
+from rag.sections import SECTION_PHRASES
 from rag.understanding import (
     LlmQueryUnderstander,
     QueryFrame,
@@ -173,12 +174,57 @@ def test_named_drug_safety_and_purpose_cues_override_noisy_relation_frames():
         replace(noisy, drugs=("paracetamol_acetaminophen",)),
         "Paracetamol có tác dụng gì?",
     )
+    golden_contraindication = _apply_named_drug_cues(
+        replace(noisy, drugs=("paracetamol_acetaminophen",)),
+        "Chống chỉ định của Paracetamol là gì?",
+    )
+    golden_contraindication_with_omitted_llm_drug = _apply_named_drug_cues(
+        replace(noisy, drugs=()),
+        "Chống chỉ định của Paracetamol là gì?",
+        resolved_turn_drug="paracetamol_acetaminophen",
+    )
+    reverse_contraindication = _apply_named_drug_cues(
+        replace(noisy, drugs=("warfarin",)),
+        "Thuốc nào chống chỉ định ở bệnh nhân đang dùng warfarin?",
+    )
 
     assert safety.turn_type == "drug_attribute"
     assert safety.attribute == "chong_chi_dinh"
     assert safety.needs_clarify is False
     assert purpose.turn_type == "drug_to_condition"
     assert purpose.attribute == "chi_dinh"
+    assert golden_contraindication.turn_type == "drug_attribute"
+    assert golden_contraindication.attribute == "chong_chi_dinh"
+    assert golden_contraindication.condition_relation == ConditionRelation.CONTRAINDICATION
+    assert golden_contraindication_with_omitted_llm_drug.turn_type == "drug_attribute"
+    assert golden_contraindication_with_omitted_llm_drug.drugs == (
+        "paracetamol_acetaminophen",
+    )
+    assert reverse_contraindication.turn_type == "condition_relation"
+
+
+def test_owned_section_phrase_routes_every_monograph_section_without_llm_help():
+    noisy = QueryFrame(
+        turn_type="condition_relation",
+        condition_relation=ConditionRelation.CONTRAINDICATION,
+        needs_clarify=True,
+        clarify_reason="Cần làm rõ",
+    )
+
+    for section_key, phrases in SECTION_PHRASES.items():
+        phrase = phrases[0]
+        corrected = _apply_named_drug_cues(
+            noisy,
+            f"{phrase} của Paracetamol là gì?",
+            resolved_turn_drug="paracetamol_acetaminophen",
+            resolved_section_key=section_key,
+            resolved_section_phrase=phrase,
+        )
+
+        assert corrected.turn_type == "drug_attribute", section_key
+        assert corrected.drugs == ("paracetamol_acetaminophen",), section_key
+        assert corrected.attribute == section_key
+        assert corrected.needs_clarify is False
 
 
 def test_ambiguous_condition_clarifies_before_retrieval():

apps/ai-service/tests/test_understanding.py

@@ -86,6 +86,30 @@ def test_drug_id_in_exact_underscore_form_resolves():
     assert frame.unknown_drugs == ()
 
 
+def test_golden_named_drug_section_overrides_a_misclassified_relation_frame():
+    """Regression for the production failure observed through the real UI."""
+    understander = LlmQueryUnderstander(_FixedLlm({
+        "turn_type": "condition_relation",
+        "drugs": [],
+        "unknown_drugs": [],
+        "attribute": None,
+        "population": None,
+        "weight_kg": None,
+        "age_text": None,
+        "indication": None,
+        "condition_relation": "contraindication",
+        "needs_clarify": False,
+        "clarify_reason": None,
+    }), CATALOG, RESOLVER)
+
+    frame = understander.understand("Chống chỉ định của Paracetamol là gì?")
+
+    assert frame.turn_type == "drug_attribute"
+    assert frame.drugs == ("paracetamol_acetaminophen",)
+    assert frame.attribute == "chong_chi_dinh"
+    assert frame.needs_clarify is False
+
+
 def test_exact_candidate_does_not_repeat_the_catalog_wide_fuzzy_scan():
     resolver = _FakeResolver({"metformin": "metformin"})
     understander = LlmQueryUnderstander(_FixedLlm({
@@ -220,6 +244,11 @@ def test_quick_replies_are_parsed_when_the_model_offers_them():
 
 
 def test_quick_replies_are_dynamic_but_bounded_before_becoming_ui_chips():
+    # 19 distinct valid entries (after "  Người   lớn  " / "người lớn" dedup
+    # and the non-string 12 are dropped) so the 18-item cap — one per
+    # monograph section, see rag/sections.py SECTION_ORDER — still trims
+    # the last one, not just the old 4-item cap.
+    extra = [f"Lựa chọn {i}" for i in range(6, 20)]
     understander = LlmQueryUnderstander(_FixedLlm({
         "turn_type": "dosing_calc", "drugs": ["paracetamol_acetaminophen"],
         "unknown_drugs": [], "attribute": None, "population": None,
@@ -228,14 +257,17 @@ def test_quick_replies_are_dynamic_but_bounded_before_becoming_ui_chips():
         "quick_replies": [
             "  Người   lớn  ", "người lớn", "Trẻ em", 12,
             "Phụ nữ có thai", "Người cao tuổi", "Lựa chọn thứ năm",
+            *extra,
         ],
     }), CATALOG, RESOLVER)
 
     frame = understander.understand("liều paracetamol")
 
-    assert frame.quick_replies == (
-        "Người lớn", "Trẻ em", "Phụ nữ có thai", "Người cao tuổi"
+    assert len(frame.quick_replies) == 18
+    assert frame.quick_replies[:5] == (
+        "Người lớn", "Trẻ em", "Phụ nữ có thai", "Người cao tuổi", "Lựa chọn thứ năm"
     )
+    assert "Lựa chọn 19" not in frame.quick_replies
 
 
 def test_string_false_does_not_turn_into_a_clarification():