Update chat.py

chat.py

@@ -1,367 +1,367 @@
-from fastapi import APIRouter, Request, HTTPException, Depends
-from fastapi.responses import JSONResponse
-from datetime import datetime
-from bson.objectid import ObjectId
-from huggingface_hub import InferenceClient
-from sentence_transformers import SentenceTransformer
-from sklearn.metrics.pairwise import cosine_similarity
-import re
-
-from auth import get_current_user
-from database import get_db
-from config import HF_TOKEN, MAX_TOKENS, EMBEDDING_MODEL
-
-router = APIRouter(prefix="/api", tags=["Chat"])
-db=get_db()
-conversation_history = {}
-hf_client = InferenceClient(token=HF_TOKEN)
-
-try:
-    from langchain_community.embeddings import HuggingFaceEmbeddings
-    embedding_model = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL)
-    print("✅ Modèle d'embedding médical chargé avec succès")
-except Exception as e:
-    print(f"❌ Erreur chargement embedding: {str(e)}")
-    embedding_model = None
-
-# Fonctions de RAG
-def retrieve_relevant_context(query, embedding_model, mongo_collection, k=5):
-    query_embedding = embedding_model.embed_query(query)
-    
-    docs = list(mongo_collection.find({}, {"text": 1, "embedding": 1}))
-    
-    print(f"[DEBUG] Recherche de contexte pour: '{query}'")
-    print(f"[DEBUG] {len(docs)} documents trouvés dans la base de données")
-    
-    if not docs:
-        print("[DEBUG] Aucun document dans la collection. RAG désactivé.")
-        return ""
-    
-    similarities = []
-    for i, doc in enumerate(docs):
-        if "embedding" not in doc or not doc["embedding"]:
-            print(f"[DEBUG] Document {i} sans embedding")
-            continue
-            
-        sim = cosine_similarity([query_embedding], [doc["embedding"]])[0][0]
-        similarities.append((sim, i, doc["text"]))
-    
-    similarities.sort(reverse=True)
-    
-    print("\n=== CONTEXTE SÉLECTIONNÉ ===")
-    top_k_docs = []
-    for i, (score, idx, text) in enumerate(similarities[:k]):
-        doc_preview = text[:100] + "..." if len(text) > 100 else text
-        print(f"Document #{i+1} (score: {score:.4f}): {doc_preview}")
-        top_k_docs.append(text)
-    print("==========================\n")
-    
-    return "\n\n".join(top_k_docs)
-
-@router.post("/chat")
-async def chat(request: Request):
-    global conversation_history
-    
-    data = await request.json()
-    user_message = data.get("message", "").strip()
-    conversation_id = data.get("conversation_id")
-    skip_save = data.get("skip_save", False)
-
-
-    if not skip_save and conversation_id and current_user: 
-        db.messages.insert_one({
-            "conversation_id": conversation_id,
-            "user_id": str(current_user["_id"]),
-            "sender": "user",
-            "text": user_message,
-            "timestamp": datetime.utcnow()
-        })
-
-   
-        
-    if not user_message:
-        raise HTTPException(status_code=400, detail="Le champ 'message' est requis.")
-
-    current_user = None
-    try:
-        current_user = await get_current_user(request)
-    except HTTPException:
-        pass
-
-    current_tokens = 0
-    message_tokens = 0
-    if current_user and conversation_id:
-        conv = db.conversations.find_one({
-            "_id": ObjectId(conversation_id),
-            "user_id": str(current_user["_id"])
-        })
-        if conv:
-            current_tokens = conv.get("token_count", 0)
-        message_tokens = int(len(user_message.split()) * 1.3)
-        MAX_TOKENS = 2000
-        if current_tokens + message_tokens > MAX_TOKENS:
-            return JSONResponse({
-                "error": "token_limit_exceeded",
-                "message": "Cette conversation a atteint sa limite de taille. Veuillez en créer une nouvelle.",
-                "tokens_used": current_tokens,
-                "tokens_limit": MAX_TOKENS
-            }, status_code=403)
-
-    
-
-    is_history_question = any(
-        phrase in user_message.lower()
-        for phrase in [
-            "ma première question", "ma précédente question", "ma dernière question",
-            "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
-            "c'était quoi ma", "quelle était ma", "mes questions", "questions précédentes"
-        ]
-    ) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower()) \
-       or re.search(r"derni[eè]re question", user_message.lower()) \
-       or re.search(r"premi[eè]re question", user_message.lower()) \
-       or re.search(r"question pr[eé]c[eé]dente", user_message.lower()) \
-       or re.search(r"(toutes|liste|quelles|quoi).*questions", user_message.lower())
-
-    if conversation_id not in conversation_history:
-        conversation_history[conversation_id] = []
-        if current_user and conversation_id:
-            previous_messages = list(db.messages.find(
-                {"conversation_id": conversation_id}
-            ).sort("timestamp", 1))
-            
-            for msg in previous_messages:
-                if msg["sender"] == "user":
-                    conversation_history[conversation_id].append(f"Question : {msg['text']}")
-                else:
-                    conversation_history[conversation_id].append(f"Réponse : {msg['text']}")
-
-    if is_history_question:
-        actual_questions = []
-        
-        if conversation_id in conversation_history:
-            for msg in conversation_history[conversation_id]:
-                if msg.startswith("Question : "):
-                    q_text = msg.replace("Question : ", "")
-                    is_meta = any(phrase in q_text.lower() for phrase in [
-                        "ma première question", "ma précédente question", "ma dernière question",
-                        "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
-                        "c'était quoi ma", "quelle était ma", "mes questions"
-                    ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \
-                       or re.search(r"derni[eè]re question", q_text.lower()) \
-                       or re.search(r"premi[eè]re question", q_text.lower()) \
-                       or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \
-                       or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower())
-                    if not is_meta:
-                        actual_questions.append(q_text)
-        
-        if not actual_questions:
-            return JSONResponse({
-                "response": "Vous n'avez pas encore posé de question dans cette conversation. C'est notre premier échange."
-            })
-            
-        if re.search(r"derni[eè]re question", user_message.lower()):
-            return JSONResponse({
-                "response": f"Votre dernière question était : « {actual_questions[-1]} »"
-            })
-            
-        if re.search(r"question pr[eé]c[eé]dente", user_message.lower()):
-            if len(actual_questions) >= 2:
-                return JSONResponse({
-                    "response": f"Votre question précédente était : « {actual_questions[-2]} »"
-                })
-            else:
-                return JSONResponse({
-                    "response": "Il n'y a pas encore de question précédente dans notre conversation."
-                })
-                
-        if re.search(r"premi[eè]re question", user_message.lower()) or any(p in user_message.lower() for p in ["première question", "1ère question", "1ere question"]):
-            return JSONResponse({
-                "response": f"Votre première question était : « {actual_questions[0]} »"
-            })
-            
-        match_nth = re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower())
-        if match_nth:
-            try:
-                question_number = int(match_nth.group(1))
-                if 0 < question_number <= len(actual_questions):
-                    return JSONResponse({
-                        "response": f"Votre {question_number}{'ère' if question_number == 1 else 'ème'} question était : « {actual_questions[question_number-1]} »"
-                    })
-                else:
-                    return JSONResponse({
-                        "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation."
-                    })
-            except:
-                pass
-        
-        question_number = None
-        if any(p in user_message.lower() for p in ["deuxième question", "2ème question", "2eme question", "seconde question"]):
-            question_number = 2
-        else:
-            match = re.search(r'(\d+)[eèiéê]*m*e* question', user_message.lower())
-            if match:
-                try:
-                    question_number = int(match.group(1))
-                except:
-                    pass
-        
-        if question_number is not None:
-            if 0 < question_number <= len(actual_questions):
-                suffix = "ère" if question_number == 1 else "ème"
-                return JSONResponse({
-                    "response": f"Votre {question_number}{suffix} question était : « {actual_questions[question_number-1]} »"
-                })
-            else:
-                return JSONResponse({
-                    "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation."
-                })
-        
-        if len(actual_questions) == 1:
-            return JSONResponse({
-                "response": f"Vous avez posé une seule question jusqu'à présent : « {actual_questions[0]} »"
-            })
-        else:
-            question_list = "\n".join([f"{i+1}. {q}" for i, q in enumerate(actual_questions)])
-            return JSONResponse({
-                "response": f"Voici les questions que vous avez posées dans cette conversation :\n\n{question_list}"
-            })
-
-    context = None
-    if not is_history_question and embedding_model:
-        context = retrieve_relevant_context(user_message, embedding_model, db.connaissances, k=5)
-        if context and conversation_id:
-            conversation_history[conversation_id].append(f"Contexte : {context}")
-
-    if conversation_id:
-        conversation_history[conversation_id].append(f"Question : {user_message}")
-
-    system_prompt = (
-    "Tu es un chatbot spécialisé dans la santé mentale, et plus particulièrement la schizophrénie. "
-    "Tu réponds de façon fiable, claire et empathique, en t'appuyant uniquement sur des sources médicales et en français. "
-    "IMPORTANT: Fais particulièrement attention aux questions de suivi. Si l'utilisateur pose une question qui ne précise "
-    "pas clairement le sujet mais qui fait suite à votre échange précédent, comprends que cette question fait référence "
-    "au contexte de la conversation précédente. Par exemple, si l'utilisateur demande 'Comment les traite-t-on?' après "
-    "avoir parlé des symptômes positifs de la schizophrénie, ta réponse doit porter spécifiquement sur le traitement "
-    "des symptômes positifs, et non sur la schizophrénie en général.IMPORTANT: Vise tes réponses sous forme de Markdown."
-)
-
-    enriched_context = ""
-
-    if conversation_id in conversation_history:
-        actual_questions = []
-        for msg in conversation_history[conversation_id]:
-            if msg.startswith("Question : "):
-                q_text = msg.replace("Question : ", "")
-                is_meta = any(phrase in q_text.lower() for phrase in [
-                    "ma première question", "ma précédente question", "ma dernière question",
-                    "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
-                    "c'était quoi ma", "quelle était ma", "mes questions"
-                ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \
-                   or re.search(r"derni[eè]re question", q_text.lower()) \
-                   or re.search(r"premi[eè]re question", q_text.lower()) \
-                   or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \
-                   or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower())
-                if not is_meta and q_text != user_message:  
-                    actual_questions.append(q_text)
-        
-        if actual_questions:
-            recent_questions = actual_questions[-5:] 
-            enriched_context += "Historique récent des questions:\n"
-            for i, q in enumerate(recent_questions):
-                enriched_context += f"- Question précédente {len(recent_questions)-i}: {q}\n"
-            enriched_context += "\n"
-
-    if context:
-        enriched_context += "Contexte médical pertinent:\n"
-        enriched_context += context
-        enriched_context += "\n\n"
-
-    if enriched_context:
-        system_prompt += (
-            f"\n\n{enriched_context}\n\n"
-            "Utilise ces informations pour répondre de manière plus précise et contextuelle. "
-            "Ne pas inventer d'informations. Si tu ne sais pas, redirige vers un professionnel de santé. "
-            "Tu dois donner une réponse complète, bien structurée et ne jamais couper ta réponse brutalement. "
-            "Si tu n'as pas assez de place pour finir, indique-le clairement à l'utilisateur."
-        )
-    else:
-        system_prompt += (
-            "Tu dois répondre uniquement à partir de connaissances médicales factuelles. "
-            "Si tu ne sais pas répondre, indique-le clairement et suggère de consulter un professionnel de santé. "
-            "Tu dois donner une réponse complète et bien structurée."
-        )
-
-    messages = [{"role": "system", "content": system_prompt}]
-    
-    if conversation_id and len(conversation_history.get(conversation_id, [])) > 0:
-        history = conversation_history[conversation_id]
-        for i in range(0, min(20, len(history)-1), 2):
-            if i+1 < len(history):
-                if history[i].startswith("Question :"):
-                    user_text = history[i].replace("Question : ", "")
-                    messages.append({"role": "user", "content": user_text})
-                
-                if history[i+1].startswith("Réponse :"):
-                    assistant_text = history[i+1].replace("Réponse : ", "")
-                    messages.append({"role": "assistant", "content": assistant_text})
-    
-    messages.append({"role": "user", "content": user_message})
-
-    try:
-        completion = hf_client.chat.completions.create(
-            model="mistralai/Mistral-Small-24B-Instruct-2501", 
-            messages=messages,
-            max_tokens=1024,  
-            temperature=0.7, 
-            timeout=15,  
-        )
-        bot_response = completion.choices[0].message["content"].strip()
-        if bot_response.endswith((".", "!", "?")) == False and len(bot_response) > 500:
-            bot_response += "\n\n(Note: Ma réponse a été limitée par des contraintes de taille. N'hésitez pas à me demander de poursuivre si vous souhaitez plus d'informations.)"
-    except Exception:
-        try:
-            fallback = hf_client.text_generation(
-                model="mistralai/Mistral-7B-Instruct-v0.3",
-                prompt=f"<s>[INST] {system_prompt}\n\nQuestion: {user_message} [/INST]",
-                max_new_tokens=512,
-                temperature=0.7
-            )
-            bot_response = fallback
-        except Exception:
-            bot_response = "Je suis désolé, je rencontre actuellement des difficultés techniques. Pourriez-vous reformuler votre question ou réessayer dans quelques instants?"
-
-    if conversation_id:
-        conversation_history[conversation_id].append(f"Réponse : {bot_response}")
-        
-        if len(conversation_history[conversation_id]) > 50: 
-            conversation_history[conversation_id] = conversation_history[conversation_id][-50:]
-
-    if not skip_save and conversation_id and current_user: 
-        db.messages.insert_one({
-            "conversation_id": conversation_id,
-            "user_id": str(current_user["_id"]),
-            "sender": "bot", 
-            "text": bot_response,
-            "timestamp": datetime.utcnow()
-        })
-
-    if conversation_id and current_user:
-        db.messages.insert_one({
-            "conversation_id": conversation_id,
-            "user_id": str(current_user["_id"]),
-            "sender": "bot", 
-            "text": bot_response,
-            "timestamp": datetime.utcnow()
-        })
-        response_tokens = int(len(bot_response.split()) * 1.3)
-        total_tokens = current_tokens + message_tokens + response_tokens
-        db.conversations.update_one(
-            {"_id": ObjectId(conversation_id)},
-            {"$set": {
-                "last_message": bot_response,
-                "updated_at": datetime.utcnow(),
-                "token_count": total_tokens
-            }}
-        )
-
+from fastapi import APIRouter, Request, HTTPException, Depends
+from fastapi.responses import JSONResponse
+from datetime import datetime
+from bson.objectid import ObjectId
+from huggingface_hub import InferenceClient
+from sentence_transformers import SentenceTransformer
+from sklearn.metrics.pairwise import cosine_similarity
+import re
+
+from auth import get_current_user
+from database import get_db
+from config import HF_TOKEN, MAX_TOKENS, EMBEDDING_MODEL
+
+router = APIRouter(prefix="/api", tags=["Chat"])
+db=get_db()
+conversation_history = {}
+hf_client = InferenceClient(token=HF_TOKEN)
+
+try:
+    from langchain_community.embeddings import HuggingFaceEmbeddings
+    embedding_model = HuggingFaceEmbeddings(model_name=EMBEDDING_MODEL)
+    print("Modèle d'embedding médical chargé avec succès")
+except Exception as e:
+    print(f"Erreur chargement embedding: {str(e)}")
+    embedding_model = None
+
+# Fonctions de RAG
+def retrieve_relevant_context(query, embedding_model, mongo_collection, k=5):
+    query_embedding = embedding_model.embed_query(query)
+    
+    docs = list(mongo_collection.find({}, {"text": 1, "embedding": 1}))
+    
+    print(f"[DEBUG] Recherche de contexte pour: '{query}'")
+    print(f"[DEBUG] {len(docs)} documents trouvés dans la base de données")
+    
+    if not docs:
+        print("[DEBUG] Aucun document dans la collection. RAG désactivé.")
+        return ""
+    
+    similarities = []
+    for i, doc in enumerate(docs):
+        if "embedding" not in doc or not doc["embedding"]:
+            print(f"[DEBUG] Document {i} sans embedding")
+            continue
+            
+        sim = cosine_similarity([query_embedding], [doc["embedding"]])[0][0]
+        similarities.append((sim, i, doc["text"]))
+    
+    similarities.sort(reverse=True)
+    
+    print("\n=== CONTEXTE SÉLECTIONNÉ ===")
+    top_k_docs = []
+    for i, (score, idx, text) in enumerate(similarities[:k]):
+        doc_preview = text[:100] + "..." if len(text) > 100 else text
+        print(f"Document #{i+1} (score: {score:.4f}): {doc_preview}")
+        top_k_docs.append(text)
+    print("==========================\n")
+    
+    return "\n\n".join(top_k_docs)
+
+@router.post("/chat")
+async def chat(request: Request):
+    global conversation_history
+    
+    data = await request.json()
+    user_message = data.get("message", "").strip()
+    conversation_id = data.get("conversation_id")
+    skip_save = data.get("skip_save", False)
+
+
+    if not skip_save and conversation_id and current_user: 
+        db.messages.insert_one({
+            "conversation_id": conversation_id,
+            "user_id": str(current_user["_id"]),
+            "sender": "user",
+            "text": user_message,
+            "timestamp": datetime.utcnow()
+        })
+
+   
+        
+    if not user_message:
+        raise HTTPException(status_code=400, detail="Le champ 'message' est requis.")
+
+    current_user = None
+    try:
+        current_user = await get_current_user(request)
+    except HTTPException:
+        pass
+
+    current_tokens = 0
+    message_tokens = 0
+    if current_user and conversation_id:
+        conv = db.conversations.find_one({
+            "_id": ObjectId(conversation_id),
+            "user_id": str(current_user["_id"])
+        })
+        if conv:
+            current_tokens = conv.get("token_count", 0)
+        message_tokens = int(len(user_message.split()) * 1.3)
+        MAX_TOKENS = 2000
+        if current_tokens + message_tokens > MAX_TOKENS:
+            return JSONResponse({
+                "error": "token_limit_exceeded",
+                "message": "Cette conversation a atteint sa limite de taille. Veuillez en créer une nouvelle.",
+                "tokens_used": current_tokens,
+                "tokens_limit": MAX_TOKENS
+            }, status_code=403)
+
+    
+
+    is_history_question = any(
+        phrase in user_message.lower()
+        for phrase in [
+            "ma première question", "ma précédente question", "ma dernière question",
+            "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
+            "c'était quoi ma", "quelle était ma", "mes questions", "questions précédentes"
+        ]
+    ) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower()) \
+       or re.search(r"derni[eè]re question", user_message.lower()) \
+       or re.search(r"premi[eè]re question", user_message.lower()) \
+       or re.search(r"question pr[eé]c[eé]dente", user_message.lower()) \
+       or re.search(r"(toutes|liste|quelles|quoi).*questions", user_message.lower())
+
+    if conversation_id not in conversation_history:
+        conversation_history[conversation_id] = []
+        if current_user and conversation_id:
+            previous_messages = list(db.messages.find(
+                {"conversation_id": conversation_id}
+            ).sort("timestamp", 1))
+            
+            for msg in previous_messages:
+                if msg["sender"] == "user":
+                    conversation_history[conversation_id].append(f"Question : {msg['text']}")
+                else:
+                    conversation_history[conversation_id].append(f"Réponse : {msg['text']}")
+
+    if is_history_question:
+        actual_questions = []
+        
+        if conversation_id in conversation_history:
+            for msg in conversation_history[conversation_id]:
+                if msg.startswith("Question : "):
+                    q_text = msg.replace("Question : ", "")
+                    is_meta = any(phrase in q_text.lower() for phrase in [
+                        "ma première question", "ma précédente question", "ma dernière question",
+                        "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
+                        "c'était quoi ma", "quelle était ma", "mes questions"
+                    ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \
+                       or re.search(r"derni[eè]re question", q_text.lower()) \
+                       or re.search(r"premi[eè]re question", q_text.lower()) \
+                       or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \
+                       or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower())
+                    if not is_meta:
+                        actual_questions.append(q_text)
+        
+        if not actual_questions:
+            return JSONResponse({
+                "response": "Vous n'avez pas encore posé de question dans cette conversation. C'est notre premier échange."
+            })
+            
+        if re.search(r"derni[eè]re question", user_message.lower()):
+            return JSONResponse({
+                "response": f"Votre dernière question était : « {actual_questions[-1]} »"
+            })
+            
+        if re.search(r"question pr[eé]c[eé]dente", user_message.lower()):
+            if len(actual_questions) >= 2:
+                return JSONResponse({
+                    "response": f"Votre question précédente était : « {actual_questions[-2]} »"
+                })
+            else:
+                return JSONResponse({
+                    "response": "Il n'y a pas encore de question précédente dans notre conversation."
+                })
+                
+        if re.search(r"premi[eè]re question", user_message.lower()) or any(p in user_message.lower() for p in ["première question", "1ère question", "1ere question"]):
+            return JSONResponse({
+                "response": f"Votre première question était : « {actual_questions[0]} »"
+            })
+            
+        match_nth = re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", user_message.lower())
+        if match_nth:
+            try:
+                question_number = int(match_nth.group(1))
+                if 0 < question_number <= len(actual_questions):
+                    return JSONResponse({
+                        "response": f"Votre {question_number}{'ère' if question_number == 1 else 'ème'} question était : « {actual_questions[question_number-1]} »"
+                    })
+                else:
+                    return JSONResponse({
+                        "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation."
+                    })
+            except:
+                pass
+        
+        question_number = None
+        if any(p in user_message.lower() for p in ["deuxième question", "2ème question", "2eme question", "seconde question"]):
+            question_number = 2
+        else:
+            match = re.search(r'(\d+)[eèiéê]*m*e* question', user_message.lower())
+            if match:
+                try:
+                    question_number = int(match.group(1))
+                except:
+                    pass
+        
+        if question_number is not None:
+            if 0 < question_number <= len(actual_questions):
+                suffix = "ère" if question_number == 1 else "ème"
+                return JSONResponse({
+                    "response": f"Votre {question_number}{suffix} question était : « {actual_questions[question_number-1]} »"
+                })
+            else:
+                return JSONResponse({
+                    "response": f"Vous n'avez pas encore posé {question_number} questions dans cette conversation."
+                })
+        
+        if len(actual_questions) == 1:
+            return JSONResponse({
+                "response": f"Vous avez posé une seule question jusqu'à présent : « {actual_questions[0]} »"
+            })
+        else:
+            question_list = "\n".join([f"{i+1}. {q}" for i, q in enumerate(actual_questions)])
+            return JSONResponse({
+                "response": f"Voici les questions que vous avez posées dans cette conversation :\n\n{question_list}"
+            })
+
+    context = None
+    if not is_history_question and embedding_model:
+        context = retrieve_relevant_context(user_message, embedding_model, db.connaissances, k=5)
+        if context and conversation_id:
+            conversation_history[conversation_id].append(f"Contexte : {context}")
+
+    if conversation_id:
+        conversation_history[conversation_id].append(f"Question : {user_message}")
+
+    system_prompt = (
+    "Tu es un chatbot spécialisé dans la santé mentale, et plus particulièrement la schizophrénie. "
+    "Tu réponds de façon fiable, claire et empathique, en t'appuyant uniquement sur des sources médicales et en français. "
+    "IMPORTANT: Fais particulièrement attention aux questions de suivi. Si l'utilisateur pose une question qui ne précise "
+    "pas clairement le sujet mais qui fait suite à votre échange précédent, comprends que cette question fait référence "
+    "au contexte de la conversation précédente. Par exemple, si l'utilisateur demande 'Comment les traite-t-on?' après "
+    "avoir parlé des symptômes positifs de la schizophrénie, ta réponse doit porter spécifiquement sur le traitement "
+    "des symptômes positifs, et non sur la schizophrénie en général.IMPORTANT: Vise tes réponses sous forme de Markdown."
+)
+
+    enriched_context = ""
+
+    if conversation_id in conversation_history:
+        actual_questions = []
+        for msg in conversation_history[conversation_id]:
+            if msg.startswith("Question : "):
+                q_text = msg.replace("Question : ", "")
+                is_meta = any(phrase in q_text.lower() for phrase in [
+                    "ma première question", "ma précédente question", "ma dernière question",
+                    "ce que j'ai demandé", "j'ai dit quoi", "quelles questions",
+                    "c'était quoi ma", "quelle était ma", "mes questions"
+                ]) or re.search(r"(?:quelle|quelles|quoi).*?(\d+)[a-z]{2}.*?question", q_text.lower()) \
+                   or re.search(r"derni[eè]re question", q_text.lower()) \
+                   or re.search(r"premi[eè]re question", q_text.lower()) \
+                   or re.search(r"question pr[eé]c[eé]dente", q_text.lower()) \
+                   or re.search(r"(toutes|liste|quelles|quoi).*questions", q_text.lower())
+                if not is_meta and q_text != user_message:  
+                    actual_questions.append(q_text)
+        
+        if actual_questions:
+            recent_questions = actual_questions[-5:] 
+            enriched_context += "Historique récent des questions:\n"
+            for i, q in enumerate(recent_questions):
+                enriched_context += f"- Question précédente {len(recent_questions)-i}: {q}\n"
+            enriched_context += "\n"
+
+    if context:
+        enriched_context += "Contexte médical pertinent:\n"
+        enriched_context += context
+        enriched_context += "\n\n"
+
+    if enriched_context:
+        system_prompt += (
+            f"\n\n{enriched_context}\n\n"
+            "Utilise ces informations pour répondre de manière plus précise et contextuelle. "
+            "Ne pas inventer d'informations. Si tu ne sais pas, redirige vers un professionnel de santé. "
+            "Tu dois donner une réponse complète, bien structurée et ne jamais couper ta réponse brutalement. "
+            "Si tu n'as pas assez de place pour finir, indique-le clairement à l'utilisateur."
+        )
+    else:
+        system_prompt += (
+            "Tu dois répondre uniquement à partir de connaissances médicales factuelles. "
+            "Si tu ne sais pas répondre, indique-le clairement et suggère de consulter un professionnel de santé. "
+            "Tu dois donner une réponse complète et bien structurée."
+        )
+
+    messages = [{"role": "system", "content": system_prompt}]
+    
+    if conversation_id and len(conversation_history.get(conversation_id, [])) > 0:
+        history = conversation_history[conversation_id]
+        for i in range(0, min(20, len(history)-1), 2):
+            if i+1 < len(history):
+                if history[i].startswith("Question :"):
+                    user_text = history[i].replace("Question : ", "")
+                    messages.append({"role": "user", "content": user_text})
+                
+                if history[i+1].startswith("Réponse :"):
+                    assistant_text = history[i+1].replace("Réponse : ", "")
+                    messages.append({"role": "assistant", "content": assistant_text})
+    
+    messages.append({"role": "user", "content": user_message})
+
+    try:
+        completion = hf_client.chat.completions.create(
+            model="mistralai/Mistral-Small-24B-Instruct-2501", 
+            messages=messages,
+            max_tokens=1024,  
+            temperature=0.7, 
+            timeout=15,  
+        )
+        bot_response = completion.choices[0].message["content"].strip()
+        if bot_response.endswith((".", "!", "?")) == False and len(bot_response) > 500:
+            bot_response += "\n\n(Note: Ma réponse a été limitée par des contraintes de taille. N'hésitez pas à me demander de poursuivre si vous souhaitez plus d'informations.)"
+    except Exception:
+        try:
+            fallback = hf_client.text_generation(
+                model="mistralai/Mistral-7B-Instruct-v0.3",
+                prompt=f"<s>[INST] {system_prompt}\n\nQuestion: {user_message} [/INST]",
+                max_new_tokens=512,
+                temperature=0.7
+            )
+            bot_response = fallback
+        except Exception:
+            bot_response = "Je suis désolé, je rencontre actuellement des difficultés techniques. Pourriez-vous reformuler votre question ou réessayer dans quelques instants?"
+
+    if conversation_id:
+        conversation_history[conversation_id].append(f"Réponse : {bot_response}")
+        
+        if len(conversation_history[conversation_id]) > 50: 
+            conversation_history[conversation_id] = conversation_history[conversation_id][-50:]
+
+    if not skip_save and conversation_id and current_user: 
+        db.messages.insert_one({
+            "conversation_id": conversation_id,
+            "user_id": str(current_user["_id"]),
+            "sender": "bot", 
+            "text": bot_response,
+            "timestamp": datetime.utcnow()
+        })
+
+    if conversation_id and current_user:
+        db.messages.insert_one({
+            "conversation_id": conversation_id,
+            "user_id": str(current_user["_id"]),
+            "sender": "bot", 
+            "text": bot_response,
+            "timestamp": datetime.utcnow()
+        })
+        response_tokens = int(len(bot_response.split()) * 1.3)
+        total_tokens = current_tokens + message_tokens + response_tokens
+        db.conversations.update_one(
+            {"_id": ObjectId(conversation_id)},
+            {"$set": {
+                "last_message": bot_response,
+                "updated_at": datetime.utcnow(),
+                "token_count": total_tokens
+            }}
+        )
+
     return {"response": bot_response}