Update app.py

app.py

@@ -1,5 +1,5 @@
-# ====================    El Detective de Alimentos (Versión 5.0 - con Profundización Científica)  =====================================
-# Mejoras: Integración de la base de datos FoodB para una capa de evidencia bioquímica.
+# ====================    El Detective de Alimentos (Versión 6.1 - Precisión Mejorada)  =====================================
+# Mejoras: Corrección del motor de búsqueda, reparación de la función de FoodB y refinamiento de prompts.
 
 import streamlit as st
 import google.generativeai as genai
@@ -10,6 +10,7 @@ import logging
 import re
 import pandas as pd
 import altair as alt
+from datetime import datetime
 
 st.set_page_config(
     page_title="El Detective de Alimentos",
@@ -17,33 +18,28 @@ st.set_page_config(
     layout="wide"
 )
 
-# ... (El código de configuración de Gemini no cambia) ...
+# ... (Configuración de Gemini y carga de datos no cambia) ...
 # Configurar logging
 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')
 logger = logging.getLogger("food_detective_app")
-
 # --- CONFIGURACIÓN DE GEMINI ---
 try:
     if 'GEMINI_API_KEY' in st.secrets:
         GEMINI_API_KEY = st.secrets['GEMINI_API_KEY']
     else:
         GEMINI_API_KEY = os.getenv("GEMINI_API_KEY")
-
     if not GEMINI_API_KEY:
         st.error("No se encontró la GEMINI_API_KEY. Por favor, configúrala en los Secrets de Streamlit.")
         logger.error("GEMINI_API_KEY no encontrada.")
         st.stop()
-        
     genai.configure(api_key=GEMINI_API_KEY)
     logger.info("✅ Configuración de Gemini API realizada.")
 except Exception as e:
     st.error(f"❌ Error al configurar Gemini API: {e}")
     logger.error(f"Error al configurar Gemini API: {e}")
     st.stop()
-    
 @st.cache_resource
 def get_gemini_model():
-    """Carga el modelo generativo de Gemini."""
     logger.info("🔄 Cargando modelo Gemini (gemini-1.5-flash)...")
     try:
         return genai.GenerativeModel("gemini-1.5-flash")
@@ -51,26 +47,15 @@ def get_gemini_model():
         st.error(f"❌ No se pudo cargar el modelo Gemini: {e}")
         logger.error(f"Error cargando modelo Gemini: {e}")
         return None
-
 model = get_gemini_model()
-
-
-# --- FUNCIÓN DE CARGA DE DATOS MODIFICADA ---
 @st.cache_data
 def load_data():
-    """
-    Carga todas las bases de conocimiento: datos enriquecidos y el índice de FoodB.
-    """
     try:
         path_alimentos = os.path.join('DATOS', 'alimentos_enriquecido.json') 
         path_foodb_index = os.path.join('DATOS', 'foodb_index.json')
-
         with open(path_alimentos, 'r', encoding='utf-8') as f:
             data_alimentos = json.load(f)
-        
         lista_condiciones = sorted(list(set(item['condicion_asociada'] for item in data_alimentos)))
-
-        # Cargar el índice de FoodB (si existe)
         foodb_index = {}
         if os.path.exists(path_foodb_index):
             with open(path_foodb_index, 'r', encoding='utf-8') as f:
@@ -78,21 +63,17 @@ def load_data():
             logger.info(f"✅ Índice científico de FoodB cargado con {len(foodb_index)} alimentos.")
         else:
             logger.warning("Advertencia: No se encontró 'foodb_index.json'. La funcionalidad de profundización científica estará desactivada.")
-            
         logger.info(f"✅ Base de datos principal cargada con {len(data_alimentos)} registros.")
         return data_alimentos, lista_condiciones, foodb_index
-
     except FileNotFoundError as e:
         st.error(f"❌ Error: No se encontró el archivo '{e.filename}'. Asegúrate de que está en la carpeta 'DATOS'.")
         return None, None, None
     except json.JSONDecodeError as e:
         st.error(f"❌ Error: Un archivo JSON tiene un formato incorrecto: {e}")
         return None, None, None
-
 alimentos_data, lista_condiciones, foodb_index = load_data()
 
-
-# ... (El resto de diccionarios y funciones de búsqueda no cambian) ...
+# ... (Diccionarios no cambian) ...
 FOOD_TO_COMPOUND_MAP = {
     "pan": ["gluten"], "trigo": ["gluten"], "harina de trigo": ["gluten"], "cebada": ["gluten"], 
     "centeno": ["gluten"], "pasta": ["gluten"], "galletas": ["gluten"], "avena": ["gluten"], "pizza": ["gluten"], "torta": ["gluten"],
@@ -121,16 +102,25 @@ CONDITION_SYNONYMS = {
     "enfermedad celíaca (clásica).": ["dermatitis herpetiforme"]
 }
 
+
+# --- PROMPT DE IA REFINADO ---
 def extract_and_infer_with_gemini(query, condiciones):
-    """Extrae entidades e infiere una condición probable."""
     if not model: return None
     condiciones_str = "\n".join([f"- {c}" for c in condiciones])
     system_prompt = f"""
-    Eres un asistente de triaje clínico. Analiza la consulta, extrae 'alimentos', 'sintomas' (normalizados) y la 'condicion_probable' más relevante de la lista proporcionada. Devuelve solo un JSON. Si no puedes inferir una condición, déjalo como un string vacío.
+    Eres un asistente de triaje clínico experto. Tu tarea es analizar la consulta de un usuario y extraer tres tipos de información:
+    1.  `alimentos`: Lista de alimentos consumidos.
+    2.  `sintomas`: Lista de síntomas descritos, normalizados a un término común.
+    3.  `condicion_probable`: Tu mejor inferencia sobre cuál de las siguientes condiciones podría explicar los síntomas. **Intenta siempre proporcionar una, incluso si la confianza es moderada.**
+
     LISTA DE CONDICIONES POSIBLES:
     {condiciones_str}
+
+    Devuelve la respuesta ÚNICAMENTE en formato JSON.
+
     Consulta: "{query}"
     """
+    # ... (el resto de la función no cambia)
     try:
         response = model.generate_content(system_prompt)
         json_text_match = re.search(r'```json\s*(\{.*?\})\s*```', response.text, re.DOTALL)
@@ -144,8 +134,8 @@ def extract_and_infer_with_gemini(query, condiciones):
         st.error(f"Hubo un problema al interpretar tu consulta con la IA.")
         return None
 
+# --- MOTOR DE BÚSQUEDA REFINADO ---
 def find_best_matches_hybrid(entities, data):
-    """Motor de búsqueda híbrido (v4.1) con manejo de sinónimos de condiciones."""
     if not entities or not data: return []
     user_symptoms = set(s.lower().strip() for s in entities.get("sintomas", []))
     user_foods = set(f.lower().strip() for f in entities.get("alimentos", []))
@@ -165,13 +155,13 @@ def find_best_matches_hybrid(entities, data):
                 score_details['condition'] = 100
         entry_compounds_text = entry.get("compuesto_alimento", "").lower()
         if any(term in entry_compounds_text for term in candidate_terms):
-            score_details['food'] = 20
+            score_details['food'] = 15 # Peso ajustado
         entry_symptoms_keys = set(s.lower().strip() for s in entry.get("sintomas_clave", []))
         symptom_score = 0
         for user_symptom in user_symptoms:
             for key in entry_symptoms_keys:
                 if key in user_symptom or user_symptom in key:
-                    symptom_score += 5
+                    symptom_score += 10 # Peso ajustado
                     break
         score_details['symptoms'] = symptom_score
         total_score = sum(score_details.values())
@@ -182,9 +172,8 @@ def find_best_matches_hybrid(entities, data):
     sorted_results = sorted(results, key=lambda x: x['score']['total'], reverse=True)
     return sorted_results
 
+# ... (generate_detailed_analysis y create_relevance_chart no cambian) ...
 def generate_detailed_analysis(query, match):
-    """Genera la explicación final, manejando la información de dualidad si existe."""
-    # (Esta función no necesita cambios)
     if not model: return "Error: El modelo de IA no está disponible."
     prompt_parts = [
         "Eres un asistente de IA experto en nutrición personalizada. Tu tono es empático, claro y muy educativo. NO actúas como un médico, sino como un guía informativo.",
@@ -222,47 +211,47 @@ def generate_detailed_analysis(query, match):
     except Exception as e:
         logger.error(f"Error generando análisis detallado con Gemini: {e}")
         return "No se pudo generar el análisis detallado."
-        
 def create_relevance_chart(results):
-    """Crea un gráfico de barras de Altair legible para visualizar la relevancia."""
     top_results = results[:5]
-    condition_names = []
-    for res in top_results:
-        name = re.sub(r'\(.*\)', '', res['entry']['condicion_asociada']).strip()
-        condition_names.append(name)
-    chart_data = {
-        "Condición": condition_names,
-        "Relevancia": [res['score']['total'] for res in top_results]
-    }
+    condition_names = [re.sub(r'\(.*\)', '', res['entry']['condicion_asociada']).strip() for res in top_results]
+    chart_data = {"Condición": condition_names, "Relevancia": [res['score']['total'] for res in top_results]}
     source = pd.DataFrame(chart_data)
     chart = alt.Chart(source).mark_bar(color='#1f77b4').encode(
         x=alt.X('Relevancia:Q', title='Puntuación de Relevancia'),
-        y=alt.Y('Condición:N', sort='-x', title='Posible Condición', 
-                axis=alt.Axis(labelLimit=300)),
+        y=alt.Y('Condición:N', sort='-x', title='Posible Condición', axis=alt.Axis(labelLimit=300)),
         tooltip=[alt.Tooltip('Condición:N', title='Condición'), alt.Tooltip('Relevancia:Q', title='Puntuación')]
-    ).properties(
-        title='Principales Coincidencias según tu Caso'
-    ).configure_axis(
-        labelFontSize=12,
-        titleFontSize=14
-    ).configure_title(
-        fontSize=16,
-        anchor='start'
-    )
+    ).properties(title='Principales Coincidencias según tu Caso').configure_axis(labelFontSize=12, titleFontSize=14).configure_title(fontSize=16, anchor='start')
     return chart
-
-# --- NUEVA FUNCIÓN AUXILIAR ---
+    
+# --- FUNCIÓN DE EXTRACCIÓN PARA FOODB CORREGIDA ---
 def extract_foods_from_string(food_string):
-    """Extrae una lista de alimentos de la cadena 'compuesto_alimento'."""
-    # Quita el texto en paréntesis al principio
-    main_part = re.sub(r'^\w+\s*\(.*?\)\s*', '', food_string)
-    # Quita el texto en paréntesis al final
-    foods_part = re.sub(r'\(.*\)', '', main_part).strip()
-    # Divide por comas y limpia los espacios
-    return [food.strip().lower() for food in foods_part.split(',') if food.strip()]
+    """Extrae una lista de alimentos de la cadena 'compuesto_alimento' de forma robusta."""
+    # Buscar el contenido dentro del último par de paréntesis
+    match = re.search(r'\(([^)]+)\)$', food_string)
+    if match:
+        # Si se encuentra, tomar el contenido y dividirlo por comas
+        foods_part = match.group(1)
+        return [food.strip().lower() for food in foods_part.split(',') if food.strip()]
+    else:
+        # Si no hay paréntesis al final, intentar limpiar el string principal
+        main_part = re.sub(r'^\w+\s*\(.*?\)\s*', '', food_string).strip()
+        return [food.strip().lower() for food in main_part.split(',') if food.strip()]
 
+# ... (la función log_feedback no cambia) ...
+def log_feedback(query, result, feedback):
+    """Guarda el feedback del usuario en un archivo de texto."""
+    log_entry = {
+        "timestamp": datetime.now().isoformat(),
+        "query": query,
+        "best_match_condition": result['entry']['condicion_asociada'],
+        "score": result['score']['total'],
+        "feedback": feedback # "util" o "no_util"
+    }
+    os.makedirs("logs", exist_ok=True)
+    with open(os.path.join("logs", "feedback_log.txt"), "a", encoding="utf-8") as f:
+        f.write(json.dumps(log_entry, ensure_ascii=False) + "\n")
 
-# --- INTERFAZ DE USUARIO (UI) MODIFICADA ---
+# --- INTERFAZ DE USUARIO (UI) ---
 col_img, col_text = st.columns([1, 4], gap="medium")
 with col_img:
     if os.path.exists("imagen.png"):
@@ -272,17 +261,16 @@ with col_text:
     st.markdown("##### Describe lo que sientes y lo que comiste para descubrir posibles intolerancias.")
 st.markdown("---")
 
+# ... (el resto del código de la UI no cambia, PERO INCLUYE LA CORRECCIÓN DEL TÍTULO DEL POPOVER) ...
 if 'search_results' not in st.session_state: st.session_state.search_results = None
 if 'user_query' not in st.session_state: st.session_state.user_query = ""
-
+if 'history' not in st.session_state: st.session_state.history = []
 def clear_search_state():
     st.session_state.search_results = None
     st.session_state.user_query = ""
-
 with st.form(key="search_form"):
     query = st.text_area("Describe tu caso aquí:", height=150, placeholder="Ej: Cuando como mucha carne me duele el dedo gordo del pie...")
     submitted = st.form_submit_button("Analizar mi caso", type="primary")
-
 if submitted:
     if not query:
         st.warning("Por favor, describe lo que sientes y lo que comiste.")
@@ -292,40 +280,43 @@ if submitted:
         st.session_state.user_query = query
         with st.spinner("🧠 Interpretando tu caso y buscando pistas con IA..."):
             entities = extract_and_infer_with_gemini(query, lista_condiciones)
-        
         if entities and (entities.get("alimentos") or entities.get("sintomas")):
-            # ... (código de info_str sin cambios) ...
             info_str = f"IA identificó - Alimentos: {', '.join(entities.get('alimentos',[])) or 'Ninguno'}"
             info_str += f", Síntomas: {', '.join(entities.get('sintomas',[])) or 'Ninguno'}"
-            if entities.get("condicion_probable"):
-                info_str += f", Condición Probable: {entities.get('condicion_probable')}"
+            if entities.get("condicion_probable"): info_str += f", Condición Probable: {entities.get('condicion_probable')}"
             st.info(info_str)
             with st.spinner("🔬 Cruzando información y calculando relevancia..."):
                 results = find_best_matches_hybrid(entities, alimentos_data)
                 st.session_state.search_results = results
+                if results:
+                    st.session_state.history.insert(0, {"query": query, "result": results[0]['entry']['condicion_asociada']})
+                    st.session_state.history = st.session_state.history[:5]
         else:
             st.error("No se pudieron identificar alimentos o síntomas claros en tu descripción.")
             st.session_state.search_results = []
-
+with st.sidebar:
+    st.header("Historial de Consultas")
+    if not st.session_state.history:
+        st.write("Aún no has realizado ninguna consulta.")
+    else:
+        for item in st.session_state.history:
+            with st.container(border=True):
+                st.write(f"**Consulta:** *{item['query'][:50]}...*")
+                st.write(f"**Principal Hallazgo:** {item['result']}")
 if st.session_state.search_results is not None:
     st.button("Realizar nueva consulta", on_click=clear_search_state)
     st.markdown("---")
-    
     results = st.session_state.search_results
-    
     if not results:
-        st.warning(f"No se encontraron coincidencias claras para tu caso: '{st.session_state.user_query}'.")
+        st.warning(f"No se encontraron coincidencias claras para tu caso: '{st.session_state.user_query}'.\n\n**Sugerencias:**\n- Intenta ser más específico con los síntomas.\n- Asegúrate de mencionar al menos un alimento o bebida.\n- Reformula tu consulta con otras palabras.")
     else:
         st.success(f"Hemos encontrado {len(results)} posible(s) causa(s) relacionada(s) con tu caso.")
-        
         st.subheader("Análisis de Relevancia de las Coincidencias")
         chart = create_relevance_chart(results)
         st.altair_chart(chart, use_container_width=True)
-
         best_match_data = results[0]
         best_match = best_match_data['entry']
         best_score = best_match_data['score']
-
         with st.expander(f"**Análisis Detallado de la Principal Coincidencia: {best_match.get('condicion_asociada')}**", expanded=True):
             col1, col2 = st.columns([3, 1])
             with col1:
@@ -335,39 +326,42 @@ if st.session_state.search_results is not None:
                 score_col2.metric("Puntos por Alimento", f"{best_score['food']}")
                 score_col3.metric("Puntos por Síntomas", f"{best_score['symptoms']}")
                 score_col4.metric("PUNTUACIÓN TOTAL", f"{best_score['total']}", delta="Máxima coincidencia")
-            
-            # --- NUEVO POPOVER PARA PROFUNDIZACIÓN CIENTÍFICA ---
             with col2:
-                st.write("") # Espacio para alinear
+                st.write("")
                 if foodb_index:
-                    with st.popover("🔬 Evidencia Bioquímica"):
-                        st.markdown("##### Componentes y Efectos Moleculares (Datos de FoodB.ca)")
+                    # --- TÍTULO DEL POPOVER CORREGIDO ---
+                    with st.popover("🔬 Principales componentes moleculares del alimento"):
                         alimentos_a_buscar = extract_foods_from_string(best_match.get("compuesto_alimento", ""))
                         if not alimentos_a_buscar:
-                            st.write("No se encontraron alimentos específicos para analizar en la base de datos científica.")
+                            st.write("No se encontraron alimentos específicos para analizar.")
                         else:
                             found_data = False
-                            for alimento in alimentos_a_buscar[:3]: # Limitamos a los 3 primeros para no sobrecargar
+                            for alimento in alimentos_a_buscar[:3]:
                                 if alimento in foodb_index:
                                     found_data = True
                                     with st.container(border=True):
                                         st.subheader(f"Análisis de: {alimento.capitalize()}")
-                                        for item in foodb_index[alimento][:5]: # Limitamos a 5 compuestos por alimento
+                                        for item in foodb_index[alimento][:5]:
                                             st.write(f"**Compuesto:** {item['compound']}")
                                             st.write(f"**Efectos reportados:** {', '.join(item['effects'])}")
                                             st.markdown("---")
                             if not found_data:
-                                st.write(f"No se encontraron datos moleculares para '{', '.join(alimentos_a_buscar)}' en la base de datos de FoodB.")
-
+                                st.write(f"No se encontraron datos moleculares para '{', '.join(alimentos_a_buscar)}' en FoodB.")
             st.markdown("---")
-            
             with st.spinner("✍️ Generando un análisis personalizado con IA..."):
                 detailed_analysis = generate_detailed_analysis(st.session_state.user_query, best_match)
                 st.markdown(detailed_analysis)
-
+            st.markdown("---")
+            st.write("**¿Te fue útil este análisis?**")
+            feedback_cols = st.columns(8)
+            if feedback_cols[0].button("👍 Útil", key=f"util_{best_match['condicion_asociada']}"):
+                log_feedback(st.session_state.user_query, best_match_data, "util")
+                st.success("¡Gracias por tu feedback!")
+            if feedback_cols[1].button("👎 No útil", key=f"no_util_{best_match['condicion_asociada']}"):
+                log_feedback(st.session_state.user_query, best_match_data, "no_util")
+                st.warning("Gracias. Usaremos tu feedback para mejorar.")
         if len(results) > 1:
             with st.expander("Otras posibles coincidencias (ordenadas por relevancia)"):
-                # ... (código para mostrar otras coincidencias no cambia) ...
                 for result in results[1:]:
                     entry = result['entry']
                     score = result['score']