Update app.py

app.py

@@ -270,14 +270,21 @@ def sanitize_text(text):
 def extract_and_infer_with_gemini(query, condiciones):
     if not model: return None
     condiciones_str = "\n".join([f"- {c}" for c in condiciones])
+    
+    # Prompt mejorado para ser más estricto
     system_prompt = f"""
     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.**
+    2.  `sintomas`: Lista de síntomas descritos.
+    3.  `condicion_probable`: Tu mejor inferencia sobre cuál de las siguientes condiciones podría explicar la **conexión directa entre los alimentos y los síntomas mencionados**. Debes elegir la opción más lógica de la lista. Si ninguna encaja bien, puedes dejarlo en blanco.
+
     LISTA DE CONDICIONES POSIBLES:
     {condiciones_str}
-    Devuelve la respuesta ÚNICAMENTE en formato JSON.
+
+    Devuelve la respuesta ÚNICAMENTE en formato JSON estricto.
+    
+    Ejemplo: si el usuario dice "vino tinto y dolor de cabeza", la condición probable es "Histaminosis / Intolerancia a la Histamina." o "Migraña.", no "Intolerancia a la Lactosa.".
+
     Consulta: "{query}"
     """
     try:
@@ -292,46 +299,43 @@ def extract_and_infer_with_gemini(query, condiciones):
         logger.error(f"Error en la extracción/inferencia con Gemini: {e}")
         st.error(f"Hubo un problema al interpretar tu consulta con la IA.")
         return None
+        
 def find_best_matches_hybrid(entities, data):
     if not entities or not data: return []
 
-    # 1. Extracción de entidades del usuario (sin cambios)
     user_symptoms = set(sanitize_text(s) for s in entities.get("sintomas", []))
     user_foods = set(sanitize_text(f) for f in entities.get("alimentos", []))
     inferred_condition_raw = sanitize_text(entities.get("condicion_probable", ""))
 
-    # 2. Obtención de términos de búsqueda (sin cambios)
     candidate_terms = set(user_foods)
     for food in user_foods:
         food_sanitized = sanitize_text(food)
         if food_sanitized in FOOD_TO_COMPOUND_MAP:
             candidate_terms.update(c.lower() for c in FOOD_TO_COMPOUND_MAP[food_sanitized])
+        # Añadir también los componentes del vino directamente para ser más robusto
+        if food_sanitized in ["vino", "vino tinto", "vino rojo"]:
+            candidate_terms.update(["histamina", "tiramina", "sulfitos"])
 
-    # 3. Lógica de puntuación CORREGIDA Y ROBUSTA
     results = []
     for entry in data:
-        # --- PASO CLAVE: FILTRO OBLIGATORIO POR ALIMENTO ---
         entry_compounds_text = sanitize_text(entry.get("compuesto_alimento", ""))
         food_match = any(term in entry_compounds_text for term in candidate_terms)
         
-        # Si NO hay conexión entre la comida del usuario y la condición, se ignora por completo.
         if not food_match:
             continue
 
-        # --- Si pasa el filtro, procedemos a puntuar ---
-        score_details = {'condition': 0, 'food': 15, 'symptoms': 0, 'total': 0} # Damos puntos de comida por defecto
+        # Inicializamos el diccionario SIN el total
+        score_details = {'condition': 0, 'food': 15, 'symptoms': 0}
 
-        # Bono de Condición: Si la IA la sugirió, recibe un gran bono.
         if inferred_condition_raw:
             entry_condition_sanitized = sanitize_text(entry.get("condicion_asociada", ""))
             is_match = (entry_condition_sanitized == inferred_condition_raw)
             if not is_match and entry_condition_sanitized in CONDITION_SYNONYMS:
-                if inferred_condition_raw in [sanitize_text(s) for s in CONDITION_SYNONYMS[entry_condition_sanitized]]:
+                if inferred_condition_raw in [sanitize_text(s) for s in CONDITION_SYNONYMS.get(entry_condition_sanitized, [])]:
                     is_match = True
             if is_match:
                 score_details['condition'] = 100
 
-        # Puntuación por Síntomas
         entry_symptoms_keys = set(sanitize_text(s) for s in entry.get("sintomas_clave", []))
         symptom_score = 0
         matched_symptoms = []
@@ -343,8 +347,9 @@ def find_best_matches_hybrid(entities, data):
                     break 
         score_details['symptoms'] = symptom_score
         
-        # Cálculo final
-        total_score = sum(score_details.values())
+        # --- LÍNEA CORREGIDA Y CRÍTICA ---
+        # Calculamos la puntuación total y la añadimos al diccionario
+        score_details['total'] = score_details['condition'] + score_details['food'] + score_details['symptoms']
         
         results.append({
             'entry': entry, 
@@ -354,6 +359,10 @@ def find_best_matches_hybrid(entities, data):
 
     if not results: return []
     
+    # Ahora el ordenamiento funcionará correctamente porque 'total' tiene el valor correcto
+    sorted_results = sorted(results, key=lambda x: x['score']['total'], reverse=True)
+    return sorted_results
+    
     # 4. Ordenar y devolver (sin cambios)
     sorted_results = sorted(results, key=lambda x: x['score']['total'], reverse=True)
     return sorted_results