Update app.py

app.py

@@ -294,12 +294,12 @@ def extract_and_infer_with_gemini(query, condiciones):
         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:
@@ -307,29 +307,31 @@ def find_best_matches_hybrid(entities, data):
         if food_sanitized in FOOD_TO_COMPOUND_MAP:
             candidate_terms.update(c.lower() for c in FOOD_TO_COMPOUND_MAP[food_sanitized])
 
-    # 3. Lógica de puntuación MEJORADA (el cambio clave está aquí)
+    # 3. Lógica de puntuación CORREGIDA Y ROBUSTA
     results = []
-    # ¡Importante! Siempre iteramos sobre 'data' (la base de datos completa)
     for entry in data:
-        score_details = {'condition': 0, 'food': 0, 'symptoms': 0, 'total': 0}
+        # --- 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)
         
-        # Bono de Condición: Si la entrada coincide con la inferencia de la IA, recibe un gran bono.
+        # 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
+
+        # 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)
-            # Comprobar también sinónimos
             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]]:
                     is_match = True
             if is_match:
                 score_details['condition'] = 100
 
-        # Puntuación por Alimento/Compuesto (sin cambios)
-        entry_compounds_text = sanitize_text(entry.get("compuesto_alimento", ""))
-        if any(term in entry_compounds_text for term in candidate_terms):
-            score_details['food'] = 15
-            
-        # Puntuación por Síntomas (sin cambios)
+        # Puntuación por Síntomas
         entry_symptoms_keys = set(sanitize_text(s) for s in entry.get("sintomas_clave", []))
         symptom_score = 0
         matched_symptoms = []
@@ -344,13 +346,11 @@ def find_best_matches_hybrid(entities, data):
         # Cálculo final
         total_score = sum(score_details.values())
         
-        # Solo añadimos resultados que tengan alguna puntuación
-        if total_score > 0:
-            results.append({
-                'entry': entry, 
-                'score': score_details, 
-                'matched_symptoms': list(set(matched_symptoms))
-            })
+        results.append({
+            'entry': entry, 
+            'score': score_details, 
+            'matched_symptoms': list(set(matched_symptoms))
+        })
 
     if not results: return []