update gemini

rag_core/retriever.py

@@ -31,7 +31,7 @@ class Retriever:
                 embeddings.append(emb)
                 valid_texts.append(t)
             except Exception as e:
-                logging.warning(f"❌ Lỗi embedding chunk {i}: {e}")
+                logging.warning(f"❌ Lỗi embedding chunk {i}: {e}\nNội dung chunk: {t[:300]}{'...' if len(t) > 300 else ''}")
         if not embeddings:
             raise RuntimeError("Không có embedding nào thành công!")
 
@@ -47,12 +47,16 @@ class Retriever:
 
     @log_timed("truy vấn FAISS")
     def query(self, query_text, embed_fn, k=3):
+        if self.index is None:
+            raise RuntimeError("FAISS index chưa được xây dựng. Hãy build index trước khi truy vấn.")
         q_emb = np.array([embed_fn(query_text)]).astype("float32")
         D, I = self.index.search(q_emb, k)
         return [self.texts[i] for i in I[0]]
 
     @log_timed("bổ sung embedding bị thiếu")
     def rescan_and_append(self, full_texts, embed_fn):
+        if self.index is None:
+            raise RuntimeError("FAISS index chưa được xây dựng. Hãy build index trước khi bổ sung embedding.")
         existing_set = set(self.texts)
         new_texts = [t for t in full_texts if t not in existing_set]
         if not new_texts:
@@ -65,7 +69,7 @@ class Retriever:
                 new_embeddings.append(emb)
                 self.texts.append(t)
             except Exception as e:
-                logging.warning(f"❌ Lỗi embedding chunk mới {i}: {e}")
+                logging.warning(f"❌ Lỗi embedding chunk mới {i}: {e}\nNội dung chunk: {t[:300]}{'...' if len(t) > 300 else ''}")
         if new_embeddings:
             self.index.add(np.array(new_embeddings).astype("float32"))
             faiss.write_index(self.index, INDEX_PATH)