🏗️ Поточна архітектура Lifestyle Journey

🎯 Огляд системи

Lifestyle Journey - медичний чат-бот з lifestyle коучингом на базі Gemini API, що використовує розумну класифікацію повідомлень та м'який медичний тріаж.

🔧 Ключові компоненти

📋 Класифікатори

1. EntryClassifier - K/V/T формат

Призначення: Класифікує повідомлення пацієнта на початку взаємодії

Формат відповіді:

{
    "K": "Lifestyle Mode",
    "V": "on|off|hybrid", 
    "T": "2025-09-04T11:30:00Z"
}

Значення V:

off - медичні скарги, симптоми, вітання → м'який медичний тріаж
on - lifestyle питання → активація lifestyle режиму
hybrid - містить і lifestyle теми, і медичні скарги → гібридний потік

2. TriageExitClassifier

Призначення: Після медичного тріажу оцінює готовність до lifestyle

Критерії для lifestyle:

Медичні скарги стабілізовані
Пацієнт готовий до lifestyle активностей
Немає активних симптомів

3. LifestyleExitClassifier (deprecated)

Призначення: Контролює вихід з lifestyle режиму Статус: Замінено на MainLifestyleAssistant логіку

🤖 Асистенти

1. SoftMedicalTriage - М'який тріаж

Призначення: Делікатна перевірка стану пацієнта на початку взаємодії

Принципи:

Дружній, не нав'язливий тон
1-2 коротких питання про самопочуття
Швидка оцінка потреби в медичній допомозі
Готовність перейти до lifestyle якщо все добре

2. MedicalAssistant - Повний медичний режим

Призначення: Медичні консультації з урахуванням хронічних станів

Функції:

Безпечні рекомендації та тріаж
Направлення до лікарів при red flags
Урахування медичного анамнезу та медикаментів

3. MainLifestyleAssistant - Розумний lifestyle коуч

Призначення: Аналізує повідомлення і визначає найкращу дію для lifestyle сесії

3 типи дій:

{
    "message": "відповідь пацієнту",
    "action": "gather_info|lifestyle_dialog|close",
    "reasoning": "пояснення вибору дії"
}

gather_info - збір додаткової інформації про стан, уподобання
lifestyle_dialog - lifestyle коучинг та рекомендації
close - завершення lifestyle сесії (медичні скарги, прохання, довга сесія)

🔄 Менеджери

LifestyleSessionManager

Призначення: Управляє lifecycle lifestyle сесій та розумно оновлює профіль

Функції:

Суммаризація сесії без розростання даних
Контроль розміру journey_summary (максимум 800 символів)
Логування ключових моментів з датами
Уникнення повторів інструкцій

🔄 Потік обробки повідомлень

1. Entry Classification

Повідомлення → EntryClassifier → K/V/T формат
├── V="off" → SoftMedicalTriage
├── V="on" → MainLifestyleAssistant  
└── V="hybrid" → Гібридний потік

2. Гібридний потік

V="hybrid" → MedicalAssistant (тріаж)
           → TriageExitClassifier (оцінка готовності)
           → [lifestyle або medical режим]

3. Lifestyle режим

MainLifestyleAssistant → action
├── "gather_info" → збір інформації (продовжити lifestyle)
├── "lifestyle_dialog" → коучинг (продовжити lifestyle)
└── "close" → завершення → LifestyleSessionManager → medical режим

4. Оновлення профілю

Завершення lifestyle → LifestyleSessionManager
                    → Аналіз сесії
                    → Оновлення last_session_summary
                    → Додавання до journey_summary
                    → Контроль розміру даних

📊 Структура даних

SessionState

@dataclass
class SessionState:
    current_mode: str                    # "medical" | "lifestyle" | "none"
    is_active_session: bool
    session_start_time: Optional[str]
    last_controller_decision: Dict
    lifestyle_session_length: int = 0   # Лічильник lifestyle повідомлень
    last_triage_summary: str = ""        # Результат медичного тріажу
    entry_classification: Dict = None    # K/V/T класифікація

Приклад оновлення профілю

{
  "last_session_summary": "[04.09.2025] Обговорювали: питання про ходьбу; дієта з низьким вмістом солі",
  "journey_summary": "...попередні записи... | 04.09.2025: 5 повідомлень"
}

🎯 Переваги поточної архітектури

1. K/V/T формат

Простіший для розуміння ніж складні категорії
Легше розширювати в майбутньому
Консистентний timestamp для відстеження

2. М'який медичний тріаж

Делікатніший підхід до пацієнтів
Природні відповіді на вітання
Не лякає одразу повним медичним режимом

3. Розумний lifestyle асистент

Сам визначає коли збирати інформацію
Сам вирішує коли давати поради
Сам визначає коли завершувати сесію
Менше API викликів

4. Контрольоване оновлення профілю

Уникає розростання даних
Зберігає тільки ключову інформацію
Контролює розмір journey_summary

🧪 Тестування

Покриття тестами:

✅ Entry Classifier K/V/T: 8/8
✅ Main Lifestyle Assistant: 7/7
✅ Lifecycle потоки: 3/3
✅ Profile Update: працює
✅ Всього тестів: 31/31

Тестові сценарії:

# K/V/T класифікація
"У мене болить голова" → V="off"
"Хочу почати займатися спортом" → V="on"
"Хочу займатися спортом, але у мене болить спина" → V="hybrid"
"Привіт" → V="off" (м'який тріаж)

# Main Lifestyle дії
"Хочу почати займатися спортом" → action="gather_info"
"Дайте мені поради щодо харчування" → action="lifestyle_dialog"
"У мене болить спина" → action="close"

🚀 Деплой та використання

Файли системи:

├── app.py                    # Точка входу з create_app()
├── huggingface_space.py      # HuggingFace Space entry point
├── lifestyle_app.py          # Основна бізнес-логіка
├── core_classes.py           # Класифікатори та асистенти
├── prompts.py                # Промпти для Gemini API
├── gradio_interface.py       # UI інтерфейс
├── requirements.txt          # Залежності
└── README.md                 # Документація для HF Space

Змінні оточення:

GEMINI_API_KEY=your_api_key    # Обов'язково
LOG_PROMPTS=true               # Опціонально для debug

Запуск:

# Локально
python app.py

# HuggingFace Space
# Автоматично через huggingface_space.py

📈 Метрики та моніторинг

Автоматично відстежується:

Кількість API викликів до Gemini
Розподіл по режимах (medical/lifestyle)
Тривалість lifestyle сесій
Частота оновлень профілю

Логування (LOG_PROMPTS=true):

Всі промпти до Gemini API з типом виклику
Повні відповіді LLM з timestamps
Класифікаційні рішення та обґрунтування
Метрики продуктивності

🔮 Майбутні покращення

Короткострокові:

Покращення розпізнавання прохань про завершення
Додавання timeout для lifestyle сесій
Оптимізація промптів на основі реальних тестів

Довгострокові:

Додавання нових типів класифікації
Інтеграція з медичними системами
Персоналізація на основі історії взаємодій
A/B тестування різних підходів

Система готова до продакшену з чистою архітектурою та розумною логікою! 🚀