🏷️

Bioshi Score

Liczenie z CSV (multimodal Gemini)

Wrzuć CSV z IdoSell, dostaniesz Bioshi Score A-E

🚀 Uruchom proces Panel sterowania w stylu Czarka Czas: ~30min-2h (zależy od liczby produktów × batch_delay 15s)

Co robi ten tryb

Klasyczny flow z VPS: upload CSV (eksport z IdoSell z opisami + parametrami + zdjęciami), Gemini 2.5 Pro multimodal ekstrahuje 14 pól (składniki, NOVA, BIO, packaging, …), algorytm `calculate_bioshi_score()` (4 filary: skład/pochodzenie/przetworzenie/opakowanie) → grade A-E. Output: `products.json` + `products-data.js` do osadzenia na froncie.

Kiedy używać

Re-scoring istniejących produktów po zmianie składu
Pierwszy raz dla starszej części katalogu
Walidacja score'ów po zmianie algorytmu

⚙️ Realny pipeline (bioshi-score-v2)

      path
      procesy/bioshi-score/
    
      launcher
      Uruchom.bat (HTTP serwer port 8000) lub `python run_pipeline.py`
    
      flags
      --limit N (test), --resume (kontynuacja)
    
      main_module
      run_pipeline.py → analyzer.py → bioshi_score.py → exporter.py
    
      ai_model
      gemini-2.5-pro (multimodal: tekst + zdjęcie)
    
      batch_size
      5
    
      batch_delay_sec
      15
    
      system_prompt
      config.py GEMINI_SYSTEM_PROMPT
    
      response_schema
      14 pól (ingredientCount, hasENumbers, hasHFCS, hasHydrogenatedFats, …)
    
      output_json
      products.json (~24 pól per produkt)
    
      output_js
      products-data.js (import do webappa)

To są ścieżki do kodu w drugim projekcie na pulpicie — webapp w przyszłości będzie te skrypty triggerował automatycznie zamiast wymagać uruchomienia z `.bat`.

Szczegółowa instrukcja procesu

6automatycznych

0manualnych

Łącznie:~30min-2h (zależy od liczby produktów × batch_delay 15s)

1

Upload i parsowanie CSV z IdoSell 🤖 auto ⏱ ~1-2 min

📥 1 input(ów) · 📤 2 output(ów) · 📝 5 sub-kroków

▼

📝 Sub-kroki

1.1 `loader.load_products()` — encoding UTF-8, DictReader
1.2 Mapowanie kolumn IdoSell na model wejściowy
1.3 `parse_params()` — obsługa parametrów wieloliniowych i 'Tłumaczenia'
1.4 Filtrowanie: pominięcie produktów bez nazwy
1.5 Opcjonalny limit produktów do testów (`--limit N`)

📥 Input

Plik CSV z IdoSell (kolumny: @id, /producer@name, /images/large/image@url, /description/name[pol], /description/long_desc[pol], /parameters/parameter@name[pol], /parameters/parameter/value@name[pol], source_file)

📤 Output

Wczytane produkty w pamięci (lista dict: id, brand, image_url, name, description_html, param_names, param_values, source_file)
`products_loaded.log` — raport ile wczytano, ile pominiętych (bez nazwy)

⚠️ Ryzyka

CSV źle zakodowany (znaki polskie) → parsowanie failuje
Brak kolumny image_url → zdjęcie nie będzie dla Gemini multimodal
Parametry źle sformatowane → `parse_params()` nie wyłapie
Produkty bez nazwy → pominięte

🔔 Slack: Powiadomienie o liczbie wczytanych vs pominiętych.

💾 Archiwum: products_loaded.log

2

Inicjalizacja Vertex AI i modelu Gemini 🤖 auto ⏱ ~10 sec

📥 2 input(ów) · 📤 2 output(ów) · 📝 4 sub-kroków

▼

📝 Sub-kroki

2.1 `analyzer.init_vertex_ai()` — inicjalizacja z GCP_PROJECT i GCP_LOCATION
2.2 `analyzer.create_model()` — tworzenie GenerativeModel z system_instruction
2.3 RESPONSE_SCHEMA (15 pól): ingredients, ingredientCount, allergens, bio, local, nova, hasENumbers, hasHFCS, hasHydrogenatedFats, hasArtificialAdditives, hasProteinIsolates, hasSweeteners, packaging, origin, productionCountry
2.4 GenerationConfig: response_mime_type='application/json', temperature=0.1 (deterministyczne)

📥 Input

GCP credentials (env)
Config: GCP_PROJECT='bioshi-score', GCP_LOCATION='europe-central2', GEMINI_MODEL='gemini-2.5-pro'

📤 Output

GenerativeModel instance z system_instruction i response_schema
`vertex_ai.log` — log inicjalizacji

⚠️ Ryzyka

GCP credentials nie załadowane → API error
Project ID błędny → authentication failure
Model 'gemini-2.5-pro' niedostępny → fallback na starszą wersję

3

Multimodal analiza produktów przez Gemini (batch) 🤖 auto ⏱ ~30-60 min (BATCH_SIZE=5, BATCH_DELAY_SEC=15)

📥 4 input(ów) · 📤 2 output(ów) · 📝 7 sub-kroków

▼

📝 Sub-kroki

3.1 Batching po BATCH_SIZE=5 (rate limiting)
3.2 `analyzer.build_prompt(product)` — multimodal: tekst + image_url (Part.from_uri())
3.3 Prompt zawiera: nazwę, markę, parametry, opis HTML, zdjęcie
3.4 `analyzer.analyze_product()` — model.generate_content() z retry up to MAX_RETRIES=3
3.5 JSON parsing — konwersja 'nova' ze string na int
3.6 Error handling: JSONDecodeError, API errors → retry z delay 5s*(attempt+1)
3.7 Delay 15s między batchami

📥 Input

Lista produktów z step 1
Model Gemini z step 2
System prompt `GEMINI_SYSTEM_PROMPT` (config.py)
Schema RESPONSE_SCHEMA

📤 Output

Lista produktów wzbogacona o 15 pól z Gemini
`03_gemini_analysis.log` — log per produkt (✓/✗), błędy, retry info

⚠️ Ryzyka

Brak niektórych pól w response → None, konieczne fallback na defaults
Image URL broken → analiza bez zdjęcia (mniej dokładny score)
API quota exceeded → retry exponential backoff
JSON nie match schemie → pominięcie produktu

🔔 Slack: Start: 'Analizuję N produktów'. Koniec: 'Przeanalizowano M/N, błędy: K'. Jeśli błędy >10% → alert.

💾 Archiwum: 03_gemini_analysis.log03_gemini_raw_responses.jsonl

4

Obliczenie Bioshi Score (4 filary, grade A-E) 🤖 auto ⏱ ~1-2 min

📥 2 input(ów) · 📤 1 output(ów) · 📝 7 sub-kroków

▼

📝 Sub-kroki

4.1 `bioshi_score.calculate_bioshi_score(product)` — algorytm 4 filarów
4.2 FILAR I: SKŁAD (max +15) — Natural Mix (+10), ingredientCount 1-3 (+10) lub 4-6 (+5), brak E-numerów (+5)
4.3 FILAR II: POCHODZENIE (max +15) — BIO (+10), Local (+5). UWAGA: GMO (-10) jest w `bioshi_score.py` ale `gmo` nie istnieje w RESPONSE_SCHEMA → `product.get('gmo', False)` zawsze False → martwy kod, GMO nigdy nie obniża score
4.4 FILAR III: NOVA (max -15) — NOVA 3 (-5), NOVA 4 (-15)
4.5 FILAR IV: OPAKOWANIE (max -5) — Plastik (-5)
4.6 Klasyfikacja: score>=20→A, >=10→B, >=0→C, >=-10→D, <-10→E
4.7 Każda klasa ma color (hex) i label (string)

📥 Input

Lista produktów z Gemini data (15 pól)
Config: GRADE_THRESHOLDS, GRADE_E

📤 Output

Lista produktów z 4 dodatkowymi polami: score (int), grade (A-E), color (hex), label (string)

⚠️ Ryzyka

Brak pola w Gemini response → fallback na default (False, 1, 'plastic') → obniżenie score
Algorytm zmienia się → konieczna re-kalkulacja całego katalogu

🔔 Slack: Koniec: 'Score: A=X, B=Y, C=Z, D=W, E=V'

5

Mergowanie i zapis wyników 🤖 auto ⏱ ~1 min

📥 1 input(ów) · 📤 2 output(ów) · 📝 4 sub-kroków

▼

📝 Sub-kroki

5.1 `exporter.merge_product(raw, gemini_data, score_result)`
5.2 `exporter.export_json(products, 'products.json')` — pretty-print, ensure_ascii=False
5.3 `exporter.export_frontend_js(products, 'products-data.js')` — const PRODUCTS = [...]
5.4 Resume support: istniejące produkty wczytane z `products.json`, przetwarzane tylko nowe/zmienione

📥 Input

Produkty z raw CSV + Gemini data + score

📤 Output

`products.json` — dane scalone w `exporter.merge_product()` (~24 pola: raw CSV + 15 Gemini + grade/color/label)
`products-data.js` — frontend-safe (~24 pola, bez score liczbowego)

⚠️ Ryzyka

Brak dysku → export failuje
JSON zbyt duży → timeout przy zapisie

💾 Archiwum: products.jsonproducts-data.js

6

Raport i archiwizacja 🤖 auto ⏱ ~30 sec

📥 1 input(ów) · 📤 2 output(ów) · 📝 5 sub-kroków

▼

📝 Sub-kroki

6.1 `exporter.print_report(products)` — Counter per grade
6.2 Druk tabeli: grade | count | % | progress bar
6.3 Top 3 (A) i bottom 3 (E) jako przykłady
6.4 Lista produktów z błędami
6.5 Raport zapisany do `final_report.txt`

📥 Input

Lista produktów z finalnym score

📤 Output

Stdout raport: rozkład klas (A/B/C/D/E + %)
`final_report.txt` — raport do archiwum

⚠️ Ryzyka

Zbyt wiele błędów (>20%) → czerwony alert na Slack

🔔 Slack: Summary w #bioshi-score-logs — grade distribution + błędy.

💾 Archiwum: final_report.txt

💡

Tryb manualny ma cooldown 1h przed pierwszym przypomnieniem, potem co 1h. W godzinach ciszy (18:00-08:00) bot czeka do rana, chyba że włączony Tryb Boguś Pracoholik w Ustawieniach.

Diagram przepływu danych

DFD

flowchart LR OP([Operator]):::ext CSV[(input.csv z IdoSell)]:::store GEM([Gemini multimodal]):::ext OUT[(score_output.csv)]:::store OP -->|upload CSV| P1((Wczytaj CSV)) P1 --> CSV CSV --> P2((Gemini extract 15 pól)) P2 --> GEM GEM --> P2 P2 --> P3((calculate bioshi_score)) P3 -->|grade A-E| P4((Merge wynik)) P4 --> OUT OUT -->|download| OP classDef ext fill:#d1fae5,stroke:#10b981,color:#065f46; classDef store fill:#f1f5f9,stroke:#94a3b8,color:#334155;

⏳

Ładuję diagram...

Legenda: External Datastore Proces

⌨️ scroll = zoom · click&drag = pan · folder Bioshi Score

Materiał wideo

🎬

Brak materiału wideo

Wgraj nagranie YouTube/Loom z instrukcją tego trybu

Historia tego trybu

📦

Jeszcze nie używałeś tego trybu