feat: Спринт 1 — RAG-ядро, загрузка wiki и Debug UI

FastAPI + ChromaDB + E5-large + DeepSeek по паттерну work-pcs-dr-cdss,
адаптированному под пациентский контекст:

- services: embeddings (E5-large с префиксами), vectorstore (коллекция
  operators_wiki), document_processor (PDF/DOCX/TXT/MD + чанкер с FAQ-
  паттерном под wiki), llm_client (системный промпт ассистента клиники),
  rag_pipeline (одиночный вопрос → retrieval → ответ).
- routers: /health, /documents (upload, list, chunks, delete), /query.
- static/index.html: шапка со статусом, блок базы знаний с раскрытием
  чанков по клику, блок тест-вопроса с 3-колоночным ответом
  (чанки со score / собранный промпт / ответ LLM).
- Порт 8003 (8001 занят CDSS, 8002 — voicenote).

E2E проверен: загрузка wiki_test.md → 2 чанка, вопрос «как записать
ребёнка к лору?» → top score 84.8%, корректный ответ DeepSeek.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

models/requests.py

@@ -0,0 +1,9 @@
+from pydantic import BaseModel, Field
+
+
+class QueryRequest(BaseModel):
+    text: str = Field(..., description="Вопрос от лица пациента")
+    top_k: int = Field(5, ge=1, le=20, description="Количество чанков для retrieval")
+    document_ids: list[str] | None = Field(None, description="Ограничить поиск конкретными документами")
+    temperature: float | None = Field(None, ge=0.0, le=2.0)
+    max_tokens: int | None = Field(None, ge=100, le=8000)

models/responses.py

@@ -0,0 +1,77 @@
+from pydantic import BaseModel, Field
+
+
+class DocumentInfo(BaseModel):
+    document_id: str
+    name: str
+    chunks_count: int
+    file_type: str
+    created_at: str
+    metadata: dict = Field(default_factory=dict)
+
+
+class ChunkPreview(BaseModel):
+    index: int
+    section: str = ""
+    page_number: int = 0
+    text_preview: str = ""
+    char_length: int = 0
+
+
+class DocumentUploadResponse(BaseModel):
+    document_id: str
+    name: str
+    chunks_count: int
+    status: str = "indexed"
+    created_at: str
+    chunks_preview: list[ChunkPreview] = Field(default_factory=list)
+
+
+class DocumentListResponse(BaseModel):
+    documents: list[DocumentInfo]
+    total: int
+
+
+class ChunkDetail(BaseModel):
+    index: int
+    section: str = ""
+    page_number: int = 0
+    text: str = ""
+    char_length: int = 0
+
+
+class DocumentChunksResponse(BaseModel):
+    document_id: str
+    name: str
+    file_type: str
+    chunks_count: int
+    chunks: list[ChunkDetail] = Field(default_factory=list)
+
+
+class DocumentDeleteResponse(BaseModel):
+    ok: bool = True
+    deleted_chunks: int
+
+
+class SourceInfo(BaseModel):
+    document_id: str
+    document_name: str
+    chunk_text: str
+    section: str = ""
+    page: int = 0
+    relevance_score: float = 0.0
+
+
+class QueryResponse(BaseModel):
+    answer: str
+    sources: list[SourceInfo]
+    model_used: str
+    assembled_prompt: str = ""
+
+
+class HealthResponse(BaseModel):
+    status: str = "ok"
+    chromadb: str
+    embedding_model: str
+    documents_count: int
+    chunks_count: int