Files
RAG_helper/services/vectorstore.py
T
AR 15 M4 52b46bc53e feat(sprint6c+sprint7): терминология, сверка примеров с кодом, мульти-RAG (часть A)
Спринт 6c — терминология и сверка документации с реальным кодом:
- Словарь терминов в static/docs.html: «маршрутизатор» вместо «роутер»,
  «защитное условие» вместо «guard», «пошаговая ветка» вместо «многошаговая».
  Разделены концепты «намерение» (intent) и «ветка» (branch) с пометкой,
  что в коде они хранятся как одна сущность 1:1.
- Песочница: «Решение маршрутизатора» виден всегда (зелёный/жёлтый),
  счётчик переключений «N из 3» отдельной плашкой, бейджи под словарь.
- Настройки: «Условия перехода» → «Защитные условия (guards, JSON)».
- GRAPH_ARCHITECTURE_v4.md: имена полей thread_state и слоты приведены
  к реальной БД (db/models/thread_state.py) и таксономии промптов шагов
  (prompts/intents/new_booking/steps/). Ссылки на *_v2 примеры. На v3
  поставлена шапка «устарело».
- 4 примера переписаны как *_v2: реальные current_intent_code/
  current_step_code/slots_json, реальные allowed_next без двойных переходов,
  реальная таксономия слотов name/reason/specialist/preferred_time/confirmed.
  Удалены вымышленные CRM tool calls и слоты, которых нет в коде.
- static/example.html — параметризованная страница с навигацией между
  4 примерами; роут GET /api/docs/examples/{name} в main.py отдаёт
  markdown без дублирования файлов.
- Редактирование документов в Отладке: GET/PUT /documents/{id}/raw,
  textarea с переразметкой и обновлением Chroma при сохранении.

Спринт 7, часть A — мульти-RAG через подписку ветка↔документы:
- Миграция: таблица intent_documents (M:N), модель IntentDocument,
  индекс по document_id для обратного поиска.
- API: GET/PUT /intents/{code}/documents и GET/PUT /documents/{id}/intents
  с PUT-семантикой «полный список», атомарно. Сервис
  services/intent_document_service.py.
- Retrieval-фильтр в chat_service: подтягивает document_ids активной
  ветки и передаёт в vectorstore.query(). Дефолт пустой подписки —
  document_ids=[] (= 0 чанков), не «вся коллекция»: пустая подписка
  означает «ветка не настроена», подмешивать случайное хуже, чем
  ничего. vectorstore.query() различает None (нет фильтра) и [] (0).
- UI Настроек: блок «Документы базы знаний» в правом сайдбаре,
  всегда видим независимо от вкладки, сортировка по имени, счётчик
  «N из M», PUT при сохранении.
- UI Отладки: третья кнопка «привязка» рядом с «удалить» —
  раскрывашка со списком веток (галочки), быстрая привязка прямо
  на странице загрузки.
- Песочница: блок «Срез RAG» с подпиской/найдено, ворнинг при пустой
  подписке. Поле rag_subscription в QueryResponse и ChatResponse.
- Системный промпт страницы Отладки переехал в обычную ветку _debug
  («Страница отладки»). Удалён prompts/system_prompt.md и логика
  DEFAULT_SYSTEM_PROMPT в llm_client. routers/query.py подтягивает
  активный конфиг ветки _debug и её подписки. Дефолт пустой подписки
  для _debug — None (вся коллекция), не [] как для пациентских — чтобы
  Отладка работала «из коробки». На странице Отладки info-bar показывает
  активную версию и счётчик подписок, ссылка → Настройки.
- Тест-блок «Тест-вопрос» в центре Настроек: расширил /query
  параметрами intent_code (default _debug), system_prompt (override
  для теста черновика из textarea), disable_rag (для _router).
  Редактор промпта обёрнут в <details open> — можно свернуть до
  одной строки. Под ним — три колонки результата (RAG / промпт /
  ответ). Для _router показывается подсказка про отсутствие RAG.

Документы:
- data/datasets/*.md — наработки по 6 веткам (рабочие материалы оператора).
- docs/BRANCH_MAP_AND_PROMPTS_v1.md, docs/OPTIMIZATION_CONVERSION_v1.md,
  docs/guides/state_machine_and_slots.md.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2026-04-27 20:00:44 +05:00

155 lines
5.6 KiB
Python

import logging
from datetime import datetime, timezone
import chromadb
from services.embeddings import EmbeddingService
logger = logging.getLogger(__name__)
COLLECTION_NAME = "operators_wiki"
class VectorStoreService:
def __init__(self, persist_dir: str, embedding_service: EmbeddingService):
self.client = chromadb.PersistentClient(path=persist_dir)
self.embedding_service = embedding_service
self.collection = self.client.get_or_create_collection(
name=COLLECTION_NAME,
metadata={"hnsw:space": "cosine"},
)
logger.info("ChromaDB collection '%s': %d items", COLLECTION_NAME, self.collection.count())
def add_document(
self,
document_id: str,
document_name: str,
file_type: str,
chunks: list[dict],
) -> int:
if not chunks:
return 0
texts = [c["text"] for c in chunks]
embeddings = self.embedding_service.embed_documents(texts)
ids = []
metadatas = []
now = datetime.now(timezone.utc).isoformat()
for i, chunk in enumerate(chunks):
ids.append(f"{document_id}_chunk_{i}")
metadatas.append({
"document_id": document_id,
"document_name": document_name,
"file_type": file_type,
"section": chunk.get("section", ""),
"page_number": chunk.get("page_number", 0),
"chunk_index": i,
"created_at": now,
})
self.collection.add(
ids=ids,
embeddings=embeddings,
documents=texts,
metadatas=metadatas,
)
logger.info("Added %d chunks for document '%s'", len(chunks), document_name)
return len(chunks)
def query(
self,
query_text: str,
top_k: int = 5,
document_ids: list[str] | None = None,
) -> list[dict]:
# Различаем None (фильтра нет — вся коллекция) и [] (ветка без подписок —
# сознательный возврат 0 чанков, см. Спринт 7 в SPRINTS.md).
if document_ids is not None and len(document_ids) == 0:
return []
query_embedding = self.embedding_service.embed_query(query_text)
where_filter = None
if document_ids:
if len(document_ids) == 1:
where_filter = {"document_id": document_ids[0]}
else:
where_filter = {"document_id": {"$in": document_ids}}
results = self.collection.query(
query_embeddings=[query_embedding],
n_results=top_k,
where=where_filter,
include=["documents", "metadatas", "distances"],
)
items = []
if results["ids"] and results["ids"][0]:
for i, chunk_id in enumerate(results["ids"][0]):
items.append({
"chunk_id": chunk_id,
"text": results["documents"][0][i],
"metadata": results["metadatas"][0][i],
"distance": results["distances"][0][i],
"relevance_score": 1 - results["distances"][0][i],
})
return items
def delete_document(self, document_id: str) -> int:
existing = self.collection.get(where={"document_id": document_id}, include=[])
count = len(existing["ids"])
if count > 0:
self.collection.delete(ids=existing["ids"])
logger.info("Deleted %d chunks for document_id=%s", count, document_id)
return count
def list_documents(self) -> list[dict]:
all_items = self.collection.get(include=["metadatas"])
docs: dict[str, dict] = {}
for meta in all_items["metadatas"]:
doc_id = meta["document_id"]
if doc_id not in docs:
docs[doc_id] = {
"document_id": doc_id,
"name": meta.get("document_name", ""),
"file_type": meta.get("file_type", ""),
"created_at": meta.get("created_at", ""),
"chunks_count": 0,
"metadata": {},
}
docs[doc_id]["chunks_count"] += 1
return list(docs.values())
def get_document_chunks(self, document_id: str) -> list[dict]:
"""Return all chunks for a document, sorted by chunk_index. Includes embeddings."""
results = self.collection.get(
where={"document_id": document_id},
include=["documents", "metadatas", "embeddings"],
)
items = []
if results["ids"]:
embeddings = results.get("embeddings")
has_emb = embeddings is not None and len(embeddings) > 0
for i, chunk_id in enumerate(results["ids"]):
emb = embeddings[i] if has_emb and i < len(embeddings) else None
items.append({
"chunk_id": chunk_id,
"text": results["documents"][i],
"metadata": results["metadatas"][i],
"embedding": [float(x) for x in emb] if emb is not None else [],
})
items.sort(key=lambda x: x["metadata"].get("chunk_index", 0))
return items
def get_stats(self) -> dict:
all_items = self.collection.get(include=["metadatas"])
doc_ids = set()
for meta in all_items["metadatas"]:
doc_ids.add(meta.get("document_id", ""))
return {
"documents_count": len(doc_ids),
"chunks_count": self.collection.count(),
}