Update 2 files

- /rag/services/file_service.py
- /rag/services/embedding_service.py

rag/services/embedding_service.py

@@ -7,6 +7,7 @@
 
 import asyncio
 import logging
+import time  # используется только в синхронной функции _embed_batch_sync
 from functools import lru_cache
 from typing import List, Optional, Any
 
@@ -37,12 +38,10 @@ class EmbeddingService:
         self.cache_size = cache_size
         self.verify_ssl = verify_ssl
         self._giga = None
-        # Кэширование одиночных эмбеддингов (синхронная обёртка с lru_cache)
         self.embed_sync = lru_cache(maxsize=cache_size)(self._embed_sync_impl)
         self._sparse_model = None
 
     def _get_client(self) -> GigaChat:
-        """Ленивое создание клиента GigaChat (с нужными параметрами)."""
         if self._giga is None:
             self._giga = GigaChat(
                 credentials=self.api_key,
@@ -62,12 +61,10 @@ class EmbeddingService:
 
     # ---------- Синхронное получение эмбеддинга (с обрезкой) ----------
     def _embed_sync_impl(self, text: str) -> Optional[List[float]]:
-        """Синхронный вызов GigaChat API для одного текста. Результат кэшируется."""
         if not text or not text.strip():
             logger.warning("Попытка получить эмбеддинг пустого текста")
             return None
 
-        # Обрезка до 800 символов (безопасно для лимита 514 токенов GigaChat)
         MAX_CHARS = 800
         if len(text) > MAX_CHARS:
             text = text[:MAX_CHARS]
@@ -75,7 +72,6 @@ class EmbeddingService:
 
         client = self._get_client()
         try:
-            # Совместимость с разными версиями SDK: пробуем input=[text] или просто [text]
             try:
                 response = client.embeddings(input=[text])
             except TypeError:
@@ -94,7 +90,6 @@ class EmbeddingService:
             raise
 
     async def embed(self, text: str, retries: int = 3, delay: float = 1.0) -> Optional[List[float]]:
-        """Асинхронная обёртка с повторными попытками."""
         if not isinstance(text, str):
             logger.error(f"embed получил не строку, а {type(text)}: {text!r}")
             return None
@@ -112,7 +107,7 @@ class EmbeddingService:
                     f"Попытка {attempt+1}/{retries} получить эмбеддинг не удалась: {e}. "
                     f"Повтор через {wait:.1f} сек."
                 )
-                await asyncio.sleep(wait)
+                await asyncio.sleep(wait)  # <-- исправлено: await asyncio.sleep
         logger.error(f"Не удалось получить эмбеддинг после {retries} попыток")
         return None
 
@@ -143,7 +138,7 @@ class EmbeddingService:
                 if attempt < 4:
                     wait = 2 ** attempt  # 1,2,4,8 секунд
                     logger.warning(f"Rate limit, повтор через {wait} секунд")
-                    time.sleep(wait)   # синхронный sleep, так как мы в синхронной функции
+                    time.sleep(wait)   # оставляем, так как функция синхронная и выполняется в отдельном потоке
                 else:
                     logger.error("Превышено количество попыток при 429")
                     return None
@@ -163,22 +158,20 @@ class EmbeddingService:
             vectors = await loop.run_in_executor(None, self._embed_batch_sync, batch)
             if vectors is None:
                 for attempt in range(retries):
-                    await asyncio.sleep(delay * (2 ** attempt))
+                    wait = delay * (2 ** attempt)
+                    await asyncio.sleep(wait)  # <-- исправлено: await asyncio.sleep
                     vectors = await loop.run_in_executor(None, self._embed_batch_sync, batch)
                     if vectors is not None:
                         break
                 else:
                     return None
             results.extend(vectors)
-            # ДОБАВИТЬ: пауза между батчами
-            await asyncio.sleep(0.5)   # 500 мс
+            await asyncio.sleep(0.5)   # <-- исправлено: await asyncio.sleep
         return results
 
     async def embed_sparse_batch(self, texts: List[str]) -> List[Optional[Any]]:
-        """Возвращает список объектов SparseEmbedding для каждого текста"""
         model = self._get_sparse_model()
         if model is None:
-            # Возвращаем список из None такой же длины, чтобы не нарушать индексацию
             return [None] * len(texts)
         loop = asyncio.get_running_loop()
         embeddings = await loop.run_in_executor(None, list, model.embed(texts))