# -*- coding: utf-8 -*- """ Сервис базы знаний (Knowledge Base Service). Реализует RAG-пайплайн: - Индексация документов (разбиение на чанки, получение эмбеддингов, сохранение в Qdrant и PostgreSQL). - Поиск релевантной информации по запросу (семантический поиск в Qdrant с фильтром по room_jid). - Управление доступом к документам (личные / глобальные / комнатные). - Поддержка обновления версий документов в комнатах (атомарное обновление: сначала создаётся новая версия, затем удаляется старая). Добавлена транзакционность индексации через флаг indexed в PostgreSQL. ВСЕ ВЫЗОВЫ QDRANT ОБЁРНУТЫ В asyncio.to_thread ДЛЯ ПРЕДОТВРАЩЕНИЯ БЛОКИРОВКИ EVENT LOOP. """ import asyncio import logging import re from typing import List, Dict, Any, Optional, Tuple # Импорт сервисов from core.services.postgres_service import PostgresService from core.services.qdrant_service import QdrantService from core.services.embedding_service import EmbeddingService from core.utils.text_utils import split_into_chunks logger = logging.getLogger(__name__) class KBService: """ База знаний: индексация документов, поиск, управление. Абстрагирует работу с PostgreSQL и Qdrant для RAG. """ def __init__( self, db: PostgresService, qdrant: QdrantService, embedding: EmbeddingService, collection_name: str, chunk_size_tokens: int, overlap_tokens: int, approx_chunk_chars: int, approx_overlap_chars: int, ): """ Инициализация KBService. Аргументы: db: сервис PostgreSQL (asyncpg) qdrant: сервис Qdrant embedding: сервис эмбеддингов GigaChat collection_name: имя коллекции в Qdrant chunk_size_tokens: размер чанка в токенах (для tiktoken) overlap_tokens: перекрытие между чанками в токенах approx_chunk_chars: запасной размер чанка в символах (если tiktoken недоступен) approx_overlap_chars: запасное перекрытие в символах """ self.db = db self.qdrant = qdrant self.embedding = embedding self.collection_name = collection_name self.chunk_size_tokens = chunk_size_tokens self.overlap_tokens = overlap_tokens self.approx_chunk_chars = approx_chunk_chars self.approx_overlap_chars = approx_overlap_chars # ------------------------------------------------------------------ # Поиск релевантной информации # ------------------------------------------------------------------ async def find_relevant_info(self, query: str, user_jid: str, room_jid: str = None, top_k: int = 15) -> str: """ Находит релевантные фрагменты в БЗ. ВСЕ ВЫЗОВЫ QDRANT ОБЁРНУТЫ В asyncio.to_thread. """ try: # Определяем, является ли запрос "точным" is_exact_query = bool(re.search(r'\d+\.\d+', query)) or '"' in query if is_exact_query: # Полнотекстовый поиск – обёрнуто в to_thread search_results = await asyncio.to_thread( self.qdrant.search_keywords, query, user_jid, room_jid, top_k ) else: # Получаем dense-вектор запроса query_vector = await self.embedding.embed(query) if query_vector is None: logger.error("Не удалось получить dense-эмбеддинг запроса, переключаемся на fallback") return await self._fallback_search(query, user_jid, room_jid) sparse_vector = await self.embedding.embed_sparse(query) if sparse_vector is None: logger.warning("Не удалось получить sparse-вектор запроса, используем только dense-поиск") # Гибридный поиск – обёрнуто в to_thread search_results = await asyncio.to_thread( self.qdrant.search_hybrid, dense_vector=query_vector, sparse_vector=sparse_vector, user_jid=user_jid, room_jid=room_jid, top_k=top_k ) if not search_results: logger.info(f"По запросу '{query[:50]}' ничего не найдено в Qdrant") return await self._fallback_search(query, user_jid, room_jid) context_parts = [] for res in search_results: payload = res.get('payload', {}) source_name = payload.get('source_name', 'Неизвестный источник') chunk_text = payload.get('text', '') if chunk_text: context_parts.append(f"[источник: {source_name}]\n{chunk_text}") context = "\n\n".join(context_parts) logger.debug(f"Сформирован контекст длиной {len(context)} символов") return context except Exception as e: logger.exception(f"Ошибка при поиске в RAG: {e}") return await self._fallback_search(query, user_jid, room_jid) async def _fallback_search(self, query: str, user_jid: str, room_jid: str = None) -> str: """ Полнотекстовый поиск по source_name в PostgreSQL (только indexed=TRUE). Используется, если Qdrant недоступен или не вернул результатов. """ if not query or len(query.strip()) < 3: return "" clean_query = re.sub(r'[^\w\s]', ' ', query) try: rows = await self.db.fulltext_search(clean_query, user_jid, room_jid) if not rows: return "" parts = [ f"[источник: {row['source_name']}]\n(Документ доступен, но текст не проиндексирован в Qdrant. Повторите запрос позже.)" for row in rows ] return "\n\n".join(parts) except Exception as e: logger.error(f"Ошибка при fallback поиске: {e}") return "" # ------------------------------------------------------------------ # Индексация документов (транзакционная, с атомарным обновлением) # ------------------------------------------------------------------ async def add_document( self, file_name: str, file_text: str, user_jid: str, is_global: bool, title: Optional[str] = None, metadata: Optional[Dict] = None, room_jid: str = None, file_hash: str = None, update_if_exists: bool = True ) -> Tuple[int, int]: """ Индексирует документ в базу знаний с транзакционностью и атомарным обновлением: 1. Если документ уже существует в комнате и update_if_exists=True, запоминаем старый doc_id, но НЕ удаляем его сразу. 2. Создаём новую запись с indexed=False и новым doc_id. 3. Разбиваем на чанки, получаем эмбеддинги, загружаем в Qdrant. 4. Если успешно – обновляем indexed=True у новой записи. 5. Удаляем старый документ (если он был) из Qdrant и PostgreSQL. 6. При ошибке – оставляем старый документ нетронутым, новую запись удаляем (или оставляем с indexed=False для диагностики). Это гарантирует, что в любой момент времени либо старая версия доступна, либо новая. """ source_name = title if title else file_name doc_meta = metadata or {} if file_hash: doc_meta['file_hash'] = file_hash old_doc_id = None # ---- 1. Поиск существующего документа в комнате (если нужно обновление) ---- if update_if_exists and room_jid and not is_global: existing = await self.db.find_document_by_name_and_room(source_name, room_jid) if existing: old_doc_id = existing['id'] old_hash = existing.get('file_hash') if file_hash and old_hash == file_hash: logger.info(f"Документ {source_name} не изменился (хеш совпадает), пропускаем индексацию") return old_doc_id, 0 logger.info(f"Обновление документа {source_name} в комнате {room_jid}: старая версия doc_id={old_doc_id}") # ---- 2. Создание НОВОЙ записи в PostgreSQL с indexed=False ---- new_doc_id = await self.db.add_document( source_name=source_name, owner_jid=user_jid, is_global=is_global, collection_name=self.collection_name, metadata=doc_meta, room_jid=room_jid, file_hash=file_hash, indexed=False # начальное состояние – не проиндексирован ) logger.info(f"Создана новая запись документа doc_id={new_doc_id} для {source_name}") # ---- 3. Разбиение на чанки ---- chunks = split_into_chunks( file_text, chunk_size_tokens=self.chunk_size_tokens, overlap_tokens=self.overlap_tokens, approx_chunk_chars=self.approx_chunk_chars, approx_overlap_chars=self.approx_overlap_chars, strategy="recursive_split_by_sentences" ) if not chunks: # Если нет чанков – документ пустой. Удаляем новую запись и возвращаем старый doc_id (если был) await self.db.delete_documents_by_ids([new_doc_id]) logger.warning(f"Документ {source_name} пуст, индексация отменена") return old_doc_id or new_doc_id, 0 # ---- 4. Пакетное получение эмбеддингов ---- dense_vectors = await self.embedding.embed_batch(chunks) if dense_vectors is None or len(dense_vectors) != len(chunks): logger.error(f"Не удалось получить dense-эмбеддинги для документа {new_doc_id}, оставляем indexed=False") # Можно удалить новую запись, но оставим для диагностики return new_doc_id, 0 sparse_vectors = await self.embedding.embed_sparse_batch(chunks) # ---- 5. Сохранение чанков в Qdrant (обёрнуто в to_thread) ---- chunk_count = 0 success = True try: for idx, chunk in enumerate(chunks): dense_vec = dense_vectors[idx] if idx < len(dense_vectors) else None if dense_vec is None: logger.error(f"Нет dense-вектора для чанка {idx}, прерываем индексацию") success = False break sparse_vec = None if sparse_vectors and idx < len(sparse_vectors): sparse_vec = sparse_vectors[idx] payload = { "doc_id": new_doc_id, "user_jid": user_jid, "is_global": is_global, "chunk_index": idx, "text": chunk, "source_name": source_name, "room_jid": room_jid if room_jid else "", } await asyncio.to_thread( self.qdrant.add_chunk, dense=dense_vec, sparse=sparse_vec, payload=payload ) chunk_count += 1 except Exception as e: logger.error(f"Ошибка при добавлении чанков в Qdrant для doc_id={new_doc_id}: {e}") success = False # ---- 6. Если успешно – обновляем флаг indexed у НОВОЙ записи ---- if success and chunk_count > 0: await self.db.update_document_indexed(new_doc_id, True) # Для личных документов предоставляем доступ владельцу if not is_global and not room_jid: await self.db.add_access(new_doc_id, user_jid) logger.info(f"Новый документ {source_name} (doc_id={new_doc_id}) проиндексирован, чанков: {chunk_count}") # ---- 7. Удаляем СТАРЫЙ документ (если был) ---- if old_doc_id is not None: logger.info(f"Удаление старой версии документа doc_id={old_doc_id}") # Удаление из Qdrant await asyncio.to_thread(self.qdrant.delete_by_doc_id, old_doc_id) # Удаление из PostgreSQL (включая права доступа) await self.db.delete_documents_by_ids([old_doc_id]) logger.info(f"Старая версия doc_id={old_doc_id} удалена") else: # Не удалось загрузить все чанки – оставляем новую запись с indexed=False для диагностики logger.error(f"Документ {source_name} (doc_id={new_doc_id}) не проиндексирован (чанков: {chunk_count})") # Старый документ (если был) остаётся нетронутым return new_doc_id, chunk_count # ------------------------------------------------------------------ # Получение списков документов (используют методы db с фильтром indexed=TRUE) # ------------------------------------------------------------------ async def get_available_sources(self, user_jid: str, room_jid: str = None) -> List[str]: """Возвращает список названий документов (source_name), доступных пользователю (только indexed=TRUE).""" return await self.db.get_available_sources(user_jid, room_jid) async def get_sources_with_type(self, user_jid: str, room_jid: str = None) -> List[Dict[str, Any]]: """Возвращает список документов с типом (только indexed=TRUE).""" return await self.db.get_sources_with_type(user_jid, room_jid) # ------------------------------------------------------------------ # Очистка баз знаний (удаление всех документов, независимо от indexed) # ------------------------------------------------------------------ async def clear_user_kb(self, user_jid: str) -> None: """Удаляет все личные документы пользователя.""" doc_ids = await self.db.clear_user_kb(user_jid) for doc_id in doc_ids: await asyncio.to_thread(self.qdrant.delete_by_doc_id, doc_id) logger.info(f"Личная БЗ пользователя {user_jid} очищена (документов: {len(doc_ids)})") async def clear_room_kb(self, room_jid: str) -> None: """Удаляет все документы указанной комнаты.""" doc_ids = await self.db.clear_room_kb(room_jid) for doc_id in doc_ids: await asyncio.to_thread(self.qdrant.delete_by_doc_id, doc_id) logger.info(f"Комнатная БЗ {room_jid} очищена (документов: {len(doc_ids)})") async def clear_global_kb(self) -> None: """Удаляет все глобальные документы.""" doc_ids = await self.db.clear_global_kb() for doc_id in doc_ids: await asyncio.to_thread(self.qdrant.delete_by_doc_id, doc_id) logger.info("Глобальная БЗ очищена")