feat(maria): accepta .xml in depozit, preferat peste .md, cu chunking pe probleme

Dosarul document_store din Drive are 3 surse .xml pe care depozitul le ignora
complet, fiindca store.py accepta doar .txt/.md. La d406_saft_knowledge exista
ambele formate, iar .xml e cu trei luni mai nou (2026-01-28 vs 2025-10-15) si cu
50% mai mare (64 KB vs 41 KB) — deci indexam varianta mai saraca.

- store.py devine sursa unica pentru extensii (DOC_EXTENSIONS = .txt/.md/.xml).
  Cand acelasi nume de baza exista in mai multe formate, la indexare intra unul
  singur, cel mai bogat (.xml > .md > .txt); celalalt ramane pe disc, marcat
  `shadowed_by`. Fara asta, acelasi raspuns ar aparea de doua ori in rezultate.
  `list_documents()` arata tot (dashboard), `documents_for_index()` doar
  castigatorii (indexer).
- indexer.py taie XML-ul altfel: un chunk per element de nivel 1, adica o
  problema = un chunk, cu <mesaj_eroare> si <rezolvare> impreuna. Taierea pe
  linii goale le-ar separa si cautarea ar returna eroarea fara raspuns.
  Etichetele raman prefixe lizibile ("mesaj eroare: ..."), fara paranteze
  unghiulare care doar dilueaza embedding-ul. XML invalid nu opreste indexarea:
  cade pe taierea obisnuita, cu o linie in log. Elementele peste 4000 de
  caractere se taie mai departe pe granite de cuvant — `chunk_text` imparte doar
  pe linii goale, deci un element scris ca un paragraf lung ar fi ramas intreg
  (prins de test).
- sync.py: amprenta si `rclone --include` derivate din DOC_EXTENSIONS.
- dashboard: acelasi filtru si aceeasi preferinta (copie, fiindca nu poate
  importa `store` — coliziune de nume pe `config`), plus marcajul "umbrit de X"
  in tabelul de documente si numarul de documente chiar indexate.
- README: sectiunea Drive rescrisa pe `rclone authorize` (autorizezi pe o masina
  cu browser, muti tokenul) in loc de cont de serviciu — mai putini pasi, fara
  consola Google Cloud. Documentat si ca `sync` sterge local ce nu mai e in Drive.

tests/ nou (20 de teste, fara retea si fara Ollama): preferinta de format,
vizibilitatea in dashboard, taierea XML, entitati, comentarii, XML invalid,
elemente uriase. Suita puntii Discord: 426 pass, neafectata.

Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01Q4uzvgm7AyJch5WH8QHRhY

proxmox/lxc171-claude-agent/discord-bridge/dashboard/api.py

@@ -56,6 +56,9 @@ SELF_SERVICE = "claude-discord-dashboard.service"
 # pe numele de modul "config" cu discord-bridge/config.py, deja importat mai
 # sus) — citim direct caile si folosim subprocess/HTTP, exact ca la SERVICE.
 MARIA_UNITS = {"bridge": "maria-whatsapp.service", "rag": "maria-rag.service"}
+# Oglinda lui rag/store.py: DOC_EXTENSIONS si ordinea de preferinta (.xml cel mai bogat).
+MARIA_DOC_EXTENSIONS = (".txt", ".md", ".xml")
+_MARIA_FORMAT_RANK = {".xml": 0, ".md": 1, ".txt": 2}
 MARIA_STATE_DIR = Path(os.environ.get("MARIA_BRIDGE_DIR") or (Path.home() / ".maria-bridge"))
 MARIA_DOCS_DIR = MARIA_STATE_DIR / "documents"
 MARIA_INDEX_FILE = MARIA_STATE_DIR / "rag_index.json"
@@ -113,20 +116,39 @@ def maria_sync_state() -> dict:
 
 
 def maria_documents() -> list[dict]:
+    """Oglinda lui `maria-whatsapp-bridge/rag/store.py:list_documents` — tine-le la fel.
+
+    Nu importam modulul acela: si el, si `discord-bridge/config.py` s-ar numi `config`.
+    """
     MARIA_DOCS_DIR.mkdir(parents=True, exist_ok=True)
+    files = [
+        f for f in sorted(MARIA_DOCS_DIR.glob("*"))
+        if f.is_file() and f.suffix in MARIA_DOC_EXTENSIONS
+    ]
+    winners: dict[str, str] = {}
+    for f in files:
+        best = winners.get(f.stem)
+        if best is None or _MARIA_FORMAT_RANK[f.suffix] < _MARIA_FORMAT_RANK[Path(best).suffix]:
+            winners[f.stem] = f.name
+
     out = []
-    for f in sorted(MARIA_DOCS_DIR.glob("*")):
-        if f.is_file() and f.suffix in (".txt", ".md"):
-            st = f.stat()
-            out.append({"name": f.name, "size": st.st_size, "mtime": st.st_mtime})
+    for f in files:
+        st = f.stat()
+        winner = winners[f.stem]
+        out.append({
+            "name": f.name,
+            "size": st.st_size,
+            "mtime": st.st_mtime,
+            "shadowed_by": None if winner == f.name else winner,
+        })
     return out
 
 
 def _maria_validate_name(name: str) -> str:
     if not name or not _MARIA_SAFE_NAME.match(name) or ".." in name or "/" in name:
         raise ValueError(f"nume de document invalid: {name!r}")
-    if not name.endswith((".txt", ".md")):
-        raise ValueError("doar fisiere .txt sau .md")
+    if not name.endswith(MARIA_DOC_EXTENSIONS):
+        raise ValueError("doar fisiere " + ", ".join(MARIA_DOC_EXTENSIONS))
     return name
 
 

proxmox/lxc171-claude-agent/discord-bridge/dashboard/index.html

@@ -378,7 +378,6 @@ async function mRefresh() {
   document.getElementById('mIndexDetail').textContent =
     s.index.chunks + ' chunk-uri din ' + s.index.documents_indexed + ' documente indexate' +
     (s.index.mtime ? ' · indexat ' + new Date(s.index.mtime * 1000).toLocaleString('ro-RO') : '');
-  document.getElementById('mDocCount').textContent = s.documents + ' în depozit';
 
   var sync = s.sync || {};
   document.getElementById('mSyncDetail').textContent = sync.drive_remote
@@ -387,8 +386,14 @@ async function mRefresh() {
 
   var docsRes = await api('api/maria/documents');
   var docs = docsRes.ok ? (docsRes.data.documents || []) : [];
+  var indexate = docs.filter(function (d) { return !d.shadowed_by; }).length;
+  document.getElementById('mDocCount').textContent =
+    docs.length + ' în depozit' + (indexate !== docs.length ? ' · ' + indexate + ' indexate' : '');
   document.getElementById('mDocs').innerHTML = docs.length ? docs.map(function (d) {
-    return '<tr><td data-label="Nume" class="mono">' + esc(d.name) + '</td>' +
+    var umbrit = d.shadowed_by
+      ? ' <span class="muted" title="acelaşi document exista intr-un format mai bogat">· umbrit de ' + esc(d.shadowed_by) + '</span>'
+      : '';
+    return '<tr><td data-label="Nume" class="mono">' + esc(d.name) + umbrit + '</td>' +
            '<td data-label="Mărime" class="num">' + d.size + ' B</td>' +
            '<td><button class="small danger" onclick="mDelDoc(\'' + esc(d.name) + '\')">Șterge</button></td></tr>';
   }).join('') : '<tr><td colspan="3" class="empty" data-label="">niciun document</td></tr>';