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/maria-whatsapp-bridge/rag/store.py

@@ -1,38 +1,75 @@
 """Depozitul de documente pentru indexarea RAG a lui Maria.
 
-Fisiere text (.txt/.md) sub STATE_DIR/documents/, un singur nivel (fara
+Fisiere text (.txt/.md/.xml) sub STATE_DIR/documents/, un singur nivel (fara
 subdirectoare), ca numele afisat in dashboard sa fie neambiguu si sa poata servi
 direct ca parametru de request fara riscuri de traversare de cale.
+
+Cand acelasi document exista in mai multe formate (`d406_saft_knowledge.xml` si
+`d406_saft_knowledge.md`), la indexare intra UNUL SINGUR, cel cu formatul cel mai
+bogat: .xml > .md > .txt. Sursele .xml sunt structurate pe probleme
+(`<mesaj_eroare>`, `<rezolvare>`) si de regula mai noi decat exporturile .md.
+Celalalt ramane pe disc si se vede in dashboard, marcat ca umbrit — altfel acelasi
+raspuns ar aparea de doua ori in rezultatele RAG.
 """
 
 from __future__ import annotations
 
+import pathlib
 import re
 
 import config
 
 _SAFE_NAME = re.compile(r"^[A-Za-z0-9._-]{1,200}$")
 
+# Extensiile acceptate in depozit. Sursa unica de adevar pentru sync.py si indexer.py;
+# dashboard-ul (discord-bridge/dashboard/api.py) tine o copie, fiindca nu importa
+# module din acest proiect (coliziune de nume pe `config`) — tine-le sincronizate.
+DOC_EXTENSIONS = (".txt", ".md", ".xml")
+
+# Mai mic = preferat cand acelasi nume de baza exista in mai multe formate.
+_FORMAT_RANK = {".xml": 0, ".md": 1, ".txt": 2}
+
 
 def validate_name(name: str) -> str:
     if not name or not _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(DOC_EXTENSIONS):
+        raise ValueError("doar fisiere " + ", ".join(DOC_EXTENSIONS))
     return name
 
 
 def list_documents() -> list[dict]:
+    """Tot ce e in depozit. `shadowed_by` spune de ce un fisier nu ajunge in index."""
     config.DOCS_DIR.mkdir(parents=True, exist_ok=True)
+    files = [
+        f for f in sorted(config.DOCS_DIR.glob("*"))
+        if f.is_file() and f.suffix in DOC_EXTENSIONS
+    ]
+    # castigatorul per nume de baza: formatul cel mai bogat
+    winners: dict[str, str] = {}
+    for f in files:
+        best = winners.get(f.stem)
+        if best is None or _FORMAT_RANK[f.suffix] < _FORMAT_RANK[pathlib.Path(best).suffix]:
+            winners[f.stem] = f.name
+
     out = []
-    for f in sorted(config.DOCS_DIR.glob("*")):
-        if not f.is_file() or f.suffix not in (".txt", ".md"):
-            continue
+    for f in files:
         st = f.stat()
-        out.append({"name": f.name, "size": st.st_size, "mtime": st.st_mtime})
+        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 documents_for_index() -> list[dict]:
+    """Doar documentele care ajung efectiv in index (fara cele umbrite)."""
+    return [d for d in list_documents() if not d["shadowed_by"]]
+
+
 def read_document(name: str) -> str:
     name = validate_name(name)
     return (config.DOCS_DIR / name).read_text(encoding="utf-8")