Files
ROMFASTSQL/proxmox/lxc171-claude-agent/maria-whatsapp-bridge/rag/indexer.py
Claude Agent 1c7899753a 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
2026-08-31 18:15:03 +00:00

152 lines
4.8 KiB
Python

#!/usr/bin/env python3
"""(Re)construieste rag_index.json din toate documentele din depozit (store.py),
cu embeddings Ollama. Rulat manual sau declansat din dashboard (`/api/reindex`).
Doua strategii de taiere in chunk-uri:
- **.xml** — un chunk per element de nivel 1 (o problema = un chunk). Sursele sunt
structurate `<eroare_x><mesaj_eroare>…</mesaj_eroare><rezolvare>…</rezolvare></eroare_x>`,
iar taierea pe linii goale ar rupe mesajul de eroare de rezolvarea lui: cautarea ar
gasi eroarea si ar returna un chunk fara raspuns.
- **restul** — paragrafe unite pana la ~200 de caractere, ca inainte.
"""
from __future__ import annotations
import json
import re
import sys
import xml.etree.ElementTree as ET
import requests
import config
import store
def chunk_text(text: str) -> list[str]:
# imparte pe linii goale in paragrafe, uneste bucatile mici cu urmatoarea
raw_parts = re.split(r"\n\s*\n", text.strip())
chunks: list[str] = []
buffer = ""
for part in raw_parts:
part = part.strip()
if not part:
continue
buffer = f"{buffer}\n\n{part}" if buffer else part
if len(buffer) >= 200:
chunks.append(buffer)
buffer = ""
if buffer:
chunks.append(buffer)
return chunks
# Peste atat, un singur element XML se taie mai departe ca text obisnuit.
MAX_XML_CHUNK = 4000
def _render_element(el, depth: int = 0) -> str:
"""Elementul, ca text cu etichete pe post de etichete: `mesaj_eroare: ...`.
Numele etichetelor poarta intelesul (care bucata e eroarea, care e rezolvarea),
deci raman in text — dar fara paranteze unghiulare, care doar dilueaza embedding-ul.
"""
lines = []
own = (el.text or "").strip()
label = el.tag.replace("_", " ")
children = list(el)
if own:
lines.append(f"{label}: {own}" if children or depth else own)
elif children and depth == 0:
lines.append(f"[{label}]")
for child in children:
rendered = _render_element(child, depth + 1)
if rendered:
lines.append(rendered)
tail = (child.tail or "").strip()
if tail:
lines.append(tail)
return "\n".join(lines)
def _split_long(text: str, limit: int = MAX_XML_CHUNK) -> list[str]:
"""Taie o bucata prea lunga pe granite de cuvant.
`chunk_text` imparte pe linii goale, deci un element XML scris ca un singur
paragraf lung nu s-ar imparti deloc — de aici taierea asta, pe lungime.
"""
out: list[str] = []
for part in chunk_text(text) or [text]:
while len(part) > limit:
cut = part.rfind(" ", 0, limit)
if cut <= 0:
cut = limit
out.append(part[:cut].strip())
part = part[cut:].lstrip()
if part.strip():
out.append(part.strip())
return out
def chunk_xml(text: str) -> list[str] | None:
"""Un chunk per element de nivel 1. `None` daca XML-ul nu se poate parsa."""
try:
root = ET.fromstring(text)
except ET.ParseError:
return None
chunks: list[str] = []
for el in root:
rendered = _render_element(el).strip()
if not rendered:
continue
if len(rendered) > MAX_XML_CHUNK:
chunks.extend(_split_long(rendered))
else:
chunks.append(rendered)
if not chunks:
# radacina fara copii (sau doar text): trateaz-o ca document obisnuit
whole = _render_element(root).strip()
return chunk_text(whole) if whole else []
return chunks
def chunk_document(name: str, text: str) -> list[str]:
if name.endswith(".xml"):
chunks = chunk_xml(text)
if chunks is not None:
return chunks
print(f"[indexer] {name}: XML invalid, il tai ca text simplu", file=sys.stderr)
return chunk_text(text)
def embed(text: str) -> list[float]:
resp = requests.post(
f"{config.get('OLLAMA_URL')}/api/embeddings",
json={"model": config.get("EMBED_MODEL"), "prompt": text},
timeout=60,
)
resp.raise_for_status()
return resp.json()["embedding"]
def build() -> dict:
entries = []
docs = store.documents_for_index()
for doc in docs:
text = store.read_document(doc["name"])
for i, chunk in enumerate(chunk_document(doc["name"], text)):
vec = embed(chunk)
entries.append({"source": doc["name"], "chunk": i, "text": chunk, "embedding": vec})
config.STATE_DIR.mkdir(parents=True, exist_ok=True)
config.INDEX_FILE.write_text(json.dumps(entries, ensure_ascii=False), encoding="utf-8")
return {"documents": len(docs), "chunks": len(entries)}
if __name__ == "__main__":
result = build()
print(
f"[indexer] {result['documents']} documente, {result['chunks']} chunk-uri -> {config.INDEX_FILE}",
file=sys.stderr,
)