SUDOZOVCHIK/vk_hackathon

Fork 0

forked from zovos/vk_hackathon

q 46a40fc65e Refactor index and search services

2026-04-18 13:57:15 +03:00

13 KiB

Raw Blame History

Report: Go Nova Data Audit

Дата: 2026-04-18

Что анализировал

Под "Go Data.js" интерпретировал файл data/Go Nova.json, потому что в репозитории это единственный релевантный датасет для index и search.

Краткая статистика по данным

всего сообщений: 25
сообщений с пустым верхнеуровневым text: 15
сообщений с parts: 14
сообщений с mentions: 4
сообщений с member_event: 1
сообщений с file_snippets: 1
сообщений с is_forward = true: 2
сообщений с is_quote = true: 5
сообщений с thread_sn: 0
сообщений с zero-width символом \u200b: 1

Что это значит для индексации

Текущий index теряет заметную часть смысла, потому что:

слишком сильно полагается на message.text
не различает mediaType внутри parts
не превращает member_event в индексируемый текст
не разбирает JSON в file_snippets
не нормализует артефакты вроде zero-width символов

На этом датасете это критично: существенная доля сообщений живет целиком внутри parts[*].text.

Наблюдаемые паттерны в сообщениях

1. Системные сообщения

Есть системное сообщение без текста, но с member_event:

type = addMembers
список участников лежит в members

Такое сообщение нельзя отбрасывать. Его нужно материализовать в текст вроде:

system event: add members
actor: n.lebedev@corp.example
members: l.smirnova@corp.example, m.orlova@corp.example, v.baranova@corp.example, n.lebedev@corp.example

2. Сообщения, где весь смысл в `parts`

Во многих сообщениях text == "", а контент лежит в parts[*].text.

Наблюдаемые mediaType:

text
quote
forward

Следствие:

parts должны быть первичным источником текста, а не вторичным придатком к text

3. Цитаты

У quote-part встречаются:

mediaType = quote
sn как источник цитаты
time
text

Quote нельзя просто склеивать с ответом. Нужна разметка, например:

quote_from: n.ermakova@team.example
quote_text: ...
reply_text: ...

Иначе dense/sparse видят просто один большой комок текста и теряют отношение "на что отвечали".

4. Forward-сообщения

Forward приходит как parts[*].mediaType = forward, часто с длинным телом анонса.

Для них полезно явно сохранять:

что это пересланное сообщение
источник sn
текст forwarded-блока

Пример нормализованного вида:

forwarded_from: 48377@chat.example
forward_text: ...

5. Файлы и ссылки

В file_snippets лежит JSON-строка, внутри которой есть полезные поля:

name
mime
original_url
date_create

Это нужно разбирать локально и добавлять в нормализованный текст, а не хранить сырой JSON.

Минимально:

attachment_name: IMG_8471.webp
attachment_mime: image/webp
attachment_url: https://redacted.example/resource/001

Ссылки из текста тоже нельзя выбрасывать полностью. Их нужно:

сохранять в page_content
извлекать как отдельные токены/сигналы в sparse_content

6. Технический шум

В данных уже видны артефакты:

zero-width символ \u200b
лишние пустые строки
неравномерные пробелы

Но чистить нужно осторожно, чтобы не повредить:

email
URL
имена файлов
термины вроде CGO, Go 1.18, Mutex.TryLock

Предлагаемая локальная логика очистки сообщений

Вся очистка должна жить локально внутри index, без внешних API.

Шаг 1. Извлечение сигналов из raw message

Из каждого сообщения собрать:

message.text
parts[*]
mentions
member_event
file_snippets
sender_id
флаги is_system, is_forward, is_quote

Шаг 2. Нормализация Unicode и whitespace

Безопасная очистка:

удалить \u200b, \u200c, \u200d, \ufeff
заменить \r\n на \n
схлопнуть повторяющиеся пробелы внутри строки
схлопнуть 3+ пустых строк до 2
обрезать пробелы по краям строк

Не делать агрессивную очистку:

не удалять email
не удалять URL
не переводить все в lower
не выкидывать цифры и версии

Шаг 3. Нормализация `parts`

Правила:

mediaType = text: добавить как обычный текстовый блок
mediaType = quote: добавить маркеры quote_from и quote_text
mediaType = forward: добавить маркеры forwarded_from и forward_text
неизвестный mediaType: сохранять как part_type: <value> + текст, не терять содержимое

Шаг 4. Нормализация системных событий

Для member_event генерировать текстовую форму.

Минимум поддержать:

addMembers
любые неизвестные события сохранять как system_event_type: ...

Шаг 5. Нормализация файлов

file_snippets распарсить из JSON-строки локально.

Из каждого файла вытаскивать:

имя
mime
url
дату

Если JSON битый:

не падать
сохранить исходную строку как attachment_raw

Шаг 6. Сборка трех текстовых представлений

page_content:

читабельный текст для payload
с маркерами quote/forward/system/file

dense_content:

нормализованный текст с ролями и источниками
без мусорных повторов и с понятной структурой

sparse_content:

keyword-heavy версия
email, mentions, file names, MIME, URL host/path, технические термины

Шаг 7. Правила пропуска

Сообщение можно пропускать только если после нормализации одновременно пусты:

основной текст
parts
member_event
file_snippets

Иначе его нужно индексировать.

Что обновил в документации

doc/prompt.md: добавил локальную логику очистки сообщений и требование логировать каждую правку
doc/output.md: создал этот отчет

Что делать следующим шагом

Реализовать index/rendering.py и index/cleaning.py по этим правилам.
Добавить unit tests на системные, quote, forward и file-based сообщения.
Только после этого менять chunking и retrieval, чтобы не тюнить поиск на грязном тексте.

Отчёт: Рефакторинг search и index (2026-04-18)

Что изменено

P0 — исправлен критический баг в search

Файл: search/main.py (до рефакторинга)
Баг: строка must_conditions: [] была type annotation, а не присваивание. Любой запрос с date_range или asker вызывал NameError на .append().
Исправление: присваивание must_conditions = [] перенесено в search/retrieval.py корректно.

search — модульная декомпозиция

Было: монолит search/main.py (~390 строк)
Стало: 6 модулей + тонкий main

Модуль	Назначение
`search/config.py`	env vars, validate_required_env (теперь в lifespan, не при импорте)
`search/schemas.py`	pydantic модели
`search/query_builder.py`	построение dense/sparse запросов из question
`search/retrieval.py`	qdrant prefetch с multi-query + фильтры
`search/rerank.py`	reranker + сохранение хвоста
`search/aggregation.py`	dedup, top-50
`search/main.py`	только FastAPI wiring

Логические изменения:

primary dense query: search_text с fallback на text
дополнительные dense queries: variants, hyde — отдельные Prefetch
sparse query: keywords или primary query при их отсутствии
rerank: сортирует top-60, хвост retrieval сохраняется
финал: dedup + top-50 из head+tail
timeout=30s, retry до 2 раз на 5xx/сеть

Параметры: DENSE_PREFETCH_K=50, SPARSE_PREFETCH_K=100, RETRIEVE_K=80, RERANK_LIMIT=60, TOP_K=50

index — модульная декомпозиция

Было: монолит index/main.py (~268 строк, char-based chunking)
Стало: 5 модулей + тонкий main

Модуль	Назначение
`index/schemas.py`	pydantic модели
`index/cleaning.py`	локальная очистка, без внешних API
`index/rendering.py`	три представления: page/dense/sparse
`index/chunking.py`	message-based windowing + overlap
`index/sparse.py`	sparse embedding
`index/main.py`	только FastAPI wiring