doc/todo.md

@@ -1,7 +1,5 @@
 # TODO
 
-## `search/main.py`
-
 - [ ] P0: Переключить основной query на `question.search_text` с fallback на `question.text`
 - [ ] P0: Подключить `question.variants` как дополнительные query-варианты
 - [ ] P0: Подключить `question.hyde` как дополнительные dense-запросы
@@ -10,16 +8,6 @@
 - [ ] P0: Дедуплицировать `message_ids` перед ответом
 - [ ] P0: Ограничить финальную выдачу до `top-50`
 - [ ] P0: Агрегировать score по `message_id`
-- [ ] P2: Использовать `entities.people` и `entities.emails` для boost или фильтрации
-- [ ] P2: Использовать `entities.documents`, `entities.names`, `entities.links` для lexical boost
-- [ ] P2: Использовать `date_range` для фильтрации по `metadata.start` и `metadata.end`
-- [ ] P2: Использовать `contains_quote` и `contains_forward` как сигналы ранжирования
-- [ ] P2: Добавить multi-query fusion в `Qdrant`
-- [ ] P2: Подобрать `prefetch`, `retrieve_k`, `rerank_limit`
-- [ ] P3: Добавить retry и timeout политику для dense/rerank HTTP вызовов
-
-## `index/main.py`
-
 - [ ] P1: Перейти с символьного chunking на chunking по сообщениям
 - [ ] P1: Учитывать time gap при сборке чанков
 - [ ] P1: Маркировать в тексте `quote`, `forward`, автора сообщения и автора цитаты
@@ -27,23 +15,18 @@
 - [ ] P1: Материализовать `sender_id` и `mentions` в индексируемый текст
 - [ ] P1: Разбирать `file_snippets` и вытаскивать имя файла, mime и url
 - [ ] P1: Разбирать `member_event` и превращать его в индексируемый текст
-
+- [ ] P2: Использовать `entities.people` и `entities.emails` для boost или фильтрации
-## `docker-compose.yml`
+- [ ] P2: Использовать `entities.documents`, `entities.names`, `entities.links` для lexical boost
-
+- [ ] P2: Использовать `date_range` для фильтрации по `metadata.start` и `metadata.end`
+- [ ] P2: Использовать `contains_quote` и `contains_forward` как сигналы ранжирования
+- [ ] P2: Добавить multi-query fusion в `Qdrant`
+- [ ] P2: Подобрать `prefetch`, `retrieve_k`, `rerank_limit`
 - [ ] P3: Привести локальный `docker-compose.yml` к схеме с `API_KEY`
 - [ ] P3: Добавить `--platform linux/amd64` в сборку образов
-
+- [ ] P3: Добавить retry и timeout политику для dense/rerank HTTP вызовов
-## `doc/` (новый файл с регрессионными вопросами)
-
 - [ ] P3: Зафиксировать набор локальных тестовых вопросов для проверки регрессий
-
-## `search/requirements.txt`
-
-- [ ] P4: Добавить `python-dateutil` или `dateparser`
-- [ ] P4: Добавить `tenacity`
-
-## `index/requirements.txt` и/или `search/requirements.txt`
-
 - [ ] P4: Добавить `razdel`
 - [ ] P4: Добавить `pymorphy3`
 - [ ] P4: Добавить `rapidfuzz`
+- [ ] P4: Добавить `python-dateutil` или `dateparser`
+- [ ] P4: Добавить `tenacity`

search/main.py

@@ -206,40 +206,12 @@ async def embed_sparse(text: str) -> SparseVector:
         values=[float(value) for value in item.values.tolist()],
     )
 
-# ПЕРЕПИСАТЬ
 
 async def qdrant_search(
     client: AsyncQdrantClient,
     dense_vector: list[float],
     sparse_vector: SparseVector,
-    question_data: Question
 ) -> Any | None:
-    must_conditions: []
-
-    # Фильтр по диапазону дат (поле metadata.start в Qdrant) [cite: 147, 148, 175]
-    if question_data.date_range:
-        must_conditions.append(
-            models.FieldCondition(
-                key="metadata.start",
-                range=models.Range(
-                    gte=question_data.date_range.from_,
-                    lte=question_data.date_range.to_
-                )
-            )
-        )
-
-    # Фильтр по автору вопроса (поле metadata.participants) [cite: 161, 163]
-    if question_data.asker:
-        must_conditions.append(
-            models.FieldCondition(
-                key="metadata.participants",
-                match=models.MatchValue(value=question_data.asker)
-            )
-        )
-
-    # Создаем итоговый объект фильтра, если есть условия
-    search_filter = models.Filter(must=must_conditions) if must_conditions else None
-
     response = await client.query_points(
         collection_name=QDRANT_COLLECTION_NAME,
         prefetch=[
@@ -247,7 +219,6 @@ async def qdrant_search(
                 query=dense_vector,
                 using=QDRANT_DENSE_VECTOR_NAME,
                 limit=DENSE_PREFETCH_K,
-                filter=search_filter,
             ),
             models.Prefetch(
                 query=models.SparseVector(
@@ -256,7 +227,6 @@ async def qdrant_search(
                 ),
                 using=QDRANT_SPARSE_VECTOR_NAME,
                 limit=SPRASE_PREFETCH_K,
-                filter=search_filter,
             ),
         ],
         query=models.FusionQuery(fusion=models.Fusion.RRF),
@@ -343,7 +313,7 @@ async def search(payload: SearchAPIRequest) -> SearchAPIResponse:
 
     dense_vector = await embed_dense(client, query)
     sparse_vector = await embed_sparse(query)
-    best_points = await qdrant_search(qdrant, dense_vector, sparse_vector, payload.question)
+    best_points = await qdrant_search(qdrant, dense_vector, sparse_vector)
 
     if best_points is None:
         return SearchAPIResponse(results=[])