mirror of
https://github.com/Alkatrazz24/Funk-lab.git
synced 2026-07-09 00:44:42 +02:00
ALI YESILKAYA
1db84e9041
Sans contexte, le modèle (qwen3-8b) hallucinait sur le homelab (« stockage décentralisé », « worker nodes »…) car il ignore tout du cluster réel. Le cerveau interroge désormais la collection funk-docs (la doc admin/ indexée) et injecte les passages pertinents au prompt → il répond à partir de la vraie doc. Coût ~nul : funk-docs et stt-memory partagent le même embedder nomic (:1238, 768 dim) → le vecteur de requête calculé pour le recall mémoire est réutilisé pour la recherche doc (une embed, deux recherches). Dégrade en silence si Qdrant/embed down (réponse sans doc plutôt qu'échec). Module knowledge.py (STT_DOCS_RAG, TOPK=6, MIN_SCORE=0.45). Log /v1/ask expose docs=<n>. Serveur 0.2.1 → 0.3.0. Validé : « c'est quoi le nom des nœuds ? » → avant « worker/master nodes » (inventé) ; après « Kubernetes ; nœuds storage-01, compute-01, compute-02 » (tiré de la doc). Co-authored-by: Claude Opus 4.8 <noreply@anthropic.com>
81 lines
3.4 KiB
Python
81 lines
3.4 KiB
Python
"""RAG documentaire — ancre les réponses dans la doc Funk (collection `funk-docs`).
|
|
|
|
Recherche sémantique dans Qdrant pour injecter des passages de la documentation `admin/`
|
|
dans le prompt → le cerveau répond à partir de la **vraie doc du homelab** plutôt que de
|
|
connaissances générales (sinon il hallucine : « stockage décentralisé », « worker nodes »…).
|
|
|
|
Même embedder que la mémoire long-terme (`nomic-embed-text`, gpu-01 `:1238`, dim 768) → le
|
|
vecteur de requête déjà calculé par `LongTermMemory.recall` est **réutilisé** ici (pas de 2ᵉ
|
|
embed). Dégrade proprement : si Qdrant/embeddings sont injoignables, renvoie `[]` et le cerveau
|
|
répond sans contexte doc plutôt que d'échouer.
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import httpx
|
|
|
|
from stt_server.config import settings
|
|
|
|
|
|
class Knowledge:
|
|
def __init__(self) -> None:
|
|
self.qdrant = settings.qdrant_url.rstrip("/")
|
|
self.collection = settings.docs_collection
|
|
self.embed_url = settings.embed_url
|
|
self.embed_model = settings.embed_model
|
|
self.top_k = settings.docs_top_k
|
|
self.min_score = settings.docs_min_score
|
|
self.timeout = settings.docs_timeout
|
|
# Client persistant : pooling + keep-alive (évite un handshake TCP par appel).
|
|
self._http: httpx.AsyncClient | None = None
|
|
|
|
def _client(self) -> httpx.AsyncClient:
|
|
if self._http is None or self._http.is_closed:
|
|
self._http = httpx.AsyncClient()
|
|
return self._http
|
|
|
|
async def aclose(self) -> None:
|
|
if self._http is not None and not self._http.is_closed:
|
|
await self._http.aclose()
|
|
|
|
async def search(self, text: str, vec: list[float] | None = None) -> list[str]:
|
|
"""Passages de doc pertinents pour `text`.
|
|
|
|
`vec` : embedding nomic de la requête, réutilisé depuis le recall mémoire (même
|
|
modèle/dim) → évite un 2ᵉ embed. Absent (mémoire off / recall échoué) → on embed ici.
|
|
Timeout serré, dégrade en `[]` (jamais d'exception sur le chemin de réponse).
|
|
"""
|
|
try:
|
|
client = self._client()
|
|
if vec is None:
|
|
r = await client.post(
|
|
self.embed_url,
|
|
json={"model": self.embed_model, "input": text},
|
|
timeout=self.timeout,
|
|
)
|
|
r.raise_for_status()
|
|
vec = r.json()["data"][0]["embedding"]
|
|
r = await client.post(
|
|
f"{self.qdrant}/collections/{self.collection}/points/search",
|
|
json={
|
|
"vector": vec,
|
|
"limit": self.top_k,
|
|
"with_payload": True,
|
|
"score_threshold": self.min_score,
|
|
},
|
|
timeout=self.timeout,
|
|
)
|
|
if r.status_code == 404: # collection absente (RAG pas ingéré) → pas de contexte
|
|
return []
|
|
r.raise_for_status()
|
|
out: list[str] = []
|
|
for p in r.json().get("result", []):
|
|
payload = p.get("payload", {})
|
|
txt = payload.get("text")
|
|
if not txt:
|
|
continue
|
|
src = payload.get("file", "")
|
|
out.append(f"[{src}] {txt}" if src else txt)
|
|
return out
|
|
except Exception: # noqa: BLE001 — dégrade silencieusement (réponse sans doc)
|
|
return []
|