3.6 KiB
3.6 KiB
项目进度
当前阶段:Knowledge Retrieval Demo v0.1
已完成:DEMO-001、DEMO-002、DEMO-003、DEMO-004、DEMO-005 进行中:无 阻塞:无
下一任务:DEMO-006
完整 V1 待办将在 Demo Scope 完成后继续执行。当前任务顺序以
docs/demo/DEMO_SCOPE.md 为准。
任务记录
DEMO-001
- 建立 Python 3.12/uv 工具链与依赖锁文件,新增 FastAPI 应用、类型化配置、 健康检查、OpenAPI 地址和可执行的 Make 命令。
- 新增可重复执行的单元测试、集成测试及 Evaluation 种子数据校验。
- 已验证格式、Lint、严格类型检查、测试、依赖锁、API 启动、健康检查响应及 版本化 OpenAPI 输出。
DEMO-002
- 新增 canonical Document 元数据、简化的处理状态、SQLAlchemy 数据库/Session 工厂,以及首个只向前执行的 Alembic 迁移。
- 新增与 Provider 无关的 ObjectStorage 接口和本地适配器,支持禁止覆盖、拒绝 不安全路径并清理写入中断产生的半文件。
- 新增模型、数据库、存储、迁移及 Schema Drift 测试;无需连接生产数据库即可 验证 PostgreSQL 方言的迁移 SQL。
DEMO-003
- 新增 PDF、DOCX、TXT、MD 单文件上传应用服务,完成文件名、扩展名、媒体类型、 空文件和流式大小限制校验。
- 上传使用 UUID 隔离的不可覆盖 storage key,并将原始文件与
uploaded状态的 Document 元数据关联保存。 - 数据库写入失败时自动回滚并删除已保存文件;新增四类文件、拒绝规则、大小限制 和失败补偿集成测试。
- Parser 触发与公开上传 REST API 分别留在 DEMO-004 和 DEMO-009,不在本任务 提前实现。
DEMO-004
- 新增统一的
ParsedDocument/ParsedBlock领域模型和 Parser Provider 接口, 使用 PyMuPDF、python-docx 及轻量文本解析器支持 PDF、DOCX、UTF-8 TXT、Markdown。 - PDF 保留一基页码,DOCX/Markdown 保留基础标题层级;基础 Cleaner 统一处理多余 空白、空行、异常换行和空块。
- 新增上传后同步触发解析的应用层编排,将版本化解析 JSON 作为可重建派生文件保存,
并通过数据库迁移增加
parsed_storage_key追踪结果;原始文件保持不可变。 - 解析完成后文档保持
processing,等待 DEMO-005/006 完成后续流水线;解析失败记录failed和有界错误信息,派生结果写库失败时执行文件补偿。 - 新增四类格式、页码/章节、清洗、解析持久化、禁止覆盖和失败状态测试。公开 REST API 仍按计划留在 DEMO-009。
DEMO-005
- 新增可注入
TokenCounter的structure_v1Chunk 策略,默认使用 450 tokens 上限和 75 tokens overlap;标题或章节变化形成硬边界,同章节段落优先组合,超长内容按 token 窗口切分。 - 默认轻量计数器按 CJK 字符、标点和保守 ASCII 子词估算 token,避免引入模型运行时; 精确模型 tokenizer 可通过既有接口注入,留待 DEMO-006 与 bge-large-zh 联调。
- 新增 canonical Chunk 元数据与只向前迁移,原子保存确定性
chunk_id、文档/文件、 一基页码范围、章节路径、顺序、token 数和策略版本;禁止静默覆盖同策略结果。 - 新增上传 → 解析/清洗 → Chunk 的同步流水线编排。Chunk 完成后仍保持
processing, 等待 DEMO-006 Embedding/Mochow;失败时不产生半套 Chunk,并保留原始文件。 - 新增完全合成的 Markdown 测试文档和 Golden Dataset Chunk 回归,覆盖章节追踪、 token 上限、overlap、页码范围、迁移、持久化、重复执行和失败状态。