70 lines
3.6 KiB
Markdown
70 lines
3.6 KiB
Markdown
# 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_v1` Chunk 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。
|