@futdevpro/nts-dynamo 1.15.155 → 1.15.156

package/build/_modules/local-vector-search/_services/lvs-vector-pool.control-service.js

@@ -1,277 +1,277 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
-exports.LVS_VectorPool_ControlService = void 0;
-const fsm_dynamo_1 = require("@futdevpro/fsm-dynamo");
-const lvs_search_mode_enum_1 = require("../_enums/lvs-search-mode.enum");
-/**
- * Vektor pool kezelő utility class
- * Instance-based class, amely in-memory vektor pool-t kezel és vektor hasonlósági számításokat végez
- * Minden instance saját vektor pool-t tart fenn
- */
-class LVS_VectorPool_ControlService {
-    /**
-     * In-memory vektor pool tárolás
-     * Key: vektor ID, Value: vektor értékek
-     *
-     * BFR-AM-013 (Tier-1 memória): a belső tárolás `Float32Array` (4 byte/elem, boxing nélkül) a
-     * korábbi `number[]` (8 byte + array-boxing) helyett → ~2–4× kisebb PERSISTENS pool-footprint
-     * (2560-dim × 32k vektornál a heap érdemi része). A cosine/l2 index-alapú loopjai változatlanul
-     * futnak rajta; a publikus `getAll()` kontraktja (number[]) konverzióval megőrzött.
-     */
-    vectorPool = new Map();
-    /**
-     * Normalizált vektor pool tárolás (L2 normalizált másolatok)
-     * Key: vektor ID, Value: L2 normalizált vektor értékek (Float32Array — l. fent)
-     */
-    normalizedVectorPool = new Map();
-    /**
-     * `normalizedOnly` mód: ha `true`, a pool NEM tárolja a nyers vektorokat (`vectorPool`) — CSAK a
-     * normalizált másolatot. A kizárólag-cosine fogyasztóknak (pl. RAG-keresés) ez ~50% memória-megtakarítás
-     * (a két párhuzamos pool helyett egy). Ekkor az `l2Distance`-keresés és a `getAll()` nyers-érték-olvasása
-     * N/A (a `size()` + a `cosineSimilarity`-keresés továbbra is helyes). Default `false` (visszafelé kompatibilis).
-     */
-    normalizedOnly;
-    constructor(set) {
-        this.normalizedOnly = set?.normalizedOnly ?? false;
-    }
-    /**
-     * Hozzáad egy vektort a pool-hoz
-     * Opcionálisan L2 normalizált másolatot is tárol
-     */
-    addVector(id, vector) {
-        if (!id) {
-            throw new Error('Vector ID is required');
-        }
-        if (!Array.isArray(vector) || vector.length === 0) {
-            throw new Error('Vector must be a non-empty array');
-        }
-        // Validáljuk, hogy a vektor számokból áll
-        for (let i = 0; i < vector.length; i++) {
-            if (typeof vector[i] !== 'number' || !isFinite(vector[i])) {
-                throw new Error(`Vector must contain only finite numbers at index ${i}`);
-            }
-        }
-        // Tároljuk az eredeti vektort — KIVÉVE normalizedOnly módban (akkor a nyers pool kihagyva, ~50% memória).
-        // Float32Array-ként (BFR-AM-013 Tier-1) — a number[]-boxing nélkül.
-        if (!this.normalizedOnly) {
-            this.vectorPool.set(id, Float32Array.from(vector));
-        }
-        // L2 normalizált másolatot is tárolunk a cosine similarity számításokhoz
-        this.normalizedVectorPool.set(id, LVS_VectorPool_ControlService.l2NormalizeFloat32(vector));
-    }
-    /**
-     * Eltávolít egy vektort a pool-ból
-     */
-    removeVector(id) {
-        this.vectorPool.delete(id);
-        this.normalizedVectorPool.delete(id);
-    }
-    /**
-     * Frissít egy vektort a pool-ban
-     */
-    updateVector(id, vector) {
-        // A `normalizedVectorPool` a forrás (mindkét módban populált; `normalizedOnly`-ban a `vectorPool` üres).
-        if (!this.normalizedVectorPool.has(id)) {
-            throw new Error(`Vector with ID "${id}" does not exist`);
-        }
-        this.addVector(id, vector);
-    }
-    /**
-     * A pool elemszáma. Mindkét módban helyes (a `normalizedVectorPool` a forrás), így `normalizedOnly`
-     * módban is — szemben a `getAll().size`-szal, ami ott üres (a nyers pool nincs tárolva).
-     */
-    size() {
-        return this.normalizedVectorPool.size;
-    }
-    /**
-     * Törli az összes vektort a pool-ból
-     */
-    clearPool() {
-        this.vectorPool.clear();
-        this.normalizedVectorPool.clear();
-    }
-    /**
-     * Visszaadja az összes vektort a pool-ból
-     * Debugging és export céljára
-     */
-    getAll() {
-        // A publikus kontrakt (number[]) megőrzése — a belső Float32Array-ből konvertálva.
-        const result = new Map();
-        for (const [id, vector] of this.vectorPool.entries()) {
-            result.set(id, Array.from(vector));
-        }
-        return result;
-    }
-    /**
-     * BFR-AM-013 (Tier-1): L2-normalizálás Float32Array-be, explicit loopokkal (allokáció-minimális) —
-     * a pool BELSŐ tárolási formátumához. Nullvektor → csupa-0 Float32Array.
-     */
-    static l2NormalizeFloat32(vector) {
-        let sumSquares = 0;
-        for (let i = 0; i < vector.length; i++) {
-            sumSquares += vector[i] * vector[i];
-        }
-        const magnitude = Math.sqrt(sumSquares);
-        const normalized = new Float32Array(vector.length);
-        if (magnitude === 0) {
-            return normalized;
-        }
-        for (let i = 0; i < vector.length; i++) {
-            normalized[i] = vector[i] / magnitude;
-        }
-        return normalized;
-    }
-    /**
-     * L2 normalizálás egy vektorra
-     * A vektor hosszát 1-re normalizálja
-     * Statikus metódus, mivel nincs szüksége instance state-re
-     */
-    static l2Normalize(vector) {
-        const magnitude = Math.sqrt(vector.reduce((sum, value) => sum + value * value, 0));
-        if (magnitude === 0) {
-            // Ha a vektor nullvektor, akkor nullvektort adunk vissza
-            return new Array(vector.length).fill(0);
-        }
-        return vector.map((value) => value / magnitude);
-    }
-    /**
-     * Cosine similarity számítás két vektor között
-     * Normalizált vektorokat használ a számításhoz
-     * Eredmény: 0 és 1 közötti érték, ahol 1 a legnagyobb hasonlóság
-     * Statikus metódus, mivel nincs szüksége instance state-re
-     */
-    static cosineSimilarity(a, b) {
-        if (a.length !== b.length) {
-            throw new Error(`Vectors must have the same dimension. Got ${a.length} and ${b.length}`);
-        }
-        // Normalizáljuk a vektorokat
-        const normalizedA = this.l2Normalize(a);
-        const normalizedB = this.l2Normalize(b);
-        // Dot product számítása
-        let dotProduct = 0;
-        for (let i = 0; i < normalizedA.length; i++) {
-            dotProduct += normalizedA[i] * normalizedB[i];
-        }
-        // Cosine similarity = dot product of normalized vectors
-        // Mivel a vektorok normalizáltak, ez egyenlő a cosine similarity-vel
-        return dotProduct;
-    }
-    /**
-     * L2 distance (Euklideszi távolság) számítás két vektor között
-     * Eredmény: 0 vagy pozitív érték, ahol 0 a legkisebb távolság
-     * Statikus metódus, mivel nincs szüksége instance state-re
-     */
-    static l2Distance(a, b) {
-        if (a.length !== b.length) {
-            throw new Error(`Vectors must have the same dimension. Got ${a.length} and ${b.length}`);
-        }
-        // L2 distance = sqrt(sum((a[i] - b[i])^2))
-        let sumSquaredDiff = 0;
-        for (let i = 0; i < a.length; i++) {
-            const diff = a[i] - b[i];
-            sumSquaredDiff += diff * diff;
-        }
-        return Math.sqrt(sumSquaredDiff);
-    }
-    /**
-     * Vektor keresés a pool-ban
-     * Brute-force megközelítés (lineáris keresés)
-     *
-     * @param query A keresési query vektor
-     * @param k A visszaadandó találatok száma (top-K)
-     * @param mode A keresési mód (cosine similarity vagy L2 distance)
-     * @param candidateIds Opcionális jelölt-ID szűrő: ha meg van adva, a keresés CSAK az ebben a
-     *   halmazban lévő ID-kra fut (a többit `Set.has` O(1)-gyel kihagyja). Így a hívónak NEM kell külön
-     *   szűkített pool-t építenie + a vektorokat újra-normalizálnia — a keresés a MÁR előre-normalizált
-     *   `normalizedVectorPool`-on iterál allokáció-mentesen. Üres halmaz → üres eredmény.
-     * @returns A top-K találatok ID-val és score-rel, megfelelő sorrendben
-     */
-    search(query, k, mode, candidateIds) {
-        // Üres jelölt-halmaz → nincs mit keresni (a `undefined` viszont „nincs szűrés" = teljes pool).
-        if (candidateIds && candidateIds.size === 0) {
-            return [];
-        }
-        if (!Array.isArray(query) || query.length === 0) {
-            throw new Error('Query vector must be a non-empty array');
-        }
-        // BFR-AM-013 (NaN/±Inf-guard): nem-véges query-elem NÉMÁN mérgezné a TELJES rangsort
-        // (minden dot-product NaN → a valódi találatok kiesnek, hiba nélkül) → fail-closed throw.
-        for (let i = 0; i < query.length; i++) {
-            if (!Number.isFinite(query[i])) {
-                throw new Error(`Query vector must contain only finite numbers (non-finite at index ${i})`);
-            }
-        }
-        if (k <= 0) {
-            throw new Error('k must be a positive number');
-        }
-        // `normalizedOnly` módban nincs nyers pool → l2Distance nem számolható (csak cosine).
-        if (this.normalizedOnly && mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance) {
-            throw new Error('l2Distance search is not available in normalizedOnly mode (raw vectors are not stored)');
-        }
-        // Üres pool → üres eredmény. A `normalizedVectorPool` a forrás (mindkét módban populált; a nyers
-        // `vectorPool` `normalizedOnly`-ban üres, ezért NEM azon ellenőrzünk).
-        if (this.normalizedVectorPool.size === 0) {
-            return [];
-        }
-        // Validáljuk, hogy minden vektor ugyanolyan dimenziójú-e. A referencia-pool mód-függő: l2 a nyers,
-        // cosine a normalizált (azonos dimenzió, de `normalizedOnly`-ban a nyers pool üres).
-        const referencePool = mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance ? this.vectorPool : this.normalizedVectorPool;
-        const firstVector = referencePool.values().next().value;
-        if (firstVector && firstVector.length !== query.length) {
-            throw new Error(`Query vector dimension (${query.length}) does not match pool vector ` +
-                `dimension (${firstVector.length})`);
-        }
-        // Számoljuk ki a hasonlóságot/távolságot minden vektorra
-        const results = [];
-        if (mode === lvs_search_mode_enum_1.LVS_Search_Mode.cosineSimilarity) {
-            // PERF (BFR-AM-013): a query-t EGYSZER normalizáljuk, majd dot-product a MÁR ELŐRE eltárolt
-            // `normalizedVectorPool` (l2-normalizált) vektorok ellen. Eredmény AZONOS a régi
-            // `cosineSimilarity(query, vector)`-ral (= dot(norm(q), norm(v))), de:
-            //  (1) NEM normalizáljuk újra MINDEN vektort MINDEN keresésnél (a normalizálás a `addVector`-ban
-            //      egyszer megtörtént) → ~3× kevesebb FLOP;
-            //  (2) a per-összehasonlítás dot-product ALLOKÁCIÓ-MENTES (a régi `l2Normalize` hívásonként KÉT új
-            //      tömböt allokált → egy 24k-vektoros keresés ~48k tömb-allokáció + GC-spike-ot okozott).
-            // A drágán eltárolt `normalizedVectorPool` korábban SOHA nem volt használva a keresésben.
-            const queryNormalized = LVS_VectorPool_ControlService.l2NormalizeFloat32(query);
-            // BFR-AM-013 (NaN-guard, defensive): ha egy tárolt vektor mégis NaN-score-t adna (elvileg az
-            // addVector-guard kizárja), a találat KIESIK — nem mérgezi a rangsort — és warn-t adunk (nem néma).
-            let nanScoreCount = 0;
-            for (const [id, normalizedVector] of this.normalizedVectorPool.entries()) {
-                if (candidateIds && !candidateIds.has(id)) {
-                    continue;
-                }
-                let dotProduct = 0;
-                for (let i = 0; i < queryNormalized.length; i++) {
-                    dotProduct += queryNormalized[i] * normalizedVector[i];
-                }
-                if (!Number.isFinite(dotProduct)) {
-                    nanScoreCount++;
-                    continue;
-                }
-                results.push({ id, score: dotProduct });
-            }
-            if (nanScoreCount) {
-                fsm_dynamo_1.DyFM_Log.warn(`[LVS search] ${nanScoreCount} vector(s) produced non-finite scores and were skipped.`);
-            }
-            // Cosine similarity: csökkenő sorrend (legnagyobb hasonlóság először)
-            results.sort((a, b) => b.score - a.score);
-        }
-        else if (mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance) {
-            for (const [id, vector] of this.vectorPool.entries()) {
-                if (candidateIds && !candidateIds.has(id)) {
-                    continue;
-                }
-                results.push({ id, score: LVS_VectorPool_ControlService.l2Distance(query, vector) });
-            }
-            // L2 distance: növekvő sorrend (legkisebb távolság először)
-            results.sort((a, b) => a.score - b.score);
-        }
-        else {
-            throw new Error(`Unknown search mode: ${mode}`);
-        }
-        // Visszaadjuk a top-K találatot
-        return results.slice(0, k);
-    }
-}
-exports.LVS_VectorPool_ControlService = LVS_VectorPool_ControlService;
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
+exports.LVS_VectorPool_ControlService = void 0;
+const fsm_dynamo_1 = require("@futdevpro/fsm-dynamo");
+const lvs_search_mode_enum_1 = require("../_enums/lvs-search-mode.enum");
+/**
+ * Vektor pool kezelő utility class
+ * Instance-based class, amely in-memory vektor pool-t kezel és vektor hasonlósági számításokat végez
+ * Minden instance saját vektor pool-t tart fenn
+ */
+class LVS_VectorPool_ControlService {
+    /**
+     * In-memory vektor pool tárolás
+     * Key: vektor ID, Value: vektor értékek
+     *
+     * BFR-AM-013 (Tier-1 memória): a belső tárolás `Float32Array` (4 byte/elem, boxing nélkül) a
+     * korábbi `number[]` (8 byte + array-boxing) helyett → ~2–4× kisebb PERSISTENS pool-footprint
+     * (2560-dim × 32k vektornál a heap érdemi része). A cosine/l2 index-alapú loopjai változatlanul
+     * futnak rajta; a publikus `getAll()` kontraktja (number[]) konverzióval megőrzött.
+     */
+    vectorPool = new Map();
+    /**
+     * Normalizált vektor pool tárolás (L2 normalizált másolatok)
+     * Key: vektor ID, Value: L2 normalizált vektor értékek (Float32Array — l. fent)
+     */
+    normalizedVectorPool = new Map();
+    /**
+     * `normalizedOnly` mód: ha `true`, a pool NEM tárolja a nyers vektorokat (`vectorPool`) — CSAK a
+     * normalizált másolatot. A kizárólag-cosine fogyasztóknak (pl. RAG-keresés) ez ~50% memória-megtakarítás
+     * (a két párhuzamos pool helyett egy). Ekkor az `l2Distance`-keresés és a `getAll()` nyers-érték-olvasása
+     * N/A (a `size()` + a `cosineSimilarity`-keresés továbbra is helyes). Default `false` (visszafelé kompatibilis).
+     */
+    normalizedOnly;
+    constructor(set) {
+        this.normalizedOnly = set?.normalizedOnly ?? false;
+    }
+    /**
+     * Hozzáad egy vektort a pool-hoz
+     * Opcionálisan L2 normalizált másolatot is tárol
+     */
+    addVector(id, vector) {
+        if (!id) {
+            throw new Error('Vector ID is required');
+        }
+        if (!Array.isArray(vector) || vector.length === 0) {
+            throw new Error('Vector must be a non-empty array');
+        }
+        // Validáljuk, hogy a vektor számokból áll
+        for (let i = 0; i < vector.length; i++) {
+            if (typeof vector[i] !== 'number' || !isFinite(vector[i])) {
+                throw new Error(`Vector must contain only finite numbers at index ${i}`);
+            }
+        }
+        // Tároljuk az eredeti vektort — KIVÉVE normalizedOnly módban (akkor a nyers pool kihagyva, ~50% memória).
+        // Float32Array-ként (BFR-AM-013 Tier-1) — a number[]-boxing nélkül.
+        if (!this.normalizedOnly) {
+            this.vectorPool.set(id, Float32Array.from(vector));
+        }
+        // L2 normalizált másolatot is tárolunk a cosine similarity számításokhoz
+        this.normalizedVectorPool.set(id, LVS_VectorPool_ControlService.l2NormalizeFloat32(vector));
+    }
+    /**
+     * Eltávolít egy vektort a pool-ból
+     */
+    removeVector(id) {
+        this.vectorPool.delete(id);
+        this.normalizedVectorPool.delete(id);
+    }
+    /**
+     * Frissít egy vektort a pool-ban
+     */
+    updateVector(id, vector) {
+        // A `normalizedVectorPool` a forrás (mindkét módban populált; `normalizedOnly`-ban a `vectorPool` üres).
+        if (!this.normalizedVectorPool.has(id)) {
+            throw new Error(`Vector with ID "${id}" does not exist`);
+        }
+        this.addVector(id, vector);
+    }
+    /**
+     * A pool elemszáma. Mindkét módban helyes (a `normalizedVectorPool` a forrás), így `normalizedOnly`
+     * módban is — szemben a `getAll().size`-szal, ami ott üres (a nyers pool nincs tárolva).
+     */
+    size() {
+        return this.normalizedVectorPool.size;
+    }
+    /**
+     * Törli az összes vektort a pool-ból
+     */
+    clearPool() {
+        this.vectorPool.clear();
+        this.normalizedVectorPool.clear();
+    }
+    /**
+     * Visszaadja az összes vektort a pool-ból
+     * Debugging és export céljára
+     */
+    getAll() {
+        // A publikus kontrakt (number[]) megőrzése — a belső Float32Array-ből konvertálva.
+        const result = new Map();
+        for (const [id, vector] of this.vectorPool.entries()) {
+            result.set(id, Array.from(vector));
+        }
+        return result;
+    }
+    /**
+     * BFR-AM-013 (Tier-1): L2-normalizálás Float32Array-be, explicit loopokkal (allokáció-minimális) —
+     * a pool BELSŐ tárolási formátumához. Nullvektor → csupa-0 Float32Array.
+     */
+    static l2NormalizeFloat32(vector) {
+        let sumSquares = 0;
+        for (let i = 0; i < vector.length; i++) {
+            sumSquares += vector[i] * vector[i];
+        }
+        const magnitude = Math.sqrt(sumSquares);
+        const normalized = new Float32Array(vector.length);
+        if (magnitude === 0) {
+            return normalized;
+        }
+        for (let i = 0; i < vector.length; i++) {
+            normalized[i] = vector[i] / magnitude;
+        }
+        return normalized;
+    }
+    /**
+     * L2 normalizálás egy vektorra
+     * A vektor hosszát 1-re normalizálja
+     * Statikus metódus, mivel nincs szüksége instance state-re
+     */
+    static l2Normalize(vector) {
+        const magnitude = Math.sqrt(vector.reduce((sum, value) => sum + value * value, 0));
+        if (magnitude === 0) {
+            // Ha a vektor nullvektor, akkor nullvektort adunk vissza
+            return new Array(vector.length).fill(0);
+        }
+        return vector.map((value) => value / magnitude);
+    }
+    /**
+     * Cosine similarity számítás két vektor között
+     * Normalizált vektorokat használ a számításhoz
+     * Eredmény: 0 és 1 közötti érték, ahol 1 a legnagyobb hasonlóság
+     * Statikus metódus, mivel nincs szüksége instance state-re
+     */
+    static cosineSimilarity(a, b) {
+        if (a.length !== b.length) {
+            throw new Error(`Vectors must have the same dimension. Got ${a.length} and ${b.length}`);
+        }
+        // Normalizáljuk a vektorokat
+        const normalizedA = this.l2Normalize(a);
+        const normalizedB = this.l2Normalize(b);
+        // Dot product számítása
+        let dotProduct = 0;
+        for (let i = 0; i < normalizedA.length; i++) {
+            dotProduct += normalizedA[i] * normalizedB[i];
+        }
+        // Cosine similarity = dot product of normalized vectors
+        // Mivel a vektorok normalizáltak, ez egyenlő a cosine similarity-vel
+        return dotProduct;
+    }
+    /**
+     * L2 distance (Euklideszi távolság) számítás két vektor között
+     * Eredmény: 0 vagy pozitív érték, ahol 0 a legkisebb távolság
+     * Statikus metódus, mivel nincs szüksége instance state-re
+     */
+    static l2Distance(a, b) {
+        if (a.length !== b.length) {
+            throw new Error(`Vectors must have the same dimension. Got ${a.length} and ${b.length}`);
+        }
+        // L2 distance = sqrt(sum((a[i] - b[i])^2))
+        let sumSquaredDiff = 0;
+        for (let i = 0; i < a.length; i++) {
+            const diff = a[i] - b[i];
+            sumSquaredDiff += diff * diff;
+        }
+        return Math.sqrt(sumSquaredDiff);
+    }
+    /**
+     * Vektor keresés a pool-ban
+     * Brute-force megközelítés (lineáris keresés)
+     *
+     * @param query A keresési query vektor
+     * @param k A visszaadandó találatok száma (top-K)
+     * @param mode A keresési mód (cosine similarity vagy L2 distance)
+     * @param candidateIds Opcionális jelölt-ID szűrő: ha meg van adva, a keresés CSAK az ebben a
+     *   halmazban lévő ID-kra fut (a többit `Set.has` O(1)-gyel kihagyja). Így a hívónak NEM kell külön
+     *   szűkített pool-t építenie + a vektorokat újra-normalizálnia — a keresés a MÁR előre-normalizált
+     *   `normalizedVectorPool`-on iterál allokáció-mentesen. Üres halmaz → üres eredmény.
+     * @returns A top-K találatok ID-val és score-rel, megfelelő sorrendben
+     */
+    search(query, k, mode, candidateIds) {
+        // Üres jelölt-halmaz → nincs mit keresni (a `undefined` viszont „nincs szűrés" = teljes pool).
+        if (candidateIds && candidateIds.size === 0) {
+            return [];
+        }
+        if (!Array.isArray(query) || query.length === 0) {
+            throw new Error('Query vector must be a non-empty array');
+        }
+        // BFR-AM-013 (NaN/±Inf-guard): nem-véges query-elem NÉMÁN mérgezné a TELJES rangsort
+        // (minden dot-product NaN → a valódi találatok kiesnek, hiba nélkül) → fail-closed throw.
+        for (let i = 0; i < query.length; i++) {
+            if (!Number.isFinite(query[i])) {
+                throw new Error(`Query vector must contain only finite numbers (non-finite at index ${i})`);
+            }
+        }
+        if (k <= 0) {
+            throw new Error('k must be a positive number');
+        }
+        // `normalizedOnly` módban nincs nyers pool → l2Distance nem számolható (csak cosine).
+        if (this.normalizedOnly && mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance) {
+            throw new Error('l2Distance search is not available in normalizedOnly mode (raw vectors are not stored)');
+        }
+        // Üres pool → üres eredmény. A `normalizedVectorPool` a forrás (mindkét módban populált; a nyers
+        // `vectorPool` `normalizedOnly`-ban üres, ezért NEM azon ellenőrzünk).
+        if (this.normalizedVectorPool.size === 0) {
+            return [];
+        }
+        // Validáljuk, hogy minden vektor ugyanolyan dimenziójú-e. A referencia-pool mód-függő: l2 a nyers,
+        // cosine a normalizált (azonos dimenzió, de `normalizedOnly`-ban a nyers pool üres).
+        const referencePool = mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance ? this.vectorPool : this.normalizedVectorPool;
+        const firstVector = referencePool.values().next().value;
+        if (firstVector && firstVector.length !== query.length) {
+            throw new Error(`Query vector dimension (${query.length}) does not match pool vector ` +
+                `dimension (${firstVector.length})`);
+        }
+        // Számoljuk ki a hasonlóságot/távolságot minden vektorra
+        const results = [];
+        if (mode === lvs_search_mode_enum_1.LVS_Search_Mode.cosineSimilarity) {
+            // PERF (BFR-AM-013): a query-t EGYSZER normalizáljuk, majd dot-product a MÁR ELŐRE eltárolt
+            // `normalizedVectorPool` (l2-normalizált) vektorok ellen. Eredmény AZONOS a régi
+            // `cosineSimilarity(query, vector)`-ral (= dot(norm(q), norm(v))), de:
+            //  (1) NEM normalizáljuk újra MINDEN vektort MINDEN keresésnél (a normalizálás a `addVector`-ban
+            //      egyszer megtörtént) → ~3× kevesebb FLOP;
+            //  (2) a per-összehasonlítás dot-product ALLOKÁCIÓ-MENTES (a régi `l2Normalize` hívásonként KÉT új
+            //      tömböt allokált → egy 24k-vektoros keresés ~48k tömb-allokáció + GC-spike-ot okozott).
+            // A drágán eltárolt `normalizedVectorPool` korábban SOHA nem volt használva a keresésben.
+            const queryNormalized = LVS_VectorPool_ControlService.l2NormalizeFloat32(query);
+            // BFR-AM-013 (NaN-guard, defensive): ha egy tárolt vektor mégis NaN-score-t adna (elvileg az
+            // addVector-guard kizárja), a találat KIESIK — nem mérgezi a rangsort — és warn-t adunk (nem néma).
+            let nanScoreCount = 0;
+            for (const [id, normalizedVector] of this.normalizedVectorPool.entries()) {
+                if (candidateIds && !candidateIds.has(id)) {
+                    continue;
+                }
+                let dotProduct = 0;
+                for (let i = 0; i < queryNormalized.length; i++) {
+                    dotProduct += queryNormalized[i] * normalizedVector[i];
+                }
+                if (!Number.isFinite(dotProduct)) {
+                    nanScoreCount++;
+                    continue;
+                }
+                results.push({ id, score: dotProduct });
+            }
+            if (nanScoreCount) {
+                fsm_dynamo_1.DyFM_Log.warn(`[LVS search] ${nanScoreCount} vector(s) produced non-finite scores and were skipped.`);
+            }
+            // Cosine similarity: csökkenő sorrend (legnagyobb hasonlóság először)
+            results.sort((a, b) => b.score - a.score);
+        }
+        else if (mode === lvs_search_mode_enum_1.LVS_Search_Mode.l2Distance) {
+            for (const [id, vector] of this.vectorPool.entries()) {
+                if (candidateIds && !candidateIds.has(id)) {
+                    continue;
+                }
+                results.push({ id, score: LVS_VectorPool_ControlService.l2Distance(query, vector) });
+            }
+            // L2 distance: növekvő sorrend (legkisebb távolság először)
+            results.sort((a, b) => a.score - b.score);
+        }
+        else {
+            throw new Error(`Unknown search mode: ${mode}`);
+        }
+        // Visszaadjuk a top-K találatot
+        return results.slice(0, k);
+    }
+}
+exports.LVS_VectorPool_ControlService = LVS_VectorPool_ControlService;
 //# sourceMappingURL=lvs-vector-pool.control-service.js.map

package/build/_modules/local-vector-search/index.d.ts

@@ -1,9 +1,9 @@
-export * from './_enums/lvs-search-mode.enum';
-export * from './_models/lvs-search-result.interface';
-export * from './_models/data-models/lvs-vector-persist.data-model';
-export * from './_services/lvs-doc-chunk-data.service';
-export * from './_services/lvs-local-vector-search.data-service';
-export * from './_services/lvs-vector-pool.control-service';
-export * from './_services/lvs-vector-persist.data-service';
-export * from './_services/lvs-persistent-vector-pool.control-service';
+export * from './_enums/lvs-search-mode.enum';
+export * from './_models/lvs-search-result.interface';
+export * from './_models/data-models/lvs-vector-persist.data-model';
+export * from './_services/lvs-doc-chunk-data.service';
+export * from './_services/lvs-local-vector-search.data-service';
+export * from './_services/lvs-vector-pool.control-service';
+export * from './_services/lvs-vector-persist.data-service';
+export * from './_services/lvs-persistent-vector-pool.control-service';
 //# sourceMappingURL=index.d.ts.map

package/build/_modules/local-vector-search/index.js

@@ -1,16 +1,16 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
-const tslib_1 = require("tslib");
-// ENUMS
-tslib_1.__exportStar(require("./_enums/lvs-search-mode.enum"), exports);
-// INTERFACES
-tslib_1.__exportStar(require("./_models/lvs-search-result.interface"), exports);
-// DATA MODELS
-tslib_1.__exportStar(require("./_models/data-models/lvs-vector-persist.data-model"), exports);
-// SERVICES
-tslib_1.__exportStar(require("./_services/lvs-doc-chunk-data.service"), exports);
-tslib_1.__exportStar(require("./_services/lvs-local-vector-search.data-service"), exports);
-tslib_1.__exportStar(require("./_services/lvs-vector-pool.control-service"), exports);
-tslib_1.__exportStar(require("./_services/lvs-vector-persist.data-service"), exports);
-tslib_1.__exportStar(require("./_services/lvs-persistent-vector-pool.control-service"), exports);
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
+const tslib_1 = require("tslib");
+// ENUMS
+tslib_1.__exportStar(require("./_enums/lvs-search-mode.enum"), exports);
+// INTERFACES
+tslib_1.__exportStar(require("./_models/lvs-search-result.interface"), exports);
+// DATA MODELS
+tslib_1.__exportStar(require("./_models/data-models/lvs-vector-persist.data-model"), exports);
+// SERVICES
+tslib_1.__exportStar(require("./_services/lvs-doc-chunk-data.service"), exports);
+tslib_1.__exportStar(require("./_services/lvs-local-vector-search.data-service"), exports);
+tslib_1.__exportStar(require("./_services/lvs-vector-pool.control-service"), exports);
+tslib_1.__exportStar(require("./_services/lvs-vector-persist.data-service"), exports);
+tslib_1.__exportStar(require("./_services/lvs-persistent-vector-pool.control-service"), exports);
 //# sourceMappingURL=index.js.map

package/build/_modules/logs/_models/file-log-entry.interface.d.ts

@@ -1,14 +1,14 @@
-/**
- * Egy log fajl meta-adata a listazasban.
- */
-export interface DyNTS_FileLog_Entry {
-    /** Fajlnev (csak basename — NEM teljes path). */
-    name: string;
-    /** Fajlmeret byte-ban. */
-    sizeBytes: number;
-    /** Modositasi ido ms-ban (mtimeMs). */
-    mtimeMs: number;
-    /** Igaz, ha ez az aktualis aktiv session fajlja. */
-    isCurrent: boolean;
-}
+/**
+ * Egy log fajl meta-adata a listazasban.
+ */
+export interface DyNTS_FileLog_Entry {
+    /** Fajlnev (csak basename — NEM teljes path). */
+    name: string;
+    /** Fajlmeret byte-ban. */
+    sizeBytes: number;
+    /** Modositasi ido ms-ban (mtimeMs). */
+    mtimeMs: number;
+    /** Igaz, ha ez az aktualis aktiv session fajlja. */
+    isCurrent: boolean;
+}
 //# sourceMappingURL=file-log-entry.interface.d.ts.map

package/build/_modules/logs/_models/file-log-entry.interface.js

@@ -1,3 +1,3 @@
-"use strict";
-Object.defineProperty(exports, "__esModule", { value: true });
+"use strict";
+Object.defineProperty(exports, "__esModule", { value: true });
 //# sourceMappingURL=file-log-entry.interface.js.map