openvector_dev 0.1.5__py3-none-any.whl → 0.1.7__py3-none-any.whl

lein_vector/api/facade.py

@@ -7,6 +7,7 @@ import redis.asyncio as aioredis
 from lein_vector import MemoryManagerQdrant, QdrantAdapter, RedisShortTermMemory
 from lein_vector.schemas.chunk import Chunk, ChunkPayload
 from lein_vector.sentence_transformer import EmbeddingProviderGemini
+import warnings
 
 
 class Memory:
@@ -23,6 +24,8 @@ class Memory:
         self._msg_no: dict[int, int] = {}
         self.merge_n = merge_n
 
+        self.score_threshold = 0.72
+
     @classmethod
     async def from_qdrant(
         cls,
@@ -62,6 +65,11 @@ class Memory:
         :param history_n: Размер окна кратковременной памяти.
         :returns: Словарь с short_term и long_term сообщениями.
         """
+        warnings.warn(
+            "Заменили на низкоуровневые методы",
+            DeprecationWarning,
+            stacklevel=2
+        )
         key = (user_id, bot)
         curr_no = self._msg_no.get(key, 0) + 1
         self._msg_no[key] = curr_no
@@ -100,6 +108,11 @@ class Memory:
         :param history_n: Размер окна кратковременной памяти.
         :returns: Данные short_term и long_term в формате OpenAI-совместимого вывода.
         """
+        warnings.warn(
+            "Заменили на низкоуровневые методы",
+            DeprecationWarning,
+            stacklevel=2
+        )
         data = await self.step_user(user_id, bot, user_msg, topk=topk, history_n=history_n)
         data["short_term"] = self._to_openai(data["short_term"])
         data["long_term"] = self._chunk_texts(data["long_term"])
@@ -127,11 +140,12 @@ class Memory:
         save_pair: bool = True,
     ):
         """
-        :param user_id: Идентификатор пользователя.
-        :param gf_msg: Сообщение от gf (assistant).
-        :param bot: Идентификатор бота.
-        :param block_size: Размер блока для сохранения в долговременной памяти.
-        :param save_pair: Флаг, сохранять ли пару сообщений при достижении block_size.
+        Добавляет в чанк памяти ответ ассистента.
+        :param user_id: Идентификатор пользователя
+        :param gf_msg: Сообщение от gf (assistant)
+        :param bot: Идентификатор бота
+        :param block_size: Размер блока для сохранения в долговременной памяти
+        :param save_pair: Флаг, сохранять ли пару сообщений при достижении block_size
         """
         key = (user_id, bot)
         curr_no = self._msg_no.get(key, 0) + 1
@@ -170,50 +184,46 @@ class Memory:
         if curr_no % 40 == 0:
             await self.long.merge_old_chunks(user_id, "type0", n=self.merge_n)
 
-    async def _get_short_term(self, n=10) -> list:
-        """
-        :param n: Количество последних сообщений кратковременной памяти.
-        :returns: Список сообщений.
-        """
-        return await self.short.window(n)
-
-    async def _get_long_term(
-        self, user_id: int, embedding: list[float], topk: int = 3
-    ) -> list:
-        """
-        :param user_id: Идентификатор пользователя.
-        :param embedding: Вектор эмбеддинга для поиска.
-        :param topk: Количество возвращаемых чанков.
-        :returns: Список чанков.
+    async def get_long_memories(self, user_id: int, bot: str, search_terms: list[str], topk: int = 3) -> list:
         """
-        return await self.long.retrieve_by_embedding(user_id, embedding, topk)
-
-    async def get_memories(self, user_id: int, search_terms: list[str], topk: int = 3) -> list:
-        """
-        :param user_id: Идентификатор пользователя.
-        :param search_terms: Список поисковых запросов (строк).
-        :param topk: Количество возвращаемых чанков на запрос.
-        :returns: Список релевантных чанков.
+        Возвращает ТОЛЬКО длительную память по списку тем.
+        :param bot: Кодовое имя бота
+        :param user_id: Идентификатор пользователя
+        :param search_terms: Список поисковых запросов (строк)
+        :param topk: Количество возвращаемых чанков на запрос
+        :returns: Список релевантных чанков
         """
+        # wtf: Добавить фильтр только саммари
         search_terms = [await self.embed.get_embedding(term) for term in search_terms]
-        return await self.long.retrieve_by_embeddings(user_id, search_terms, topk)
+        return await self.long.retrieve_by_embeddings(user_id, search_terms, topk,
+                                                      bot=bot, score_threshold=0.72, filter_={"chunk_type": "type1"})
 
-    async def _add_to_short(self, role: str, text: str) -> None:
+    async def get_short_memories(self, user_id: int, bot: str, n_memories: int = 20) -> list:
         """
-        :param role: Роль сообщения.
-        :param text: Текст сообщения.
+        Возвращает ТОЛЬКО кратковременную память по списку тем
+        :param bot: Кодовое имя бота
+        :param user_id: Идентификатор пользователя
+        :param n_memories: Количество последних сообщений кратковременной памяти
+        :returns: Список сообщений
         """
-        await self.short.add(role, text)
+        data = await self.short.window(user_id, bot, n_memories)
+        return self._to_openai(data)
 
-    async def _add_to_long(self, user_id: int, chunk: Chunk) -> None:
+    async def add_short_msg(self, user_id: int, bot: str, text: str, *, role: str = "user"):
         """
-        :param user_id: Идентификатор пользователя.
-        :param chunk: Экземпляр Chunk для сохранения.
+        Добавляет в "короткую память" новое сообщение
+        :param user_id: Идентификатор пользователя
+        :param bot: Кодовое имя бота
+        :param text: Сообщение для записи
+        :param role: Роль в диалоге
+        :type role: str = "user"
+        :return:
         """
-        await self.long.upsert_chunk(user_id, chunk)
+        await self.short.add(bot=bot, user_id=user_id, role=role, text=text)
 
     async def delete_memory(self, user_id: int) -> None:
         """
+        Удаляет
         :param user_id: Идентификатор пользователя.
         """
         await self.long.delete_all(user_id)

lein_vector/memory_manager_qdrant.py

@@ -144,6 +144,7 @@ class MemoryManagerQdrant(MemoryManagerABC):
     async def retrieve_filtered(
         self, user_id: int, bot: str, filter_: dict[str, Any], topk: int = 10
     ) -> list[ChunkPayload]:
+        raise NotImplementedError
         q_filter = {"user_id": user_id, "bot": bot}
         q_filter.update(filter_)
         return await self.qdrant.get_all_chunks_with_filter(q_filter, topk=topk)

lein_vector/sentence_transformer.py

@@ -22,11 +22,10 @@ class EmbeddingProviderGemini(EmbeddingProviderABC):
     async def get_embedding(self, text: str) -> list[float]:
         # В Gemini SDK обычно нет async, значит — обёртка через run_in_executor:
         import asyncio
-
+        if not isinstance(text, str):
+            return
         loop = asyncio.get_running_loop()
-        # SDK call внутри executor
         embedding = await loop.run_in_executor(None, lambda: self._genai_embed(text))
-        # Ответ — dict с 'embedding' или 'values'
         return embedding.embeddings[0].values
 
     async def get_embeddings(self, texts: list[str]) -> list[list[float]]:

{openvector_dev-0.1.5.dist-info → openvector_dev-0.1.7.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.3
 Name: openvector_dev
-Version: 0.1.5
+Version: 0.1.7
 Summary: 
 Author: p00ler
 Author-email: liveitspain@gmail.com

{openvector_dev-0.1.5.dist-info → openvector_dev-0.1.7.dist-info}/RECORD

@@ -1,17 +1,17 @@
 lein_vector/__init__.py,sha256=ieXy65X4eVzUtSHNvlh00s4aMwKReafNni4s2q68z3Q,496
 lein_vector/api/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
-lein_vector/api/facade.py,sha256=ge85_b0d-6n_B8PTRKL9kxIVhQQ5KazxanFLs6S_uEQ,9888
+lein_vector/api/facade.py,sha256=f0Cwib5maw4Ae9QEmc5xDkx4Y2ozIzDQUqJ7jOdg2pg,10634
 lein_vector/bases/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 lein_vector/bases/embeding_provider_abc.py,sha256=WBpVC6ra-SYqhJeZs8R8U679wfGebXgwOOVPIii-IvY,265
 lein_vector/bases/memory_manager_abc.py,sha256=pWuIw_wYlvUlt40jbiE92lWzdYaowZKg3XK0Mq0tQrw,1687
-lein_vector/memory_manager_qdrant.py,sha256=lTZu9i32S0d1ks8lIkXBZTkWklwctfxNiFy0s8VW0xc,6140
+lein_vector/memory_manager_qdrant.py,sha256=gbOyXl3bm3H5EfvStOC6n4sWD85i8zWe97iKp6AvPDw,6175
 lein_vector/memory_manager_ram.py,sha256=lUATu6U-cZuRHnR6U1L8aJQB8FNK0Wi40vXsZ5fjDgI,6002
 lein_vector/qdrant_adapter.py,sha256=uPhYAp0KmYQhY3DF29JMO1JTbM__xDWGlnZZPor3VKI,4193
 lein_vector/redis_short_term.py,sha256=uCcncjgXAlNAY46b3_Pjvrn_G0NEI16kRRR9hxayzak,3155
 lein_vector/schemas/__init__.py,sha256=47DEQpj8HBSa-_TImW-5JCeuQeRkm5NMpJWZG3hSuFU,0
 lein_vector/schemas/chunk.py,sha256=FSUwaFUSZk2ptoxupsdIfj5HYAMnHnu3eBfNpXCUMpM,1195
-lein_vector/sentence_transformer.py,sha256=ep6Y9qu8O4_qK4q14BPNxtSe0gBi-mH04xfy1-dhlUE,1898
+lein_vector/sentence_transformer.py,sha256=gbWtkT01QFFA0IR_Ta-xsfBfb6owDzGnZDKY1g9fvBQ,1851
 lein_vector/short_term.py,sha256=KFot9r26d9TZYLscVT42V0NwufIQUkx-hftOe2p7qLU,1933
-openvector_dev-0.1.5.dist-info/METADATA,sha256=LIdZ629onFJKS8Cxw-jlr7Q4FbyvVUKvcXh0Gp3vfW4,3167
-openvector_dev-0.1.5.dist-info/WHEEL,sha256=XbeZDeTWKc1w7CSIyre5aMDU_-PohRwTQceYnisIYYY,88
-openvector_dev-0.1.5.dist-info/RECORD,,
+openvector_dev-0.1.7.dist-info/METADATA,sha256=jNE4MlXel9eZ0iNEIg-JaFdIcAOCqBdxVUdVlNoKBqE,3167
+openvector_dev-0.1.7.dist-info/WHEEL,sha256=XbeZDeTWKc1w7CSIyre5aMDU_-PohRwTQceYnisIYYY,88
+openvector_dev-0.1.7.dist-info/RECORD,,