openvector_dev 0.1.5__tar.gz → 0.1.6__tar.gz

{openvector_dev-0.1.5 → openvector_dev-0.1.6}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.3
 Name: openvector_dev
-Version: 0.1.5
+Version: 0.1.6
 Summary: 
 Author: p00ler
 Author-email: liveitspain@gmail.com

{openvector_dev-0.1.5 → openvector_dev-0.1.6}/pyproject.toml

@@ -1,6 +1,6 @@
 [project]
 name = "openvector_dev"
-version = "0.1.5"
+version = "0.1.6"
 description = ""
 authors = [
     {name = "p00ler",email = "liveitspain@gmail.com"}

{openvector_dev-0.1.5 → openvector_dev-0.1.6}/src/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:
@@ -62,6 +63,11 @@ 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 +106,11 @@ 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 +138,12 @@ 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
@@ -170,12 +182,30 @@ 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:
+    async def get_long_memories(self, user_id: int, bot: str, search_terms: list[str], topk: int = 3) -> list:
         """
-        :param n: Количество последних сообщений кратковременной памяти.
-        :returns: Список сообщений.
+        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
         """
-        return await self.short.window(n)
+        # 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,
+                                                      bot=bot, score_threshold=0.72, filter_={"chunk_type": "type1"})
+
+    async def get_short_memories(self, user_id: int, bot: str, n_memories: int = 20) -> list:
+        """
+        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
+        """
+        data = await self.short.window(user_id, bot, n_memories)
+        return self._to_openai(data)
 
     async def _get_long_term(
         self, user_id: int, embedding: list[float], topk: int = 3
@@ -188,16 +218,6 @@ class Memory:
         """
         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.
-        """
-        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)
-
     async def _add_to_short(self, role: str, text: str) -> None:
         """
         :param role: Роль сообщения.

{openvector_dev-0.1.5 → openvector_dev-0.1.6}/src/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)