openvector_dev 0.1.7__tar.gz → 0.1.8__tar.gz

{openvector_dev-0.1.7 → openvector_dev-0.1.8}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.3
 Name: openvector_dev
-Version: 0.1.7
+Version: 0.1.8
 Summary: 
 Author: p00ler
 Author-email: liveitspain@gmail.com

{openvector_dev-0.1.7 → openvector_dev-0.1.8}/pyproject.toml

@@ -1,6 +1,6 @@
 [project]
 name = "openvector_dev"
-version = "0.1.7"
+version = "0.1.8"
 description = ""
 authors = [
     {name = "p00ler",email = "liveitspain@gmail.com"}

{openvector_dev-0.1.7 → openvector_dev-0.1.8}/src/lein_vector/api/facade.py

@@ -54,70 +54,6 @@ class Memory:
         long_mem = MemoryManagerQdrant(adapter, embedder)
         return cls(short_mem, long_mem, embedder)
 
-    async def step_user(
-        self, *, bot: str, user_id: int, user_msg: str, topk: int = 3, history_n: int = 20
-    ):
-        """
-        :param bot: Идентификатор бота.
-        :param user_id: Идентификатор пользователя.
-        :param user_msg: Текст сообщения пользователя.
-        :param topk: Количество релевантных чанков из долговременной памяти.
-        :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
-        await self.short.add(
-            bot=bot,
-            user_id=user_id,
-            role="user",
-            text=user_msg,
-            extra={"msg_no": curr_no},
-        )
-        embedding = await self.embed.get_embedding(user_msg)
-        long_memories = await self.long.retrieve_by_embedding(
-            user_id=user_id,
-            embedding=embedding,
-            topk=topk,
-            filter_={"bot": bot},
-            score_threshold=0.7
-        )
-        short_ctx = await self.short.window(user_id, history_n)
-        return {"short_term": short_ctx, "long_term": long_memories}
-
-    async def step_user_oai(
-        self,
-        user_id: int,
-        user_msg: str,
-        bot: str,
-        *,
-        topk: int = 3,
-        history_n: int = 20,
-    ) -> dict:
-        """
-        :param user_id: Идентификатор пользователя.
-        :param user_msg: Текст сообщения пользователя.
-        :param bot: Идентификатор бота.
-        :param topk: Количество релевантных чанков из долговременной памяти.
-        :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"])
-        return data
-
     @staticmethod
     def _to_openai(msgs: list[dict]) -> list[dict]:
         """
@@ -195,8 +131,13 @@ class Memory:
         """
         # 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"})
+        return await self.long.retrieve_by_embeddings(
+            user_id=user_id,
+            bot=bot,
+            embeddings=search_terms,
+            score_threshold=0.72,
+            filter_={"chunk_type": "type1"},
+        )
 
     async def get_short_memories(self, user_id: int, bot: str, n_memories: int = 20) -> list:
         """

{openvector_dev-0.1.7 → openvector_dev-0.1.8}/src/lein_vector/memory_manager_qdrant.py

@@ -52,10 +52,10 @@ class MemoryManagerQdrant(MemoryManagerABC):
 
     async def retrieve_by_embeddings(
         self,
+        bot: str,
         user_id: int,
         embeddings: list[list[float]],
         *,
-        bot: str,
         topk: int = 3,
         filter_: dict[str, Any] | None = None,
         score_threshold: float | None = None,