core: чанкер markdown по заголовкам с перекрытием

2026-10-02 01:14:00 +03:00
parent d62a26f5b1
commit de3cb24edc
4 changed files with 196 additions and 1 deletions
@@ -0,0 +1,57 @@
+Проект: /root/WORK/memo (Kotlin/JVM). Заказ по индексации markdown-файлов в базу.
+
+Создать РОВНО ОДИН новый файл: memo-core/src/main/kotlin/memo/core/Indexer.kt
+Дополнить существующий: memo-core/src/test/kotlin/memo/core/CoreSmokeTest.kt (добавить ОДИН новый тест-метод в конец класса, существующие не трогать)
+
+## Indexer.kt
+
+package memo.core
+
+class Indexer(private val db: Db, private val embedder: Embedder) {
+
+    /** Индексирует один файл. Возвращает true, если файл был (пере)проиндексирован,
+     *  false — если пропущен (не изменился с прошлой индексации). */
+    fun indexFile(path: java.io.File): Boolean
+
+    /** Индексирует все .md файлы в дереве каталога root (рекурсивно). Возвращает число
+     *  реально переиндексированных файлов. */
+    fun indexTree(root: java.io.File): Int
+}
+
+Правила:
+1. Перед индексацией файла сравнить с записью в таблице files по колонке path:
+   - если записи нет — индексировать;
+   - если mtime и size совпадают с сохранёнными — вернуть false, ничего не делать (НЕ считать хэш);
+   - если mtime/size изменились — посчитать sha-256 содержимого; если хэш совпал с сохранённым —
+     обновить в files поля mtime/size/indexed_at (файл тронули, содержимое то же) и вернуть false;
+   - иначе — полная переиндексация файла.
+2. Полная переиндексация файла: удалить из chunks все строки с этим path; удалить из chunks_fts строки
+   с rowid из удалённых chunks (DELETE FROM chunks_fts WHERE rowid IN (...)); то же для chunks_vec.
+   Затем разбить текст через chunkMarkdown (см. memo-core/src/main/kotlin/memo/core/Chunker.kt),
+   для каждого чанка: посчитать эмбеддинг embedder.embed(chunk.text), вставить строку в chunks,
+   взять last_insert_rowid() и вставить те же rowid в chunks_fts (колонки text, heading)
+   и в chunks_vec (колонка embedding). Всё — в одной транзакции (conn.beginTransaction/commit/rollback).
+3. В files писать: path (абсолютный), mtime (доля секунды, REAL), size, hash (hex sha-256), indexed_at (epoch секунды).
+4. indexTree: обход рекурсивно, только файлы с расширением .md, скрытые каталоги (начинающиеся с '.')
+   и каталоги .memo не обходить. Возвращать число переиндексированных файлов.
+
+## Тест: добавить в CoreSmokeTest.kt метод
+
+fun indexerSkipsUnchangedFile()
+
+- создать временный каталог, в нём файл note.md с содержимым "# Заголовок\nтело заметки\n## Второй\nещё текст";
+- создать Db на временном index.db (не забыть db.init()) и Embedder на модели
+  (путь брать так же, как в существующем тесте embedderProduces768 — через MEMO_MODEL_DIR);
+- первый indexFile(...) должен вернуть true;
+- второй indexFile(...) сразу же — обязан вернуть false (файл не менялся);
+- дописать в файл "\n## Третий\nновый текст\n", второй indexFile обязан вернуть true;
+- в конце: assertTrue, что SELECT count(*) FROM chunks без условия больше нуля (запрос через db.conn).
+
+После: ./gradlew :memo-core:test --rerun-tasks — все тесты зелёные.
+Коммит: git add -A && git commit -m "core: индексатор файлов с пропуском неизменённых"
+
+СТРОГИЕ ЗАПРЕТЫ:
+- Не выводить план текстом; сразу создавай/правь файлы.
+- Не трогать Chunker.kt, Embedder.kt, Db.kt, build.gradle.kts и любые другие файлы.
+- Не менять существующие тесты.
+- Не добавлять зависимости.