155 lines
8.0 KiB
Markdown
155 lines
8.0 KiB
Markdown
# CLAUDE.md
|
||
|
||
This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
|
||
|
||
## 项目概述
|
||
|
||
Markdown 文档向量数据库 — 将 .md 文件分块 → 嵌入 → 存入 ChromaDB，通过 FastAPI HTTP 或 CLI 提供语义检索。
|
||
|
||
## 常用命令
|
||
|
||
```bash
|
||
# --- 安装与测试 ---
|
||
uv sync # 安装依赖（lockfile 已锁定 CUDA torch）
|
||
uv run pytest tests/ -v # 全部测试 (115+ 个)
|
||
uv run pytest tests/test_api.py -v # 单个测试模块
|
||
uv run pytest tests/ -v -k "test_search" # 按名称过滤
|
||
|
||
# --- CLI 命令（所有命令支持 --config/-c 和 --collection/-C） ---
|
||
uv run md-vector-db ingest <file.md> # 入库单文件（或: python -m src.cli.main ingest）
|
||
uv run md-vector-db ingest-dir ./md_docs/ # 入库目录
|
||
uv run md-vector-db search "关键词" -k 5 # 搜索 default 集合
|
||
uv run md-vector-db search "关键词" -C obsidian_blog -k 5 # 搜索博客知识库
|
||
uv run md-vector-db search "..." -C obsidian_blog --json # JSON 输出（MCP 用）
|
||
uv run md-vector-db stats -C obsidian_blog # 集合统计
|
||
uv run md-vector-db serve --port 8000 # 启动 HTTP API
|
||
|
||
# --- 批量入库 Obsidian ---
|
||
uv run python scripts/ingest_obsidian.py
|
||
```
|
||
|
||
## 架构
|
||
|
||
```
|
||
├── core/ # 核心逻辑（不依赖 server/cli）
|
||
│ ├── config.py # YAML → dataclass, load_dotenv() 加载 .env
|
||
│ ├── db.py # VectorDB: 线程安全的 ChromaDB 封装
|
||
│ ├── embedder.py # 策略模式: LocalEmbedder / OpenAIEmbedder / DashscopeEmbedder
|
||
│ ├── ingest.py # DocumentIngestor: 按扩展名自动选择 Splitter
|
||
│ ├── search.py # Searcher: 语义检索 + 源文件管理
|
||
│ └── splitters/ # 文档分块器包
|
||
│ ├── base.py # Splitter(Protocol) + BaseTextSplitter(ABC)
|
||
│ ├── markdown.py # MarkdownSplitter: 标题+段落混合分块
|
||
│ ├── text.py # TextSplitter: 纯文本段落切分
|
||
│ ├── pdf.py # PDFSplitter: pymupdf 提取文字
|
||
│ ├── html.py # HTMLSplitter: bs4 去标签
|
||
│ └── registry.py # 扩展名 → Splitter 自动选择
|
||
|
||
server/ # FastAPI HTTP 层
|
||
├── app.py # Depends(get_state) 依赖注入, 速率限制中间件
|
||
├── deps.py # AppState: 集中管理 db/embedder/searcher/ingestor
|
||
└── auth.py # API Key 认证 (MD_VECTOR_API_KEY) + 速率限制器
|
||
|
||
cli/main.py # Typer CLI，5 个命令 + --config 选项
|
||
```
|
||
|
||
**数据流**: 文件 → `get_splitter(path)` 自动选择 → `Splitter.split()` → `batch_embed()` → `ChromaDB collection.add()` → `Searcher.search()`
|
||
|
||
**支持的格式**: `.md` / `.txt` / `.pdf` / `.html` — 安装可选依赖: `uv sync --extra all`
|
||
|
||
**依赖方向**: `config` ← `db` ← `embedder` ← `ingest`/`search` ← `server`/`cli`
|
||
|
||
## 关键实现细节
|
||
|
||
### GPU 支持 (embedder.py)
|
||
|
||
`LocalEmbedder.__init__` 自动检测 CUDA：`torch.cuda.is_available()` → 优先使用 GPU（RTX 4060），否则 CPU。模型首次加载用 `local_files_only=True`，未缓存时自动走 `hf-mirror.com` 镜像下载。
|
||
|
||
**GPU vs CPU 对比**（bge-small-zh-v1.5, 96KB 文件 / 729 chunks）：
|
||
|
||
- CPU: 文件几秒完成，但超 15 chunks 的文件逐渐变慢，320 chunks 以上可能几分钟
|
||
- GPU: 729 chunks 嵌入仅 1.8s（含分块+嵌入+ChromaDB 写入）
|
||
|
||
### 嵌入 Provider 架构 (embedder.py)
|
||
|
||
策略模式，接口 `Embedder(Protocol)`:
|
||
|
||
| Provider | 类 | API 格式 | 默认模型 | 向量维度 |
|
||
| ------------- | --------------------- | --------------------------- | ---------------------- | -------- |
|
||
| `local` | `LocalEmbedder` | sentence-transformers + GPU | BAAI/bge-small-zh-v1.5 | 512 |
|
||
| `openai` | `OpenAIEmbedder` | OpenAI 兼容 | text-embedding-3-small | 1536 |
|
||
| `dashscope` | `DashscopeEmbedder` | 阿里云自定义 HTTP | text-embedding-v4 | 1536 |
|
||
|
||
`config.api_base` / `config.model` 可覆盖默认值。`batch_embed()` 分批嵌入（每批 32 条）防 OOM。
|
||
|
||
### 线程安全 (db.py + ingest.py + search.py)
|
||
|
||
`VectorDB._write_lock` (`threading.Lock`) 保护所有写操作（`collection.add` / `delete` / `get+delete`）。
|
||
|
||
### 认证与安全 (auth.py + app.py)
|
||
|
||
- **API Key**: 环境变量 `MD_VECTOR_API_KEY` → `verify_api_key` 依赖注入到 ingest/search/delete 端点；未设置则跳过
|
||
- **速率限制**: `RateLimiter` 中间件，默认 60s 窗口内最多 30 请求
|
||
- **路径遍历防护**: `_is_safe_path()` 拒绝绝对路径和 `..` 穿越
|
||
- **错误信息**: 500 返回通用消息，详细错误记入 `logger.exception`
|
||
|
||
### 配置系统 (config.py)
|
||
|
||
`config.py` 顶部 `load_dotenv()` 自动加载 `.env`。`EMBED_API_KEY` 从环境变量读取。`DEFAULT_CONFIG_PATH = "config.yaml"` 统一引用。
|
||
|
||
### 服务层 (deps.py + app.py)
|
||
|
||
`AppState` 类集中管理 `db`/`embedder`/`searcher`/`ingestor` 单例。端点通过 `FastAPI Depends(get_state)` 获取，可测试、可替换。`is_healthy()` 真实验证 ChromaDB 和 Embedder 可用性。
|
||
|
||
## 配置
|
||
|
||
`config.yaml` + `.env` 联合控制。复制 `.env.example` 为 `.env` 填入密钥。
|
||
|
||
## HTTP API
|
||
|
||
| 方法 | 路径 | 认证 | 说明 |
|
||
| ------ | --------------------------------- | ------- | ------------------------------------- |
|
||
| GET | `/` | - | 重定向到 /docs |
|
||
| GET | `/api/v1/health` | - | 真实健康检查 (ChromaDB + Embedder) |
|
||
| GET | `/api/v1/collections` | - | 集合和源文件列表 |
|
||
| POST | `/api/v1/ingest` | API Key | 入库 (file_path 或 content+file_name) |
|
||
| POST | `/api/v1/search` | API Key | 语义检索 (query + top_k 1-100) |
|
||
| DELETE | `/api/v1/documents/{file_name}` | API Key | 按文件名删除 |
|
||
|
||
## 已入库知识库
|
||
|
||
| 集合名 | 来源 | 文件数 | chunks | 说明 |
|
||
|--------|------|--------|--------|------|
|
||
| `novel_taohou` | `D:\Code\doing_exercises\exercise\Novel\我有太后罩着，你们有什么\原有章节剧情` | 220 | 670 | 小说章节（GPU bge-small-v1.5） |
|
||
| `obsidian_blog` | `D:\Code\Obsidian` | 51 | 3,611 | 博客笔记（GPU bge-small-v1.5） |
|
||
| `default` | 测试文件 | 2 | ~30 | test-guide.md + stdin-doc.md |
|
||
|
||
搜索时务必用 `-C` 指定集合，否则只会搜到 default 中的测试数据。
|
||
|
||
**小说搜索示例**：
|
||
```bash
|
||
uv run md-vector-db search "张莽和孙太后的关系" -k 3 -C novel_taohou
|
||
uv run md-vector-db search "抄家事件" -k 5 -C novel_taohou
|
||
uv run md-vector-db search "文谦变法" -k 3 -C novel_taohou
|
||
```
|
||
|
||
## 已知问题 / 注意事项
|
||
|
||
### uv 与 CUDA torch 的兼容配置
|
||
|
||
本机全局 `UV_INDEX_URL` 指向阿里云镜像（只有 CPU 版 torch），`pyproject.toml` 通过以下配置让 uv 从本地 wheel 取 CUDA 版：
|
||
|
||
```toml
|
||
[tool.uv]
|
||
find-links = ["D:/settings/Language/Python/库"] # 本地 CUDA wheel 目录
|
||
index-strategy = "unsafe-best-match" # 允许跨源查找
|
||
```
|
||
|
||
`uv.lock` 已锁定：Windows 平台 → torch 2.6.0+cu124（本地），Linux/Mac → CPU torch（清华源）。
|
||
**不要删除 `[tool.uv]` 配置**，否则 `uv sync` 会重新解析为 CPU 版 torch。
|
||
|
||
### MarkdownSplitter 边界情况
|
||
`_split_single_paragraph` 中，当段落分隔符（。！？等）距 chunk 起点 < overlap(100) 时，
|
||
`start` 会回退为负数，Python `str.rfind` 的负索引会绕回文本末尾，造成死循环。
|
||
此 bug 已被修复（`start = max(start + 1, next_start)`），但给超长段落测试时需留意类似问题。
|