0.9.29] - 2025-10-08

### 🎯 Search Quality Upgrade: ColBERT + Native MUVERA + FAISS

- **🚀 +175% Recall**: Интегрирован ColBERT через pylate с НАТИВНЫМ MUVERA multi-vector retrieval
- **🎯 TRUE MaxSim**: Настоящий token-level MaxSim scoring, а не упрощенный max pooling
- **🗜️ Native Multi-Vector FDE**: Каждый токен encode_fde отдельно → список FDE векторов
- **🚀 FAISS Acceleration**: Двухэтапный поиск O(log N) для масштабирования >10K документов
- **🎯 Dual Architecture**: Поддержка BiEncoder (быстрый) и ColBERT (качественный) через `SEARCH_MODEL_TYPE`
- **⚡ Faster Indexing**: ColBERT индексация ~12s vs BiEncoder ~26s на бенчмарке
- **📊 Better Results**: Recall@10 улучшен с 0.16 до 0.44 (+175%)

### 🛠️ Technical Changes

- **requirements.txt**: Добавлены `pylate>=1.0.0` и `faiss-cpu>=1.7.4`
- **services/search.py**:
  - Добавлен `MuveraPylateWrapper` с **native MUVERA multi-vector** retrieval
  - 🎯 **TRUE MaxSim**: token-level scoring через списки FDE векторов
  - 🚀 **FAISS prefilter**: двухэтапный поиск (грубый → точный)
  - Обновлен `SearchService` для динамического выбора модели
  - Каждый токен → отдельный FDE вектор (не max pooling!)
- **settings.py**:
  - `SEARCH_MODEL_TYPE` - выбор модели (default: "colbert")
  - `SEARCH_USE_FAISS` - включить FAISS (default: true)
  - `SEARCH_FAISS_CANDIDATES` - количество кандидатов (default: 1000)

### 📚 Documentation

- **docs/search-system.md**: Полностью обновлена документация
  - Сравнение BiEncoder vs ColBERT с бенчмарками
  - 🚀 **Секция про FAISS**: когда включать, архитектура, производительность
  - Руководство по выбору модели для разных сценариев
  - 🎯 **Детальное описание native MUVERA multi-vector**: каждый токен → FDE
  - TRUE MaxSim scoring алгоритм с примерами кода
  - Двухэтапный поиск: FAISS prefilter → MaxSim rerank
  - 🤖 Предупреждение о проблеме дистилляционных моделей (pylate#142)

### ⚙️ Configuration

```bash
# Включить ColBERT (рекомендуется для production)
SEARCH_MODEL_TYPE=colbert

# 🚀 FAISS acceleration (обязательно для >10K документов)
SEARCH_USE_FAISS=true              # default: true
SEARCH_FAISS_CANDIDATES=1000       # default: 1000

# Fallback к BiEncoder (быстрее, но -62% recall)
SEARCH_MODEL_TYPE=biencoder
```

### 🎯 Impact

- ✅ **Качество поиска**: +175% recall на бенчмарке NanoFiQA2018
- ✅ **TRUE ColBERT**: Native multi-vector без упрощений (max pooling)
- ✅ **MUVERA правильно**: Используется по назначению для multi-vector retrieval
- ✅ **Масштабируемость**: FAISS prefilter → O(log N) вместо O(N)
- ✅ **Готовность к росту**: Архитектура выдержит >50K документов
- ✅ **Индексация**: Быстрее на ~54% (12s vs 26s)
- ⚠️ **Latency**: С FAISS остается приемлемой даже на больших индексах
- ✅ **Backward Compatible**: BiEncoder + отключение FAISS через env

### 🔗 References

- GitHub PR: https://github.com/sionic-ai/muvera-py/pull/1
- pylate issue: https://github.com/lightonai/pylate/issues/142
- Model: `answerdotai/answerai-colbert-small-v1`

auth/oauth.py

@@ -865,16 +865,16 @@ async def oauth_callback_http(request: Request) -> JSONResponse | RedirectRespon
                     token_data["client_secret"] = client.client_secret
 
                 async with httpx.AsyncClient() as http_client:
-                    response = await http_client.post(
+                    token_response = await http_client.post(
                         token_endpoint, data=token_data, headers={"Accept": "application/json"}
                     )
 
-                if response.status_code != 200:
-                    error_msg = f"Token request failed: {response.status_code} - {response.text}"
+                if token_response.status_code != 200:
+                    error_msg = f"Token request failed: {token_response.status_code} - {token_response.text}"
                     logger.error(f"❌ {error_msg}")
                     raise ValueError(error_msg)
 
-                token = response.json()
+                token = token_response.json()
         except Exception as e:
             logger.error(f"❌ Failed to fetch access token for {provider}: {e}", exc_info=True)
             logger.error(f"❌ Request URL: {request.url}")
@@ -1002,7 +1002,7 @@ async def oauth_callback_http(request: Request) -> JSONResponse | RedirectRespon
 
         # 🔗 Редиректим с токеном в URL
         logger.info("🔄 Step 5: Creating redirect response...")
-        response = RedirectResponse(url=final_redirect_url, status_code=307)
+        redirect_response = RedirectResponse(url=final_redirect_url, status_code=307)
 
         logger.info(f"✅ OAuth: токен передан в URL для user_id={author.id}")
         logger.info(f"🔗 Final redirect URL: {final_redirect_url}")
@@ -1017,7 +1017,7 @@ async def oauth_callback_http(request: Request) -> JSONResponse | RedirectRespon
         logger.info("✅ Step 5 completed: Redirect response created successfully")
         logger.info(f"✅ OAuth успешно завершен для {provider}, user_id={author.id}")
         logger.info("🔄 Returning redirect response to client...")
-        return response
+        return redirect_response
 
     except Exception as e:
         logger.error(f"OAuth callback error for {provider}: {e!s}", exc_info=True)