core/docs/search-system.md

# 🔍 Система поиска Discours

## Обзор

Система поиска Discours использует **семантические эмбединги** для точного поиска по публикациям. Реализована на базе `SentenceTransformers` с поддержкой русского языка и FDE (Fast Document Encoding) для оптимизации.

## 🚀 Основные возможности

### **1. Семантический поиск**
- Понимание смысла запросов, а не только ключевых слов
- Поддержка русского и английского языков
- Векторное представление документов через SentenceTransformers

### **2. Оптимизированная индексация**
- Batch-обработка для больших объёмов данных
- Тихий режим для массовых операций
- FDE кодирование для сжатия векторов

### **3. Высокая производительность**
- Косинусное сходство для ранжирования
- Кеширование результатов
- Асинхронная обработка

## 📋 API

### GraphQL запросы

```graphql
# Поиск по публикациям
query SearchShouts($text: String!, $options: ShoutsOptions) {
  load_shouts_search(text: $text, options: $options) {
    id
    title
    body
    topics {
      title
    }
  }
}

# Поиск по авторам
query SearchAuthors($text: String!, $limit: Int, $offset: Int) {
  load_authors_search(text: $text, limit: $limit, offset: $offset) {
    id
    name
    email
  }
}
```

### Параметры поиска

```python
options = {
    "limit": 10,        # Количество результатов
    "offset": 0,        # Смещение для пагинации
    "filters": {        # Дополнительные фильтры
        "community": 1,
        "status": "published"
    }
}
```

## 🛠️ Техническая архитектура

### Компоненты системы

```
📦 Search System
├── 🧠 SentenceTransformer    # Генерация эмбедингов
├── 🗜️ Muvera FDE            # Сжатие векторов
├── 🗃️ MuveraWrapper         # Хранение и поиск
├── 💾 File Persistence      # Сохранение в /dump папку
└── 🔍 SearchService         # API интерфейс
```

### Модель эмбедингов

**Основная модель**: `paraphrase-multilingual-MiniLM-L12-v2`
- Поддержка 50+ языков включая русский
- Размерность: 384D
- Fallback: `all-MiniLM-L6-v2`

### Процесс индексации

```python
# 1. Извлечение текста
doc_content = f"{title} {subtitle} {lead} {body}".strip()

# 2. Генерация эмбединга
embedding = encoder.encode(doc_content)

# 3. FDE кодирование
compressed = muvera.encode_fde(embedding, buckets=128, method="avg")

# 4. Сохранение в индекс
embeddings[doc_id] = compressed

# 5. Автосохранение в файл
await self.save_index_to_file("/dump")
```

### Алгоритм поиска

```python
# 1. Эмбединг запроса
query_embedding = encoder.encode(query_text)
query_fde = muvera.encode_fde(query_embedding, buckets=128, method="avg")

# 2. Косинусное сходство
for doc_id, doc_embedding in embeddings.items():
    similarity = cosine_similarity(query_fde, doc_embedding)
    results.append({"id": doc_id, "score": similarity})

# 3. Ранжирование
results.sort(key=lambda x: x["score"], reverse=True)
```

## ⚙️ Конфигурация

### Переменные окружения

```bash
# Поиск
MUVERA_INDEX_NAME=discours_search
SEARCH_MAX_BATCH_SIZE=100
SEARCH_PREFETCH_SIZE=200
SEARCH_CACHE_ENABLED=true
SEARCH_CACHE_TTL_SECONDS=600
```

### Настройки производительности

```python
# Batch размеры
SINGLE_DOC_THRESHOLD = 10      # Меньше = одиночная обработка
BATCH_SIZE = 32                # Размер batch для SentenceTransformers
FDE_BUCKETS = 128              # Количество bucket для сжатия

# Logging
SILENT_BATCH_MODE = True       # Тихий режим для batch операций
DEBUG_SINGLE_DOCS = True       # Подробные логи для одиночных документов
```

## 🔧 Использование

### Индексация новых документов

```python
from services.search import search_service

# Одиночный документ
search_service.index(shout)

# Batch индексация (тихий режим)
await search_service.bulk_index(shouts_list)
```

### Поиск

```python
# Поиск публикаций
results = await search_service.search("машинное обучение", limit=10, offset=0)

# Поиск авторов
authors = await search_service.search_authors("Иван Петров", limit=5)
```

### Проверка статуса

```python
# Информация о сервисе
info = await search_service.info()

# Статус индекса
status = await search_service.check_index_status()

# Проверка документов
verification = await search_service.verify_docs(["1", "2", "3"])
```

## 🐛 Отладка

### Логирование

```python
# Включить debug логи
import logging
logging.getLogger("services.search").setLevel(logging.DEBUG)

# Проверить загрузку модели
logger.info("🔍 SentenceTransformer model loaded successfully")
```

### Диагностика

```python
# Проверить количество проиндексированных документов
info = await search_service.info()
print(f"Documents: {info['muvera_info']['documents_count']}")

# Найти отсутствующие документы
missing = await search_service.verify_docs(expected_doc_ids)
print(f"Missing: {missing['missing']}")
```

## 📈 Метрики производительности

### Типичные показатели

```
📊 Производительность поиска:
├── Поиск по 1000 документов: ~50ms
├── Индексация 1 документа: ~100ms
├── Batch индексация 100 документов: ~2s
└── Память на 1000 документов: ~50MB
```

### Оптимизация

1. **Batch обработка** - для массовых операций используйте `bulk_index()`
2. **Тихий режим** - отключает детальное логирование
3. **Кеширование** - результаты поиска кешируются в Redis
4. **FDE сжатие** - уменьшает размер векторов в 2-3 раза

## 💾 Персистентность и восстановление

### Автоматическое сохранение в Redis

Система автоматически сохраняет индекс в Redis после каждой успешной индексации:

```python
# Автосохранение после индексации
if indexed_count > 0:
    await self.save_index_to_redis()
    logger.debug("💾 Индекс автоматически сохранен в Redis")
```

### Структура Redis ключей

```
Redis:
├── search_index:discours_search:data        # Основной индекс (pickle)
└── search_index:discours_search:metadata    # Метаданные (JSON)
```

### Восстановление при запуске

При запуске сервиса система автоматически восстанавливает индекс из Redis:

```python
# В initialize_search_index()
await search_service.async_init()  # Восстанавливает из Redis
```

## 🆕 Преимущества Redis хранения

### По сравнению с файлами/БД

- **⚡ Скорость**: Мгновенный доступ к векторному индексу
- **🔄 Надежность**: Нет проблем с правами доступа к файловой системе  
- **💾 Эффективность**: Pickle сериализация для быстрого сохранения/загрузки
- **🔒 Целостность**: Атомарные операции записи в Redis
- **📊 Метаданные**: Отдельный JSON ключ для быстрого доступа к статистике

### Производительность

```
📊 Сравнение методов хранения:
├── Redis: ~50MB RAM, мгновенное восстановление ✅
├── БД: ~75MB RAM, медленное восстановление  
└── Файл: ~25MB RAM, проблемы с правами ❌
```

## 🔄 Миграция и обновления

### Переиндексация

```python
# Полная переиндексация
from main import initialize_search_index_with_data
await initialize_search_index_with_data()
```

### Обновление модели

1. Остановить сервис
2. Обновить `sentence-transformers`
3. Изменить модель в `MuveraWrapper.__init__()`
4. Запустить переиндексацию

### Резервное копирование

```bash
# Создание бэкапа Redis ключей
redis-cli --rdb backup.rdb

# Или экспорт конкретных ключей
redis-cli GET "search_index:discours_search:data" > backup_data.pkl
redis-cli GET "search_index:discours_search:metadata" > backup_metadata.json

# Восстановление из бэкапа
redis-cli SET "search_index:discours_search:data" < backup_data.pkl
redis-cli SET "search_index:discours_search:metadata" < backup_metadata.json
```

## 🔗 Связанные документы

- [API Documentation](api.md) - GraphQL эндпоинты
- [Testing](testing.md) - Тестирование поиска
- [Performance](performance.md) - Оптимизация производительности