"""
MCP 1C Help Server
SPDX-License-Identifier: MIT
Copyright (c) 2025-2026 Roman Zateev
Модуль поиска в справке 1С с поддержкой гибридного поиска (BM25 + Dense)
"""
import asyncio
import logging
from typing import List, Dict, Any, Optional
from qdrant_client.models import SparseVector
from ..config.version import get_collection_name, get_platform_version
from ..config.settings import SPARSE_BOOST, USE_HYBRID_SEARCH
from ..services.embedding import get_embedding_service
from ..services.qdrant import get_qdrant_service
logger = logging.getLogger(__name__)
async def search_help(
query: str,
platform_version: Optional[str] = None,
headers: Optional[dict] = None,
limit: int = 10,
use_hybrid: bool = True
) -> List[Dict[str, Any]]:
"""
Выполняет поиск в справке 1С с поддержкой гибридного поиска
Args:
query: Поисковый запрос
platform_version: Версия платформы (опционально)
headers: HTTP заголовки для определения версии
limit: Максимальное количество результатов
use_hybrid: Использовать гибридный поиск (BM25 + Dense)
Returns:
Список результатов поиска с релевантностью
"""
try:
# Определяем версию платформы (file I/O в thread)
version = await asyncio.to_thread(get_platform_version, headers=headers, tool_param=platform_version)
collection_name = get_collection_name(version)
logger.info(f"🔍 Поиск в справке версии {version} (коллекция: {collection_name})")
# Получаем сервисы
embedding_service = get_embedding_service()
qdrant_service = get_qdrant_service()
# Получаем dense эмбеддинг запроса
query_vector = await embedding_service.get_dense_embedding(query)
if not query_vector:
logger.error("❌ Не удалось получить dense эмбеддинг для запроса")
return []
# Гибридный поиск (BM25 + Dense) с встроенным RRF Qdrant
if use_hybrid and USE_HYBRID_SEARCH:
# Получаем sparse эмбеддинг (BM25)
sparse_embedding_dict = await embedding_service.get_sparse_embedding(query, collection_name)
sparse_vector = None
if sparse_embedding_dict.get('indices') and sparse_embedding_dict.get('values'):
sparse_vector = SparseVector(
indices=sparse_embedding_dict['indices'],
values=sparse_embedding_dict['values']
)
# Выполняем гибридный поиск с встроенным RRF
if sparse_vector and sparse_vector.indices:
logger.debug(f"🔀 Гибридный поиск (dense + sparse BM25) с встроенным RRF")
search_results = await qdrant_service.hybrid_search_async(
collection_name=collection_name,
query_vector=query_vector,
sparse_vector=sparse_vector,
limit=limit,
sparse_boost=SPARSE_BOOST
)
else:
# Fallback на dense-only
logger.debug("⚠️ Sparse вектор пустой, используем dense-only поиск")
dense_results, _ = await qdrant_service.search_async(
collection_name=collection_name,
query_vector=query_vector,
sparse_vector=None,
limit=limit
)
search_results = dense_results
else:
# Dense-only поиск
logger.debug("📊 Dense-only поиск")
dense_results, _ = await qdrant_service.search_async(
collection_name=collection_name,
query_vector=query_vector,
sparse_vector=None,
limit=limit
)
search_results = dense_results
# Форматируем результаты
results = []
for result in search_results:
payload = result.payload
results.append({
"score": result.score,
"id": str(result.id),
"title": payload.get("title", ""),
"description": payload.get("text", "")[:200], # Первые 200 символов
"content": payload.get("content", ""),
"type": payload.get("type", "unknown"),
"file_path": payload.get("file_path", ""),
"platform_version": payload.get("platform_version", version),
"metadata": payload.get("metadata", {})
})
logger.info(f"✅ Найдено {len(results)} результатов по запросу '{query}'")
return results
except Exception as e:
logger.error(f"❌ Ошибка поиска в справке: {e}")
import traceback
logger.error(traceback.format_exc())
return []
