Leo/Arcrun
1
0
Fork 0
Code Issues 49 Pull Requests 5 Actions Packages Projects Releases Wiki Activity

feat(km-wiki-ingest): 重做成跑在 cypher 上的 workflow（走 cypher binding，汰換 service-binding drainer，D28）

Browse Source 
把知識庫 ingest 從 standalone drainer（誤用 Service Bindings）重表達為 cypher workflow：

- workflow.yaml（Phase 0 cron drain）：watch_cron→load_cursor→list_cards→pick_card(code)
  →fetch_card→parse_card(code)→upsert_entry→save_cursor→post_envelopes→post_one_envelope。
  線性 pipe，跨-worker 全走 cypher binding（零件節點），零 service binding。
- workflow.delta.yaml（Gitea webhook 穩態）：collect_changed(code)→foreach card→fetch/parse/upsert/foreach envelope。
- code/kbdb/graph 接法：code=canonical `code` 零件（arcrun-code）；kbdb/graph=http_request 零件打
  /entries/ingest、/triplets/ingest（server 端冪等）；Gitea=http_request。
- 平台端最小補丁（各需 gated 部署）：
  1) cypher-executor component-loader：WASM_HTTP_RUNNER_IDS 加 'code'（canonical→arcrun-code，cypher binding 正解）。
  2) kbdb base：POST /entries/ingest（page_name+content_hash 冪等 upsert，對稱 graph /triplets/ingest；
     因 flow DSL 無資料條件分支，把 create/patch/skip 冪等推到 server 端）。
- drainer/DEPRECATED.md：標舊 standalone worker 退役計畫（新版穩定後 wrangler delete）。
- DEPLOY.md：部署順序、cron/webhook 掛法、subdomain 對齊、驗收與退役。

本輪不部署（待總管/leo 審架構）。

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01HJiLCRUU2o3aSpPEzVCt2o
This commit is contained in:
kbdb-cc
2026-07-06 12:59:13 +00:00
parent c6bd0d7899
commit c6932b0088
6 changed files with 765 additions and 69 deletions
Download Patch File Download Diff File Expand all files Collapse all files
registry/examples/km-wiki-ingest/DEPLOY.md
+103
View File
@@ -0,0 +1,103 @@
# km-wiki-ingest — 部署（cypher workflow 版，走 cypher binding）
> **架構（D28）**：知識庫 ingest ＝**跑在 cypher-executor 上的 workflow**，跨-worker 呼叫全走
> **cypher binding**（零件節點，由 component-loader 解析），**零 Service Bindings**。
> 汰換舊的 standalone `arcrun-km-wiki-drainer`（`drainer/`，已誤用 service binding → 見 `drainer/DEPRECATED.md`）。
>
> **本輪不部署**（等總管/leo 審架構）。以下是過閘後的部署順序。
## 0) 先決條件（兩個平台端小改，皆本分支已含，需各自 gated 部署）
這兩處是「讓 workflow 能純走 cypher binding」的最小平台補丁，**不是** ingest 專屬邏輯：
1. **cypher-executor：`code` 零件進 loader 白名單**
- 檔：`cypher-executor/src/lib/component-loader.ts` → `WASM_HTTP_RUNNER_IDS` 加 `'code'`（本分支已加 1 行）。
- 效果：workflow 節點 `component: code` → 解析成 `arcrun-code.{WORKER_SUBDOMAIN}.workers.dev`（cypher binding）。
- 部署：`cd cypher-executor && npx wrangler deploy`（要 leo 過閘；動到共用 executor）。
- **替代（不改 executor）**：把兩個 workflow 裡 `component: code` 改成 code 的完整 URL
`component: "https://arcrun-code.<subdomain>.workers.dev"`（走 loader step 2 外部 URL）。省一次 executor 部署，
但少了「canonical 零件」的乾淨語義。建議用白名單版（這才是 D28 說的 cypher binding）。
2. **KBDB base：`POST /entries/ingest`（server 端冪等 upsert）**
- 檔：`kbdb/src/routes/entries.ts`（本分支已加）。語義對稱 graph 的 `/triplets/ingest`：
page_name 當鍵、`content_hash` 同 → skip、不同/無 → update、無則 create。
- 為何需要它：cypher 的 flow DSL **無資料條件分支**（只有 ON_SUCCESS/ON_FAIL/FOREACH），
無法在 workflow 內做「查→比對→create 或 patch」三岔。把冪等推到 server 端，workflow 只打一發。
- 部署：`cd kbdb && npx wrangler deploy`（要過閘）。
> ⚠️ **subdomain 對齊**：兩個 workflow 內的 URL 用 `uncle6-me`（官方 `WORKER_SUBDOMAIN`，見 `cypher-executor/wrangler.toml`）。
> 若你的 arcrun-kbdb / kbdb-graph-plugin / arcrun-code 部在別的 workers.dev subdomain（例 `leo21c`），
> 把兩檔的 URL 一起改。**舊 standalone drainer 誤用 `leo21c` 是坑之一。**
## 1) CLI 設定
```bash
# self-hosted（namespace 明碼分區）：
acr config set mode self-hosted
acr config set cypher_url https://cypher.arcrun.dev # 或你自架的 executor
echo "NAMESPACE=leo" >> .env
# standard（平台多租戶）：acr init 取 api_key
```
## 2) 設 Gitea token（機密；節點以 {{credential.gitea_token}} 引用）
```bash
acr creds set gitea_token <你的 GITEA_TOKEN> # 讀 Leo/notes 用
```
> graph 的 `X-Arcrun-API-Key: leo` 是 namespace 字串（非機密），已內嵌節點，不需設 credential。
## 3) 部署 Phase 0 drain（cron 觸發）
```bash
acr push workflow.yaml
```
- `watch_cron` 的 `cron_expr: "*/2 * * * *"` 會被 `webhooks-named` 的 `extractCronExpr` 抓出，
寫進 `cron-idx:_all`；cypher `scheduled()` 每分鐘比對觸發本 workflow（**不需另設 CF cron**）。
- 游標**不需 seed**：首跑 `load_cursor` GET 回空 → `pick_card` 從頭；`save_cursor` 首 tick 自動 create。
- 手動補跑一 tick（驗收）：`acr run km_wiki_ingest_drain`
## 4) 部署穩態 delta（Gitea webhook 觸發）
```bash
acr push workflow.delta.yaml
```
- 取得 trigger URL（self-hosted 例）：
`https://cypher.arcrun.dev/webhooks/named/leo/km_wiki_ingest_delta/trigger`
- Gitea repo `Leo/notes` → **Settings → Webhooks → Add Webhook → Gitea**：
- Target URL：上面的 trigger URL
- Content-Type：`application/json`
- Trigger：Push events
- （standard 模式改帶 `X-Arcrun-API-Key` header；self-hosted 免 header，namespace 在 path）
- 這是 Gitea→Cloudflare(cypher)，**非 GitHub Actions** → 不觸 GitHub flag（D4/D20）。
## 5) 驗收
```bash
# entry 落地？
curl -s "https://arcrun-kbdb.uncle6-me.workers.dev/entries?owner_id=leo&entry_type=wiki_card&limit=5" | jq '.count'
# triplet 落地？
curl -s "https://kbdb-graph-plugin.uncle6-me.workers.dev/graph?owner_id=leo" | jq '.nodes|length'
# 游標？
curl -s "https://arcrun-kbdb.uncle6-me.workers.dev/entries?owner_id=leo&page_name=cursor:km_wiki_ingest_drain:Leo/notes" | jq '.entries[0].content'
```
冪等自證：連跑兩次 `acr run km_wiki_ingest_drain`，第二次同卡 entry `action:skipped`、graph per-source no-op。
## 6) 舊 standalone drainer 退役
- 全 drain 完 + delta webhook 穩定收斂後，退役 `arcrun-km-wiki-drainer`：`wrangler delete arcrun-km-wiki-drainer`。
- 保留 `drainer/` 原始碼一個週期（含 `DEPRECATED.md`）供對照，確認新版逐卡輸出與舊版一致再刪。
- 見 `drainer/DEPRECATED.md`。
## 節點圖速覽
**drain（cron）**：`watch_cron(cron)` → `load_cursor(http GET kbdb)` → `list_cards(http GET Gitea tree)`
→ `pick_card(code)` → `fetch_card(http GET Gitea raw)` → `parse_card(code)`
→ `upsert_entry(http POST kbdb /entries/ingest)` → `save_cursor(http POST kbdb /entries/ingest)`
→ `post_envelopes(foreach)` → `post_one_envelope(http POST graph /triplets/ingest)`
**delta（webhook）**：`collect_changed(code)` →〔對每個 card〕→ `fetch_card_d` → `parse_card_d(code)`
→ `upsert_entry_d(http)` → `post_envelopes_d(foreach)` → `post_one_envelope_d(http)`
零件對應的 cypher binding：`code`→arcrun-code；`http_request`→arcrun-http-request（打 Gitea/kbdb/graph）；
`cron`→觸發登記；`foreach_control`→平台 logic primitive（唯一允許的 service-binding 用法：零件等級，非本工作流編排）。
**全程無工作流等級的 service binding。**
registry/examples/km-wiki-ingest/drainer/DEPRECATED.md
+27
View File
@@ -0,0 +1,27 @@
# ⛔ DEPRECATED — 此 standalone drainer 架構錯誤（D28），改用 cypher workflow
**別部署這個。** `arcrun-km-wiki-drainer` 是 standalone Worker，對同帳號 worker 用
**Service Bindings**（`SVC_CODE`/`SVC_KBDB`/`SVC_GRAPH`）呼叫 code/kbdb/graph。
leo 拍板（D28）：**Service Bindings 一般禁用**，唯一例外是「零件等級：把幾個 wasm 綁成複合零件」。
**工作流/recipe 等級的跨-worker 編排**（ingest 串 code+kbdb+graph 正是）→ **走 cypher binding
＝跑成 cypher 上的 workflow**。這也是 D27「Arcrun workflow」的本意。
前一 subagent 因 `workflow.yaml` 當時是 skeleton，就抄捷徑自建這個 standalone worker
（worker-to-worker 撞 CF 1042 → 又錯用 service binding 補），一步歪步步歪。
## 正解（本目錄上一層）
- `../workflow.yaml`（Phase 0 cron drain）＋ `../workflow.delta.yaml`（Gitea webhook 穩態）
＝跑在 cypher-executor 上的 workflow，全走 cypher binding，零 service binding。
- 部署見 `../DEPLOY.md`。
## 為什麼 standalone 版當初「看起來能動」卻是錯的
- 它把 1042 歸因成「同帳號 worker-to-worker 必須用 service binding」——**錯**。
cypher-executor 靠 `global_fetch_strictly_public` compat flag 讓 fetch 走公網前門，
sibling worker 呼叫本就通；standalone worker 沒這個 flag 才撞牆，而正解是「別自建 standalone worker，
把編排交回 cypher」，不是加 service binding。
- 它還把 URL 寫成 `*.leo21c.workers.dev`，與 cypher 的 `WORKER_SUBDOMAIN=uncle6-me` 不一致。
## 退役步驟
新版全 drain 完 + delta 穩定後：`wrangler delete arcrun-km-wiki-drainer`，再刪本 `drainer/` 目錄。
保留一個週期供逐卡輸出對照。
registry/examples/km-wiki-ingest/workflow.delta.yaml
+429
View File
@@ -0,0 +1,429 @@
name: km_wiki_ingest_delta
description: >
穩態 delta ingest —— **cypher workflow，Gitea push webhook 觸發**（非 cron，非 standalone worker）。
只處理本次 commit 動到的 system-dev/wiki/cards/**/*.md（不重掃全庫），量小、天生不撞 subrequest 頂、
不需限速。同 drain 走 cypher binding（code 解析、http_request 打 kbdb/graph），零 Service Bindings。
觸發＝Gitea repo Settings → Webhooks → 指向 cypher 的 named-webhook trigger URL：
https://cypher.arcrun.dev/webhooks/named/{namespace}/km_wiki_ingest_delta/trigger
（self-hosted：namespace 在 path 明碼；standard：改帶 X-Arcrun-API-Key header。見 DEPLOY.md）
⚠️ 這是 Gitea → Cloudflare(cypher)，**非 GitHub Actions** → 不觸 GitHub flag 紅線（D4/D20）。
# 觸發 context = Gitea webhook payload（{ commits:[{added,modified,removed}], ... }）直接當初始 ctx。
# collect_changed(code) 從 payload 濾出動到的卡片 → 外層 FOREACH 逐卡跑
# fetch → parse → upsert entry → 內層 FOREACH 逐 envelope POST graph。全鏈冪等（未變檔自動 skip）。
flow:
- "collect_changed >> 對每個 card >> fetch_card_d" # code：payload → 變更卡路徑陣列
- "fetch_card_d >> ON_SUCCESS >> parse_card_d" # 抓卡片全文（Gitea raw）
- "parse_card_d >> ON_SUCCESS >> upsert_entry_d" # code：卡片 md → entry + envelope
- "upsert_entry_d >> ON_SUCCESS >> post_envelopes_d" # 卡片 → base entry（冪等 upsert）
- "post_envelopes_d >> 對每個 envelope >> post_one_envelope_d" # 逐段 POST graph /triplets/ingest
config:
# ── 1) 從 webhook payload 收集變更卡片（純函式 code）──
# output（→ .data）：{ cards:[relPath...], removed:[...] }。removed 卡的 graph 清理未實作（另議）。
collect_changed:
component: code
code: |
const root = (input.cards_root || 'system-dev/wiki/cards').replace(/\/$/, '') + '/';
const isCard = (p) => typeof p === 'string' && p.startsWith(root) && p.endsWith('.md') && !((p.split('/').pop() || '').startsWith('00-INDEX'));
const changed = new Set(), removed = new Set();
for (const cm of (input.commits || [])) {
for (const p of [...(cm.added || []), ...(cm.modified || [])]) if (isCard(p)) changed.add(p);
for (const p of (cm.removed || [])) if (isCard(p)) removed.add(p);
}
return { cards: [...changed], removed: [...removed] };
input:
commits: "{{commits}}"
cards_root: "system-dev/wiki/cards"
limits:
timeout_ms: 2000
max_output_bytes: 1048576
# ── 2) 抓卡片全文（外層 FOREACH 注入的 {{card}} = 一條卡路徑）──
fetch_card_d:
component: http_request
method: GET
url: "https://git.uncle6.me/api/v1/repos/Leo/notes/raw/{{card}}?ref=main"
headers:
Authorization: "token {{credential.gitea_token}}"
parse_card_d:
component: code
code: |
// km-wiki-ingest — 機械式卡片→(entry + triplet envelope) 轉換核心（無 LLM、純函式）
// ---------------------------------------------------------------------------
// 取代舊 `kbdb-ingest-plugin/scripts/ingest-cli.mjs` 的 raw→Haiku 路：
// 舊路 = 讀裸筆記 → 呼叫 Haiku 萃 (s,p,o) → envelope（有 LLM、非決定性、耗 token）。
// 新路 = 讀「已精耕卡片」（`system-dev/wiki/cards/**/*.md`）→ 直接解析卡片內既有的
// `## 實體`（節點）、`## 關聯` 的 typed-edge（`A >> 關係 >> B`）與 `[[wikilink]]`
// → entry + triplet envelope。純機械、決定性、零 token。
//
// 這支＝通用 `code` 零件（Arcrun#10，sandbox inline JS）承載的解析邏輯本體。
// workflow.yaml 的 parse_card 節點把本檔的 planCard 邏輯內聯進 code 零件的 config
// （去 import/export、raw NUL 分隔符改 u0000 escape、改用 code 沙箱注入的 sha256）；
// 不再鑄 domain 零件 km_wiki_card_parse（Arcrun#10 裁定：一次性解析走通用逃生口）。
// 本檔續留作「該內聯 JS 的權威來源 + 可單元測試的參考實作」（純函式、stdin→stdout JSON、無 fs/網路）。
//
// 對齊契約：kbdb-ingest-plugin/contracts/ingest-candidate.json（envelope 形狀 / 禁止欄位）。
// 對齊頂層 SDD：卡片→entry（metadata.embed=true，走 base API）、wikilink→triplet（走 graph）。
//
// 鐵律：不碰儲存、不算向量、不建表。這支只「產出將寫入什麼」，實際 HTTP 由 workflow 打。
// (import 移除：code 沙箱提供注入的 sha256 builtin)
// --- CF subrequest 預算（防「Too many subrequests by single Worker invocation」，07_01 根因）---
//
// graph worker 處理一次 POST /triplets/ingest 時，對 base 的每次 fetch = 1 subrequest。
// 精確拆帳（讀 kbdb-graph-plugin/src/actions/triplet-ingest.ts + triplet-crud.ts + templates.ts）：
// ingestEnvelope = ensurePluginTemplates(3) + listRecordsByTemplate(1)
// + Σ triplet [ createTriplet → ensurePluginTemplates(3) + createRecord(1) = 4 ]
// + persistNodes [ ensurePluginTemplates(3) + Σ node createRecord(1) ]
// + Σ deprecated updateRecord(1)
// ⟹ subreq(envelope) = 7 + 4*N_triplets + M_nodes + D_deprecated
//
// 07_01 實測炸點：N=11, M=10, D=0 → 7+44+10 = 61 > 50（CF 免費/bundled 上限）→ 炸半殘。
//
// 對策 = 「一卡一 tick、每 envelope 壓在預算下、超大檔以 source_uri anchor 分段」。
const SUBREQ_CEILING = 50; // CF 單次 Worker invocation subrequest 硬上限（bundled）
const SUBREQ_BUDGET = 40; // 我們的目標上限（留 10 給 D_deprecated 等變動）
/** 精確估算「一個 envelope 打進 graph /triplets/ingest」會在 graph worker 內產生幾個 subrequest。 */
function estimateEnvelopeSubrequests(nTriplets, mNodes, dDeprecated = 0) {
return 7 + 4 * nTriplets + mNodes + dDeprecated;
}
// --- sha256（content_hash 冪等鍵）---
// (sha256 移除：使用 code 沙箱注入的 curated builtin sha256)
// --- frontmatter 解析（極簡 YAML：只吃我們卡片用到的 tags / gloss / pipeline_candidate）---
function parseFrontmatter(md) {
const m = md.match(/^---\n([\s\S]*?)\n---\n?/);
if (!m) return { data: {}, body: md };
const body = md.slice(m[0].length);
const data = {};
for (const line of m[1].split('\n')) {
const kv = line.match(/^([A-Za-z_][\w-]*):\s*(.*)$/);
if (!kv) continue;
const key = kv[1];
let val = kv[2].trim();
if (val.startsWith('[') && val.endsWith(']')) {
// inline list: [a, b, c]
data[key] = val.slice(1, -1).split(',').map((s) => s.trim()).filter(Boolean);
} else if (val === 'true' || val === 'false') {
data[key] = val === 'true';
} else {
data[key] = val;
}
}
return { data, body };
}
// --- 取某個 `## 標題` / `### 標題` 區塊的內文（到下一個同級或更高級標題為止）---
function sectionBody(md, heading) {
// heading 例：'## 實體'、'### 內文知識關係'
const level = heading.match(/^#+/)[0].length;
const lines = md.split('\n');
const out = [];
let inSec = false;
for (const line of lines) {
const h = line.match(/^(#+)\s+(.*)$/);
if (h) {
const thisLevel = h[1].length;
if (inSec) {
// 遇到同級或更高級標題 → 區塊結束
if (thisLevel <= level) break;
}
// 標題文字「開頭相符」即算命中（容忍標題後帶括號補述）
if (!inSec && thisLevel === level && line.replace(/^#+\s+/, '').startsWith(heading.replace(/^#+\s+/, ''))) {
inSec = true;
continue;
}
}
if (inSec) out.push(line);
}
return out.join('\n');
}
// --- 實體行解析：`- **正規名**（別名1／別名2）— 描述`（別名、描述皆選填）---
function parseEntities(md) {
const sec = sectionBody(md, '## 實體');
const entities = [];
for (const raw of sec.split('\n')) {
const line = raw.trim();
if (!line.startsWith('- ')) continue;
if (line.startsWith('- >') || line.startsWith('> ')) continue; // 跳過引言說明行
const m = line.match(/^- \*\*(.+?)\*\*(?:（(.+?)）)?\s*(?:[—–\-]\s*(.*))?$/);
if (!m) continue;
const name = m[1].trim();
if (!name) continue;
const aliases = m[2]
? m[2].split(/[／/、,]/).map((s) => s.trim()).filter((s) => s && s !== name)
: [];
const gloss = (m[3] || '').trim();
entities.push({ name, aliases, gloss });
}
return entities;
}
// --- typed-edge 行解析：`A >> 謂詞 >> B`（端點可為裸實體名或 [[wikilink]]）---
function parseTypedEdges(sectionText) {
const edges = [];
for (const raw of (sectionText || '').split('\n')) {
const line = raw.trim();
if (!line.startsWith('- ')) continue;
const body = line.slice(2).trim();
if (body.startsWith('（') || body.startsWith('(')) continue; // 「（暫無…）」占位行
const parts = body.split('>>');
if (parts.length !== 3) continue;
const subject = stripWikilink(parts[0].trim());
const predicate = parts[1].trim();
const object = stripWikilink(parts[2].trim());
if (!subject || !predicate || !object) continue;
edges.push({ subject, predicate, object });
}
return edges;
}
// [[notes/00-INDEX]] → notes/00-INDEX ；純字串則原樣回。
function stripWikilink(s) {
const m = s.match(/^\[\[(.+?)\]\]$/);
return m ? m[1].trim() : s;
}
// --- 抽所有 inline [[wikilink]]（含 header 的 ← [[notes/00-INDEX]] 與內文）---
function extractInlineWikilinks(md) {
const out = [];
const re = /\[\[(.+?)\]\]/g;
let m;
while ((m = re.exec(md)) !== null) out.push(m[1].trim());
return out;
}
// --- 卡片 canonical id：以檔名（去副檔名）為準，對齊 `## 卡片關係` 用的 [[基名]] 慣例 ---
function cardCanonical(relPath) {
const base = relPath.split('/').pop().replace(/\.md$/, '');
return base;
}
/**
* 解析一張卡片 → { entry, nodes, triplets, meta }（尚未分段的原始產物）。
* relPath：卡片相對 repo 根路徑（如 system-dev/wiki/cards/notes/Xxx.md）。
* repo：如 'Leo/notes'。
*/
function parseCard(md, relPath, repo = 'Leo/notes') {
const { data: fm } = parseFrontmatter(md);
const canonical = cardCanonical(relPath);
const titleMatch = md.match(/^#\s+(.+)$/m);
const title = titleMatch ? titleMatch[1].trim() : canonical;
// 1) 節點：## 實體 的正規名 + 別名 + gloss。
const entities = parseEntities(md);
// 2) 邊：內文知識關係（實體↔實體）+ 卡片關係（卡↔卡）+ inline wikilink（卡→卡 導覽/引用）。
const intraEdges = parseTypedEdges(sectionBody(md, '### 內文知識關係'))
.map((e) => ({ ...e, confidence: 1.0 }));
const cardEdges = parseTypedEdges(sectionBody(md, '### 卡片關係'))
.map((e) => ({ ...e, confidence: 1.0 }));
// inline wikilink（← [[notes/00-INDEX]] 等）→ 卡→卡「連結至」邊，去重、排除自環與已被 typed 邊覆蓋者。
const typedPairs = new Set(
[...cardEdges].map((e) => `${e.subject}\u0000${e.object}`),
);
const seenRef = new Set();
const refEdges = [];
for (const target of extractInlineWikilinks(md)) {
const t = stripWikilink(target);
if (t === canonical || t === title) continue; // 自環
if (typedPairs.has(`${canonical}\u0000${t}`)) continue; // 已有明確謂詞邊
const key = `${canonical}\u0000${t}`;
if (seenRef.has(key)) continue;
seenRef.add(key);
refEdges.push({ subject: canonical, predicate: '連結至', object: t, confidence: 0.5 });
}
const triplets = [...intraEdges, ...cardEdges, ...refEdges];
// 3) 節點清單：卡片本身（canonical，帶 frontmatter gloss）+ 內文實體。
// 卡對卡邊指到的「別張卡」不在此補 node —— 那張卡自己被 ingest 時會補自己的 node。
const nodes = [];
const seenNode = new Set();
const pushNode = (n) => {
const k = n.name.toLowerCase();
if (!n.name || seenNode.has(k)) return;
seenNode.add(k);
nodes.push(n);
};
pushNode({ name: canonical, gloss: fm.gloss || '', aliases: title && title !== canonical ? [title] : [] });
for (const e of entities) pushNode({ name: e.name, gloss: e.gloss, aliases: e.aliases });
return {
entry: {
// base POST /entries（或 kbdb_upsert_block）用。metadata.embed=true → 語意可搜。
page_name: `wikicard:${repo}/${canonical}`, // idempotency key（穩定）
entry_type: 'wiki_card',
content: md, // 卡片全文逐字（embed 對象）
tags: Array.isArray(fm.tags) ? fm.tags : [],
metadata: {
embed: true, // ★ base embed 模組讀此旗標
source: `gitea:${repo}@${relPath}`,
content_hash: sha256(md),
kind: 'wiki_card',
repo,
canonical,
pipeline_candidate: fm.pipeline_candidate === true,
},
},
nodes,
triplets,
meta: { canonical, title, relPath, repo, contentHash: sha256(md) },
};
}
/**
* 把一張卡片的 (nodes, triplets) 打包成「一個或多個」ingest envelope，
* 使每個 envelope 打進 graph 後的 subrequest 都 ≤ SUBREQ_BUDGET。
*
* 分段規則（對應頂層 SDD R4 / issue #8 第4點）：
* - 單 envelope 夠塞（7+4N+M ≤ budget）→ 不分段，uri = 基 uri（無 anchor）。
* - 需分段 → 每段 uri = `<基uri>#seg{NN}`、anchor = `seg{NN}`。
* 每段是「獨立 source_uri」→ 各自獨立冪等，繞開 graph 的 per-source content_hash 整包 skip
* （否則同 uri 第 2 段起會被 line 65 的 content_hash 命中而整包跳過）。
* - 節點只放進「第一個引用到它的段」，跨段不重送（避免 graph persistNodes 重建 entity record）。
*/
function planEnvelopes(parsed, opts = {}) {
const budget = opts.budget ?? SUBREQ_BUDGET;
const repo = parsed.meta.repo;
const relPath = parsed.meta.relPath;
const baseUri = `gitea:${repo}@${relPath}`;
const contentHash = parsed.meta.contentHash;
const commit = opts.commit;
const extractor = {
model: opts.extractorModel ?? 'mechanical/km-wiki-card-parse@1',
tier: 'deep', // 人工精耕卡＝deep（決定性、非淺萃）
extracted_at: Math.floor(Date.now() / 1000),
};
const nodeByName = new Map(parsed.nodes.map((n) => [n.name, n]));
// 貪婪打包：逐條 triplet 累進，段成本 = 7 + 4*(段內邊數) + (段內首見節點數)。
const segments = [];
let cur = null;
const startSeg = () => {
cur = { triplets: [], nodeNames: new Set() };
segments.push(cur);
};
const segCost = (seg, extraEdges = 0, extraNodes = 0) =>
estimateEnvelopeSubrequests(seg.triplets.length + extraEdges, seg.nodeNames.size + extraNodes);
startSeg();
for (const t of parsed.triplets) {
// 這條邊會新引入哪些節點（subject/object 命中 nodeByName 且本段尚未收）
const cand = [t.subject, t.object].filter(
(nm) => nodeByName.has(nm) && !cur.nodeNames.has(nm) && !anySegHas(segments, cur, nm),
);
// 放得下？（含新增這條邊 + 新引入節點）
if (cur.triplets.length > 0 && segCost(cur, 1, cand.length) > budget) {
startSeg();
}
cur.triplets.push(t);
for (const nm of [t.subject, t.object]) {
if (nodeByName.has(nm) && !anySegHas(segments, null, nm)) cur.nodeNames.add(nm);
}
}
const multi = segments.length > 1;
const envelopes = segments.map((seg, i) => {
const anchor = multi ? `seg${String(i + 1).padStart(2, '0')}` : undefined;
const uri = multi ? `${baseUri}#${anchor}` : baseUri;
const nodes = [...seg.nodeNames].map((nm) => {
const n = nodeByName.get(nm);
const out = { name: n.name };
if (n.gloss) out.gloss = n.gloss;
if (n.aliases && n.aliases.length) out.aliases = n.aliases;
out.embed = true;
return out;
});
const source = { uri, content_hash: contentHash };
if (anchor) source.anchor = anchor;
if (commit) source.commit = commit;
return {
source,
extractor,
nodes,
triplets: seg.triplets.map((t) => ({
subject: t.subject,
predicate: t.predicate,
object: t.object,
confidence: t.confidence ?? 1.0,
})),
_estSubrequests: estimateEnvelopeSubrequests(seg.triplets.length, seg.nodeNames.size),
};
});
// triplets≥1 是契約硬性；無邊的卡不產 envelope（仍會建 entry）。
return envelopes.filter((e) => e.triplets.length >= 1);
}
function anySegHas(segments, exclude, name) {
for (const s of segments) {
if (s === exclude) continue;
if (s.nodeNames.has(name)) return true;
}
return false;
}
/** 一張卡片 → 完整 ingest 計畫（entry + envelopes）。planCard = parseCard + planEnvelopes。 */
function planCard(md, relPath, repo = 'Leo/notes', opts = {}) {
const parsed = parseCard(md, relPath, repo);
const envelopes = planEnvelopes(parsed, opts);
return { entry: parsed.entry, envelopes, meta: parsed.meta, nodeCount: parsed.nodes.length, tripletCount: parsed.triplets.length };
}
// graph /triplets/ingest 是 strict schema，拒絕未知鍵。planEnvelopes 於 envelope 上掛的
// 診斷鍵 _estSubrequests 不在 ingest-candidate 契約內 → post 前剝除所有 _-前綴鍵，
// 讓 post_one_envelope 的 body_json={{envelope}} 為契約乾淨 payload。
// （leo21c 實測：不剝除會回 422 unrecognized_keys "_estSubrequests"。）
const __plan = planCard(input.md, input.relPath, input.repo, input.opts || {});
__plan.envelopes = __plan.envelopes.map(function (e) {
const clean = {};
for (const k in e) { if (k.charAt(0) !== '_') clean[k] = e[k]; }
return clean;
});
return __plan;
input:
md: "{{fetch_card_d.data.body}}"
relPath: "{{card}}"
repo: "Leo/notes"
opts:
budget: 40
limits:
timeout_ms: 3000
max_output_bytes: 4194304
# ── 3) 卡片 → base entry（server 端冪等 upsert，同 drain）──
upsert_entry_d:
component: http_request
method: POST
url: "https://arcrun-kbdb.uncle6-me.workers.dev/entries/ingest?owner_id=leo"
headers:
Content-Type: "application/json"
body_json: "{{parse_card_d.data.entry}}"
# ── 4) triplet envelope（可能多段）→ 內層 FOREACH 逐段 POST graph ──
post_envelopes_d:
component: foreach_control
items: "{{parse_card_d.data.envelopes}}"
item_key: envelope
post_one_envelope_d:
component: http_request
method: POST
url: "https://kbdb-graph-plugin.uncle6-me.workers.dev/triplets/ingest?owner_id=leo"
headers:
Content-Type: "application/json"
X-Arcrun-API-Key: "leo"
body_json: "{{envelope}}"
# 部署變數同 workflow.yaml（drain）。差別：無 cron/游標；由 Gitea webhook 觸發 named-webhook trigger。
registry/examples/km-wiki-ingest/workflow.yaml
+139 -69
View File
@@ -1,61 +1,121 @@
name: km_wiki_ingest_drain
description: >
Phase 0 限速 drain：cron 每 tick 只處理「一張卡」→ 機械解析成 entry + triplet envelope
→ 冪等寫 KBDB（base entry / graph triplet）。反覆跑直到全庫 drain 完。
來源＝repo 的 system-dev/wiki/cards/**/*.md（人工精耕卡，非裸筆記，無 LLM）。
解析由通用 code 零件（sandbox inline JS）承載，不再鑄 domain 零件（Arcrun#10 裁定）。
穩態（Gitea push webhook 只處理 delta）見檔尾 §穩態變體。
Phase 0 限速 drain（cron 每 tick 一卡）——**跑在 cypher-executor 上的 workflow，全程走 cypher binding，
零 Service Bindings**（D28）。來源＝Gitea repo 的 system-dev/wiki/cards/**/*.md（人工精耕卡，無 LLM）。
卡片 → 通用 `code` 零件機械解析成 entry + triplet envelope → 冪等寫 KBDB base（/entries/ingest）
與 graph（/triplets/ingest）。反覆跑直到全庫 drain 完；穩態改走 webhook（見 workflow.delta.yaml）。
# ── 為什麼「一 tick 一卡」＝根治 07_01 的 Too many subrequests ──
# graph worker 處理一次 POST /triplets/ingest 的 subrequest = 7 + 4*N_triplets + M_nodes + D_deprecated。
# 07_01 炸點：單一 envelope 吞整檔 N=11,M=10 → 61 > 50（CF bundled 上限）→ 半殘。
# 對策：① 一卡一 tick（天然小批，notes 卡 ~N4/M5 → est 28~33，穩壓 50 下）
# ② code 節點的內聯解析會自動把超大卡以 source_uri anchor 分段（每段獨立冪等）。
# ⟹ 任何單一 graph 呼叫都不會再破頂。
# ═══════════════════════════════════════════════════════════════════════════
# 架構（D28 訂正）：這**不是** standalone drainer worker，是 cypher workflow。
# - 跨-worker 呼叫一律走 **cypher binding**＝把每個外部呼叫表達成一個「零件節點」，
# 由 cypher-executor 的 component-loader 解析執行。**不用 Service Bindings**
# （service binding 只准「零件內部把幾個 wasm 綁成複合零件」的零件等級，見 D28）。
# - code/kbdb/graph 的接法（皆 cypher binding，非 service binding）：
# code → canonical 零件 `code`（arcrun-code，QuickJS 沙箱；純函式解析）
# kbdb → `http_request` 零件打 {{kbdb_url}}/entries/ingest（base 的 server 端冪等 upsert）
# graph → `http_request` 零件打 {{graph_url}}/triplets/ingest（graph 的 server 端 per-source 冪等）
# Gitea → `http_request` 零件（外部 API，本就走公網）
# - 觸發：cron 零件節點（cypher scheduled() 每分鐘掃 cron-idx 觸發本 workflow）。
#
# ⚠️ 部署前置（見 DEPLOY.md）：
# 1) cypher-executor 需能解析 `code` 零件 —— 目前 component-loader 的 WASM_HTTP_RUNNER_IDS
# 白名單未含 `code`（本分支已補 1 行；或改用 code 的 workers.dev 完整 URL 當 component）。
# 2) KBDB base 需有 POST /entries/ingest（page_name+content_hash 冪等 upsert）——本分支已加，
# 與 graph /triplets/ingest 對稱。若不部署它：改用「lookup→decide→create/patch」多節點版（較繁，
# 且 flow DSL 無資料條件分支，需靠 ON_SUCCESS/ON_FAIL 兩路 hack，故不建議）。
#
# ── 為什麼「一 tick 一卡」＝根治 07_01 的 Too many subrequests（同原設計，不變）──
# graph 處理一次 /triplets/ingest 的 subrequest = 7 + 4*N_triplets + M_nodes + D_deprecated；
# 07_01 炸點 N=11,M=10 → 61 > 50。對策：一卡一 tick（天然小批）+ code 節點超大卡以 source_uri anchor 分段。
# ═══════════════════════════════════════════════════════════════════════════
flow:
- "watch_cron >> ON_SUCCESS >> pick_next_card"
- "pick_next_card >> ON_SUCCESS >> fetch_card"
- "fetch_card >> ON_SUCCESS >> parse_card"
- "parse_card >> ON_SUCCESS >> upsert_entry" # 卡片 → base entry（embed=true），冪等
- "upsert_entry >> ON_SUCCESS >> post_envelopes" # wikilink/typed-edge → graph triplet
- "post_envelopes >> 對每個 envelope >> post_one_envelope" # 分段時多段，各段獨立冪等
# 線性 pipe（無資料條件分支——flow DSL 不支援 IF 條件，僅 ON_SUCCESS/ON_FAIL/FOREACH）。
- "watch_cron >> ON_SUCCESS >> load_cursor" # cron tick 觸發
- "load_cursor >> ON_SUCCESS >> list_cards" # 讀游標（kbdb entry，字串 body）
- "list_cards >> ON_SUCCESS >> pick_card" # 列卡（Gitea git tree recursive）
- "pick_card >> ON_SUCCESS >> fetch_card" # code：游標+tree → 下一張卡（到底回捲）
- "fetch_card >> ON_SUCCESS >> parse_card" # 抓卡片全文（Gitea raw）
- "parse_card >> ON_SUCCESS >> upsert_entry" # code：卡片 md → entry + envelope（純函式）
- "upsert_entry >> ON_SUCCESS >> save_cursor" # 卡片 → base entry（冪等 upsert，embed=true）
- "save_cursor >> ON_SUCCESS >> post_envelopes" # 進游標（樂觀；冪等使其僅為掃描指標）
- "post_envelopes >> 對每個 envelope >> post_one_envelope" # 逐段 POST graph /triplets/ingest
config:
# 1) 排程 tick：慢推。每 2 分鐘一張卡＝限速（Phase 0 唯一需要 rate-limit 之處）。
# ── 1) cron 觸發節點 ─────────────────────────────────────────────────────────
# webhooks-named 部署時 extractCronExpr 會抓這裡的 cron_expr 註冊進 cron-idx，
# cypher scheduled() 每分鐘比對觸發（不需另設 CF cron；cypher 本身已有每分鐘 tick）。
watch_cron:
component: cron
cron_expr: "*/2 * * * *"
description: "每 2 分鐘 drain 一張卡（限速慢推，避免 CF 額度與 subrequest 壓力）"
# 2) 取下一張待處理卡（cursor drain）。用 Gitea contents API 列 cards 目錄 + 一個游標 block
# 記「處理到哪」。回傳單一 { rel_path, download_url, content_hash?(git blob sha) }。
# 註：list + cursor 的細節可用 http_request(Gitea API) + set/string_ops 組；此處給語意佔位。
pick_next_card:
# ── 2) 讀游標（kbdb base entry，page_name 當鍵）。回應 body 是字串，交由 pick_card(code) JSON.parse。──
load_cursor:
component: http_request
method: GET
url: "https://git.uncle6.me/api/v1/repos/{{repo}}/contents/system-dev/wiki/cards?ref={{ref}}"
headers:
Authorization: "token {{gitea_token}}"
Accept: "application/json"
# 下游用 filter/set 取「游標之後第一張、且 .md、且非 00-INDEX」的一張。
url: "https://arcrun-kbdb.uncle6-me.workers.dev/entries?page_name=cursor:km_wiki_ingest_drain:Leo/notes&owner_id=leo"
# 3) 抓卡片全文（Gitea raw）。
# ── 3) 列卡（Gitea git tree recursive）。Authorization 走 credential 注入（見 DEPLOY §creds）。──
list_cards:
component: http_request
method: GET
url: "https://git.uncle6.me/api/v1/repos/Leo/notes/git/trees/main?recursive=true"
headers:
Authorization: "token {{credential.gitea_token}}"
Accept: "application/json"
# ── 4) 挑下一張卡（純函式 code 零件）──
# input：游標 body + tree body + cards_root。output（→ .data）：
# { rel_path, cursor_content_json, total, wrapped, has_card }
# 到底回捲（continuous drain）；靠 entry/graph 冪等，未改卡 cheap skip。
# repo 內零卡才 throw（→ 節點 success:false → 下游 ON_SUCCESS 不觸發，該 tick no-op）。
pick_card:
component: code
code: |
const root = (input.cards_root || 'system-dev/wiki/cards').replace(/\/$/, '') + '/';
let last_path = '', cycle = 0;
try {
const cj = JSON.parse(input.cursor_body || '{}');
const e = (cj.entries || [])[0];
if (e && e.content) { const s = JSON.parse(e.content); last_path = s.last_path || ''; cycle = s.cycle || 0; }
} catch (_) { /* 游標缺/壞 → 從頭 */ }
let tree = {};
try { tree = JSON.parse(input.tree_body || '{}'); } catch (_) {}
const cards = (tree.tree || [])
.filter((x) => x.type === 'blob' && x.path.startsWith(root) && x.path.endsWith('.md'))
.filter((x) => { const b = x.path.split('/').pop() || ''; return b !== '.gitkeep' && !b.startsWith('00-INDEX'); })
.map((x) => x.path)
.sort();
if (cards.length === 0) throw new Error('no cards under ' + root + '（repo 空或路徑錯）');
let idx = cards.findIndex((p) => p > last_path);
let wrapped = false;
if (idx < 0) { idx = 0; wrapped = true; }
const rel_path = cards[idx];
return {
rel_path,
total: cards.length,
wrapped,
truncated: tree.truncated === true,
has_card: true,
cursor_content_json: JSON.stringify({ last_path: rel_path, cycle: cycle + (wrapped ? 1 : 0), processed_at: Math.floor(Date.now() / 1000) }),
};
input:
cursor_body: "{{load_cursor.data.body}}"
tree_body: "{{list_cards.data.body}}"
cards_root: "system-dev/wiki/cards"
limits:
timeout_ms: 3000
max_output_bytes: 2097152
# ── 5) 抓卡片全文（Gitea raw）。parse_card 讀 {{fetch_card.data.body}}。──
fetch_card:
component: http_request
method: GET
url: "{{pick_next_card.next.download_url}}"
url: "https://git.uncle6.me/api/v1/repos/Leo/notes/raw/{{pick_card.data.rel_path}}?ref=main"
headers:
Authorization: "token {{gitea_token}}"
Authorization: "token {{credential.gitea_token}}"
# 4) ★ 機械解析 —— 通用 code 零件（sandbox inline JS，無 LLM、無 fs/網路，stdin→stdout JSON）。
# Arcrun#10 裁定：一次性解析邏輯走通用逃生口，不再鑄 domain 零件 km_wiki_card_parse。
# 下面 code: 內聯的即 lib/card-to-envelope.mjs 的 planCard 邏輯（去 import/export、
# raw NUL 分隔符改 \u0000 escape、改用 code 沙箱注入的 curated builtin sha256；
# 已單測證明與原模組輸出逐欄全等）。
# input：卡片全文 md + 相對路徑 relPath + repo + opts.budget（subrequest 目標上限）。
# output：{ success:true, data:{ entry, envelopes[], meta, nodeCount, tripletCount } }
# —— envelope 已分段、已估 subrequest。故下游改引用 parse_card.data.*。
parse_card:
component: code
code: |
@@ -402,7 +462,7 @@ config:
input:
md: "{{fetch_card.data.body}}"
relPath: "{{pick_next_card.next.rel_path}}"
relPath: "{{pick_card.data.rel_path}}"
repo: "{{repo}}"
opts:
budget: 40 # subrequest 目標上限（留 10 給 D_deprecated），超過自動 anchor 分段
@@ -410,22 +470,37 @@ config:
timeout_ms: 3000 # 純 CPU 解析；大卡也充裕
max_output_bytes: 4194304 # envelope 陣列可能較大（4 MiB）
# 5) 卡片 → base entry，冪等 upsert（page_name 當鍵；找到 PATCH、沒有 POST）。
# metadata.embed=true → base embed 模組會補嵌 → 語意可搜。
# ── 6) 卡片 → base entry：server 端冪等 upsert（page_name 當鍵 + content_hash skip-if-unchanged）。──
# 走 http_request 打 KBDB base 的 POST /entries/ingest（本分支新增；語義對稱 graph /triplets/ingest）。
# owner_id 走 query；body_json = parse_card 產的 entry 物件（含 metadata.content_hash / tags / embed:true）。
# 端點行為：無此 page_name → create；有且 content_hash 同 → skip（不重嵌）；有且不同 → update + 重嵌。
upsert_entry:
component: kbdb_upsert_block
api_key: "{{kbdb_api_key}}"
kbdb_url: "{{kbdb_url}}"
page_name: "{{parse_card.data.entry.page_name}}"
type: "{{parse_card.data.entry.entry_type}}"
content: "{{parse_card.data.entry.content}}"
source: "{{parse_card.data.entry.metadata.source}}"
tags_json: "{{parse_card.data.entry.tags_json}}"
# ⚠️ metadata.embed=true / content_hash 需經 base /entries 帶 metadata_json 落地；
# 若 kbdb_upsert_block 尚未透傳 metadata_json，改用 http_request 直打 base POST/PATCH /entries
# 帶 body_json.metadata_json（見 description.md §entry 冪等）。
component: http_request
method: POST
url: "https://arcrun-kbdb.uncle6-me.workers.dev/entries/ingest?owner_id=leo"
headers:
Content-Type: "application/json"
body_json: "{{parse_card.data.entry}}"
# 6) triplet envelope（可能多段）→ 逐段 POST graph /triplets/ingest。
# ── 7) 進游標（同 /entries/ingest upsert；cursor 專用 page_name，content=pick_card 產的新游標 JSON 字串）。──
# 無 content_hash → 端點一律 update（游標每 tick 都變）。樂觀進游標：即使後續 envelope 失敗，
# 靠 graph 冪等 + 回捲重掃自癒，故游標僅為「掃到哪」的加速指標，非正確性關鍵。
save_cursor:
component: http_request
method: POST
url: "https://arcrun-kbdb.uncle6-me.workers.dev/entries/ingest?owner_id=leo"
headers:
Content-Type: "application/json"
body_json:
entry_type: "ingest_cursor"
page_name: "cursor:km_wiki_ingest_drain:Leo/notes"
content: "{{pick_card.data.cursor_content_json}}"
source: "gitea:Leo/notes"
metadata:
kind: "ingest_cursor"
embed: false
# ── 8) triplet envelope（可能多段）→ 逐段 POST graph /triplets/ingest。──
# graph 端 per-source(uri+content_hash) 冪等：同 hash 整包 no-op；分段各段 uri 不同 → 各自獨立冪等。
post_envelopes:
component: foreach_control
@@ -435,24 +510,19 @@ config:
post_one_envelope:
component: http_request
method: POST
url: "{{graph_url}}/triplets/ingest"
url: "https://kbdb-graph-plugin.uncle6-me.workers.dev/triplets/ingest?owner_id=leo"
headers:
Content-Type: "application/json"
X-Arcrun-API-Key: "{{graph_api_key}}"
body_json: "{{envelope}}" # envelope 已符合 ingest-candidate.json 契約（禁止欄位已排除）
X-Arcrun-API-Key: "leo"
body_json: "{{envelope}}" # envelope 已符合 ingest-candidate.json 契約（_-前綴診斷鍵已由 code 節點剝除）
# ── 執行環境變數（部署時注入；此檔不放密鑰）──
# repo=Leo/notes ref=main gitea_token=<GITEA_TOKEN>
# kbdb_url=https://arcrun-kbdb.leo21c.workers.dev kbdb_api_key=<partner key>
# graph_url=<graph plugin base url on leo21c> graph_api_key=leo
#
# ═══════════════════════════════════════════════════════════════════════════
# §穩態變體（km_wiki_ingest_delta）：Gitea push webhook → 只處理 delta 檔
# 部署變數（皆已內嵌節點 data；此處僅列出以便 self-hosted fork 修改）：
# repo=Leo/notes ref=main owner=leo cards_root=system-dev/wiki/cards
# kbdb_url = https://arcrun-kbdb.uncle6-me.workers.dev （WORKER_SUBDOMAIN=uncle6-me，見 cypher wrangler）
# graph_url = https://kbdb-graph-plugin.uncle6-me.workers.dev
# graph_api_key = leo（namespace 字串，非機密）
# 機密：gitea_token → acr creds set gitea_token（節點以 {{credential.gitea_token}} 引用，部署時注入）。
# ⚠️ WORKER_SUBDOMAIN 須與實際部署帳號一致：官方=uncle6-me；若你的 kbdb/graph 部在別的
# workers.dev subdomain（例 leo21c），把上面 URL 一起改。舊 standalone drainer 誤用 leo21c。
# ═══════════════════════════════════════════════════════════════════════════
# 觸發 = Gitea repo Settings → Webhooks → 指向 arcrun(cypher-executor) 的 workflow webhook URL。
# ⚠️ 這是 Gitea → Cloudflare(arcrun)，非 GitHub Actions → 不觸 GitHub flag 紅線（D4/D20）。
# 只把上面 flow 的 watch_cron/pick_next_card 換成：
# input（webhook payload）>> ON_SUCCESS >> collect_changed
# collect_changed = 從 payload.commits[].{added,modified} 濾出 system-dev/wiki/cards/**/*.md
# >> foreach 檔 >> fetch_card >> parse_card >> upsert_entry >> post_envelopes（同上）
# 量小、天生不撞頂、不需限速；靠 graph/entry 冪等自動 skip 未變檔。