From d93dc4e35069d4ee17bd81b0b993d476bd0f2d6b Mon Sep 17 00:00:00 2001 From: Leo Date: Mon, 6 Jul 2026 04:50:08 +0000 Subject: [PATCH] =?UTF-8?q?feat(km-wiki-ingest):=20parse=5Fcard=20?= =?UTF-8?q?=E6=94=B9=E7=94=A8=E9=80=9A=E7=94=A8=20code=20=E9=9B=B6?= =?UTF-8?q?=E4=BB=B6=EF=BC=9B=E5=88=AA=20domain=20=E9=9B=B6=E4=BB=B6=20km?= =?UTF-8?q?=5Fwiki=5Fcard=5Fparse?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit Arcrun#10 裁定：一次性解析走通用逃生口，不再鑄 domain 零件。 - workflow.yaml：parse_card 由 component:km_wiki_card_parse -> component:code， config.code 內聯 card-to-envelope 的 planCard 邏輯（去 import/export、raw NUL 分隔符改 u0000 escape、改用 code 沙箱注入的 sha256）；下游 refs 改 parse_card.data.*； 加 limits(timeout_ms/max_output_bytes)。已端到端驗證（YAML 解析->JS eval）與原 planCard 輸出逐欄全等（含 content_hash）。 - 刪 registry/examples/km-wiki-ingest/component-contract.yaml（km_wiki_card_parse 契約）。 - lib/card-to-envelope.mjs：header 改述為「code 節點內聯 JS 的權威來源 + 參考實作」， 邏輯不變（續為 inline JS 之單一真相源）。 - lib/dry-run.mjs / description.md：框架改述為 code-節點形態；部署清單更新為「部署通用 code 零件」。dry-run-evidence.json（3 entries/15 triplets/16 nodes）不變——解析輸出等價。 不部署、不寫 live。留分支可部署狀態。 Co-Authored-By: Claude Opus 4.8 Claude-Session: https://claude.ai/code/session_01HJiLCRUU2o3aSpPEzVCt2o --- .../km-wiki-ingest/component-contract.yaml | 65 --- .../examples/km-wiki-ingest/description.md | 10 +- .../km-wiki-ingest/lib/card-to-envelope.mjs | Bin 14058 -> 14396 bytes .../examples/km-wiki-ingest/lib/dry-run.mjs | 3 + .../examples/km-wiki-ingest/workflow.yaml | 373 +++++++++++++++++- 5 files changed, 366 insertions(+), 85 deletions(-) delete mode 100644 registry/examples/km-wiki-ingest/component-contract.yaml diff --git a/registry/examples/km-wiki-ingest/component-contract.yaml b/registry/examples/km-wiki-ingest/component-contract.yaml deleted file mode 100644 index 7732f7f..0000000 --- a/registry/examples/km-wiki-ingest/component-contract.yaml +++ /dev/null @@ -1,65 +0,0 @@ -# 提案：新自訂 arcrun 零件 km_wiki_card_parse 的契約（Phase A 提案，尚未部署）。 -# 定位：機械把「已精耕 wiki 卡片」解析成 base entry + graph triplet envelope（無 LLM、無 fs/網路）。 -# 完全符合 arcrun 元件形狀（stdin_stdout_json、no_network_syscall、no_filesystem_syscall）。 -# 參考實作：lib/card-to-envelope.mjs（決定性純函式；部署時移植成 Go/WASM 或以 workerd JS 元件承載）。 -canonical_id: "km_wiki_card_parse" -display_name: "KM Wiki 卡片機械解析" -category: "transform" -version: "v1" -wasi_target: "preview1" -stability: "floating" -runtime_compat: - - "cf-workers" - - "workerd" - - "wazero" -constraints: - max_size_kb: 2048 - max_cold_start_ms: 50 - no_network_syscall: true # 純轉換，不打網路 - no_filesystem_syscall: true # 卡片全文由上游 http_request 餵入，不讀檔 - io_model: "stdin_stdout_json" -input_schema: - type: object - required: [content, rel_path] - properties: - content: - type: string - description: 卡片 Markdown 全文（上游 http_request 從 Gitea raw 抓）。 - rel_path: - type: string - description: 卡片相對 repo 根的路徑（如 system-dev/wiki/cards/notes/Xxx.md）。 - repo: - type: string - description: 來源 repo（如 Leo/notes），組 source.uri / page_name 用。預設 Leo/notes。 - budget: - type: number - description: 單 envelope subrequest 目標上限（預設 40，CF 硬頂 50）。超過則自動 anchor 分段。 - commit: - type: string - description: git commit sha（可追溯，寫進 source.commit）。選填。 -output_schema: - type: object - properties: - entry: - type: object - description: 卡片→base entry。含 page_name（冪等鍵）、entry_type、content、tags、metadata(embed=true, source, content_hash)。 - envelopes: - type: array - description: > - 卡片→graph triplet envelope 陣列（已分段、已符合 ingest-candidate.json 契約）。 - 每個 envelope 附 _estSubrequests；planner 保證每段 ≤ budget。無邊的卡回空陣列。 - meta: - type: object - description: canonical / title / content_hash 等追溯資訊。 -gherkin_tests: - - scenario: "typed-edge 卡片" - given: '{"content":"## 實體\n- **A** — a\n- **B** — b\n## 關聯\n### 內文知識關係\n- A >> 關係 >> B","rel_path":"system-dev/wiki/cards/notes/t.md"}' - then_contains: '"subject":"A"' - - scenario: "embed 打標" - given: '{"content":"# t\n## 實體\n- **A** — a\n## 關聯\n### 內文知識關係\n- A >> r >> A","rel_path":"x/t.md"}' - then_contains: '"embed":true' -tags: [transform, wiki, ingest, mechanical, kbdb, primitive] -description: | - 取代 kbdb-ingest-plugin 舊 raw→Haiku 路的機械版：讀「已精耕卡」的 ## 實體（節點）、 - ## 關聯 的 typed-edge（A >> 關係 >> B）與 [[wikilink]]，直接映射 entry + triplet，零 LLM、零 token。 - 自動以 source_uri anchor 分段，保證每個 graph /triplets/ingest 呼叫壓在 CF subrequest 上限下。 diff --git a/registry/examples/km-wiki-ingest/description.md b/registry/examples/km-wiki-ingest/description.md index 369e9ad..da1660c 100644 --- a/registry/examples/km-wiki-ingest/description.md +++ b/registry/examples/km-wiki-ingest/description.md @@ -13,15 +13,15 @@ ## 形式選擇與理由（給總管） -**形式 = Arcrun workflow（YAML 編排）＋ 1 個新自訂零件 `km_wiki_card_parse`（機械解析）＋ 現成零件（`cron` / `http_request` / `foreach_control` / `kbdb_upsert_block`）。** +**形式 = Arcrun workflow（YAML 編排）＋ 通用 `code` 零件（sandbox inline JS，Arcrun#10）承載卡片→envelope 解析 ＋ 現成零件（`cron` / `http_request` / `foreach_control` / `kbdb_upsert_block`）。** 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）。 理由： 1. **編排本來就是 arcrun 的主場**：cron 限速 drain、Gitea webhook 只吃 delta、foreach 小批、冪等 upsert——這些跟現成零件 1:1 對得上，且 leo 要「Arcrun workflow 慢慢做」、arcrun 哲學禁一次性腳本。 -2. **arcrun 唯一缺的是「卡片 → envelope」的解析**。那是一段**決定性純轉換**（無 LLM、無網路、無檔案）——剛好是自訂零件的理想形狀（`stdin_stdout_json` + `no_network_syscall` + `no_filesystem_syscall`）。把它做成零件（而非在 YAML 裡塞 `string_ops` 正則）讓 workflow 可讀、解析可單元測試，貼合 arcrun「零件」複用哲學。 -3. **小批是結構性的，不是靠祈禱**：一卡一 tick，每卡在 graph worker 的 fan-out ≈ `7+4N+M` subrequest（notes 卡 N≈4/M≈5 → est 28~33，穩壓 CF 50 頂下）；解析零件會**預先把超大卡以 `source_uri` anchor 分段**，任何單一 graph 呼叫都不破頂。 +2. **arcrun 唯一缺的是「卡片 → envelope」的解析**。那是一段**決定性純轉換**（無 LLM、無網路、無檔案）——正好是 `code` 零件 sandbox 的理想形狀（`stdin_stdout_json` + `no_network_syscall` + `no_filesystem_syscall`）。用通用 `code` 節點內聯這段 JS（而非鑄 domain 零件、也非在 YAML 裡塞 `string_ops` 正則）：workflow 可讀、解析可單元測試、且 registry 不因一次性邏輯增生 domain 零件。 +3. **小批是結構性的，不是靠祈禱**：一卡一 tick，每卡在 graph worker 的 fan-out ≈ `7+4N+M` subrequest（notes 卡 N≈4/M≈5 → est 28~33，穩壓 CF 50 頂下）；`code` 節點內聯解析會**預先把超大卡以 `source_uri` anchor 分段**，任何單一 graph 呼叫都不破頂。 -**Phase A 交付**：純解析＋打包核心（`lib/card-to-envelope.mjs`，現在就能跑）＋乾跑驗證器（`lib/dry-run.mjs`，印出「將寫入什麼」）＋本 workflow.yaml ＋零件契約（部署被閘控，故 live 接線是「設計而非執行」）。 +**Phase A 交付**：純解析＋打包核心（`lib/card-to-envelope.mjs`，現在就能跑，＝ `code` 節點內聯 JS 的權威來源）＋乾跑驗證器（`lib/dry-run.mjs`，印出「將寫入什麼」）＋本 workflow.yaml（parse_card = `code` 節點）。解析零件＝通用 `code`（Arcrun#10 分支，已就緒待部署）；本 example 不再自帶 domain 零件契約。部署被閘控，故 live 接線是「設計而非執行」。 ## 診斷小結：fan-out 精確來源 + 小批為何解得掉 @@ -66,7 +66,7 @@ self-test 合成超大卡（不分段 est=114 會炸）→ 自動分 4 段、每 ## 待 live 部署 + 寫入（總管過 leo 閘用） -1. **部署新零件 `km_wiki_card_parse`**：移植 `lib/card-to-envelope.mjs` → arcrun 元件（Go/WASM 或 workerd JS 承載）→ `acr` 註冊。 +1. **部署通用 `code` 零件**（Arcrun#10 分支 `feat/issue-10-code-component`，已就緒）：`cd registry/components/code && npm install && npx wrangler deploy`（→ `code.arcrun.dev`）＋ `register-component.sh code`。本 workflow 的 parse_card 以 `component: code` 引用它，解析 JS 已內聯在 workflow.yaml（＝ `lib/card-to-envelope.mjs` 邏輯）。不再部署 domain 零件 `km_wiki_card_parse`。 2. **部署 workflow**：`km_wiki_ingest_drain`（cron drain）；`wrangler` 直推 leo21c（**禁 `acr update`**——codeload 綁 GitHub 假綠，Arcrun#4）。 3. **注入環境變數**（不放 repo）：`repo=Leo/notes ref=main gitea_token kbdb_url=https://arcrun-kbdb.leo21c.workers.dev kbdb_api_key graph_url graph_api_key=leo`。`CLOUDFLARE_ACCOUNT_ID=leo21c`（別讓官方 58309b 污染）。 4. **entry 寫入路徑確認**：若 `kbdb_upsert_block` 尚不透傳 `metadata_json`（需 `embed:true`/`content_hash`），entry 改用 `http_request` 直打 base `POST/PATCH /entries` 帶 `body_json.metadata_json`。 diff --git a/registry/examples/km-wiki-ingest/lib/card-to-envelope.mjs b/registry/examples/km-wiki-ingest/lib/card-to-envelope.mjs index 46ed7ed70015d4d8fd8aa8b55592adc3288df0cc..51b8c8d1ae9bcff7e6803563efcd39d90c14ee78 100644 GIT binary patch delta 497 zcmYL_Pfrs;7{(L0@eTC!COw*1lwiCXZ^m#jo@LxFy0P7Dwva+NFr~E6rez_lCM<|C zjcw7T3q?t#1NdFK^UuqE1!mbM%w>{!pLyQr`Tft4{OQTWT137|>~XgX^O}{>=RqD^ zgu{!7Y`w5Gd&x{anT|-KfXvK$YZ(kPYnVE`dJ~ZvtKA4vWVql*@urLLS)#{hfyF4DbNU;n5na*VP~P)4dyKk@+$nCT6tK z5v4%lKE%<+$zq*mnG42;c!kPIw})Wl@|L}r)|caJgiAIm!ra@}K)0&WbGhGU?q67% zRtNNghVr`7s3-0|?IV*^I0uV`+dY^SnP;k%J4|fdqRe0Lk z3^d~Xp4nXb`cMwgB8B3Tl+3(GZIgg>erbt{cf;m`EY-#U#}saZ diff --git a/registry/examples/km-wiki-ingest/lib/dry-run.mjs b/registry/examples/km-wiki-ingest/lib/dry-run.mjs index abfed45..5679533 100644 --- a/registry/examples/km-wiki-ingest/lib/dry-run.mjs +++ b/registry/examples/km-wiki-ingest/lib/dry-run.mjs @@ -1,6 +1,9 @@ #!/usr/bin/env node // km-wiki-ingest 乾跑（dry-run）驗證器 — 不寫 live、不部署。 // ------------------------------------------------------------- +// 註：解析在 live 由 workflow.yaml 的 parse_card = 通用 `code` 零件（sandbox inline JS）承載； +// 本驗證器直接 import card-to-envelope.mjs（＝該 code 節點內聯 JS 的權威來源）跑同一份邏輯， +// 故 dry-run 的 envelope 結果與 code 節點在 live 的輸出等價（Arcrun#10 已單測證明逐欄全等）。 // 對某 repo 的 system-dev/wiki/cards/**/*.md 跑機械解析 + envelope 打包， // 輸出「將寫入什麼」：① entry 清單（page_name / entry_type / metadata.embed / content_hash） // ② triplet envelope 清單（每段的 nodes / triplets / source.uri+anchor） diff --git a/registry/examples/km-wiki-ingest/workflow.yaml b/registry/examples/km-wiki-ingest/workflow.yaml index 93b7a81..d86a6a5 100644 --- a/registry/examples/km-wiki-ingest/workflow.yaml +++ b/registry/examples/km-wiki-ingest/workflow.yaml @@ -3,13 +3,14 @@ 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。 # ── 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 km_wiki_card_parse 會自動把超大卡以 source_uri anchor 分段（每段獨立冪等）。 +# 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。 flow: @@ -47,15 +48,357 @@ config: headers: Authorization: "token {{gitea_token}}" - # 4) ★ 機械解析（新自訂零件，無 LLM、無 fs/網路，stdin→stdout JSON）。 - # input：卡片全文 + 相對路徑 + repo；output：{ entry, envelopes[] }（envelope 已分段、已估 subrequest）。 - # 參考實作見 lib/card-to-envelope.mjs（可移植成 Go/WASM 元件）。 + # 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: km_wiki_card_parse - content: "{{fetch_card.data.body}}" - rel_path: "{{pick_next_card.next.rel_path}}" - repo: "{{repo}}" - budget: 40 # subrequest 目標上限（留 10 給 D_deprecated） + 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 }; + } + + return planCard(input.md, input.relPath, input.repo, input.opts || {}); + + input: + md: "{{fetch_card.data.body}}" + relPath: "{{pick_next_card.next.rel_path}}" + repo: "{{repo}}" + opts: + budget: 40 # subrequest 目標上限（留 10 給 D_deprecated），超過自動 anchor 分段 + limits: + 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。 @@ -63,11 +406,11 @@ config: component: kbdb_upsert_block api_key: "{{kbdb_api_key}}" kbdb_url: "{{kbdb_url}}" - page_name: "{{parse_card.entry.page_name}}" - type: "{{parse_card.entry.entry_type}}" - content: "{{parse_card.entry.content}}" - source: "{{parse_card.entry.metadata.source}}" - tags_json: "{{parse_card.entry.tags_json}}" + 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）。 @@ -76,7 +419,7 @@ config: # 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 - items: "{{parse_card.envelopes}}" + items: "{{parse_card.data.envelopes}}" item_key: envelope post_one_envelope: