Leo
1c2fa6b294
- collector Go：trigger.go＋sync 子命令（scan→R2 upload→POST collector-trigger.v1
→2xx 才 MarkIngested 回寫；失敗不回寫＝下輪自然重試；上傳失敗事件不送、同路徑
renamed 連坐不回寫；防呆警告輪照送 warnings）。go test 19/19 綠（httptest mock）。
- workflow v3：rag-ingest-cards.local.yaml 改吃 collector payload（events[] 取代
commits[]；原稿從 R2 撈 CF REST API objects/{r2_key}；新增 renamed 分支＝只更新
路徑映射 R5，跨界搬移轉 added/removed；removed 沿用 G9 雙判準；M3 recompute 尾鏈
原樣保留，fetch_index 改 R2）；rag-ingest.yaml v1 同步等價改。source_uri 遷移
gitea://→kb://。schema_version!==1 整輪 no-op。
- push-demo-workflow.sh：補 __CF_ACCOUNT_ID__/__R2_BUCKET__/__CF_R2_TOKEN__ 佔位；
GITEA_* 標 deprecated-for-ingest（rag-extract* 仍用）。
- Gitea 退場（本 repo 範圍）：legacy JS collector 六檔刪除（git 記錄可查）；
install.sh 步驟 5 降級 deprecated；README 落「Gitea 退場切換 checklist」
（推 v3→collector sync 實測→拆 Gitea webhook→觀察期＋回滾法）。
- 驗證：yaml parse（raw＋sed 模擬）／flow-config 對齊／JS 語法 node --check／
demo cypher 唯讀 /cypher/search 編譯 missing=[]、出邊序如設計。
未部署、未實跑 e2e（推 demo＝leo 閘）。
Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
89 lines
6.3 KiB
Markdown
89 lines
6.3 KiB
Markdown
# collector
|
||
|
||
> ✂️ **legacy Node 版（Gitea push 鏈）已於 2026-07-19 刪除**（SDD `ingest-hash-trigger` task 4：
|
||
> 「Gitea webhook 接收端程式碼與路由已刪除（git 記錄可查）」）。`index.js`/`transform.js`/
|
||
> `git-sync.js`/`config.js` 那套 watch → git commit/push → Gitea webhook 鏈要考古請看 git 歷史
|
||
> （本檔同 commit 之前的版本有完整說明）。現役＝Go 版 hash 偵測 collector，
|
||
> **不經 git、不經 Gitea**：scan → R2 上傳 → 直打 arcrun named-webhook。
|
||
> Markitdown 轉檔（docx/pptx/pdf→md）能力隨 legacy 一併退場，回歸產品化段 task 11 重做進 Go 版。
|
||
|
||
## Go 版：hash 偵測 collector（SDD ingest-hash-trigger）
|
||
|
||
```
|
||
collector scan --root <知識資料夾> --manifest <manifest.json> [--max-removed-ratio 0.4] [--dry-run]
|
||
collector upload --root <知識資料夾> --manifest <manifest.json> [--max-removed-ratio 0.4] [--dry-run]
|
||
collector sync --root <知識資料夾> --manifest <manifest.json> [--max-removed-ratio 0.4] [--dry-run]
|
||
```
|
||
|
||
一次掃描：走訪資料夾（先只認 .md/.markdown/.txt/.docx/.pptx/.pdf）→ mtime+size fast-path
|
||
（沒變→沿用 manifest hash；變了才算 sha256）→ 對照 manifest 產出事件 → 事件 JSON
|
||
（符合 `schemas/collector-trigger.v1.schema.json`）輸出 stdout → 更新 manifest（`--dry-run` 不寫）。
|
||
|
||
- **事件分類順序（design §3）**：先把本輪 removed×added 以 content_hash 配對成 `renamed`
|
||
（只更新路徑映射，不 retire、不重萃）；再分 added / modified / removed。
|
||
- **大量刪除防呆（R6）**：removed 數 > manifest 條目 × 40%（`--max-removed-ratio` 可調）→
|
||
removed 全部不執行、manifest 條目保留、輸出 `mass_delete_guard` 警告。
|
||
- **重試語意**：`ingested_hash` 只會在整條 ingest 鏈成功後回寫（回寫鉤子＝`Manifest.MarkIngested`，
|
||
由 `sync` 在觸發回 2xx 後呼叫）；掃描與 R2 上傳都不寫它，所以「偵測過但未成功 ingest」的檔
|
||
每輪都會重發 added/modified——這是設計（design §2），不是 bug；R2 端靠存在檢查 no-op，
|
||
不會重複上傳。
|
||
- daemon 常駐（launchd）＝產品化段 task 11。
|
||
|
||
### `upload`：R2 content-addressed 原稿上傳（SDD task 3，design §4）
|
||
|
||
`upload`＝`scan`＋把本輪 **added/modified** 的原稿上傳 R2（renamed/removed 內容未變/已留底，不上傳）。
|
||
|
||
- **走 Cloudflare REST API**（`PUT /accounts/{account_id}/r2/buckets/{bucket}/objects/{key}`，
|
||
Bearer token）——不用 S3 sigv4，token 模型跟產品其他部分一致（客戶本來就有 CF API token）。
|
||
- **key＝`raw/<sha256hex>`**（不含 `sha256:` 前綴，對齊 `schemas/collector-trigger.v1.schema.json` 的 `r2_key`）。
|
||
- **冪等**：每 key 先做存在檢查，已存在＝`skipped_exists` 不重傳（content-addressed 天然去重）。
|
||
⚠️ CF REST API 的 objects 端點**不支援 HEAD**（2026-07-19 live 實測回 405），
|
||
存在檢查走 `GET`＋`Range: bytes=0-0`（存在＝200/206 只讀 1 byte，404＝不存在）。
|
||
- **完整性**：上傳前重算 sha256 核對事件 hash；檔案在掃描後被改動＝該筆 `failed` 不上傳
|
||
（不能把新內容塞進舊 hash 的 key），下輪重掃自然帶新 hash。
|
||
- **失敗語意**：任一筆 `failed` → exit code 1；manifest 照存（content_hash 反映現況、
|
||
`ingested_hash` 不動）＝下輪自動重試。上傳成功也**不**標 ingested——上傳只是鏈的第一環。
|
||
- `--dry-run`：不碰網路、不寫 manifest，只列 `planned` 上傳清單。
|
||
- 輸出 JSON：`{"trigger": <collector-trigger payload>, "uploads": [{path, r2_key, status, error?}]}`，
|
||
status＝`uploaded`／`skipped_exists`／`failed`／`planned`。
|
||
|
||
設定（**只走環境變數，絕不落 repo/code**）：
|
||
|
||
| 變數 | 說明 |
|
||
|---|---|
|
||
| `CF_ACCOUNT_ID` | Cloudflare 帳號 ID |
|
||
| `CF_API_TOKEN` | 有該 bucket R2 read+write 權的 API token |
|
||
| `R2_BUCKET` | 目的 bucket 名（demo＝`arcrun-rag-raw-demo`） |
|
||
| `CF_API_BASE` | 選填，API 基底覆蓋（測試用；預設 `https://api.cloudflare.com/client/v4`） |
|
||
|
||
測試：`go test ./...`——掃描七項（五情境＋fast-path＋manifest 往返）＋上傳七項
|
||
（新檔上傳／同 hash 重傳 no-op／上傳失敗不標 ingested＋重試／非內容事件不上傳／
|
||
hash 不符不上傳／env 缺漏報錯／MarkIngested 鉤子），httptest mock 對齊真 API 行為（HEAD 405）。
|
||
live e2e（2026-07-19）：uncle6 帳號 `arcrun-rag-raw-demo` bucket 真上傳→重傳 no-op→
|
||
`wrangler r2 object get --remote` 下載 diff 一致、sha256 與 key 相符，全通。
|
||
|
||
|
||
### `sync`：一條龍（SDD task 4）＝ scan → upload → 觸發 ingest → 成功回寫
|
||
|
||
`sync`＝`upload` 再加最後一步：把整輪的 collector-trigger.v1 payload POST 到
|
||
`ARCRUN_TRIGGER_URL`（arcrun named-webhook 完整 URL，如
|
||
`{cypher}/webhooks/named/{ns}/rag_ingest/trigger`——端點是 arcrun 原生觸發機制，
|
||
design 鐵律段明言保留；被刪掉的是「Gitea push 事件」這個來源語意）。
|
||
|
||
- **回寫語意**：HTTP 2xx 才對本輪送出的 added/modified/renamed 檔呼叫 `Manifest.MarkIngested`；
|
||
非 2xx／網路錯不回寫＝下輪自然重試（exit 1）。
|
||
- **上傳失敗的事件不送**：schema 約定 added/modified 的 `r2_key`＝原稿已在 R2，上傳失敗還送
|
||
＝叫消費端去 404 → 該事件本輪擋下（`dispatch.dropped_paths`），下輪重試補送；同路徑的
|
||
renamed 也不回寫（防「內容從未上 R2 卻被標 ingested」）。
|
||
- **防呆警告輪照送**：mass_delete_guard 觸發時 removed 事件已被壓下，但 payload 連同
|
||
`warnings[]` 照送——消費端看得到警告、不執行下架；notify 呈現歸 collector 端輸出／daemon。
|
||
- **無變更輪不發送**（`skipped_no_changes`）。
|
||
- 輸出 JSON：`{"trigger": <實際送出的 payload>, "uploads": [...], "dispatch":
|
||
{status, http_status?, error?, marked_count, dropped_paths?}}`。
|
||
|
||
設定＝upload 的三個環境變數＋`ARCRUN_TRIGGER_URL`（皆絕不落 repo/code）。
|
||
|
||
測試：`go test ./...` 19/19——掃描 7＋上傳 7＋sync/trigger 5（成功回寫＋無變更輪不重發／
|
||
失敗不回寫＋修復後重試成功／防呆警告輪照送 warnings 零事件／上傳失敗事件擋下＋renamed
|
||
連坐不回寫／URL env 驗證），全部 httptest mock（**未實跑雲端 e2e**——等切換日與 leo 一起驗）。
|