collector

⚠️ 本目錄有兩代 collector 並存（2026-07-19）：

• 新（現役開發線）＝ Go 版 hash 偵測 collector（*.go，SDD ingest-hash-trigger task 2）—— 變更偵測回歸檔案系統，manifest＋content hash，不經 git、不經 Gitea。見下方「Go 版」段。
• 舊（legacy，待 SDD task 4 拆除）＝ Node 版 Gitea push 鏈（index.js/transform.js/git-sync.js/config.js， rag-wave1 T3/T4 產物）——watch → git commit/push → Gitea webhook。這正是 de-Gitea 要取代的鏈， 保留只為現行本機 demo 鏈還在用；新功能一律做在 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]

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 task 4 觸發鏈呼叫）；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。
• 打 arcrun named-webhook 觸發 ingest、daemon 常駐（launchd）＝之後的 task （SDD task 4、journeys/user-onboarding 環 6）。

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。

---

（legacy）Node 版收集端骨架（rag-wave1 T3+T4）

design.md §4；跑在客戶端機器（NAS/VM，或導入者代管的 VPS），不是 arcrun workflow（arcrun 零件禁檔案系統，見 CLAUDE.md 紅線）。 ⚠️ 本骨架端到端（真實 NAS/VM + 真實 Gitea remote + systemd 常駐）需在本機/客戶環境驗，雲端 sandbox 沒有這些條件——這裡只做得到：程式邏輯本身可跑、對本機臨時目錄的煙測（見下方「已驗證」）。

做什麼

watch 知識資料夾 ──(新增/修改)──► transform（.md passthrough／docx,pptx,pdf→Markitdown）──► 寫入 target repo 工作目錄
                 ──(刪除)      ──► target repo 移除對應檔
                                          │
                                    git add/commit/push
                                          │
                              Gitea push webhook（既有機制，非本骨架自建）
                                          │
                                  arcrun ingest workflow（另案，如 km_wiki_ingest_drain 同款模式）

關鍵設計判斷：collector 的責任止於「commit + push」。design.md §4 說的「打 ingest webhook」＝ Gitea 自己的 push webhook 機制（同 Leo/Arcrun registry/examples/km-wiki-ingest 已驗證的模式：Gitea push webhook → arcrun workflow），不是 collector 自己再打一支 HTTP webhook。collector 不需要知道 ingest 的內部細節（哪個 workflow、哪個 KBDB），它只管「客戶檔案的忠實鏡像」進 Gitea repo。

事件驅動、不輪詢

用 chokidar（Node）watch 檔案系統事件（inotify/FSEvents，非 polling），對齊「單一 repo、事件驅動」的鐵律。debounce 視窗（預設 3 秒）把同一批變更合併成一次 commit，避免每個檔案獨立 commit 洗歷史。

刪檔語意

檔案在來源資料夾被刪除 → collector 在 target repo 對應路徑也 git rm → commit → push。deprecated 標記不是 collector 的責任——ingest workflow 收到 Gitea push event 裡的 removed 檔案清單後，自己去 KBDB 把對應 entry 標 status: deprecated（append-only，不物理刪，見 km-wiki-ingest description.md 冪等設計）。collector 只管檔案鏡像忠實，不碰 KBDB。

轉檔（T4）

transform.js：.md/.markdown passthrough（frontmatter 補 source_path 溯源欄位）；.docx/.pptx/.pdf 呼叫 markitdown CLI（子行程，需部署機器已 pip install markitdown[docx,pptx,pdf]）轉出 md，輸出路徑副檔名換成 .md，同時把原檔複製進 target repo 的 assets/originals/<相對路徑>（design.md §4「原檔進 LFS」）。git-sync.js 的 ensureGitAttributes() 在啟動時冪等寫入 .gitattributes（assets/originals/**/*.{pdf,docx,pptx} filter=lfs ...）。

⚠️ LFS 是否真的生效待本機驗：.gitattributes 宣告本身雲端驗過內容正確，但 LFS smudge/clean filter 要部署機器裝了 git-lfs 並 git lfs install 才真的把大檔案存進 LFS store（否則 git 仍會把二進位檔案當一般 blob 存進版控歷史——功能上檔案還是會進 repo，只是沒享受到 LFS 的空間/頻寬優化）。雲端 sandbox 沒有 git-lfs 二進位，這段驗不到。

其餘格式（xlsx、圖片等）不在 design.md §4 第一波承諾範圍，仍丟 NotImplementedError 並記警告日誌，誠實不假裝轉好。

檔案

檔案	職責
index.js	進入點：watch＋debounce＋事件分派＋原檔複製
transform.js	檔案 → md 轉換：.md passthrough／docx,pptx,pdf 走 Markitdown
git-sync.js	target repo 的 git add/commit/push 封裝＋.gitattributes LFS 宣告
config.js	環境變數讀取（WATCH_DIR/TARGET_REPO_DIR/DEBOUNCE_MS）

設定（環境變數）

變數	說明	預設
WATCH_DIR	客戶知識資料夾（來源）	必填
TARGET_REPO_DIR	已 clone 好、有 push 權限的 Gitea repo 工作目錄（去向）	必填
TARGET_SUBDIR	在 target repo 內落地的子目錄	collected/
DEBOUNCE_MS	合併變更的等待視窗	3000
GIT_AUTHOR_NAME / GIT_AUTHOR_EMAIL	commit 署名	collector / collector@localhost

部署（客戶端機器，設計稿——本輪未實際跑 systemd）

# /etc/systemd/system/arcrun-rag-collector.service（範本，未部署未測）
[Unit]
Description=arcrun-rag collector
After=network.target

[Service]
Environment=WATCH_DIR=/mnt/knowledge
Environment=TARGET_REPO_DIR=/opt/collector-repo
ExecStart=/usr/bin/node /opt/arcrun-rag/collector/index.js
Restart=always
User=collector

[Install]
WantedBy=multi-user.target

TARGET_REPO_DIR 需事先 git clone＋設好有 push 權限的 remote（credential 用該機器的 git credential helper 或 SSH key，不是本骨架管的事）。

已驗證（雲端 sandbox 能做到的部分）

• node --check 語法檢查全過。

• 本機臨時目錄煙測（非真實客戶環境，兩輪）：起一個 scratch git repo 當 target、一個 scratch 資料夾當 watch 來源：

  1. T3 事件機制：新增/修改/刪除 .md 檔案 → collector 正確偵測、寫入/移除、debounce 後產生一次 commit，git log 驗到 commit 內容與變更一致。
  2. T4 Markitdown：用 python-docx 生一份真實 .docx（含標題+段落）丟進 watch 資料夾 → collector 呼叫 markitdown 轉出真實 md 內容（人工核對文字與原檔一致）、原檔複製進 assets/originals/、.gitattributes 正確寫入三種格式的 LFS 宣告、整批 commit+push 送達 bare remote（git log 驗證）。

  不含（待本機/客戶環境）：真實 Gitea remote push（需真實 token+repo）、真實 git-lfs smudge/clean filter（sandbox 無 git-lfs 二進位）、systemd 常駐、NAS/VM 環境、Gitea push webhook 是否真觸發 ingest workflow。

待本機/客戶環境驗（端到端）

1. 真實客戶知識資料夾 watch（含各類真實 docx/pptx/pdf 樣本，非合成測試檔）。
2. 真實 Gitea remote push（含憑證管理）。
3. 真實 git-lfs 安裝＋git lfs track，確認大檔案真的走 LFS store 而非塞進一般 blob 歷史。
4. push 後確認 Gitea push webhook 真觸發 ingest workflow（另案）。
5. systemd 常駐穩定性（重開機自動起、崩潰自動重啟）。