0b4c2bbb15
兩個 bug 同源於自檢測資「照能過建、不照現實建」： - ingest preflight：git status --porcelain 預設會把含中文或空格的路徑加引號 轉義，raw/ 白名單比對因此失效，中文檔名的 convert 產出被誤判為 raw/ 以外的 未提交變更而中止攝入。舊測資用 ASCII 檔名，整條路徑從未被走過。 - search：BM25Okapi 的 idf 在 df >= N/2 時 <= 0（rank_bm25 對負 idf 的替代值 epsilon x average_idf 在 average_idf 為負時同樣為負），與 search() 的 s > 0 過濾相乘，會讓「每頁都提到的核心詞」查詢全數落空——知識庫愈小、詞愈核心 愈嚴重，MCP 的 search_wiki 一併受害。改用 Lucene 式恆正 idf。 舊測資每個查詢詞都只出現在一頁（df=1），恰好避開此配置。 變更： - tools/ingest.py：preflight 比對前剝除 git 的轉義引號 - tools/search.py：_BM25 子類覆寫 _calc_idf 為 log(1 + (N-df+0.5)/(df+0.5)) - tools/selfcheck_ingest.py：新增 preflight 中文檔名放行 / 非 raw 擋下的檢查 - tools/selfcheck_search.py：新增與既有頁共用核心詞的測資，鎖住 idf 退化 - tools/convert/selfcheck.py、tools/selfcheck_lint.py：測資檔名改中文＋空格 - AGENTS.md §13.4：新增「測資照現實建，不是照能過建」規則 - README.md §3.2：補 convert 產出應保持未提交、由 ingest 一併 commit 的流程 驗證：四個自檢全數通過；分別移除兩個修法後對應檢查會失敗。 Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
215 lines
8.8 KiB
Markdown
215 lines
8.8 KiB
Markdown
# README — QA 知識庫使用手冊
|
||
|
||
金融電子支付 QA 部門知識庫，採 **Karpathy LLM Wiki 模式**：知識在文件**攝入時**由本地
|
||
LLM 編譯成 wiki 頁，查詢時只讀已編譯頁面（**非 RAG**，檢索用 BM25）。
|
||
|
||
> **本檔是操作手冊（怎麼裝、怎麼跑）。** 所有 schema、工作流細節、硬性約束與行為紀律的
|
||
> **唯一正本**是 [AGENTS.md](AGENTS.md)——動手前請先讀它。本檔只做操作說明，不複製其內容。
|
||
|
||
---
|
||
|
||
## 1. 環境需求
|
||
|
||
| 項目 | 需求 |
|
||
|------|------|
|
||
| Python | 3.11+ |
|
||
| 本地 Ollama | 執行於 `http://localhost:11434`（見 [config/models.yaml](config/models.yaml)） |
|
||
| Ollama 模型 | 已 `ollama pull` 且與 `config/models.yaml` 的 tag 一致的**合規本地模型** |
|
||
| Git remote（選用） | 攝入自動開 PR 用；無 remote 時分支保留於本地 |
|
||
|
||
**資料落地是硬性約束（[AGENTS.md](AGENTS.md) §1.1）**：所有文件內容的 LLM 處理一律走本地
|
||
Ollama，**禁止**任何雲端 API、雲端轉換服務，及任何 `:cloud` 後綴模型。供應鏈限制（§1.3）：
|
||
禁用中國關聯模型（bge / Qwen / GLM / MiniMax / Jina 等）。
|
||
|
||
---
|
||
|
||
## 2. 安裝
|
||
|
||
Windows PowerShell（本專案主要環境）：
|
||
|
||
```powershell
|
||
python -m venv .venv
|
||
.venv\Scripts\pip install -r requirements.txt
|
||
```
|
||
|
||
Linux / Gitea runner：
|
||
|
||
```bash
|
||
python3 -m venv .venv
|
||
.venv/bin/pip install -r requirements.txt
|
||
```
|
||
|
||
接著確認 Ollama 已拉好 `config/models.yaml` 內指定的模型：
|
||
|
||
```powershell
|
||
ollama list # 對照 tasks.ingest.model / tasks.lint.model / tasks.fallback.model
|
||
```
|
||
|
||
**換模型只改 [config/models.yaml](config/models.yaml)，不動任何程式碼**（§1.2）。設定缺欄位時程式直接
|
||
報錯，不使用隱含預設值。唯一允許的覆寫來源是環境變數 `OLLAMA_BASE_URL`。
|
||
|
||
> 下文指令以 Windows 的 `.venv\Scripts\python` 為例；Linux 換成 `.venv/bin/python`。
|
||
|
||
---
|
||
|
||
## 3. 四大工作流
|
||
|
||
資料流：**原始檔 → `convert` → `raw/converted/` Markdown → `ingest` → `wiki/` 頁面 →
|
||
`search` / MCP 查詢**；`lint` 定期健檢整庫。
|
||
|
||
### 3.1 轉換 `convert` — 原始檔轉 Markdown
|
||
|
||
把 docx / xlsx / pdf / pptx / html 或網頁 URL 轉成 Markdown，並登記 SHA-256 至
|
||
`raw/manifest.json`（`raw/` 只讀不可變，§1.4）。
|
||
|
||
```powershell
|
||
# 本機檔案（可多個）
|
||
.venv\Scripts\python tools\convert\convert.py 報告.docx 測項.xlsx 規格.pdf
|
||
|
||
# 網頁快照（保存完整 HTML，因來源可能消失）
|
||
.venv\Scripts\python tools\convert\convert.py https://example.com/guideline
|
||
|
||
# 只看計畫、不寫檔
|
||
.venv\Scripts\python tools\convert\convert.py 報告.docx --dry-run
|
||
```
|
||
|
||
- 支援：`.docx .xlsx .pdf .pptx .html/.htm` 與 `http(s)://` URL。
|
||
- hash 相同的檔會自動 `skip`（去重）。
|
||
- 掃描件（PDF 無文字層）標記 `needs_ocr` 並跳過，**不擅自 OCR**，留待人工決定。
|
||
- 單檔失敗不中斷批次，最後彙總並以結束碼 1 回報。
|
||
|
||
### 3.2 攝入 `ingest` — 編譯成 wiki 頁
|
||
|
||
讀 `raw/converted/` 的 Markdown，呼叫本地 Ollama 產出 / 更新 wiki 頁，重建
|
||
`index.md`、追加 `log.md`，並**開新 git 分支 + PR**（HITL 閘門，§1.5——永不直接 commit 到 main）。
|
||
|
||
```powershell
|
||
# 攝入指定來源
|
||
.venv\Scripts\python tools\ingest.py raw\converted\xxx.md
|
||
|
||
# 攝入所有「尚無 summary 頁引用」的來源
|
||
.venv\Scripts\python tools\ingest.py --all-pending
|
||
|
||
# 只列計畫（分支名、模型、分段數），不呼叫 LLM、不寫檔
|
||
.venv\Scripts\python tools\ingest.py --all-pending --dry-run
|
||
|
||
# 已攝入過（hash 相同）也強制重跑
|
||
.venv\Scripts\python tools\ingest.py raw\converted\xxx.md --force
|
||
```
|
||
|
||
**前置條件**：須在 `main` 分支、且工作區除 `raw/` 外無未提交變更，否則會報錯中止。
|
||
|
||
> **`convert` 的產出請保持未提交，不要另開分支 commit。** 除 `raw/` 外無未提交變更的條件
|
||
> 刻意把 `raw/` 排除在外——正確流程是在 `main` 上 `convert`、確認 `raw/converted/*.md` 內容
|
||
> 無誤後直接 `ingest`，由 ingest 把來源與編譯出的 wiki 頁**一起** commit 進同一個分支。這樣
|
||
> PR 的 diff 同時含來源與產出，審核者才能對照 LLM 有無編譯錯誤。若先開分支 commit 了轉換檔，
|
||
> 切回 `main` 時那些檔案會隨分支離開工作區；此時請先 `git merge` 該分支回 `main` 再攝入
|
||
> （`raw/` 不受 §1.5 HITL 閘門管轄，該條只規範 wiki 層變更）。
|
||
|
||
執行後：變更落在 `ingest/<時間戳>-<slug>` 分支。有 remote 時自動 push 並印出 PR 建立網址；
|
||
無 remote / 離線時分支保留本地，請手動 push 後開 PR。**經人工審核合併後才進 main。**
|
||
|
||
### 3.3 健檢 `lint` — 全庫品質檢查
|
||
|
||
檢查 schema 完整性、過期主張、覆蓋缺口、孤兒頁，並用 LLM 偵測重複 / 矛盾頁。
|
||
**絕不修改或刪除任何檔案**，一律產出報告列為「待人工核准」（§1.5、§7）。
|
||
|
||
```powershell
|
||
# 完整健檢，報告寫入 reports/
|
||
.venv\Scripts\python tools\lint.py --output reports
|
||
|
||
# 跳過 LLM 重複/矛盾比對（較快，純 schema/結構檢查）
|
||
.venv\Scripts\python tools\lint.py --no-llm
|
||
```
|
||
|
||
- 報告路徑印在 stdout，例如 `reports/lint-YYYYMMDD-HHMMSS.md`。
|
||
- **結束碼**：`0` = 無發現；`1` = 有待人工核准項目（供 CI 判斷 / 標紅通知）。
|
||
- 排程：[.gitea/workflows/lint.yaml](.gitea/workflows/lint.yaml)（每週一台北時間 05:00，草稿，部署 Gitea 時啟用）。
|
||
|
||
### 3.4 查詢 `search` — BM25 檢索
|
||
|
||
```powershell
|
||
.venv\Scripts\python tools\search.py "AML 測試準則" -k 10
|
||
```
|
||
|
||
輸出 JSON 陣列（`path / title / description / tags / score`），供人工或 agent 定位候選頁。
|
||
`-k` 上限 10（查詢工作流 §8：先讀 `index.md` 定位、最多 10 頁、只讀命中頁、回答必附
|
||
`source_ref`、禁止全庫掃描）。
|
||
|
||
---
|
||
|
||
## 4. MCP server — 供內部 AI agent / 團隊查詢
|
||
|
||
[mcp/server.py](mcp/server.py) 是 FastMCP 薄殼，只暴露兩個唯讀 tool：`search_wiki`（BM25 檢索）與
|
||
`read_page`（讀單頁全文，依 `models.yaml` 的 token 上限截斷）。只讀已編譯 wiki 頁，不觸碰
|
||
`raw/` 層、不做全庫掃描。
|
||
|
||
```powershell
|
||
# stdio 啟動
|
||
.venv\Scripts\python mcp\server.py
|
||
```
|
||
|
||
測試時可用環境變數 `PP_QA_ROOT` 指定專案根目錄。`read_page` 有路徑跳脫防護，只接受
|
||
`wiki/` 下的 `.md`。
|
||
|
||
---
|
||
|
||
## 5. Copilot Custom Agents（雙棧）
|
||
|
||
同一套 [AGENTS.md](AGENTS.md) 規範同時服務 Claude Code 與 GitHub Copilot（§11 雙棧規則）。
|
||
[.github/agents/](.github/agents/) 提供三個 Copilot 編排 agent——它們**只編排、不處理文件內容**
|
||
（成本紀律 §1.6：LLM 處理一律 shell out 給本地腳本，agent 只讀精簡結果）：
|
||
|
||
| Agent | 職責 |
|
||
|-------|------|
|
||
| [kb-ingest](.github/agents/kb-ingest.agent.md) | 轉換 → 攝入 → 開 PR |
|
||
| [kb-lint](.github/agents/kb-lint.agent.md) | 執行健檢並摘要報告重點 |
|
||
| [kb-query](.github/agents/kb-query.agent.md) | 檢索 → 只讀命中頁 → 附 source_ref 回答 |
|
||
|
||
---
|
||
|
||
## 6. 目錄速查
|
||
|
||
```
|
||
config/models.yaml # Ollama 端點與模型 tag（唯一設定來源）
|
||
raw/originals/ # 原始檔，只讀
|
||
raw/converted/ # 轉換後 Markdown，攝入的實際輸入，只讀
|
||
raw/manifest.json # SHA-256 登記 + 原始檔↔轉換檔對應
|
||
wiki/summaries/ # 每份來源一頁摘要
|
||
wiki/entities/ # 實體頁（系統/模組/API/法規/專案）
|
||
wiki/concepts/ # 概念頁（跨來源綜合）
|
||
index.md # 目錄式導航（由 ingest 自動重建）
|
||
log.md # append-only 操作日誌
|
||
tools/ # convert/ ingest.py lint.py search.py kb.py（共用模組）
|
||
mcp/server.py # MCP 薄殼
|
||
```
|
||
|
||
完整結構與各檔用途見 [AGENTS.md](AGENTS.md) §2。
|
||
|
||
---
|
||
|
||
## 7. 疑難排解
|
||
|
||
| 訊息 / 現象 | 原因與處置 |
|
||
|-------------|-----------|
|
||
| `config/models.yaml 缺欄位` | 設定不完整；補齊欄位，不要用預設值繞過（§1.2）。 |
|
||
| `tasks.X.model 為 :cloud 模型` | 違反資料落地；改用本地模型 tag（§1.1）。 |
|
||
| `須在 main 分支執行` | 攝入前先切回 `main`。 |
|
||
| `工作區有 raw/ 以外的未提交變更` | 先 commit / stash 非 `raw/` 的變更再攝入。 |
|
||
| `... 不在 manifest 的 converted 條目中` | 該來源尚未轉換；先跑 `convert.py`。 |
|
||
| `LLM 輸出驗證失敗（含 fallback）` | 本地模型連主模型 + fallback 都無法產出合規 JSON；檢查 Ollama 是否在線、模型是否拉好。 |
|
||
| `push 失敗（無 remote 或離線）` | 正常；分支已保留本地，手動 push 後開 PR。 |
|
||
|
||
---
|
||
|
||
## 8. 開發者自檢
|
||
|
||
各工具附 assert 式自檢腳本（免框架、免 fixtures，§13.4）：
|
||
|
||
```powershell
|
||
.venv\Scripts\python tools\convert\selfcheck.py
|
||
.venv\Scripts\python tools\selfcheck_ingest.py
|
||
.venv\Scripts\python tools\selfcheck_lint.py
|
||
.venv\Scripts\python tools\selfcheck_search.py
|
||
```
|