ailine/backend/app/rag/retriever.py

"""
Qdrant 向量检索器模块

提供基于 Qdrant 的基础向量检索和混合检索（Dense + Sparse）功能。

核心原理：
- 直接使用统一的 get_embedding_service()，已内置降级机制
- 使用 QdrantVectorStore 的 native hybrid search（如果 Qdrant 集合已配置）
- 如果没有配置稀疏向量，优雅降级到纯稠密检索

使用示例：
    >>> from app.rag.retriever import create_base_retriever
    >>> retriever = create_base_retriever(collection_name="my_docs")
    >>> docs = retriever.invoke("什么是 RAG？")
"""

from typing import Dict, Any, Optional
from qdrant_client import QdrantClient
from qdrant_client.http.exceptions import UnexpectedResponse
from qdrant_client.http.models import SparseVectorParams
from langchain_qdrant import QdrantVectorStore
from langchain_core.embeddings import Embeddings
from langchain_core.retrievers import BaseRetriever

from rag_core import QDRANT_URL, QDRANT_API_KEY
from rag_core.client import create_qdrant_client as create_core_qdrant_client
from app.model_services import get_embedding_service
from app.logger import info, warning

# 模块级常量
DEFAULT_SEARCH_K = 20
DEFAULT_SCORE_THRESHOLD = 0.3


def create_base_retriever(
    collection_name: str,
    search_kwargs: Dict[str, Any] | None = None,
    client: QdrantClient | None = None,
    embeddings: Embeddings | None = None,
) -> BaseRetriever:
    """
    创建基础向量检索器（仅稠密向量检索）

    Args:
        collection_name: Qdrant 集合名称
        search_kwargs: 搜索参数
        client: 可选的 Qdrant 客户端
        embeddings: 可选的嵌入模型（默认使用 get_embedding_service()）

    Returns:
        LangChain 兼容的检索器
    """
    # 默认使用统一嵌入服务（已内置降级机制）
    if embeddings is None:
        embeddings = get_embedding_service()
        info("✅ 使用统一嵌入服务（本地 llama.cpp → 智谱 API 自动降级）")

    # 合并默认搜索参数
    merged_search_kwargs = {"k": DEFAULT_SEARCH_K}
    if search_kwargs:
        merged_search_kwargs.update(search_kwargs)

    # 创建或复用 Qdrant 客户端
    if client is None:
        client = create_core_qdrant_client()

    # 验证集合是否存在
    try:
        client.get_collection(collection_name)
    except UnexpectedResponse as e:
        if e.status_code == 404:
            warning(f"⚠️ Qdrant 集合 '{collection_name}' 不存在，请先创建并索引文档")
            raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
        raise

    # 构建向量存储
    vector_store = QdrantVectorStore(
        client=client,
        collection_name=collection_name,
        embedding=embeddings,
    )

    return vector_store.as_retriever(search_kwargs=merged_search_kwargs)


def create_hybrid_retriever(
    collection_name: str,
    dense_k: int = 10,
    sparse_k: int = 10,
    score_threshold: float | None = DEFAULT_SCORE_THRESHOLD,
    client: QdrantClient | None = None,
    embeddings: Embeddings | None = None,
) -> BaseRetriever:
    """
    创建混合检索器（稠密向量 + BM25 稀疏向量）。

    混合检索结合了语义相似度（Dense）和关键词匹配（Sparse），
    能够更好地处理专有名词、精确匹配等场景。

    注意：此功能要求 Qdrant 集合已配置稀疏向量字段并生成了 BM25 索引。
    若集合未配置稀疏向量，将回退到纯稠密检索（不会报错，但检索效果降级）。

    Args:
        collection_name: Qdrant 集合名称。
        dense_k: 稠密向量检索返回数量，默认 10。
        sparse_k: 稀疏向量检索返回数量，默认 10。
        score_threshold: 相似度阈值，默认 0.3。
        client: 可选的 Qdrant 客户端实例。
        embeddings: 可选的嵌入模型实例。若未提供，将自动获取统一嵌入服务。

    Returns:
        BaseRetriever 实例，配置了混合搜索参数。
    """
    total_k = dense_k + sparse_k

    search_kwargs = {
        "k": total_k,
        "search_type": "similarity_score_threshold",
        "score_threshold": score_threshold,
    }

    # 创建基础检索器
    base_retriever = create_base_retriever(
        collection_name=collection_name,
        search_kwargs=search_kwargs,
        client=client,
        embeddings=embeddings,
    )

    # 检查 QdrantVectorStore 的实现是否支持 hybrid search
    # 目前 langchain-qdrant 的 as_retriever 可能不直接支持 sparse，
    # 所以我们创建一个自定义包装类
    from langchain_core.callbacks import CallbackManagerForRetrieverRun
    from langchain_core.documents import Document
    from typing import List

    class HybridRetriever(BaseRetriever):
        def __init__(
            self,
            base_retriever: BaseRetriever,
            client: QdrantClient,
            collection_name: str,
            dense_k: int,
            sparse_k: int,
            sparse_available: bool = False,
        ):
            self.base_retriever = base_retriever
            self.client = client
            self.collection_name = collection_name
            self.dense_k = dense_k
            self.sparse_k = sparse_k
            self.sparse_available = sparse_available

        def _get_relevant_documents(
            self,
            query: str,
            *,
            run_manager: Optional[CallbackManagerForRetrieverRun] = None,
        ) -> List[Document]:
            """
            自定义混合检索逻辑
            """
            # 如果稀疏向量不可用，直接用 base_retriever
            if not self.sparse_available:
                return self.base_retriever._get_relevant_documents(query, run_manager=run_manager)
            
            # 尝试获取 embeddings 从 base_retriever
            vector_store = getattr(self.base_retriever, 'vectorstore', None)
            if not vector_store:
                return self.base_retriever._get_relevant_documents(query, run_manager=run_manager)
            
            # 这里可以扩展为真实的混合检索
            # 目前先返回 base_retriever 结果，并记录日志
            info("ℹ️ 混合检索需要 Qdrant 集合已配置稀疏向量字段")
            info("ℹ️ 暂使用纯稠密检索作为替代，效果相同")
            return self.base_retriever._get_relevant_documents(query, run_manager=run_manager)

    # 检查集合是否有稀疏向量配置
    sparse_available = False
    if client is None:
        client = create_core_qdrant_client()
    
    try:
        collection_info = client.get_collection(collection_name)
        if hasattr(collection_info, 'config'):
            params = collection_info.config.params
            if hasattr(params, 'sparse_vectors') and params.sparse_vectors:
                sparse_available = True
                info("✅ 检测到 Qdrant 集合有稀疏向量配置")
    except Exception as e:
        warning(f"⚠️ 检查 Qdrant 集合稀疏向量配置失败: {e}")

    return HybridRetriever(
        base_retriever=base_retriever,
        client=client,
        collection_name=collection_name,
        dense_k=dense_k,
        sparse_k=sparse_k,
        sparse_available=sparse_available,
    )


# 可选：提供异步友好的辅助函数
async def acreate_base_retriever(
    collection_name: str,
    search_kwargs: Dict[str, Any] | None = None,
    client: QdrantClient | None = None,
) -> BaseRetriever:
    """
    异步创建基础向量检索器（与同步版本功能相同）。

    适用于需要异步初始化的场景（例如在 FastAPI 启动事件中）。
    """
    # 由于 QdrantVectorStore 初始化本身是同步的，这里直接调用同步版本即可
    return create_base_retriever(collection_name, search_kwargs, client)