docs(kb): foundacja — overview + projekt maili (2 żywe źródła)
This commit is contained in:
oskar
parent
e5c6bfe830
commit
2c9ac78fd9
108
docs/kb/kb-00-overview.md
Normal file
108
docs/kb/kb-00-overview.md
Normal file
|
|
@ -0,0 +1,108 @@
|
||||||
|
# Baza wiedzy — przegląd i log decyzji (homelab-codex · KB)
|
||||||
|
|
||||||
|
> Master-dokument inicjatywy. Stoi ponad dokumentami per-projekt (`kb-01-email-design.md`, …).
|
||||||
|
> Cel: każda kolejna sesja / Claude Code startuje z pełnym kontekstem ustaleń.
|
||||||
|
> Status: faza *docs*. Implementacja jeszcze nie ruszyła.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Czym to jest
|
||||||
|
|
||||||
|
Nie sama „baza wiedzy" — **de-Google'izacja życia + warstwa wiedzy na wierzchu.**
|
||||||
|
Każde źródło ma dwie twarze:
|
||||||
|
- **migracja off-cloud** — gdzie dane fizycznie lądują u Ciebie,
|
||||||
|
- **archiwum + ingest** — warstwa wiedzy.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Architektura: 4 warstwy × 4 filary + rdzeń
|
||||||
|
|
||||||
|
Dwa spojrzenia, ta sama rzecz:
|
||||||
|
|
||||||
|
- **Pionowo — 4 filary źródeł**, każdy = `ingest + index` (per-filar, wymienny): maile · dokumenty · zdjęcia · transakcje.
|
||||||
|
- **Poziomo — 4 warstwy** przepływu:
|
||||||
|
1. **Ingest** — per filar (adaptery przeciw protokołom).
|
||||||
|
2. **Preprocess + Index** — per filar (parse/chunk/embed → pgvector; transakcje → SQL).
|
||||||
|
3. **Join + Enrich** — **wspólny rdzeń**: entity resolution, graf encji, klucz czasoprzestrzenny.
|
||||||
|
4. **Advanced analytics + NL query** — **wspólny**: agent interdyscyplinarny, zapytania w języku naturalnym, analityka LLM.
|
||||||
|
|
||||||
|
Dwa dolne tiery są per-filar i neutralne. Dwa górne są wspólne dla wszystkich źródeł.
|
||||||
|
**OwnTracks = nie piąty filar, lecz klucz czasoprzestrzenny w warstwie 3** (ciągła funkcja czas→miejsce, bez własnego ingestu/agenta).
|
||||||
|
|
||||||
|
```
|
||||||
|
[ 4. Agent interdyscyplinarny ] NL query + analityka (LLM)
|
||||||
|
↑ (wspólne)
|
||||||
|
[ 3. Join + Enrich ] entity resolution · graf · OwnTracks (czas+miejsce)
|
||||||
|
↑ ↑ ↑ ↑ (wspólne)
|
||||||
|
[ 2. Preprocess + Index ] → pgvector / → SQL
|
||||||
|
↑ ↑ ↑ ↑ (per filar)
|
||||||
|
[ 1. Ingest ]
|
||||||
|
Maile Dokumenty Zdjęcia Transakcje
|
||||||
|
```
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Zasady przekrojowe (obowiązują każdy projekt)
|
||||||
|
|
||||||
|
1. **Archiwum ≠ indeks.** Archiwum surowe/niezmienne (asset, wieczne); indeks pochodny i odtwarzalny (wyrzucalny). Re-indeks z archiwum przy lepszym modelu.
|
||||||
|
2. **Koperta = jedyny kontrakt zamrożony z góry.** Addytywna. Zamrożone: `id · source · ts(UTC) · geo · raw_ref` + otwarte pole `entities[]`. Cała semantyka (typy encji, resolution, graf) **płynie** — rośnie z danych.
|
||||||
|
3. **Czas + miejsce jako byty pierwszej klasy od dnia zero.** Uniwersalny klucz złączeń między źródłami, karmiony OwnTracks. Nie da się retrofitować bez re-ingestu — stąd w kopercie od startu.
|
||||||
|
4. **Local-first / privacy.** Korpus (bank + prywatne zdjęcia + maile) → wszystko lokalnie. Embeddingi i modele na SOLARIA (GPU + ollama). Zero chmury dla danych wrażliwych.
|
||||||
|
5. **Protokół, nie provider.** Ingest pisany przeciw standardom (JMAP, IMAP, WebDAV), nie przeciw firmie → przenośność.
|
||||||
|
6. **Jeden spine: Postgres + pgvector.** Koperta + wektory (+ później encje + punkty OwnTracks) w jednym store. Mniej ruchomych części.
|
||||||
|
7. **Warstwa 4 nie jest waterfallem.** Kontrakt encji (warstwa 3) definiujemy wcześnie — przy 2 źródłach; po drugim źródle stawiamy *cienką* wersję warstwy 4, by udowodnić cross-source linking; dopiero potem dokładamy resztę.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Kolejność projektów (z uzasadnieniem)
|
||||||
|
|
||||||
|
1. **Maile** — urgency historyczna (Gmail), czysty text RAG (najprostszy), stawia wzorce reużywalne przez resztę (archiwum, embeddingi na SOLARIA, szkielet agenta, deploy). Wzorzec referencyjny.
|
||||||
|
2. **Dokumenty** — reużywają ~80% maili (text RAG + OCR), niosą własną migrację Drive → self-host.
|
||||||
|
3. **Zdjęcia** — silnie zde-ryzykowane: Immich już robi multimodal. Projekt = cienki agent nad API Immicha. Może iść w parze z dokumentami.
|
||||||
|
4. **Transakcje** — inny paradygmat (strukturalny/analityka, *nie* RAG); najmniej danych, najtrudniejszy acquisition. Na koniec.
|
||||||
|
5. **Interdyscyplinarny** — capstone; ale jego *szkielet* (schema encji) powstaje już przy 1–2.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Stan per źródło
|
||||||
|
|
||||||
|
- **Maile** — **dwa żywe źródła:** Fastmail (JMAP, primary) + Gmail (IMAP, bo konto **zostaje** jako śmieciowe/loginy/2FA). Plus jednorazowy bulk historyczny Gmaila. Reguła: **archiwizuj wszystko, indeksuj selektywnie** (filtr odrzuca login/2FA/notyfikacje z wektorów). Design: `kb-01-email-design.md`. **Następny do realizacji.**
|
||||||
|
- **Dokumenty** — **zdecydowane:** Nextcloud (zamiennik Drive, dowolne pliki + sync) **i** Paperless-ngx (podzbiór: skany/faktury/umowy z OCR). Dwa deploye; w ingeście jeden adapter na każdy (Nextcloud WebDAV + Paperless API).
|
||||||
|
- **Zdjęcia** — **Immich już działa** (storage + sync z telefonu + CLIP + twarze + EXIF). Projekt = cienki agent nad API Immicha + job: twarze→osoby, EXIF→miejsca do warstwy encji.
|
||||||
|
- **Transakcje** — **OPEN ISSUE.** Banki: gł. mBank + Revolut (+ reszta PL). Cel: maks automatyzacja. Kandydat: **agregator PSD2** (GoCardless Bank Account Data / Tink) — jedno wejście zamiast N adapterów. Ograniczenie regulacyjne: **zgoda PSD2 wygasa co 90 dni (SCA)** — pełnego bezobsługowego sync nie da się zrobić legalnie. Fallback zero-API: import CSV/MT940. Pokrycie mBanku, koszt agregatora, Revolut → do weryfikacji przy starcie filaru #4.
|
||||||
|
- **OwnTracks** — **działa**; feed do middleware jako warstwa spatio-temporalna (warstwa 3).
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Middleware — co zamrożone, co płynne
|
||||||
|
|
||||||
|
- **Zamrożone (cienkie, addytywne):** koperta (`id/source/ts/geo/raw_ref`) + mechanizm `entities[]`.
|
||||||
|
- **Płynne (rośnie z danych):** typy encji, entity resolution, graf tożsamości, linki cross-source.
|
||||||
|
- Powód: koperta jest retrofit-hostile ale data-independent (można ustalić „na ślepo"); semantyka odwrotnie — wymaga prawdziwych danych, więc jej nie usztywniamy.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Decyzje — zamknięte vs otwarte
|
||||||
|
|
||||||
|
**Zamknięte:**
|
||||||
|
- Spine: Postgres + pgvector (nie Qdrant).
|
||||||
|
- Embed: **bge-m3** (multilingual, długi kontekst — pod polski lepszy niż multilingual-e5).
|
||||||
|
- Załączniki: indeksowane w **II turze** (MVP najpierw czysty tekst).
|
||||||
|
- Warstwa 3 startuje jako **cienki graf encji**; federacja przy zapytaniu dochodzi później (docelowo hybryda).
|
||||||
|
- Dokumenty: Nextcloud + Paperless-ngx.
|
||||||
|
|
||||||
|
**Otwarte:**
|
||||||
|
- **Transakcje:** agregator vs CSV, pokrycie mBanku, Revolut, koszt (filar #4).
|
||||||
|
- **Maile §design:** sizing archiwum / node (ile waży Gmail), unifikacja adaptera (jeden IMAP dla obu vs JMAP+IMAP osobno).
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Tor równoległy (nie tutaj)
|
||||||
|
|
||||||
|
Hardening homelabu / stabilizacja control-plane — osobny wątek.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## Następny krok
|
||||||
|
|
||||||
|
Etap 1 maili: **zamroź kopertę + postaw Postgres+pgvector + szkielet repo + bulk Gmail historyczny.** Szczegóły w `kb-01-email-design.md`.
|
||||||
98
docs/kb/kb-01-email-design.md
Normal file
98
docs/kb/kb-01-email-design.md
Normal file
|
|
@ -0,0 +1,98 @@
|
||||||
|
# Filar maili — projekt (homelab-codex · KB · projekt #1)
|
||||||
|
|
||||||
|
> Pierwszy filar. Wzorzec referencyjny dla pozostałych (archiwum, embeddingi na SOLARIA, szkielet agenta, deploy).
|
||||||
|
> Zasady przekrojowe: patrz `kb-00-overview.md`.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 1. Rdzeń: archiwum, nie RAG
|
||||||
|
|
||||||
|
Realna potrzeba to najpierw **archiwum**, nie „RAG nad mailami". Dwie warstwy, fundamentalnie różne:
|
||||||
|
|
||||||
|
- **Archiwum** — surowe, niezmienne, kompletne `.eml` / Maildir, append-only. To, co chcesz mieć u siebie *na zawsze*, niezależnie od jakiegokolwiek AI. Asset.
|
||||||
|
- **Indeks** — pochodny, odtwarzalny, wyrzucalny. Parse → chunk → embed → pgvector. Re-budowalny z archiwum przy lepszym modelu.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 2. Dwa żywe źródła (zmiana względem pierwotnego planu)
|
||||||
|
|
||||||
|
Gmail **nie jest porzucany** — zostaje jako konto śmieciowe / loginy / 2FA. Stąd maile mają dwa żywe wejścia:
|
||||||
|
|
||||||
|
- **Fastmail** — `source: fastmail`, adapter **JMAP** (read-only token). Primary: tu ląduje sensowna poczta na przyszłość.
|
||||||
|
- **Gmail** — `source: gmail`, adapter **IMAP** (protokół, nie Gmail API → przenośność). Ciągły sync żywej skrzynki.
|
||||||
|
|
||||||
|
Plus jednorazowy **bulk historyczny Gmaila** (eksport „All Mail" / Takeout → surowy dump do archiwum). Operacja odwracalna i niezależna od reszty pipeline'u — robimy pierwsza. Urgency spadła (konto żyje), ale historia warta zassania od razu.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 3. Koperta (kontrakt zamrożony)
|
||||||
|
|
||||||
|
```
|
||||||
|
id — stabilny identyfikator wiadomości
|
||||||
|
source — fastmail | gmail
|
||||||
|
ts — UTC (data wiadomości)
|
||||||
|
geo — null dla maili (uzupełniane cross-source w warstwie 3)
|
||||||
|
raw_ref — wskaźnik do .eml w archiwum
|
||||||
|
entities[] — otwarte, wypełniane przy ingeście/enrich
|
||||||
|
```
|
||||||
|
|
||||||
|
Addytywna. Nic poza tym nie usztywniamy.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 4. Filtr archiwum → indeks
|
||||||
|
|
||||||
|
**Archiwizuj wszystko. Indeksuj selektywnie.**
|
||||||
|
Gmail śmieciowy (login/2FA/notyfikacje/newslettery) to szum — wpuszczony do wektorów zaśmieca wyszukiwanie i pali GPU na SOLARII. Filtr na wejściu do indeksu:
|
||||||
|
|
||||||
|
- whitelist/blacklist nadawców i nagłówków (`List-Unsubscribe`, `Auto-Submitted`, typowe domeny powiadomień),
|
||||||
|
- progi (np. odrzuć czysto automatyczne),
|
||||||
|
- surowiec zawsze leży w archiwum — filtr nie kasuje, tylko decyduje co trafia do embeddingów.
|
||||||
|
|
||||||
|
Filtr jest częścią indeksu (odtwarzalny), nie archiwum.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 5. Indexer
|
||||||
|
|
||||||
|
`parse (.eml) → chunk → embed (bge-m3 na SOLARIA/ollama) → pgvector`
|
||||||
|
Retrieval hybrydowy: wektor + filtry metadanych (nadawca, zakres dat, etykieta, source).
|
||||||
|
Załączniki: **II tura** (MVP = czysty tekst + nagłówki).
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 6. Agent maili (dedykowany, cienki)
|
||||||
|
|
||||||
|
- Hybrydowy retrieval: wektor + filtry metadanych.
|
||||||
|
- Wystawia tool/API, które **agent interdyscyplinarny (warstwa 4)** woła — wzorzec federacji.
|
||||||
|
- Reużywa szkieletu agenta z control-plane (to samo DNA).
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 7. Deploy
|
||||||
|
|
||||||
|
- Wszystko w `homelab-codex`, przez Git na SATURN, konwencja override `hosts/<node>/runtime/<svc>/`.
|
||||||
|
- Usługi: `jmap-poller` (Fastmail), `imap-poller` (Gmail), `indexer`, embed (ollama na SOLARIA), `postgres+pgvector`, `mail-agent`; bulk importer jako one-shot job.
|
||||||
|
- Deploy skryptem czytającym `inventory/topology.yaml`.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 8. Kolejność budowy (w obrębie projektu)
|
||||||
|
|
||||||
|
1. Zamroź kopertę + postaw Postgres+pgvector.
|
||||||
|
2. **Bulk Gmail historyczny → archiwum** *(pierwsze, niezależne)*.
|
||||||
|
3. Fastmail JMAP live ingest → archiwum.
|
||||||
|
4. Gmail IMAP live sync → archiwum.
|
||||||
|
5. Filtr archiwum→indeks.
|
||||||
|
6. Indexer (parse → chunk → embed bge-m3) → pgvector.
|
||||||
|
7. Cienki agent maili + tool dla warstwy 4.
|
||||||
|
|
||||||
|
---
|
||||||
|
|
||||||
|
## 9. Decyzje otwarte (do przyklepania przed/w trakcie startu)
|
||||||
|
|
||||||
|
- **Sizing Gmaila** — ile realnie waży „All Mail"? (przesądza node/dysk archiwum).
|
||||||
|
- **Unifikacja adaptera** — jeden wspólny IMAP dla Fastmail + Gmail (mniej kodu) vs JMAP dla Fastmail + IMAP dla Gmail (JMAP bogatszy)?
|
||||||
|
- **Reguły filtra** — startowa lista blacklist domen/nagłówków.
|
||||||
|
- Vector store: pgvector **przyklepane** (spine).
|
||||||
|
- Embed model: bge-m3 **przyklepane**.
|
||||||
Loading…
Reference in a new issue