147 lines
9.2 KiB
Markdown
147 lines
9.2 KiB
Markdown
# 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: implementacja ruszyła. Etap 1 (fundament) done; spine Postgres+pgvector stoi na **PIHA** (always-on); bulk importer Gmaila następny.
|
||
|
||
---
|
||
|
||
## 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. Spine stoi na **PIHA** (Raspberry Pi 5, always-on) — zapytania KB muszą działać 24/7, a SOLARIA bywa offline. SOLARIA zostaje do GPU/embeddingów (bge-m3) i indexera.
|
||
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.
|
||
|
||
---
|
||
|
||
## Konwencje katalogów Python
|
||
|
||
| Katalog | Co tu trafia |
|
||
|---------|-------------|
|
||
| `packages/<lib>/` | Reużywalne biblioteki (nie deployowane samodzielnie). Instalacja: `pip install /repo/packages/<lib>/`. Nie mają `docker-compose.yml` ani `service.yaml`. |
|
||
| `services/<svc>/` | Długo żyjące serwisy Docker z `docker-compose.yml` + `service.yaml`. |
|
||
| `jobs/<job>/` | Jednorazowe i periodyczne joby CLI — bez Dockera, odpalane bezpośrednio na węźle (`pip install -e`). |
|
||
|
||
Pierwsza biblioteka: `packages/kb-mail/` — model koperty, helpery DB (asyncpg), helper archiwum.
|
||
Pierwszy job: `jobs/gmail-bulk-import/` — jednorazowy bulk importer Gmail Takeout.
|
||
|
||
---
|
||
|
||
## Stan etapów
|
||
|
||
~~Etap 1 maili: zamroź kopertę + postaw Postgres+pgvector + szkielet repo.~~ **ZROBIONE** (2026-06-17).
|
||
|
||
- ✅ `services/kb-postgres` — pgvector/pgvector:pg16 na **PIHA** (:5433, always-on), `init/001_envelope.sql`
|
||
- ✅ Zamrożona koperta — tabela `envelope` + `@dataclass Envelope` (tz-aware)
|
||
- ✅ `packages/kb-mail` — `envelope` / `db` (asyncpg) / `archive` (append-only .eml)
|
||
- ✅ 15 testów unit + 5 integration (mark `integration`, wymaga `KB_TEST_DSN`)
|
||
|
||
**Etap 2a: relokacja spine SOLARIA→PIHA + deploy** — ZROBIONE (2026-06-22).
|
||
- ✅ override SOLARIA usunięty; `hosts/piha/runtime/kb-postgres/docker-compose.override.yml` (mem_limit 1g, tuning pod małą maszynę), obraz `pgvector/pgvector:pg16` arm64
|
||
- ✅ PIHA przygotowany: 4GB swap + `cgroup_enable=memory` (mem_limit działa), volume `kb_postgres_data` na NVMe
|
||
- ✅ deploy na PIHA: kontener healthy, schemat `envelope` + extension `vector` zweryfikowane
|
||
- ⏳ zostaje: transfer archiwum/.eml na PIHA NVMe (docelowo), poprawka `KB_TEST_DSN` (solaria→piha) w testach
|
||
|
||
~~Etap 2b: jednorazowy bulk importer Gmail (mbox/Takeout → archiwum).~~ **URUCHOMIONY** (2026-06-25).
|
||
|
||
- ✅ `jobs/gmail-bulk-import/` — CLI importer bez Dockera (pip install -e na PIHA)
|
||
- ✅ entities[]: manifest załączników (filename, content_type, size, sha256) od dnia zero
|
||
- ✅ batch inserty, idempotentny, --limit, epoch_fallback, statystyki załączników
|
||
- ✅ 24 testy jednostkowe, wszystkie zielone
|
||
- ✅ Pełny import uruchomiony na PIHA (~29 min): **225 030 unikalnych kopert**, **27 GB archiwum .eml**, manifest **70 193 załączników**
|
||
|
||
**Backlog / następne kroki**:
|
||
- Faza 2 załączników: ekstrakcja/OCR (PDF/skany → Paperless lub dedykowany job)
|
||
- Odzysk 2559 dat epoch-fallback z nagłówków `Received:`/`X-GM-RECEIVED`
|
||
- Etap 3: Fastmail JMAP live ingest → `jobs/fastmail-poller/`
|
||
- Etap 4: Gmail IMAP live sync → `jobs/gmail-imap-poller/`
|