diff --git a/History/opus-dedup-2026-06-28.md b/History/opus-dedup-2026-06-28.md index 4e2a66e..575d9f7 100644 --- a/History/opus-dedup-2026-06-28.md +++ b/History/opus-dedup-2026-06-28.md @@ -45,3 +45,69 @@ ## Ожидаемый ответ На каждый сценарий: **как ДОЛЖНО быть** и **как проще всего реализовать сейчас** (MVP). Приоритет: не сломать существующее поведение. + +--- + +## Ответ Opus + +### ⚠️ Поправки к посылкам + +1. **«ADD всегда INSERT → дубликат»** — неверно. `spec_events.py` уже делает UPSERT по `(contract_id, name_hash)`: совпадение → UPDATE, иначе INSERT. Дублей в `spec_current` нет. +2. **«name_hash = md5(имя ‖ date_start)»** — неверно. Реально: `sha256(name.strip().lower())[:16]` — только имя. Услуги с одинаковым именем но разным периодом схлопываются. + +--- + +### Вопрос 1. Дедупликация документов при загрузке + +**Сейчас:** `delete_by_document(contract_id, filename)` — по имени. Ошибки глотаются в `try/except: pass`. Хеша содержимого нет. + +**Как ДОЛЖНО быть:** +- `sha256(original_bytes)` → `documents.content_hash` +- Идентичность в рамках договора/батча — по `content_hash` +- Сравнение по `elements_json` не нужно (нестабилен при смене парсера) +- Ошибки удаления логировать, не глотать + +**MVP:** +- Колонка `content_hash` + индекс `(contract_id/batch_id, content_hash)` +- В `store_document`: если уже есть документ с таким хешем → пропустить, вернуть `{duplicate_of: doc_id}` + +--- + +### Вопрос 2. ADD → UPSERT + +UPSERT по имени уже есть. Реальная проблема: **last-write-wins** — второй ADD молча перезаписывает первый (та же услуга, другая цена). + +**Как ДОЛЖНО быть:** +- ADD = новая позиция. При коллизии ключа различать UPDATE vs реально разные позиции (одно имя, разный период) +- Ключ должен включать `date_start`/период + +**MVP — вариант B (рекомендован):** +- Расширить ключ: `_hash(name + "|" + str(date_start))` +- Одна услуга в разные периоды = разные строки +- Риск: если допник меняет цену без смены `date_start`, LLM должен прислать UPDATE, а не ADD + +--- + +### Вопрос 3. Краевые случаи + +**a) Два допника с одинаковым содержанием, разные имена:** +Сейчас: два документа → два прогона LLM. Дублей в spec_current нет (UPSERT), но раздувается история. +→ **MVP:** дедуп по `content_hash` на загрузке (Вопрос 1). + +**b) ADD X, затем DELETE X — порядок:** +Применение по `created_at` или `order_ids`. Не по хронологии допников. +→ **MVP:** сортировать по `doc_date` (классификация уже извлекает): `ORDER BY doc_date NULLS LAST, created_at`. + +**c) ZIP с уже загруженными именами:** +→ **MVP:** в рамках `batch_id` отсеивать по `content_hash`. Пропускать с предупреждением, не перезаписывать молча. + +**d) Два одинаковых договора в батче:** +→ **MVP:** `content_hash`-дедуп решает «одинаковые»; для «разные файлы, один номер» — флаг конфликта в UI. + +--- + +### Сквозной MVP (что делать) + +1. `documents.content_hash` + дедуп по нему на загрузке +2. Сортировка допников по `doc_date` +3. Опционально: `date_start` в `name_hash`