# Ответ Opus 4.8 на вопросы по архитектуре

**Дата:** 2026-06-23

---

## Вопрос 1: Параллельные вызовы LLM

**Ключевой вопрос — допники кумулятивны или независимы.**

- Если допник №3 может менять услугу, добавленную допником №2 — цепочка семантически последовательна, распараллелить нельзя.
- Если каждый допник трогает свой непересекающийся набор услуг — параллелить можно.

**Рекомендация:** оставить последовательным. Реальный выигрыш:
- Фаза 1 (параллельно) — textify + подготовка контекста (CPU/IO, дёшево)
- Фаза 2 (последовательно) — LLM+apply по цепочке
- Или: более быстрая модель / меньше токенов / стриминг прогресса

При параллельном apply_events seq поедет в гонку — ещё одна причина не параллелить.

---

## Вопрос 2: Атомарный seq без гонки

**Рекомендация (по предпочтению):**
1. Таблица-счётчик `contract_seq(contract_id PK, last_seq)` + `UPDATE ... SET last_seq=last_seq+1 WHERE contract_id=? RETURNING last_seq`. Атомарно, без DDL, без гонок.
2. Advisory lock: `SELECT pg_advisory_xact_lock(contract_id)` в начале транзакции, затем MAX+1. Минимальная правка.

`INSERT ... SELECT MAX+1` не атомарен. `CREATE SEQUENCE` на контракт — DDL-мусор.

---

## Вопрос 3: Стабильность name_hash

**Рекомендация (комбинация):**
- В промпт подавать spec_current с готовыми идентификаторами (hash). LLM для UPDATE/DELETE выбирает из готового списка, не сочиняет имя.
- Хэш считать только на сервере из нормализованного имени: Unicode NFKC → схлопнуть пробелы → lower → trim.
- Fuzzy (`similarity()`) только как fallback-страховка, не основной механизм.

---

## Вопрос 4: Имена в UPDATE/DELETE в UI

**Рекомендация: вариант 2 — обогащать в Python перед SSE.**
- spec_current — источник истины, имя для любого target_hash известно.
- LLM вообще не должна возвращать имена для UPDATE/DELETE — только идентификатор.
- Вариант 1 (LLM возвращает имена) — лишние токены + риск рассинхрона.
- Вариант 3 (JS) — лишние round-trip'ы.

---

## Вопрос 5: Мульти-юзеры и рост данных

1. `prompts` одна таблица + `user_id TEXT` — норм для 10-10000 юзеров. Индекс `(user_id)`. Партиционирование преждевременно.
2. `spec_events` 10K строк — мизер для PG. Партиционирование ближе к 10M+ строк.
3. `BYTEA` 30MB — спокойно в PostgreSQL (TOAST). Вынести в S3 когда объём начнёт раздувать бэкапы.

---

## Сквозная связь

В3 и В4 решаются одним сдвигом — давать LLM spec_current с готовыми ID и считать/резолвить всё на сервере. Это убирает и нестабильные хэши, и пустые ячейки в UI.

**Уточнение Opus:** допники у вас кумулятивные (могут менять то, что добавили предыдущие) или независимые?

---

## Уточнения (23.06.2026)

### 1. Advisory lock в CFML

**Да, безопасен.** `pg_advisory_xact_lock` — транзакционный: снимается автоматически при завершении транзакции (и commit, и rollback).

Условия в Lucee:
- Лок и INSERT в одном `<cftransaction>` — одно соединение, одна транзакция
- `pg_advisory_xact_lock` требует быть внутри транзакции — `<cftransaction>` гарантирует

Ключ: `pg_advisory_xact_lock(hashtext(contract_id))`. Коллизии hashtext безвредны — два контракта просто сериализуются.

### 2. NFKC-нормализация — в PostgreSQL

Делать в PostgreSQL, в том же выражении что считает хэш. Python не дублировать.

NFKC НЕ объединяет разные тире. Нужна связка в одном выражении:
```sql
lower(trim(regexp_replace(translate(normalize(name, NFKC), '–—‑−«»""', '------""'), '\s+', ' ', 'g')))
```
Всё одним выражением — для INSERT-хэша и для lookup.

### 3. Формат spec_current в промпте с готовыми ID

Давать LLM компактный список с коротким суррогатным id (`r1, r2...`):

```json
{"current_spec": [
  {"id": "r1", "name": "Аренда стойко-места...", "price": 15000, "qty": 2, "sum": 30000, "date_start": "2025-01-01"}
]}
```

Инструкция в промпте:
- UPDATE: `{"op":"UPDATE","target_id":"r1","new_values":{...}}`
- DELETE: `{"op":"DELETE","target_id":"r2"}`
- ADD: `{"op":"ADD","new_row":{...}}` (без id)

LLM не видит хэши — только выбирает из готового набора. Сервер маппит `id → name_hash`. Устойчивее, меньше токенов, нет шанса опечатки в md5.