Add isolated Gemini image proxy

2026-08-28 19:20:51 +03:00
parent ec57cf5d57
commit df5afcec8f
11 changed files with 849 additions and 0 deletions
@@ -0,0 +1,441 @@
+# История: obdai.ru/receipt
+
+## 2026-08-28
+
+### Вопрос
+Как запущен `obdai.ru` на ВМ?
+
+### Ответ и проверка
+ВМ: `5.172.178.213`.
+
+Проверены systemd, Docker, процессы и nginx-конфигурация.
+
+- `obdai.ru` описан в `/etc/nginx/sites-enabled/elmer`.
+- Основной HTTPS-маршрут nginx проксируется на `127.0.0.1:8000`.
+- Backend запускается через `elmer.service`.
+- Команда backend:
+
+```text
+/opt/elmer/venv/bin/gunicorn -w 4 -b 127.0.0.1:8000 --timeout 180 web.app:app
+```
+
+- Дополнительный маршрут nginx проксируется на `127.0.0.1:8888`, где работает контейнер `llmui`.
+- `elmer.service` и новый сервис должны оставаться независимыми.
+
+### Вопрос
+Можно ли запустить собственный Python-сервис по адресу `obdai.ru/receipt`?
+
+### Ответ
+Да. Рекомендуемая схема:
+
+```text
+obdai.ru/receipt -> nginx -> receipt.service -> FastAPI на 127.0.0.1:8768
+```
+
+Новый сервис должен иметь отдельный каталог, virtualenv, systemd-юнит, порт, логи, конфигурацию и процесс деплоя. Он не должен импортировать код `elmer`, использовать его virtualenv или зависеть от его перезапуска.
+
+### Вопрос
+Нужно ли учитывать независимость `elmer`?
+
+### Ответ
+Да. `elmer` не изменяется и не перезапускается при работе с receipt-service. Для него создаётся отдельный systemd-юнит, например `receipt.service`, с автозапуском и `Restart=on-failure`.
+
+### Архитектурное решение
+Сервис принимает изображение рецепта или фрагменты с лекарствами и дозировками, распознаёт их через OCR/vision-модель, проверяет названия по локальному справочнику лекарственных средств и возвращает структурированный JSON. ФИО и дата рождения не должны попадать в запрос, ответ, логи или постоянное хранилище.
+
+Рекомендуемые компоненты:
+
+- FastAPI и Pydantic;
+- Gunicorn с Uvicorn worker;
+- отдельный Python virtualenv;
+- SQLite read-only для справочника на MVP;
+- rapidfuzz для сопоставления;
+- OCR/vision-модель;
+- `gpt-oss-120b` только после проверки поддержки изображений;
+- nginx reverse proxy;
+- systemd.
+
+### Контрольные ограничения
+
+- Сервис stateless на MVP.
+- Исходные изображения обрабатываются только в памяти.
+- Размер файла и MIME проверяются по magic bytes.
+- Сомнительные совпадения возвращаются с `uncertain=true` и кандидатами.
+- LLM не принимает окончательное медицинское решение и не изменяет дозировку.
+
+### Выполненные действия
+
+1. Изучен `/home/naeel/MED/recipe/PLAN/chat_messages.md`.
+2. Изучена инструкция по ВМ `~/nubes/HowTo/vm-access-and-services.md`.
+3. Выполнена диагностическая проверка ВМ по SSH.
+4. Найден nginx-конфиг `elmer` и backend `elmer.service`.
+5. Подтверждено, что отдельный receipt-service можно разместить на `127.0.0.1:8768`.
+6. Создан этот журнал.
+7. Создан план в `PLAN/receipt-service-plan.md`.
+
+## Дополнительное требование ведения истории
+
+Пользователь явно потребовал документировать в `HISTORY` всё происходящее, включая:
+
+- вопросы и ответы;
+- выполненные действия и команды;
+- гипотезы и рассуждения, относящиеся к задаче;
+- ошибки команд и ошибочные предположения;
+- результаты проверок;
+- изменения архитектурных решений и требований.
+
+### Проверка DeepSeek
+
+- Сначала ключи DeepSeek ошибочно проверялись через `api.aillm.ru`; это был неправильный endpoint.
+- После исправления endpoint на `https://api.deepseek.com` оба ключа дали доступ к API.
+- В списке моделей обнаружена `deepseek-v4-flash-vision-exp`.
+- Реальное изображение `PLAN/lekar.png` было отправлено в vision-модель.
+- Ответ API: HTTP 200.
+- Модель вернула два сомнительных результата: `Clonoxamin` и `Sio`; оба с `uncertain=true`.
+- Вывод: vision-вход модель принимает, но качество распознавания нельзя считать достаточным без словаря и пользовательского подтверждения.
+
+### Ошибки и ограничения
+
+- Первый тест `gpt-oss-120b` принял multimodal-запрос, но в reasoning указал, что изображения не видит.
+- Один тест завершился кодом `5`, потому что служебная строка `HTTP_STATUS` смешалась с JSON перед обработкой `jq`.
+- В диагностической команде проверки DeepSeek была ошибка форматирования вывода suffix ключа; она не повлияла на HTTP-запрос.
+- Переданные API-ключи опубликованы в чате; их следует отозвать и заменить.
+
+### Текущий статус
+
+Реализация кода не начиналась. Зафиксированы архитектура, инфраструктурная схема и результаты проверки доступных моделей. Следующий этап после отдельного подтверждения требований: подготовка MVP receipt-service и его независимого запуска рядом с `elmer`.
+
+## Утверждённое архитектурное решение
+
+Пользователь подтвердил реализацию подхода, в котором словарь лекарств участвует непосредственно в принятии решения, а не используется только для косметического исправления OCR.
+
+### Pipeline
+
+```text
+Android crop зон лекарств
+	-> preprocessing (original, grayscale, contrast, sharpen, threshold, upscale)
+	-> DeepSeek Vision генерирует несколько гипотез
+	-> candidate resolver
+	-> локальный словарь лекарств
+	-> отдельный разбор дозировки и формы выпуска
+	-> decision engine: CONFIDENT / NEED_CONFIRMATION / UNKNOWN
+	-> JSON и overlay в Android
+```
+
+### Решения
+
+- Не отправлять модели весь рецепт, если клиент может передать отдельные строки или зоны.
+- Для каждой лекарственной зоны допускается несколько вариантов preprocessing и повторное распознавание.
+- Vision-модель должна возвращать `observed_text` и альтернативы, а не безусловно выбирать препарат.
+- Resolver использует exact match, aliases, fuzzy/character similarity, лекарственную форму и совместимость дозировки.
+- Название и дозировка разбираются отдельно.
+- Недопустимая дозировка является сигналом ошибки и переводит результат в `NEED_CONFIRMATION`, но не исправляется автоматически.
+- В API добавить `POST /receipt/api/v1/confirm` для выбора пользователем и накопления correction samples.
+- На MVP использовать SQLite в `/opt/receipt/dictionary/drugs.sqlite`.
+- Подтверждённые пользователем исправления в будущем хранить отдельно как обезличенный dataset.
+- `elmer.service` не изменяется и не становится зависимостью receipt-service.
+
+### Гипотезы для проверки
+
+- Передача ограниченного списка кандидатов vision-модели повысит точность по сравнению с единственным свободным ответом.
+- Отдельные crops лекарственных строк дадут лучшее качество и меньше PII, чем полный рецепт.
+- Совместимость названия с дозировкой и формой выпуска снизит опасные false positive.
+- Два или более preprocessing-варианта могут дать больший выигрыш, чем немедленное дообучение большой модели.
+
+### Следующий технический этап
+
+Разработать MVP receipt backend: FastAPI, SQLite-схема справочника, DeepSeek Vision client, candidate resolver, scoring, Pydantic API, unit-тесты и независимую конфигурацию systemd/nginx. До выбора порогов проверить pipeline на 50–200 обезличенных рецептах.
+
+## Мнения внешних ассистентов
+
+### ChatGPT
+
+Зафиксирован подход:
+
+- vision-модель генерирует несколько гипотез текста;
+- локальный словарь участвует в принятии решения, а не только исправляет OCR;
+- дозировка и форма выпуска проверяются отдельно;
+- статусы результата: `CONFIDENT`, `NEED_CONFIRMATION`, `UNKNOWN`;
+- отдельный endpoint подтверждения позволяет собирать correction samples;
+- сервис размещается в `/opt/receipt/`, слушает `127.0.0.1:8768` и работает через отдельный `receipt.service`;
+- `elmer.service` не изменяется и не становится зависимостью;
+- на MVP рекомендуется SQLite.
+
+### Gemini
+
+Мнение Gemini в целом совпало с этим направлением:
+
+- архитектура: Android crop -> nginx -> FastAPI -> DeepSeek Vision -> Lexicon Matcher -> Dosage/Form Validator -> Confidence Aggregator -> JSON -> Android overlay;
+- DeepSeek Vision должен возвращать изображение, `observed_text`, top-N гипотез и сырой текст дозировки;
+- словарь должен включать МНН, торговые названия, латинские и русские варианты, aliases, формы выпуска, дозировки и типичные ошибки;
+- resolver должен использовать exact match, aliases, Damerau-Levenshtein, phonetic matching, Trie/SymSpell и совместимость дозировки/формы;
+- итоговый score рекомендуется строить из vision score, dictionary similarity, dose compatibility и form compatibility, а коэффициенты проверять экспериментально;
+- название, strength и режим приёма следует распознавать раздельно;
+- недопустимая дозировка должна снижать уверенность и выдавать предупреждение, но не исправляться автоматически;
+- вместо полного рецепта лучше отправлять отдельные crops лекарственных строк;
+- для каждой зоны полезно создавать несколько вариантов preprocessing: grayscale, contrast, sharpen, threshold, upscale;
+- рекомендуется добавить `POST /receipt/api/v1/confirm` для подтверждения пользователем и накопления обезличенных correction samples;
+- SQLite подходит для локального read-heavy справочника на первом этапе;
+- PostgreSQL не следует подключать к `elmer`, если он понадобится позже, нужна отдельная БД и отдельный пользователь;
+- структура `/opt/receipt/`, отдельный virtualenv, systemd-юнит и nginx location сохраняют полную независимость от `elmer`.
+
+### Сводный вывод
+
+Оба мнения поддерживают один основной pipeline: vision-модель используется для извлечения нескольких гипотез, локальный справочник ограничивает пространство кандидатов, отдельный валидатор проверяет дозировку и форму, а сомнительные результаты передаются пользователю на подтверждение.
+
+Гипотезы, которые нельзя считать доказанными до эксперимента:
+
+- передача top-N кандидатов модели повысит точность;
+- несколько вариантов preprocessing дадут существенный выигрыш;
+- проверка дозировки и формы уменьшит опасные false positive;
+- SQLite останется достаточной при ожидаемой нагрузке.
+
+### Ожидание команды
+
+По состоянию на эту запись документирование выполнено. Код receipt-service, конфигурация ВМ и nginx не изменялись. Следующий шаг должен начинаться с MVP и проверки на обезличенных данных.
+
+## Начало тестирования DeepSeek Flash
+
+Пользователь дал команду приступить к тестированию через `deepseek-v4-flash-vision-exp`.
+
+Цель эксперимента: добиться распознавания фрагмента `PLAN/lekar.png` до разработки backend и справочника.
+
+Правила чистого эксперимента:
+
+- каждый запрос отправляется как независимый запрос без истории;
+- предыдущие ответы и гипотезы модели в новый запрос не передаются;
+- ключи и секреты не выводятся в журнал;
+- сначала проверяется базовый запрос, затем варианты preprocessing;
+- меняется один фактор за раз;
+- сравнивается содержательный текст распознавания, а не только HTTP 200;
+- результат и ошибки фиксируются после каждого тестового этапа.
+
+## Gemini: полный recipe1.png, первая попытка
+
+Полное изображение `PLAN/recipe1.png` отправлено в `gemini-3.6-flash`.
+Запрос завершился HTTP 200, но модель остановилась с `finishReason=MAX_TOKENS`.
+Промпт требовал минимальный JSON и исключение ФИО и даты рождения.
+
+Неполный вывод начинался с: `Date: 12 марта 20`.
+
+Использование токенов: prompt 1131, image 1092, text 39, candidate output 19,
+thoughts 477, total 1627. Стоимость по тарифу Gemini 3.6 Flash ($0.75 за 1M
+входных и $3.75 за 1M выходных токенов), если считать prompt как вход и
+candidate output как выход: $0.00092, то есть около 9 копеек при курсе 95
+рублей за доллар.
+
+Вывод: лимит 500 токенов оказался недостаточным; следующий независимый тест
+проводится с существенно большим лимитом и ещё более короткой JSON-схемой.
+
+## Gemini: повторный полный recipe1.png с лимитом 4000
+
+Повторный независимый запрос отправлен с тем же полным изображением и
+`maxOutputTokens=4000`. Локальная проверка подтвердила корректный JSON-запрос,
+наличие двух частей (`text` и `inline_data`) и размер Base64 изображения
+5 015 836 символов.
+
+Gemini вернул HTTP 400 с HTML-страницей Google: `malformed or illegal request`.
+Распознавание не выполнялось, поэтому стоимость результата распознавания не
+начислена. Причина требует отдельной проверки; следующий шаг — повторить тест
+с допустимым форматом/лимитом, сохранив изображение и минимальный вывод.
+
+## Gemini: полный recipe1.png, лимит 8000
+
+Повторный запрос выполнен с ключом, указанным пользователем, без сохранения
+ключа в проекте. Полное `PLAN/recipe1.png` отправлено в `gemini-3.6-flash` с
+минимальным англоязычным промптом и `maxOutputTokens=8000`.
+
+Ответ завершён успешно: HTTP 200, `finishReason=STOP`.
+
+Результат модели:
+
+```json
+{"date":"12.03.2026","medicines":[{"name":"Fluvoxamine","dosage":"100 mg"}]}
+```
+
+Usage metadata: prompt 1132 токена, включая image 1092 и text 40; candidate
+output 32; thoughts 1432; total 2596.
+
+При тарифе $0.75 за 1M входных токенов и $3.75 за 1M выходных стоимость без
+учёта thoughts составляет $0.000969, или 0.092 рубля при курсе 95 рублей за
+доллар. Если thoughts тарифицируются как выходные токены, верхняя оценка
+составляет $0.006339, или 0.602 рубля. Фактический ответ распознал дату и
+только один препарат; проверка полноты по изображению ещё нужна.
+
+## Создание минимального Gemini proxy
+
+По команде пользователя создан изолированный локальный модуль
+`gemini_proxy/`, не изменяющий существующий `site` и `requirements.txt`.
+
+Состав:
+
+- `gemini_proxy/app.py` — FastAPI API с `GET /health` и `POST /gemini`;
+- `gemini_proxy/requirements.txt` — отдельные зависимости;
+- `gemini_proxy/.env.example` — только имена настроек без реального ключа;
+- `gemini_proxy/test_app.py` — базовые тесты.
+
+Ключ Gemini не захардкожен и не записывается в проект. Приложение читает его
+из `GEMINI_API_KEY`; модель — из `GEMINI_MODEL`. Изображение принимается только
+как JPEG/PNG/WEBP, ограничено 10 MB, не сохраняется на диск и отправляется в
+Gemini как Base64. Ответ возвращает текст модели и usage metadata.
+
+Ошибка во время реализации: сначала изображение ошибочно кодировалось через
+hex вместо Base64. Узкий тест выявил проблему; код исправлен на
+`base64.b64encode(...).decode("ascii")`.
+
+Проверка после исправления: `pytest -q gemini_proxy/test_app.py` — 2 passed;
+`python3 -m py_compile gemini_proxy/app.py` завершился успешно. Обнаружено
+предупреждение зависимости FastAPI/Starlette о deprecated-интеграции с
+текущим httpx TestClient; оно не влияет на результат тестов.
+
+Модуль пока не развёрнут на немецком сервере и не подключён к nginx/systemd.
+
+## Развёртывание Gemini proxy на немецкой ВМ
+
+По команде пользователя модуль развёрнут на ВМ `95.179.252.111`.
+
+Развёртывание выполнено изолированно:
+
+- каталог приложения: `/opt/gemini-proxy`;
+- системный пользователь и группа: `gemini-proxy`;
+- отдельный virtualenv: `/opt/gemini-proxy/venv`;
+- systemd-юнит: `gemini-proxy.service`;
+- bind: `127.0.0.1:8768`;
+- конфигурация: `/etc/gemini-proxy/gemini-proxy.env`;
+- ключ в проект и журнал не записывался;
+- в env-файле пока задана только модель, поэтому `GEMINI_API_KEY` ещё нужно
+	добавить перед использованием endpoint распознавания.
+
+Подробное описание оставлено в `/opt/gemini-proxy/README.md`.
+
+При первом запуске обнаружено, что на ВМ отсутствовал пакет
+`python3.10-venv`; пакет установлен, virtualenv создан, зависимости установлены.
+После этого юнит был установлен повторно.
+
+Первая проверка health попала в момент запуска и получила `connection refused`.
+Проверка по systemd/journal подтвердила нормальный запуск Uvicorn на
+`127.0.0.1:8768`; повторный health вернул `{"status":"ok"}`.
+
+Проверки изоляции: `gemini-proxy.service` активен; `GEMINI_API_KEY` отсутствует
+в серверном env-файле намеренно; существующий `elmer` не перезапускался и не
+использовался. Nginx-маршрут пока не добавлялся, поэтому proxy снаружи ВМ не
+доступен.
+
+## Активация ключа и проверка proxy
+
+По дополнительной команде пользователя API-ключ Gemini установлен только на
+немецкой ВМ в `/etc/gemini-proxy/gemini-proxy.env`. В репозиторий и HISTORY
+ключ не записывался. Перезапущен только `gemini-proxy.service`.
+
+Контрольный запрос с `PLAN/lekar.png` через `POST /gemini` на localhost ВМ:
+HTTP 200.
+
+Ответ модели:
+
+```json
+{"date":null,"medicines":[{"name":"Fluvoxamini","dosage":"100 mg"}]}
+```
+
+Usage: prompt 1139, image 1102, text 37, candidate output 23, thoughts 650,
+total 1812. Прокси работает; внешний nginx-маршрут пока не добавлялся.
+
+## Проверка полного текста каракулей через proxy
+
+Промпт в `gemini_proxy/app.py` изменён: теперь модель должна транскрибировать
+весь видимый медицинский текст фрагмента, включая несколько лекарств,
+дозировки, частоту, способ и длительность приёма, без нормализации и выдумок.
+Фиксированная схема списка лекарств удалена; ответ proxy по-прежнему содержит
+одно поле `text` и usage.
+
+После синхронизации `app.py` и перезапуска только `gemini-proxy` выполнен
+контрольный запрос с полным `lekar.png`. Получен HTTP 200. Gemini вернул:
+
+```json
+{"text":"Fluvoxamini 100 mg\nDtd N 30 in tab\nS. по 1 т 1 р в день\nвнутри в течение\n30 дней."}
+```
+
+Модель сохранила название, дозировку, количество, схему приёма и длительность
+30 дней. Usage: prompt 1170, image 1102, text 68, candidate output 48,
+thoughts 1259, total 2477. Временный файл ответа не был доступен из-за
+`PrivateTmp=true`; повторная проверка через stdout успешно получила чистый
+результат. Ключ в HISTORY не записывался.
+
+## Прозрачная передача prompt и настроек Gemini
+
+Выяснено, что предыдущая версия proxy сама формировала prompt и принудительно
+добавляла `thinkingConfig`. Это нарушало требование: российский сервер должен
+передавать немецкому proxy изображение, prompt, `generationConfig` и при
+необходимости ключ, а немецкий proxy только пересылает их в Gemini.
+
+Proxy изменён: `POST /gemini` теперь принимает multipart-поля `image`,
+обязательный `prompt`, JSON-строку `generation_config` и необязательный
+`api_key_override`. Поле `generation_config` проверяется как JSON-объект и
+передаётся без подмены. Фиксированный prompt и настройки thinking удалены.
+
+Локальная проверка после изменения: 3 теста прошли, синтаксис `app.py`
+проверен через `py_compile`.
+
+Изменение развёрнуто на немецкую ВМ. End-to-end проверка с `lekar.png`,
+внешним prompt, `generation_config={"temperature":0,"maxOutputTokens":2000}`
+и ключом override завершилась HTTP 200. Ответ содержит `Fluvoxamini 100 mg`,
+`DtdN 30 in tab`, схему `1 т 1 р. в день` и длительность `30 дней`.
+
+Usage проверки: prompt 1117, image 1102, text 15, candidate output 80,
+thoughts 1760, total 2957. Ключ в журнал не записывался.
+
+## Проверка `PLAN/lekar1.png` с минимальным thinking
+
+Предыдущий тест использовал ошибочный crop из `lekar.png`. По уточнению
+пользователя отправлен именно файл `PLAN/lekar1.png` размером 1543x470.
+Параметры: `thinkingConfig.thinkingLevel=minimal`, temperature 0,
+maxOutputTokens 300.
+
+Результат: HTTP 200, `thoughtsTokenCount` отсутствует.
+
+```text
+Risperidoni 2 mg
+DTD N 60 in tab
+S. по 1 та 2 р в день
+внутри вечером
+30 дн.
+```
+
+Usage: prompt 1097, image 1080, text 17, candidate output 37, total 1134.
+
+## Проверка `PLAN/lekar3.png`
+
+Файл `PLAN/lekar3.png` отправлен через proxy с `thinkingLevel=minimal`.
+Результат HTTP 200:
+
+```text
+Periciazini 10mg
+Proin 100 in tab.
+S. po 1/2 t 4 r. в день
+внутрі в течение
+30 дней
+```
+
+Usage: prompt 1117, image 1100, text 17, candidate output 43, total 1160.
+`thoughtsTokenCount` отсутствует.
+
+## Gemini 3.6 Flash: thinkingLevel minimal
+
+Выполнен контрольный запрос второго лекарственного фрагмента через proxy с
+настройкой:
+
+```json
+{"temperature":0,"maxOutputTokens":300,"thinkingConfig":{"thinkingLevel":"minimal"}}
+```
+
+Ответ: HTTP 200. Gemini вернул текст:
+
+```text
+Didir 30 m tab
+S. по 1т 1/р в день
+внутрі ввечері
+30 днів.
+```
+
+`thoughtsTokenCount` в ответе отсутствует, что подтверждает отсутствие
+отдельно тарифицируемых reasoning-токенов в этом запросе. Usage: prompt 1119,
+image 1102, text 17, candidate output 34, total 1153.