group_fqcd_jr/tools/build_knowledge_chunks.py

"""把 knowledge/ 下的文档切成可检索知识块，输出 JSONL（临时脚本，跑完即删）。

切片粒度决定检索质量。这里采用**叶子标题**策略：一个标题若其后没有更深的标题，
它就是一个切分点。相比"按固定级别切"，这个策略同时满足了三种真实情况：

- 有的条款带 `#### X.Y` 子条款（如反洗钱第九条 9.1–9.4）→ 按子条款切，粒度更细；
- 有的条款没有子条款（如反洗钱第十一条）→ 自己就是叶子，单独成块，不会被并进上一块；
- 有的章没有小节（如企业信息「一、公司基本信息」）→ 章本身就是叶子，内容不会丢。

标题路径保留完整上级链；若切分点本身不是「第X条」（例如反洗钱第十三条下的
`### 第一类：资金流转异常`），会把最近的条款名补进路径，避免块失去归属。
纯「目录」块直接丢弃。
"""

import json
import re
import sys
from pathlib import Path

# 门禁抽到了 `tools/knowledge_corpus_gate.py`（那边可被单测 import，本脚本一 import
# 就会重写 jsonl，测试没法安全加载）。以脚本方式运行时仓库根不在 sys.path 上，这里补。
sys.path.insert(0, str(Path(__file__).resolve().parents[1]))

from tools.knowledge_corpus_gate import assert_corpus_gate  # noqa: E402

HEADING = re.compile(r"^(#{1,6})\s+(.+?)\s*$")
CLAUSE = re.compile(r"^第[一二三四五六七八九十百]+条")

# 每个文件的入库配置：集合、编号前缀、可见性、版本与生效日期（取自文档头部）
SOURCES: dict[str, dict[str, str]] = {
    "policy/个人投资者适当性管理指南.md": {
        "collection": "fin_policy_collection", "prefix": "POL-AST", "visibility": "public",
        "version": "V3.2", "effective_date": "2024-01-15", "doc_no": "JR-AST-2024-001",
        "tags": "适当性,C1-C5,R1-R5,双录,冷静期",
    },
    # 反洗钱合规操作手册**不入客服知识库**：本业务只做公募基金，不涉及银行转账与资金划付，
    # 反洗钱属后续风控模块职责；且该手册标注「内部机密」、第十六条禁止向客户透露可疑交易
    # 信息，混入面向客户的知识库存在制度性冲突。
    "policy/理财产品销售管理办法.md": {
        "collection": "fin_policy_collection", "prefix": "POL-SPM", "visibility": "public",
        "version": "V3.0", "effective_date": "2024-02-01", "doc_no": "JR-SPM-2024-003",
        "tags": "理财产品销售,双录,冷静期,费率,投诉",
    },
    "product/个人理财产品手册.md": {
        "collection": "fin_product_collection", "prefix": "PROD", "visibility": "public",
        "version": "V2.8", "effective_date": "", "doc_no": "",
        "tags": "基金,银行理财,保险,费率,申赎",
    },
    # 只取「客户分层标准」与「各层级专属权益」两章：家族信托、资产配置流程、客户经理
    # 考核指标、隐私应急预案属内部管理内容，客户咨询用不到，不入库。
    "product/高净值客户服务规范.md": {
        # 档位 = `registered`（**不是** public）：`D2.4` §4.4「高净值客户服务规范 ·
        # 分层权益与增值服务 → registered」+ 附录B `v1.3` 裁定「高净值服务分层门槛
        # （金卡 50 万+ / 白金 200 万+ / 钻石 600 万+ / 私行 1000 万+）保持 `registered`」
        # ⇒ 故 `HNW-004`—`HNW-007` 对访客不可见，访客问「高净值客户有什么权益」走
        # 「引导登录」，**不泄露档位与门槛**。改回 public 前先读那两处裁定。
        "collection": "fin_product_collection", "prefix": "HNW", "visibility": "registered",
        "version": "V2.1", "effective_date": "", "doc_no": "",
        "tags": "高净值,VIP分级,层级权益,费率优惠",
        "allow_chapters": ["一、", "二、"],
    },
    # `乙-7` / `DEC-08`：第 4 集合「金融行业基础信息」。**行业通用常识**，
    # 不含任何产品参数、费率、门槛或推荐（源文件头部也写了这条边界）。
    "basic/基金基础知识.md": {
        "collection": "fin_basic_collection", "prefix": "BAS-CON", "visibility": "public",
        "version": "V1.0", "effective_date": "2026-06-30", "doc_no": "JR-BAS-2026-001",
        "tags": "基金基础,概念,分类,净值,分红",
    },
    "basic/基金交易与时限常识.md": {
        "collection": "fin_basic_collection", "prefix": "BAS-TRD", "visibility": "public",
        "version": "V1.0", "effective_date": "2026-06-30", "doc_no": "JR-BAS-2026-002",
        "tags": "认购,申购,赎回,T+N,费用,定投,风险等级",
    },
    "company/企业信息.md": {
        "collection": "fin_faq_collection", "prefix": "COMP", "visibility": "public",
        "version": "", "effective_date": "", "doc_no": "",
        "tags": "公司信息,金融牌照,资质",
    },
}


#: FAQ 中判为 `registered` 的**条目序号**（1-based，对应 `D6.1.3` 的行号）。
#:
#: 依据 `D6.1.2-南方基金-高频问答对.md` §附「四、知识库可见性档位标注」（2026-09-17 定案）：
#: 唯一判据是「**答案中是否含具体数值型产品要素**」——费率 / 起投金额 / 收益率区间 /
#: 产品规模 / 门槛金额 / 具体合作家数。**含即为产品参数 → `registered`。**
#: 现行口径 **public 55 / registered 10 = 65**（`W6` 于 2026-09-19 追加 Q65），
#: 序号为 Q17、Q20、Q21、Q27、Q28、Q29、
#: Q30、Q33、Q47、Q53。**改这份名单前先读该节**：V1.0 与 V2.0 的成员并不相同
#: （V1.0 的 Q15 已降为 `public`，Q47 / Q53 是 V2.0 新补的 `registered`），
#: 不要按旧名单反推 `public`。
FAQ_REGISTERED_QIDS: frozenset[int] = frozenset({17, 20, 21, 27, 28, 29, 30, 33, 47, 53})

#: FAQ 源文件应有的问答对条数（`D6.1.3` 的 64 组 + `W6` 补的 1 组 = 65）。
#:
#: **为什么是 65 而不是 64**：`W5` 复跑实测 `A-07`（「T 日和 T+1 是什么意思？」）时发现，
#: 旧库里的专条「什么是T日、T+1?」在现行 628 块语料中**已不存在**，FAQ 家族只剩 4 条
#: 顺带提到 `T+1`，检索 top1 只有 0.481、FAQ 家族根本进不了 top10 ⇒ 该金标条目在当前
#: 语料下**不可达**（路由怎么改都救不回来）。这是**语料缺口**，补条目才是根因修复。
#: 新条目**必须追加在末尾**：`FAQ_REGISTERED_QIDS` 是 1-based 序号，中间插入会让其后
#: 所有条目的序号平移、档位整体错位（`H-05` 的档位隔离会被无声破坏）。
FAQ_EXPECTED_COUNT = 65


def leaf_split_points(marks: list[tuple[int, int, str]]) -> set[int]:
    """叶子标题的行号集合：其后没有更深标题的标题。"""
    points: set[int] = set()
    for position, (index, level, _title) in enumerate(marks):
        following = marks[position + 1] if position + 1 < len(marks) else None
        if following is not None and following[1] > level:
            continue  # 有子标题，不是叶子
        points.add(index)
    return points


def chunk_markdown(text: str) -> list[dict[str, str]]:
    lines = text.splitlines()
    marks: list[tuple[int, int, str]] = []
    for index, line in enumerate(lines):
        match = HEADING.match(line)
        if match:
            marks.append((index, len(match.group(1)), match.group(2).strip()))
    marks_by_line = {index: (level, title) for index, level, title in marks}
    split_points = leaf_split_points(marks)

    stack: dict[int, str] = {}
    chunks: list[dict[str, str]] = []
    buffer: list[str] = []
    meta: dict[str, str] | None = None
    last_clause = ""

    def has_body() -> bool:
        return any(not HEADING.match(line) and line.strip() for line in buffer)

    def flush() -> None:
        nonlocal buffer, meta
        if meta is not None and has_body():
            body = "\n".join(buffer).strip()
            if body:
                chunks.append({**meta, "content": body})
        buffer = []

    for index, line in enumerate(lines):
        mark = marks_by_line.get(index)
        if mark is not None:
            level, title = mark
            stack[level] = title
            for deeper in [key for key in stack if key > level]:
                del stack[deeper]
            if CLAUSE.match(title):
                last_clause = title
            if index in split_points:
                flush()
                # 所属章取「最近的上级标题」，而不是最外层文档标题（sorted 后取首个会拿到 h1）
                ancestors = [key for key in stack if key < level]
                chapter = stack[max(ancestors)] if ancestors else ""
                path = [stack[key] for key in sorted(stack) if key <= level]
                if not CLAUSE.match(title) and last_clause and last_clause not in path:
                    path = [item for item in (chapter, last_clause) if item] + [title]
                meta = {"title": " · ".join(path), "chapter": chapter, "section": title}
        buffer.append(line)
    flush()
    return [chunk for chunk in chunks if chunk["section"].strip() != "目录"]


def chunk_qa(text: str) -> list[dict[str, str]]:
    chunks: list[dict[str, str]] = []
    for line in text.splitlines():
        line = line.strip()
        if not line or "\t" not in line:
            continue
        question, _, answer = line.partition("\t")
        chunks.append({
            "title": question.strip(),
            "chapter": "高频问答",
            "section": question.strip(),
            "content": f"问：{question.strip()}\n答：{answer.strip()}",
        })
    return chunks


TABLE_ROW = re.compile(r"^\|(.+)\|\s*$")
LEADING_NUMBER = re.compile(r"^\d+(?:\.\d+)*\s*")


def expand_table_rows(chunk: dict[str, str], parent_id: str) -> list[dict[str, object]]:
    """把 Markdown 表格的每一行拆成自解释的小块（父块照旧保留）。

    为什么需要：现在的粒度是"一个叶子标题 = 一块"，产品手册里就是**整个产品小节**
    （表格 + 说明）成一块。于是客户问「起投多少」和问「风险高吗」命中同一块、拿到
    **完全相同**的整节内容——客户会觉得客服没听懂问题，只是把说明书重贴一遍。
    顺带地，整节几百字的向量是"整节的混合语义"，与"起投多少"这种具体小问题相似度
    天然偏低（实测该问句向量 top1 只有 0.6291，够不到 0.75 门槛）。

    小块必须**自解释**：只回「1万元」客户不知道说的是哪个产品，所以带上产品名与行标签。
    父块保留，客户问「这个产品怎么样」时仍要能拿到完整一节。

    ## 2026-09-15 修掉的 bug：表头被当成数据行

    原实现用「**第一个非分隔行**」当表头（`if not header: header = cells`），而 `header`
    从不重置。于是**同一节里出现第二张表格时，它的表头行被当成数据行**，产出形如
    「第九条 问卷内容及评分标准：选项 分值」的**零信息量碎片**：
    《个人投资者适当性管理指南》第九条下有 16 张问卷表格 → 15 条碎片，且**正文逐字相同**。
    检索时它们必然互相打平（实测把「风险评估问卷怎么评分」的 top1/次优差压到 **0.002**，
    客服按"中置信需领先 ≥0.07"判并列 → 转人工），把真正有内容的块挤到第 5 名。

    修法：markdown 表格的表头**只可能是紧邻分隔行 `|---|---|` 之前的那一行**，所以按分隔行
    认表头，用 `prev` 延迟一行判断。修后块数 636 → 617，正文完全相同的组从 1 组 15 块降到 0。
    """
    blocks: list[dict[str, object]] = []
    name = LEADING_NUMBER.sub("", chunk["section"]).strip() or chunk["section"]

    def emit(cells: list[str]) -> None:
        if len(cells) < 2:
            return
        label, value = cells[0], cells[1]
        if not label or not value:
            return
        blocks.append({
            "title": f"{chunk['title']} · {label}",
            "chapter": chunk["chapter"],
            "section": f"{name} · {label}",
            "content": f"{name}：{label} {value}",
            "parent_id": parent_id,
        })

    prev: list[str] | None = None
    for line in chunk["content"].splitlines():
        match = TABLE_ROW.match(line.strip())
        if not match:
            continue
        cells = [cell.strip() for cell in match.group(1).split("|")]
        if all(set(cell) <= {"-", ":", " "} for cell in cells):
            # 分隔行 |---|：紧邻它之前的那一行（`prev`）是**表头**，不能当数据行 → 丢弃。
            prev = None
            continue
        if prev is not None:
            emit(prev)  # 没被分隔行认领为表头的行 = 数据行
        prev = cells
    if prev is not None:
        emit(prev)  # 收尾：最后一行也要处理（没有分隔行收尾的表格）
    return blocks


def assert_no_duplicate_contents(records: list[dict[str, object]]) -> None:
    """自带守卫：**正文完全相同的块必须为 0**，否则直接失败退出、不生成 jsonl。

    为什么用这一条当守卫：表头被误当数据行时的直接后果就是"**多张表格产出逐字相同的块**"
    （第九条那 16 张问卷表 → 15 条一模一样的「…：选项 分值」）。这类块在检索里必然互相
    打平，把 top1/次优差压到 0.07 门槛之下（实测 0.002）→ 客服判并列转人工。
    本脚本是**一次性灌库脚本**、没有单测覆盖（这正是该 bug 活下来的原因），
    所以把守卫放在脚本自己的执行路径上：**每次重灌都会跑一遍**。

    为什么不是"块长度下限"：短块本身是设计的一部分（「评审标准：管理人资质 15%」13 字，
    但它是真实的数据行、是有效答案）。**内容逐字重复**才是缺陷特征，长度不是。
    """
    seen: dict[str, list[str]] = {}
    for record in records:
        seen.setdefault(str(record["content"]), []).append(str(record["doc_id"]))
    duplicated = {content: ids for content, ids in seen.items() if len(ids) > 1}
    if duplicated:
        detail = "\n".join(
            f"  {len(ids)} 份：{content[:60]!r} → {ids[:6]}"
            for content, ids in list(duplicated.items())[:5]
        )
        raise SystemExit(
            f"知识块自检失败：有 {len(duplicated)} 组正文完全相同的块。\n"
            "这类块在检索里必然互相打平（把 top1/次优差压到 0.07 之下 → 客服转人工），"
            "通常是**表格表头被当成了数据行**（见 `expand_table_rows` 的 docstring）。\n"
            f"{detail}\n已中止，未写入 jsonl。"
        )


records: list[dict[str, object]] = []
for relative, config in SOURCES.items():
    text = (Path("knowledge") / relative).read_text(encoding="utf-8")
    chunks = chunk_markdown(text)
    # 章节白名单：只保留指定章下的块（用于剔除内部管理章节，如高净值规范只留分级与权益）
    allowed = config.get("allow_chapters")
    if isinstance(allowed, list):
        chunks = [
            chunk for chunk in chunks
            if any(chunk["chapter"].startswith(prefix) for prefix in allowed)
        ]
    for order, chunk in enumerate(chunks, 1):
        parent_id = f"{config['prefix']}-{order:03d}"
        records.append({
            "doc_id": parent_id,
            "collection": config["collection"],
            "title": chunk["title"],
            "content": chunk["content"],
            "chapter": chunk["chapter"],
            "section": chunk["section"],
            "tags": config["tags"],
            "doc_no": config["doc_no"],
            "version": config["version"],
            "effective_date": config["effective_date"],
            "expire_date": "", "source_url": "", "reviewer": "",
            "source_file": relative,
            "visibility": config["visibility"],
            "chars": len(chunk["content"]),
        })
        # 行级子块：挂在父块 doc_id 下（PROD-007-01 这种），父块编号不受新增子块影响，
        # 因此反复重跑本脚本得到的 doc_id 是稳定的。
        for row_order, block in enumerate(expand_table_rows(chunk, parent_id), 1):
            records.append({
                "doc_id": f"{parent_id}-{row_order:02d}",
                "collection": config["collection"],
                "title": block["title"],
                "content": block["content"],
                "chapter": block["chapter"],
                "section": block["section"],
                "tags": config["tags"],
                "doc_no": config["doc_no"],
                "version": config["version"],
                "effective_date": config["effective_date"],
                "expire_date": "", "source_url": "", "reviewer": "",
                "source_file": relative,
                "visibility": config["visibility"],
                "chars": len(str(block["content"])),
            })

for order, chunk in enumerate(
    chunk_qa((Path("knowledge") / "faq/高频问答对.txt").read_text(encoding="utf-8")), 1
):
    records.append({
        "doc_id": f"FAQ-{order:04d}",
        "collection": "fin_faq_collection",
        "title": chunk["title"], "content": chunk["content"],
        "chapter": chunk["chapter"], "section": chunk["section"],
        "tags": "高频问答,FAQ",
        "doc_no": "", "version": "", "effective_date": "", "expire_date": "",
        "source_url": "", "reviewer": "",
        "source_file": "faq/高频问答对.txt",
        "visibility": "registered" if order in FAQ_REGISTERED_QIDS else "public",
        "chars": len(chunk["content"]),
    })

_faq_records = [record for record in records if str(record["doc_id"]).startswith("FAQ-")]
_faq_registered = [record for record in _faq_records if record["visibility"] == "registered"]
if len(_faq_records) != FAQ_EXPECTED_COUNT:
    raise SystemExit(
        f"FAQ 条数不符：实际 {len(_faq_records)}，期望 {FAQ_EXPECTED_COUNT}。"
        "`knowledge/faq/高频问答对.txt` 应为 `D6.1.3` 的 64 组 + `W6` 补 1 组 = 65 组版本；"
        "条数不符通常是镜像被换成了旧版（V1.x 只有 44 条）。已中止，未写入 jsonl。"
    )
if len(_faq_registered) != len(FAQ_REGISTERED_QIDS):
    raise SystemExit(
        f"FAQ 档位不符：registered 实际 {len(_faq_registered)}，期望 {len(FAQ_REGISTERED_QIDS)}。"
        "档位名单见 `D6.1.2` §附「四、知识库可见性档位标注」。已中止，未写入 jsonl。"
    )

# ---- v1.4（2026-09-18）三个派生字段：family_id / param_class / intent ----------------
#
# 为什么加：`D2.4` 附录F 的「同族合并」「计算型参数位」「意图标签」三条能力依赖它们，
# 而此前切片件**不含**这三个字段 ⇒ 设计里写了、数据里没有。三个字段全部**从既有信息
# 派生**，不改任何源文件、不引入新的人工标注，因此重跑本脚本即得。
#
# · `family_id` —— **同族 = 同一个父块**。行级子块（`POL-AST-009-01`）挂在父块
#   （`POL-AST-009`）下，父块编号就是族号，故去掉行级子块后缀（`-NN`）即得。
#   用途：同族并列时上层应**合并作答**，而不是把它们当成"两个互不相干的候选"
#   去算 top1/次优差（那会把真实答案判成"并列"→转人工）。
#   ⚠️ 后缀只认**两位数字**：`FAQ-0026` / `COMP-001` 是父块本身（四位/三位数字），
#   不能被误削成 `FAQ-` / `COMP-`。
# · `param_class` —— 块里**最主要**的数值型产品要素，供计算型出口定位参数位。
#   判据是「关键字在正文中**最早出现**的那一类」（块的开口主语），同类再按规则表顺序；
#   刻意**不用固定优先级**，否则「费率表里顺带写了一句起投金额」会被整块判成 threshold。
# · `intent` —— 业务意图，按集合映射。`INTENT_BY_QA_PREFIX`（`app/core/
#   knowledge_contracts.py`）管的是 `RAG-*` 前缀问答；本脚本**不 import 应用层**
#   （它是一次性切片脚本，要保持能单独跑），故在此镜像同一份取值 —— **改一处要改两处**。
FAMILY_SUFFIX = re.compile(r"-\d{2}$")

INTENT_BY_COLLECTION: dict[str, str] = {
    "fin_basic_collection": "basic_explain",
    "fin_faq_collection": "faq",
    "fin_product_collection": "product_inquiry",
    "fin_policy_collection": "policy_explain",
}

#: (参数类型, 关键字)。顺序 = 同位置时的优先级。
PARAM_CLASS_RULES: tuple[tuple[str, tuple[str, ...]], ...] = (
    ("rate", ("费率", "管理费", "托管费", "申购费", "赎回费", "销售服务费", "业绩报酬", "折扣")),
    ("threshold", ("起投", "起购", "起点", "门槛", "万元", "万+", "元起", "认购起点", "专户起点", "合格投资者")),
    ("scale", ("规模", "募集", "亿元")),
    ("count", ("家数", "家机构", "只基金", "网点")),
)


def family_of(doc_id: str) -> str:
    """同族标识：去掉**两位**行级子块后缀；父块自身即族号。"""
    return FAMILY_SUFFIX.sub("", doc_id)


def classify_param(content: str) -> str:
    """块里最主要的数值型产品要素类型；一类都没命中时返回 `none`。"""
    best: tuple[int, int, str] | None = None
    for rank, (name, keywords) in enumerate(PARAM_CLASS_RULES):
        found = [content.find(keyword) for keyword in keywords]
        first = min((position for position in found if position >= 0), default=-1)
        if first < 0:
            continue
        candidate = (first, rank, name)
        if best is None or candidate[:2] < best[:2]:
            best = candidate
    return best[2] if best is not None else "none"


for _record in records:
    _doc_id = str(_record["doc_id"])
    _record["family_id"] = family_of(_doc_id)
    _record["param_class"] = classify_param(str(_record["content"]))
    _record["intent"] = INTENT_BY_COLLECTION.get(str(_record["collection"]), "faq")

del _record, _doc_id

assert_corpus_gate(records)
assert_no_duplicate_contents(records)

(Path("knowledge") / "_chunks.jsonl").write_text(
    "\n".join(json.dumps(record, ensure_ascii=False) for record in records), encoding="utf-8"
)

lines: list[str] = [f"总块数：{len(records)}\n"]
by_collection: dict[str, list[dict[str, object]]] = {}
for record in records:
    by_collection.setdefault(str(record["collection"]), []).append(record)
for name, group in sorted(by_collection.items()):
    sizes = sorted(int(record["chars"]) for record in group)
    lines.append(
        f"{name}: {len(group)} 块，字符数 最小 {sizes[0]} / 中位 {sizes[len(sizes)//2]} / 最大 {sizes[-1]}"
    )

lines.append("\n各文件块数：")
by_file: dict[str, int] = {}
for record in records:
    by_file[str(record["source_file"])] = by_file.get(str(record["source_file"]), 0) + 1
for name, count in sorted(by_file.items()):
    lines.append(f"  {name}: {count}")

over = [record for record in records if int(record["chars"]) > 1200]
lines.append(f"\n超过 1200 字符的块：{len(over)} 个")
for record in over[:10]:
    lines.append(f"  {record['doc_id']}  {record['chars']} 字符  {str(record['title'])[:64]}")

lines.append("\n反洗钱手册的块标题（核对「第一类」归属是否带上了第十三条）：")
for record in records:
    if str(record["doc_id"]).startswith("POL-AML"):
        lines.append(f"  {record['doc_id']}  {int(record['chars']):>5} 字符  {str(record['title'])[:70]}")

Path("_chunks_report.txt").write_text("\n".join(lines), encoding="utf-8")
print(f"已生成 {len(records)} 块 → knowledge/_chunks.jsonl；报告见 _chunks_report.txt")