1b4f3a7bbe
Some checks failed
CD Pipeline / deploy (push) Failing after 59s
- 建立 Gitea Actions CD pipeline (.gitea/workflows/cd.yaml) - 部署模式: rsync Python 檔案至 188 → docker restart (volume mount) - Dockerfile/requirements 變動時自動重建 Docker image - 部署通知: Telegram (開始/成功/失敗) - 健康檢查: https://mo.wooo.work/health (最多 5 次重試) - 同步最新 CLAUDE.md / ADR-008 / memory (2026-04-19) Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
83 lines
2.7 KiB
Markdown
83 lines
2.7 KiB
Markdown
# ADR-007：AI 學習雙寫規範（DB + KM 同步寫入）
|
||
|
||
- **Status**: Accepted
|
||
- **Date**: 2026-04-18
|
||
- **Decision Maker**: 統帥
|
||
- **Author**: Claude
|
||
|
||
## Context
|
||
|
||
在 EwoooC 三 Agent 分工架構中（ADR-001），所有 AI 產出（洞察、競品分析、對話、PPT 內容）最終需要沉澱。
|
||
若只寫入一個 sink，會導致：
|
||
- 只寫 DB：RAG 無法語意搜尋過去的洞察
|
||
- 只寫 KM（vector）：精確 period/sku 查詢無法命中
|
||
|
||
歷史教訓（2026-04-18）：
|
||
- 舊版 `openclaw_learning_service.py` 有 `store_insight()` API，但只寫入 DB，未向量化
|
||
- 導致 PPT 每次重新呼叫 AI 生成，歷史簡報失真（內容不一致）
|
||
|
||
## Decision
|
||
|
||
**所有 AI 產出必須雙寫 DB + KM（pgvector）**，且為同一事務（atomic）。
|
||
|
||
```
|
||
AI 產出（洞察/分析/對話）
|
||
│
|
||
▼
|
||
NemoTron: tool call store_insight()
|
||
│
|
||
├─→ PostgreSQL ai_insights（結構化欄位 + metadata）
|
||
│ ↓ async
|
||
└─→ Hermes: embed → pgvector embedding 欄位更新同一行
|
||
```
|
||
|
||
**What 必須雙寫**：
|
||
|
||
| 產出類型 | DB 表 | embedding 欄位 |
|
||
|---|---|---|
|
||
| PPT 洞察 | `ai_insights` | `embedding vector(1024)` |
|
||
| 競品分析 | `ai_insights` | `embedding vector(1024)` |
|
||
| 用戶對話記錄 | `conversations` | `embedding vector(1024)` |
|
||
| 週報 meta-analysis | `ai_insights` | `embedding vector(1024)` |
|
||
|
||
**What 不需雙寫**（不需語意搜尋）：
|
||
- Telegram 告警派發記錄（只做審計）
|
||
- 原始爬蟲資料（`price_records`, `competitor_prices`）
|
||
- 用戶操作 log（`audit_logs`）
|
||
|
||
## Consequences
|
||
|
||
### Positive
|
||
- RAG 永遠能找到歷史洞察，PPT 內容跨時一致
|
||
- cache-aside 精確命中（同 period+type → 0.3s 回）+ 語意 fallback（近似查詢）
|
||
|
||
### Negative / Trade-offs
|
||
- 每次寫入有兩個 I/O（DB + embedding），延遲增加約 100-200ms
|
||
- Hermes 主機 OOM 時 embedding 會失敗（需 retry queue）
|
||
|
||
## Implementation Notes
|
||
|
||
```python
|
||
# 雙寫入口點（atomic）
|
||
async def store_insight_with_embedding(insight: InsightModel):
|
||
# Step 1: 寫 DB（同步）
|
||
insight_id = db.execute(INSERT INTO ai_insights ...)
|
||
|
||
# Step 2: 排隊 embedding（異步，不阻塞主流）
|
||
embedding_queue.put({"id": insight_id, "text": insight.text})
|
||
|
||
# Hermes worker（獨立進程）
|
||
def embedding_worker():
|
||
while True:
|
||
item = embedding_queue.get()
|
||
vec = embed_text(item["text"]) # 呼叫 Ollama bge-m3
|
||
db.execute(UPDATE ai_insights SET embedding = :vec WHERE id = :id)
|
||
```
|
||
|
||
## Related ADRs
|
||
|
||
- ADR-001：三 Agent 分工（NemoTron 負責寫入觸發，Hermes 負責 embedding）
|
||
- ADR-002：pgvector（KM 儲存層）
|
||
- ADR-003：本地 embedding（embedding 引擎）
|
||
- ADR-005：時間衰減（品質分數策略）
|