mirror of
https://gitcode.com/JianFeeeee/HomeAgent.git
synced 2026-10-15 12:15:16 +00:00
fix(memory)!: 视觉路被文本块饿死 —— 模态过滤必须在截断之前
## 回归（块 union 化引入，真实数据实测）
CAS 时代 `crossmodal.go` 的视觉路查 `QueryMediaScored`，SQL 是
`FROM media`——**只含媒体**，结构上不可能被文本块挤掉。
86572d13 把它换成通用 `RecallBlocks`（全局 top-K，含数千文本块），
于是视觉路每查必空。
## 定量证据（生产模型 chineseclip + 真实生产库副本）
同一向量空间内，文本查询与两类块的原始余弦：
| 查询 | 图像块 max / p95 | 文本块 max / p95 |
|---|---|---|
| 图片 | 0.3773 / 0.3554 | 1.0000 / 0.8644 |
| 一张图片 | 0.4096 / 0.3707 | 0.9222 / 0.8693 |
| 照片 | 0.3850 / 0.3651 | 0.9349 / 0.8672 |
图片的绝对相似度天然低于「字面相同的文本」。复刻生产调用
（per = max(8, topK*2)，再 `continue` 掉文本块）：
per= 8 → 5 次查询 40 条，图像块 0 条
per=200 → 5 次查询 1000 条，图像块 0 条 ← 视觉路被彻底饿死
根因：**「取全局 top-K 再过滤掉文本块」——过滤发生在截断之后**，
名额早已被文本块占满。下面的 `continue` 只是防御，不是筛选手段。
## 修法
`BlockRecallQuery` 新增 `Modality` / `ExcludeText`，并在 **SQL 层**
限定（不是取回来再丢）：
- 语义正确：让 top-K 在目标模态内部竞争
- 顺带省算力：不必反序列化 3639 个文本块的向量再丢弃
`crossmodal.go` 视觉路传 `ExcludeText: true`。修复后同一诊断：
`per=200 → 560 条全部是图像块，文本块 0 条`。
## 判据（含变异）
- `TestRecallBlocks_模态过滤在截断前生效`（单测，500 满分文本块 + 2 低分媒体块）：
① `ExcludeText` TopK=2 仍取到 2 个媒体块；② `Modality=image` 只返回图像块。
**变异**（同时移除 SQL 过滤与循环内 continue）→ 两条断言当场 FAIL。
注：只移除 SQL 过滤而保留循环内 continue **不算变异**——语义等价，
差别仅在性能（这点也实测确认过）。
- `TestE2E_MultimodalBlockRecall`（-tags 'e2e onnxruntime'，生产模型 + 真库）：
① 12 个真图块可嵌入（512 维）；② 12/12 块能被自己的向量召回（纯向量）；
③ 跨进程重开后向量/指纹/字节都在；④ `ExcludeText` 视觉路召到 20 个媒体块。
判据②原写成"必须 top1"，实测发现同一张图被存成 4 个块（digest 相同）
→ 向量逐位相同 → 并列满分，top1 只取决于排序稳定性。
改为"必须出现在满分并列集，且排在它前面的都必须是同内容"。
回归：memory / agent-core / sdk 全绿；全仓生产编译 GREEN。
This commit is contained in:
JianFeeeee
281
internal/memory/e2e_multimodal_recall_test.go
Normal file
281
internal/memory/e2e_multimodal_recall_test.go
Normal file
@ -0,0 +1,281 @@
|
||||
//go:build e2e && onnxruntime
|
||||
|
||||
// 多模态真实数据 e2e：验证块 union 化的**核心主张**——
|
||||
// 媒体块只按自己的向量被召回，全程不碰任何描述文本。
|
||||
//
|
||||
// 这是 CAS 淘汰后最需要证明的一条：两个存储层合并成一个块值之后，
|
||||
// 「图片能不能被它自己的向量搜到」必须仍然成立。
|
||||
//
|
||||
// 与单测的区别：这里用**生产同款 chineseclip 模型**对真实库里的图算向量，
|
||||
// 不是注入的假向量。
|
||||
//
|
||||
// 用法：
|
||||
//
|
||||
// E2E_DB=/tmp/e2e-backfill/graph.db \
|
||||
// E2E_MODEL_DIR=/home/newqqagent/models/chinese-clip-vit-b16-onnx \
|
||||
// go test -tags 'e2e onnxruntime' -run TestE2E_MultimodalBlockRecall -v ./internal/memory/
|
||||
package memory
|
||||
|
||||
import (
|
||||
"crypto/sha256"
|
||||
"encoding/hex"
|
||||
"os"
|
||||
"testing"
|
||||
|
||||
"github.com/JianFeeeee/HomeAgent/internal/memory/vector"
|
||||
"github.com/JianFeeeee/HomeAgent/pkg/embedding"
|
||||
_ "github.com/JianFeeeee/HomeAgent/providers/chineseclip"
|
||||
)
|
||||
|
||||
// 判据（不变量，不是"函数被调过"）：
|
||||
// 1. 用生产模型能把真实媒体块的字节算成与原空间一致的向量（Dim 匹配）
|
||||
// 2. 块**自己的向量**召回自己 → top1 命中且 Score≈1（纯向量检索端到端可用）
|
||||
// 3. 向量写回库后，跨进程重开库仍能召回（身份与向量都落盘了）
|
||||
// 4. 文本查询向量能召回到**任意**媒体块（同一坐标系里文本与图可比）——
|
||||
// 这是"一个向量空间同时覆盖文本与图像"的主张
|
||||
func TestE2E_MultimodalBlockRecall(t *testing.T) {
|
||||
dbPath := os.Getenv("E2E_DB")
|
||||
modelDir := os.Getenv("E2E_MODEL_DIR")
|
||||
if dbPath == "" || modelDir == "" {
|
||||
t.Skip("E2E_DB / E2E_MODEL_DIR 未设置；跳过多模态真实数据 e2e")
|
||||
}
|
||||
|
||||
// 1. 打开生产同款多模态空间
|
||||
p, err := embedding.Open("chineseclip", embedding.Config{
|
||||
Options: map[string]string{"model_dir": modelDir},
|
||||
})
|
||||
if err != nil {
|
||||
t.Fatalf("打开 chineseclip(%s): %v", modelDir, err)
|
||||
}
|
||||
adapter, err := vector.AdaptProvider(p)
|
||||
if err != nil {
|
||||
p.Close()
|
||||
t.Fatalf("适配 provider: %v", err)
|
||||
}
|
||||
t.Cleanup(func() { adapter.Close() })
|
||||
if !adapter.Loaded() {
|
||||
t.Fatal("多模态空间未加载")
|
||||
}
|
||||
fp := adapter.Fingerprint()
|
||||
dim := adapter.Dim()
|
||||
t.Logf("多模态空间就绪：指纹 %s，维度 %d", fp[:16], dim)
|
||||
|
||||
g, err := NewGraphDB(dbPath)
|
||||
if err != nil {
|
||||
t.Fatalf("打开 %s: %v", dbPath, err)
|
||||
}
|
||||
// 末尾要做"跨进程重开"验证：先显式 Close 再开 g2。
|
||||
// 用标志让 Cleanup 不重复关闭（g 已关时跳过）。
|
||||
closed := false
|
||||
t.Cleanup(func() {
|
||||
if !closed {
|
||||
g.Close()
|
||||
}
|
||||
})
|
||||
|
||||
// 取若干已回填字节的媒体块
|
||||
ids, err := g.SampleFilledBlockIDs(12)
|
||||
if err != nil || len(ids) == 0 {
|
||||
t.Skipf("没有已回填块: %v", err)
|
||||
}
|
||||
|
||||
// 2. 对每个块的真字节算向量（判据 1）
|
||||
type rec struct{ id, digest string }
|
||||
var recs []rec
|
||||
for _, id := range ids {
|
||||
data, err := g.BlockData(id)
|
||||
if err != nil || len(data) == 0 {
|
||||
t.Errorf("BlockData(%s): %v", id, err)
|
||||
continue
|
||||
}
|
||||
// 只处理图像（chineseclip 空间只覆盖 text/image）
|
||||
b, ok, err := g.BlockByIDPrefix(id)
|
||||
if err != nil || !ok {
|
||||
continue
|
||||
}
|
||||
if b.Modality != BlockImage {
|
||||
continue
|
||||
}
|
||||
vec, err := adapter.EmbedImageDense(data, b.MIME)
|
||||
if err != nil {
|
||||
t.Errorf("EmbedImageDense(%s): %v", id, err)
|
||||
continue
|
||||
}
|
||||
if len(vec) != dim {
|
||||
t.Errorf("块 %s 向量维度 %d ≠ 空间维度 %d", id, len(vec), dim)
|
||||
continue
|
||||
}
|
||||
sum := sha256.Sum256(data)
|
||||
recs = append(recs, rec{id: id, digest: hex.EncodeToString(sum[:])})
|
||||
// 写回向量（复现生产 reembedStaleMedia 的落库动作）
|
||||
if err := g.SetBlockVector(id, vec, fp); err != nil {
|
||||
t.Errorf("SetBlockVector(%s): %v", id, err)
|
||||
}
|
||||
}
|
||||
if len(recs) == 0 {
|
||||
t.Fatal("没有一个图像块能被嵌入")
|
||||
}
|
||||
t.Logf("判据1 通过：%d 个真图块嵌入成功（维度 %d）", len(recs), dim)
|
||||
|
||||
// 3. 用块自己的向量召回自己（判据 2）
|
||||
//
|
||||
// ★ 为何不是“必须 top1”：存量库里同一张图可能被存成多个块
|
||||
// （旧式 blk_<ts>_<n> ID，见实测 ee5bdb2a… 一份内容 4 个块）。
|
||||
// 同内容的两个块向量**逐位相同** ⇒ 余弦都是 1.0 ⇒ 并列满分。
|
||||
// 此时 top1 取哪个只取决于排序稳定性，不代表召回错。真正的不变量是：
|
||||
// (a) 自己必须出现在**满分并列集**里；
|
||||
// (b) 排在它前面的块必须是**同内容**（不同内容不该顶替）。
|
||||
// 只断言“index 0 == 自己”会把内容去重这件好事当成缺陷。
|
||||
selfHit := 0
|
||||
for i, r := range recs {
|
||||
b, ok, err := g.BlockByIDPrefix(r.id)
|
||||
if err != nil || !ok || len(b.Vector) == 0 {
|
||||
t.Errorf("块 %s 向量未落库", r.id)
|
||||
continue
|
||||
}
|
||||
hits, err := g.RecallBlocks(BlockRecallQuery{
|
||||
Vector: b.Vector,
|
||||
Fingerprint: b.Fingerprint,
|
||||
SkipCentroid: true, // 纯向量比较：不引入中心化校正变量
|
||||
TopK: 20,
|
||||
})
|
||||
if err != nil {
|
||||
t.Fatalf("RecallBlocks(%s): %v", r.id, err)
|
||||
}
|
||||
|
||||
// (a) 找到自己在结果里的位置
|
||||
selfRank := -1
|
||||
for k, h := range hits {
|
||||
if h.Block.ID == r.id {
|
||||
selfRank = k
|
||||
break
|
||||
}
|
||||
}
|
||||
if selfRank < 0 {
|
||||
t.Errorf("块 %s 未被自己的向量召回到 top20（got=%d 条）", r.id, len(hits))
|
||||
continue
|
||||
}
|
||||
// (b) 排在自己前面的每一个都必须是同内容（同一 digest）。
|
||||
// 同内容⇒同向量⇒同分，排序只取决于稳定性；不同内容则真的算错。
|
||||
for k := 0; k < selfRank; k++ {
|
||||
d := digestOfBlock(t, g, hits[k].Block.ID)
|
||||
if d != r.digest {
|
||||
t.Errorf("块 %s 被**不同内容**的 %s 顶替（rank %d，digest %s ≠ %s）",
|
||||
r.id, hits[k].Block.ID, k, d[:12], r.digest[:12])
|
||||
break
|
||||
}
|
||||
}
|
||||
if hits[selfRank].Score < 0.999 {
|
||||
t.Errorf("块 %s 自召回的满分分数异常低: %.4f", r.id, hits[selfRank].Score)
|
||||
}
|
||||
selfHit++
|
||||
if i < 4 {
|
||||
t.Logf(" 自召回：%s rank=%d score=%.4f（top20 共 %d 条）", r.id, selfRank, hits[selfRank].Score, len(hits))
|
||||
}
|
||||
}
|
||||
if selfHit != len(recs) {
|
||||
t.Fatalf("判据2 失败：%d/%d 个块能在 top20 里召回到自己", selfHit, len(recs))
|
||||
}
|
||||
t.Logf("判据2 通过：%d/%d 块能用自己的向量召回到自己（纯向量，无描述文本参与）", selfHit, len(recs))
|
||||
|
||||
// 4. 视觉路：媒体块由**多模态文本编码 → 块自身向量**召回。
|
||||
//
|
||||
// ★ 为何不测“文本查询在原始 RecallBlocks top-k 里应命中图像块”：
|
||||
// 实测（生产模型 chineseclip + 本库 1294 文本块 / 112 图像块）：
|
||||
// 查询「图片」→ 图像块 max cosine 0.377，文本块 max 1.000
|
||||
// 查询「照片」→ 图像块 max 0.385，文本块 max 0.935
|
||||
// 同一坐标系里图片的绝对相似度天然低于“字面相同的文本”，
|
||||
// 原始 top-k 必然被文本块淹没——这是 CLIP 的分数分布，不是接线缺陷。
|
||||
// 生产也正是这么设计的：crossmodal.go 把文本路与视觉路**分开取**。
|
||||
// ★ 但分开取有个前提：视觉路必须限定模态。实测反例：不限定模态时
|
||||
// （2026-10-12 发现）per=200 返回 1000 条里图像块 **0 条** —— 因为
|
||||
// “取全局 top-K 再过滤掉文本块”里过滤发生在截断**之后**，名额早被
|
||||
// 文本块占满。修法：在 SQL 层限定模态（ExcludeText）。
|
||||
// 本判据兼作该修复的回归护栏。
|
||||
//
|
||||
// 验证：用多模态文本编码查询、ExcludeText=true，必须能召到图像块 ——
|
||||
// 也即“文本与图在同一个向量空间可比”这条主张成立。
|
||||
tq, err := adapter.VectorizeDense("一张图片")
|
||||
if err != nil {
|
||||
t.Fatalf("文本嵌入失败: %v", err)
|
||||
}
|
||||
allHits, err := g.RecallBlocks(BlockRecallQuery{
|
||||
Vector: tq,
|
||||
Fingerprint: fp,
|
||||
TopK: 20,
|
||||
ExcludeText: true, // 视觉路的正确取法（与生产 crossmodal.go 一致）
|
||||
})
|
||||
if err != nil {
|
||||
t.Fatalf("视觉路召回失败: %v", err)
|
||||
}
|
||||
if len(allHits) == 0 {
|
||||
t.Error("判据4 失败：视觉路（ExcludeText）召不到任何媒体块")
|
||||
} else {
|
||||
for _, h := range allHits {
|
||||
if h.Block.Modality == BlockText {
|
||||
t.Errorf("ExcludeText=true 仍返回文本块 %s", h.Block.ID)
|
||||
break
|
||||
}
|
||||
}
|
||||
t.Logf("判据4 通过：文本查询经视觉路召到 %d 个媒体块（最高分 %.4f；同库文本块可达 1.0，故必须分两路取——见 crossmodal.go）",
|
||||
len(allHits), allHits[0].Score)
|
||||
}
|
||||
|
||||
// 5. 跨进程重开：向量与字节都必须落盘（判据 3）
|
||||
g.Close()
|
||||
closed = true
|
||||
g2, err := NewGraphDB(dbPath)
|
||||
if err != nil {
|
||||
t.Fatalf("重开库: %v", err)
|
||||
}
|
||||
defer g2.Close()
|
||||
r := recs[0]
|
||||
b, ok, err := g2.BlockByIDPrefix(r.id)
|
||||
if err != nil || !ok {
|
||||
t.Fatalf("重开后找不到块 %s: ok=%v err=%v", r.id, ok, err)
|
||||
}
|
||||
if len(b.Vector) == 0 || b.Fingerprint != fp {
|
||||
t.Errorf("重开后向量/指纹丢失: dim=%d fp=%s", len(b.Vector), b.Fingerprint)
|
||||
}
|
||||
data, err := g2.BlockData(r.id)
|
||||
if err != nil || len(data) == 0 {
|
||||
t.Fatalf("重开后字节丢失: %v", err)
|
||||
}
|
||||
if got := sha256Hex(data); got != r.digest {
|
||||
t.Errorf("重开后字节身份变了: %s ≠ %s", got[:16], r.digest[:16])
|
||||
}
|
||||
hits2, err := g2.RecallBlocks(BlockRecallQuery{
|
||||
Vector: b.Vector, Fingerprint: b.Fingerprint, SkipCentroid: true, TopK: 20,
|
||||
})
|
||||
// 同内容可能多块并列满分，所以判定“能召回到自己”而非“top1 是自己”。
|
||||
selfIn := false
|
||||
for _, h := range hits2 {
|
||||
if h.Block.ID == r.id {
|
||||
selfIn = true
|
||||
break
|
||||
}
|
||||
}
|
||||
if err != nil || !selfIn {
|
||||
t.Errorf("判据3 失败：重开后自召回失败 (err=%v hits=%v)", err, topIDs(hits2))
|
||||
} else {
|
||||
t.Logf("判据3 通过：重开后 %s 仍能被自己的向量召回到 top3，字节 %d 一致", r.id, len(data))
|
||||
}
|
||||
}
|
||||
|
||||
func topIDs(hits []BlockHit) []string {
|
||||
out := make([]string, 0, len(hits))
|
||||
for _, h := range hits {
|
||||
out = append(out, h.Block.ID)
|
||||
}
|
||||
return out
|
||||
}
|
||||
|
||||
// digestOfBlock 取块负载的 sha256（内容身份，用于判定“是否同内容”）。
|
||||
func digestOfBlock(t *testing.T, g *GraphDB, id string) string {
|
||||
t.Helper()
|
||||
data, err := g.BlockData(id)
|
||||
if err != nil {
|
||||
t.Fatalf("BlockData(%s): %v", id, err)
|
||||
}
|
||||
return sha256Hex(data)
|
||||
}
|
||||
Reference in New Issue
Block a user