feat(gpu): Qdrant как векторный бэкенд под флагом — снимает SPOF FAISS

FAISS-индекс — файловый синглтон в RAM одного воркера (save на каждую запись,
без блокировок, без HA, не горизонтален). Добавлен альтернативный бэкенд Qdrant
с тем же classmethod-интерфейсом, выбор через VECTOR_BACKEND — аддитивно и
безопасно: дефолт остаётся faiss, ничего не ломается, пока не переключат.

- app/qdrant_manager.py — search/add_vectors/save(no-op)/total_vectors поверх
  qdrant-client (коллекция Cosine, id точки = doc_id, upsert идемпотентен);
- app/vector_store.py — get_backend() по настройке; задачи search/plagiarism
  переведены на него (больше не импортируют FAISSManager напрямую);
- app/migrate_faiss_to_qdrant.py — перелив существующих векторов (reconstruct
  из IndexIDMap2 → upsert), идемпотентно;
- docker-compose.prod.yml — сервис qdrant под профилем `qdrant` (по умолчанию не
  поднимается, ресурсов не ест) + volume; README — раздел про переключение.

Тесты (9) гоняют QdrantManager против ВСТРОЕННОГО Qdrant (qdrant-client :memory:,
не моки) + диспетчеризацию бэкенда. Всего тестов: 82 (indexer 24, gost 24, gpu 34).
Плюсы Qdrant активируются только после явного переключения + миграции.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

services/worker-gpu/app/config.py

@@ -48,6 +48,12 @@ class Settings(BaseSettings):
     FAISS_NLIST: int = 1024  # Количество кластеров для IVFFlat
     FAISS_NPROBE: int = 64  # Количество кластеров для поиска
 
+    # Векторный бэкенд: "faiss" (файловый синглтон, дефолт) или "qdrant" (сервис,
+    # снимает SPOF и конкурентную запись). Переключается без изменения кода.
+    VECTOR_BACKEND: str = "faiss"
+    QDRANT_URL: str = "http://qdrant:6333"
+    QDRANT_COLLECTION: str = "documents"
+
     # App
     APP_URL: str = "https://academic.jze9.ru"
     ENVIRONMENT: str = "development"

services/worker-gpu/app/migrate_faiss_to_qdrant.py

@@ -0,0 +1,47 @@
+"""Одноразовая миграция векторов из файлового FAISS в Qdrant.
+
+Запуск (после старта qdrant и выставления VECTOR_BACKEND=qdrant в .env):
+    docker compose -f docker-compose.prod.yml --profile qdrant up -d qdrant
+    docker compose -f docker-compose.prod.yml exec worker-gpu python -m app.migrate_faiss_to_qdrant
+
+Идемпотентна: повторный запуск перезапишет те же точки по doc_id, дублей не будет.
+После миграции стоит сверить: QdrantManager.total_vectors() == count(documents).
+"""
+
+import logging
+
+import numpy as np
+
+logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s")
+logger = logging.getLogger("migrate_faiss_to_qdrant")
+
+
+def migrate(batch_size: int = 1000) -> int:
+    """Перелить все векторы из FAISS-индекса в Qdrant. Возвращает число векторов."""
+    import faiss
+
+    from app.config import settings
+    from app.qdrant_manager import QdrantManager
+
+    index = faiss.read_index(settings.FAISS_INDEX_PATH)
+    if not hasattr(index, "id_map"):
+        raise SystemExit("FAISS-индекс без id_map (несовместимый тип) — миграция невозможна")
+
+    ids = faiss.vector_to_array(index.id_map).astype(np.int64)
+    total = int(len(ids))
+    logger.info("FAISS: %d векторов к миграции в Qdrant", total)
+
+    migrated = 0
+    for start in range(0, total, batch_size):
+        chunk = ids[start : start + batch_size]
+        vecs = np.vstack([index.reconstruct(int(i)) for i in chunk]).astype(np.float32)
+        QdrantManager.add_vectors(vecs, [int(i) for i in chunk])
+        migrated += len(chunk)
+        logger.info("Мигрировано %d/%d", migrated, total)
+
+    logger.info("Готово. Точек в Qdrant: %d", QdrantManager.total_vectors())
+    return migrated
+
+
+if __name__ == "__main__":
+    migrate()

services/worker-gpu/app/qdrant_manager.py

@@ -0,0 +1,104 @@
+"""Менеджер векторного индекса на Qdrant — альтернатива FAISSManager.
+
+Тот же classmethod-интерфейс (search / add_vectors / save / total_vectors), но
+вместо файлового синглтона в RAM одного воркера — сетевой сервис Qdrant. Это:
+- снимает единую точку отказа (индекс живёт отдельно от воркера);
+- допускает конкурентную запись из нескольких воркеров (upsert по doc_id);
+- масштабируется горизонтально и переживает рестарт воркера без перезагрузки.
+
+Дистанция — Cosine; эмбеддинги нормированы, id точки = doc_id из PostgreSQL,
+поэтому поиск сразу возвращает doc_id. Включается через VECTOR_BACKEND=qdrant.
+"""
+
+import logging
+
+import numpy as np
+
+from app.config import settings
+
+logger = logging.getLogger(__name__)
+
+
+class QdrantManager:
+    """Синглтон-обёртка над коллекцией Qdrant (интерфейс как у FAISSManager)."""
+
+    COLLECTION = settings.QDRANT_COLLECTION
+
+    _client = None
+    _ready = False
+
+    @classmethod
+    def _get_client(cls):
+        """Ленивое подключение к Qdrant (или заранее внедрённый клиент в тестах)."""
+        if cls._client is None:
+            from qdrant_client import QdrantClient
+
+            cls._client = QdrantClient(url=settings.QDRANT_URL, timeout=30)
+        return cls._client
+
+    @classmethod
+    def _ensure(cls):
+        """Гарантировать существование коллекции нужной размерности/дистанции."""
+        client = cls._get_client()
+        if cls._ready:
+            return client
+
+        from qdrant_client.models import Distance, VectorParams
+
+        if not client.collection_exists(cls.COLLECTION):
+            client.create_collection(
+                collection_name=cls.COLLECTION,
+                vectors_config=VectorParams(
+                    size=settings.EMBED_DIM, distance=Distance.COSINE
+                ),
+            )
+            logger.info(f"Создана коллекция Qdrant {cls.COLLECTION!r} (dim={settings.EMBED_DIM})")
+        cls._ready = True
+        return client
+
+    @classmethod
+    def search(cls, query_vector: np.ndarray, k: int = 20) -> list[tuple[int, float]]:
+        """Поиск k ближайших векторов. Возвращает [(doc_id, cosine_score), ...]."""
+        client = cls._ensure()
+        vec = np.asarray(query_vector, dtype=np.float32).reshape(-1).tolist()
+        try:
+            res = client.query_points(collection_name=cls.COLLECTION, query=vec, limit=k)
+            return [(int(p.id), float(p.score)) for p in res.points]
+        except Exception as e:
+            logger.error(f"Ошибка поиска Qdrant: {e}")
+            return []
+
+    @classmethod
+    def add_vectors(cls, vectors: np.ndarray, doc_ids: list[int]) -> None:
+        """Upsert векторов по doc_id (идемпотентно: повторная запись перезаписывает)."""
+        if len(doc_ids) == 0:
+            return
+        client = cls._ensure()
+
+        from qdrant_client.models import PointStruct
+
+        vectors = np.asarray(vectors, dtype=np.float32)
+        points = [
+            PointStruct(id=int(doc_id), vector=vectors[i].tolist())
+            for i, doc_id in enumerate(doc_ids)
+        ]
+        client.upsert(collection_name=cls.COLLECTION, points=points)
+        logger.info(f"Upsert {len(points)} векторов в Qdrant. Всего: {cls.total_vectors()}")
+
+    @classmethod
+    def save(cls) -> None:
+        """No-op: Qdrant персистит данные на своей стороне."""
+
+    @classmethod
+    def total_vectors(cls) -> int:
+        """Количество точек в коллекции."""
+        try:
+            return cls._ensure().count(collection_name=cls.COLLECTION).count
+        except Exception:
+            return 0
+
+    @classmethod
+    def _reset(cls) -> None:
+        """Сбросить клиент и флаг готовности (для тестов)."""
+        cls._client = None
+        cls._ready = False

services/worker-gpu/app/tasks/plagiarism.py

@@ -92,11 +92,12 @@ def check_plagiarism(
         session.commit()
 
     try:
-        from app.faiss_manager import FAISSManager
         from app.model_manager import ModelManager
         from app.ollama_client import OllamaClient
+        from app.vector_store import get_backend
 
         ollama = OllamaClient()
+        vector_store = get_backend()
         semantic_matches: list[dict] = []
 
         for i, fragment in enumerate(fragments):
@@ -105,9 +106,9 @@ def check_plagiarism(
                 # Пропустить слишком короткие фрагменты
                 continue
 
-            # Уровень 3: Семантический поиск через FAISS
+            # Уровень 3: Семантический поиск (FAISS или Qdrant по VECTOR_BACKEND)
             frag_vec = ModelManager.encode_single(frag_text)
-            faiss_results = FAISSManager.search(frag_vec, k=10)
+            faiss_results = vector_store.search(frag_vec, k=10)
 
             for doc_id, score in faiss_results:
                 if score < FAISS_SIMILARITY_THRESHOLD:
@@ -201,9 +202,9 @@ def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
     if not doc_ids:
         return {"status": "ok", "embedded": 0}
 
-    from app.faiss_manager import FAISSManager
     from app.model_manager import ModelManager
     from app.models import Document
+    from app.vector_store import get_backend
 
     logger.info(f"Построение эмбеддингов для {len(doc_ids)} документов...")
 
@@ -225,8 +226,9 @@ def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
 
     vectors = ModelManager.encode(texts)
 
-    FAISSManager.add_vectors(vectors, ids)
-    FAISSManager.save()
+    store = get_backend()
+    store.add_vectors(vectors, ids)
+    store.save()
 
     # Обновить faiss_id в PostgreSQL (для IDMap2 faiss_id == doc_id)
     with db_session() as session:

services/worker-gpu/app/tasks/search.py

@@ -222,10 +222,10 @@ def search_semantic(
             from app.model_manager import ModelManager
             query_vec = ModelManager.encode_single(query_normalized)
 
-            # FAISS семантический поиск
-            from app.faiss_manager import FAISSManager
-            faiss_results = FAISSManager.search(query_vec, k=50)
-            logger.info(f"FAISS: найдено {len(faiss_results)} результатов")
+            # Семантический поиск (FAISS или Qdrant по VECTOR_BACKEND)
+            from app.vector_store import get_backend
+            faiss_results = get_backend().search(query_vec, k=50)
+            logger.info(f"Векторный поиск: найдено {len(faiss_results)} результатов")
 
             # Elasticsearch BM25 поиск
             from app.es_client import search_fulltext

services/worker-gpu/app/vector_store.py

@@ -0,0 +1,25 @@
+"""Выбор бэкенда векторного индекса по настройке VECTOR_BACKEND.
+
+Единая точка входа: задачи (search / plagiarism) зовут get_backend().search(...) /
+.add_vectors(...) / .save(...), не зная, какой бэкенд под капотом — FAISS (файловый
+синглтон в RAM воркера, дефолт) или Qdrant (сетевой сервис, снимает SPOF и допускает
+конкурентную запись). Оба класса имеют одинаковый classmethod-интерфейс.
+"""
+
+import logging
+
+from app.config import settings
+
+logger = logging.getLogger(__name__)
+
+
+def get_backend():
+    """Вернуть класс активного векторного бэкенда согласно settings.VECTOR_BACKEND."""
+    if settings.VECTOR_BACKEND == "qdrant":
+        from app.qdrant_manager import QdrantManager
+
+        return QdrantManager
+
+    from app.faiss_manager import FAISSManager
+
+    return FAISSManager