fix(core): ходить в CORE через sing-box — с российских адресов ключ не работает

Заливка встала после двух порций: прогоны стали заканчиваться за две минуты
с нулём документов. Выглядело как поломка сети, и на ложные следы ушло время —
MTU в норме (1472 байта проходят), IPv6 ни при чём, Cloudflare из того же
контейнера качается на 2.2 МБ/с, ключ и квота целы (с домашней машины тот же
запрос отвечает за 6с, лимит нетронут).

Разница оказалась в адресе. С прода:
  напрямую      — код 000, обрыв на 25с (соединение есть, тело не приходит)
  через sing-box — код 200 за 1.7с, 207 КБ
Анонимные короткие запросы проходят и напрямую — поэтому блокировка и
маскировалась под сетевой сбой.

CORE ведёт себя как OpenRouter, ради которого singbox-proxy и заводили,
поэтому решение то же: httpx получает proxy из CORE_PROXY_URL (умолчание —
socks5://singbox-proxy:1080, пусто = напрямую для локальных прогонов).
В образ индексатора добавлен socksio: без него httpx не умеет SOCKS5.

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

.env.example

@@ -28,6 +28,15 @@ OLLAMA_URL=http://ollama:11434
 SECRET_KEY=change-me-in-production-use-openssl-rand-hex-32
 ACCESS_TOKEN_EXPIRE_MINUTES=10080
 
+# OAuth — вход через Google/Яндекс (опционально; пусто = кнопка провайдера скрыта).
+# Google: console.cloud.google.com → APIs & Services → Credentials → OAuth Client ID
+#   (Web application), redirect URI: https://<домен>/api/auth/google/callback
+# Yandex: oauth.yandex.ru → создать приложение, redirect URI: .../api/auth/yandex/callback
+GOOGLE_CLIENT_ID=
+GOOGLE_CLIENT_SECRET=
+YANDEX_CLIENT_ID=
+YANDEX_CLIENT_SECRET=
+
 # SMTP (собственный Postfix+Dovecot, mail.jze9mail.ru, STARTTLS)
 SMTP_HOST=mail.jze9mail.ru
 SMTP_PORT=587

.gitea/workflows/deploy.yml

@@ -38,7 +38,10 @@ jobs:
 
       - name: Убрать временный чекаут
         if: always()
-        run: rm -rf "${SRC:-/tmp/none}"
+        # Часть файлов (mypy/pytest кэш) создана внутри Docker-контейнеров от
+        # root — обычный пользователь раннера не может их удалить. Это не
+        # повод валить джобу: код уже проверен, чистка — best-effort.
+        run: rm -rf "${SRC:-/tmp/none}" || true
 
   deploy:
     needs: test          # деплой только если юнит-тесты прошли
@@ -55,6 +58,8 @@ jobs:
       - name: Деплой (бэкенд 1.32 + фронтенд CT 102)
         env:
           PVE_PASSWORD: ${{ secrets.PVE_PASSWORD }}
+          INFISICAL_CLIENT_ID: ${{ secrets.INFISICAL_CLIENT_ID }}
+          INFISICAL_CLIENT_SECRET: ${{ secrets.INFISICAL_CLIENT_SECRET }}
         run: |
           set -euo pipefail
           cd "$SRC"
@@ -62,4 +67,7 @@ jobs:
 
       - name: Убрать временный чекаут
         if: always()
-        run: rm -rf "${SRC:-/tmp/none}"
+        # Часть файлов (mypy/pytest кэш) создана внутри Docker-контейнеров от
+        # root — обычный пользователь раннера не может их удалить. Это не
+        # повод валить джобу: код уже проверен, чистка — best-effort.
+        run: rm -rf "${SRC:-/tmp/none}" || true

.gitignore

@@ -105,3 +105,7 @@ services/**/app/models/**/*.py[cod]
 # Temp
 tmp/
 temp/
+CREDENTIALS.md
+
+# Прокси-конфиг с реальными credentials (UUID) — только на проде, не в git
+infra/singbox/config.json

README.md

@@ -23,7 +23,7 @@
                        │ RabbitMQ│ Celery задачи
           ┌────────────▼──┐  ┌──▼──────────────┐
           │  worker-gpu    │  │ worker-indexer   │
-          │  (CUDA/FAISS)  │  │ (PDF/DOCX parse) │
+          │  (FAISS, CPU)  │  │ (PDF/DOCX parse) │
           │  Sem. search   │  │ Winnowing/MinHash │
           │  LLM paraphrase│  └──────────────────┘
           └────────────────┘
@@ -35,7 +35,8 @@
 
 Инфраструктура:
   PostgreSQL 16 · Redis 7 · RabbitMQ 3 · Elasticsearch 8
-  MinIO (S3) · Ollama (qwen2.5:7b) · отдельный GPU-сервер
+  MinIO (S3) · Ollama с bge-m3 на отдельном сервере эмбеддингов (192.168.1.40)
+  LLM-парафраз (L4) — Ollama или OpenRouter, переключается LLM_BACKEND
 ```
 
 ## Быстрый старт
@@ -87,7 +88,7 @@ make clean        # Удалить контейнеры и volumes
 | Компонент | Технологии |
 |-----------|-----------|
 | API Gateway | FastAPI 0.111, Python 3.11, SQLAlchemy 2.0, Alembic |
-| GPU Worker | sentence-transformers, FAISS-CPU (IndexIDMap2 · IndexFlatIP), Ollama (qwen2.5:7b) |
+| GPU Worker | FAISS-CPU (IndexIDMap2 · IndexFlatIP), эмбеддинги bge-m3/1024d (Ollama/sentence-transformers/облако — `EMBED_BACKEND`), LLM-парафраз через Ollama или OpenRouter (`LLM_BACKEND`) |
 | Indexer | PyMuPDF, python-docx, Winnowing, MinHash LSH |
 | Очереди | RabbitMQ (брокер) + Celery 5 (воркеры) + Redis (результаты) |
 | База данных | PostgreSQL 16 |
@@ -99,8 +100,13 @@ make clean        # Удалить контейнеры и volumes
 
 1. **Winnowing** — точные/частичные совпадения по fingerprint'ам (xxHash + скользящее окно)
 2. **MinHash LSH** — нечёткие совпадения (шинглы + Jaccard, индекс в общем Redis)
-3. **FAISS cosine** — семантическое сходство (порог 0.75; IndexFlatIP на нормированных эмбеддингах)
-4. **Ollama qwen2.5:7b** — LLM-анализ парафраза (порог confidence 0.7)
+3. **FAISS cosine** — семантическое сходство (порог 0.75; эмбеддинги bge-m3/1024d, IndexFlatIP на нормированных векторах)
+4. **LLM-анализ парафраза** (порог confidence 0.7) — бэкенд переключается `LLM_BACKEND`: локальная Ollama или облачный OpenRouter/DeepSeek (геоблокировка РФ обходится через SOCKS5-прокси `singbox-proxy`, см. `infra/singbox/`)
+
+Проверенные работы сами пополняют корпус (`source=user_submission`) — это даёт эффект
+как у коммерческих систем (база растёт от каждой проверки), но такие документы
+**исключены** из сравнения на всех уровнях L1-L3 (`AUTO_APPROVE_SUBMISSIONS`,
+по умолчанию выключено), иначе работа матчилась бы сама с собой на 100%.
 
 ## Тарифные планы
 
@@ -130,8 +136,17 @@ python scripts/run_parser.py arxiv \
     --query "deep learning" \
     --categories cs.AI cs.LG \
     --limit 5000
+
+# PubMed Central (PMC) — англоязычные научные статьи открытого доступа
+python scripts/run_parser.py pmc \
+    --query "public health" \
+    --limit 1000
 ```
 
+Массовое расширение корпуса по дисциплинам (не единичный запрос) — `scripts/seed_broad_corpus.py`
+и `scripts/seed_ru_sources.py` заводят десятки `parse_sources` записей сразу, дальше их
+разбирает `index.run_parser` через очередь. Подробности и текущий охват — [docs/INGESTION.md](docs/INGESTION.md).
+
 ## Переменные окружения
 
 Смотри `.env.example` для полного списка переменных.
@@ -141,26 +156,34 @@ python scripts/run_parser.py arxiv \
 
 | Файл | Назначение |
 |------|-----------|
-| `docker-compose.prod.yml` | **Реальный прод.** app-сервисы + nginx (собранный фронтенд + TLS) + локальный Elasticsearch. Postgres/Redis/RabbitMQ/MinIO/Ollama — уже существующие общие серверы, адреса в `.env`. |
+| `docker-compose.prod.yml` | **Реальный прод.** app-сервисы + локальный Elasticsearch. Postgres/Redis/RabbitMQ/MinIO/Ollama — уже существующие общие серверы, адреса в `.env`. Файл описывает и сервис `nginx` (собранный фронтенд + TLS), но в текущей топологии он **не запускается** — фронтенд и TLS реально раздаёт хостовой nginx на отдельном CT 102 (см. «Продакшн деплой» ниже), а `api` публикует `8000:8000` наружу именно под него. |
 | `docker-compose.test.yml` | Повседневная разработка — hot reload против той же общей инфры, что и прод (`make test-up`). |
 | `docker-compose.selfhosted.yml.example` | Не используется. Полностью автономный вариант (свои Postgres/Redis/RabbitMQ/ES/MinIO/Ollama + GPU passthrough) — на случай отдельного выделенного сервера в будущем. |
 
 ## Продакшн деплой
 
-```bash
-# На сервере
-cp .env.example .env
-nano .env  # Настроить все пароли и ключи, указать реальные адреса общих Postgres/Redis/RabbitMQ/MinIO/Ollama
+Автоматический: push в `main` → Gitea Actions (`.gitea/workflows/deploy.yml`) → гейт
+`test` (lint + юнит-тесты) → `deploy` → `scripts/deploy.sh` на app-хосте. Умная
+пересборка — образ пересобирается только у сервисов, чей код изменился с прошлого
+деплоя (маркер SHA в `.last_deploy_sha`); правка `docker-compose.prod.yml` триггерит
+полную пересборку всех пяти бэкенд-сервисов.
 
-# Сертификат ДО первого запуска nginx-контейнера (standalone, порт 80 должен быть свободен)
-certbot certonly --standalone -d academic.jze9.ru
+**`.env` на проде НЕ редактируется руками.** Первым шагом `deploy.sh` логинится в
+self-hosted Infisical (Machine Identity, Universal Auth) и генерирует `.env` заново
+из окружения `prod` на каждом запуске — ручные правки файла на сервере переживут
+максимум до следующего деплоя. Менять секреты/конфиг — через Infisical
+(`https://infisical.jze9.ru`, проект `academ`), не через `.env` напрямую. Если
+Infisical недоступен или вернул подозрительно мало ключей, деплой падает раньше
+синка кода и не трогает рабочий `.env`.
 
-make build
-make up
-make migrate
-```
+Фронтенд собирается отдельно (`docker run node:20-slim` → `npm run build`) и
+заливается по `scp`/`pct push` на CT 102, где раздаётся **хостовым** (не
+докеризованным) nginx с TLS через certbot — см. `/etc/nginx/sites-available/academic`
+на CT 102. Это отдельная машина от app-хоста, деплоится только когда меняется
+`services/frontend/`.
 
-Nginx работает внутри контейнера (`docker-compose.prod.yml`, сервис `nginx`, Dockerfile в `infra/nginx/Dockerfile`) — собирает `services/frontend` в статику и отдаёт её вместе с проксированием `/api/`, `/ws/` на `api:8000` по конфигу `infra/nginx/nginx.conf`. Контейнер монтирует `/etc/letsencrypt` с хоста как read-only — сертификат обновляется на хосте (`certbot renew`), контейнер просто читает его.
+Ручной запуск деплоя (например, после смены секрета в Infisical без изменений кода) —
+`workflow_dispatch` в Gitea Actions, или локально: `PVE_PASSWORD=... INFISICAL_CLIENT_ID=... INFISICAL_CLIENT_SECRET=... bash scripts/deploy.sh` из полного чекаута репозитория.
 
 ## Векторный бэкенд (FAISS / Qdrant)
 
@@ -199,7 +222,9 @@ docker compose -f docker-compose.prod.yml --profile observability up -d promethe
 - Prometheus (`infra/prometheus/prometheus.yml`) скрейпит API и **Flower** — из
   Flower приходят метрики Celery (задачи, время выполнения, воркеры) без доп. кода.
 - Grafana с автоподключённым источником Prometheus (`infra/grafana/provisioning/`);
-  пароль admin — через `GRAFANA_ADMIN_PASSWORD` в `.env` (по умолчанию `admin`).
+  пароль admin — `GRAFANA_ADMIN_PASSWORD` в Infisical (prod). Если не задан — падает
+  на дефолт `admin`, поэтому перед включением профиля `observability` в проде
+  убедиться, что значение в Infisical реально установлено (не пустое).
 
 ## Тестирование и качество кода
 
@@ -208,8 +233,9 @@ docker compose -f docker-compose.prod.yml --profile observability up -d promethe
 
 1. **Линт** — `ruff` (весь Python) + `mypy` (чистая доменная логика).
    Конфиги: [`ruff.toml`](ruff.toml), [`mypy.ini`](mypy.ini).
-2. **Юнит-тесты** — `pytest` по сервисам: 73 теста на ядро детекции и форматирования,
-   без внешней инфры (БД/Redis/GPU/Ollama замоканы либо не нужны).
+2. **Юнит-тесты** — `pytest` по сервисам: 150 тестов на ядро детекции, скоринга,
+   парсеров, форматирования, OAuth и прогресса заливки, без внешней инфры
+   (БД/Redis/GPU/Ollama замоканы либо не нужны).
 
 ```bash
 make lint                        # ruff + mypy в изолированном контейнере
@@ -229,11 +255,18 @@ make test-one SVC=worker-gost    # тесты одного сервиса
 | L1 — точные совпадения | `worker-indexer/app/algorithms/winnowing.py` | 13 |
 | L2 — нечёткие (MinHash LSH) | `worker-indexer/app/algorithms/minhash.py` | 6 |
 | Разбиение на фрагменты | `worker-indexer/app/fragments.py` | 5 |
-| L3 — семантический индекс | `worker-gpu/app/faiss_manager.py` | 5 |
+| Автопополнение корпуса | `worker-indexer/app/staging.py` | 6 |
+| Извлечение текста из PDF | `worker-indexer/app/extractors/pdf.py` | 4 |
+| L3 — семантический индекс (FAISS) | `worker-gpu/app/faiss_manager.py` | 5 |
+| L3 — векторный бэкенд (Qdrant + выбор) | `worker-gpu/app/qdrant_manager.py`, `vector_store.py` | 9 |
 | L4 — LLM-парафраз | `worker-gpu/app/ollama_client.py` | 12 |
-| Итоговый % плагиата | `worker-gpu/app/scoring.py` | 8 |
+| Итоговый % плагиата + цитаты | `worker-gpu/app/scoring.py` | 18 |
 | ГОСТ 7.1 / 7.0.5 | `worker-gost/app/formatters/` | 17 |
 | Список литературы | `worker-gost/app/bibliography.py` | 7 |
+| Парсеры источников (CyberLeninka, PMC, прогресс-колбэк) | `scripts/parsers/` | 19 |
+| OAuth-ссылки (Google/Яндекс) | `api/app/core/oauth.py` | 6 |
+| Прогресс заливки (счётчики, бюджет) | `worker-indexer/app/progress.py` | 7 |
+| Шкала загрузки и тайминги прогонов | `api/app/core/progress.py`, `schemas/admin.py` | 11 |
 
 ## Лицензия
 

docker-compose.prod.yml

@@ -105,10 +105,28 @@ services:
       dockerfile: Dockerfile
     container_name: antiplagiator-api
     <<: *app-env
+    # CT102 (общий реверс-прокси, /etc/nginx/sites-available/academic) проксирует
+    # /health, /api/, /ws/ напрямую на 192.168.1.32:8000 — без этого маппинга
+    # порт нигде не публикуется и прод отвечает 502 на все API-запросы.
+    ports:
+      - "8000:8000"
     depends_on:
       elasticsearch:
         condition: service_healthy
 
+  # SOCKS5-прокси (sing-box → VLESS-нода вне РФ) — OpenRouter недоступен
+  # напрямую из России, только для этого и нужен. Остальной трафик
+  # worker-gpu (Postgres/RabbitMQ/MinIO/Ollama) идёт напрямую, не через него.
+  singbox-proxy:
+    image: ghcr.io/sagernet/sing-box:v1.10.0
+    container_name: antiplagiator-singbox-proxy
+    command: run -c /etc/sing-box/config.json
+    volumes:
+      - ./infra/singbox/config.json:/etc/sing-box/config.json:ro
+    networks:
+      - antiplagiator
+    restart: unless-stopped
+
   worker-gpu:
     build:
       context: ./services/worker-gpu
@@ -120,6 +138,8 @@ services:
     depends_on:
       elasticsearch:
         condition: service_healthy
+      singbox-proxy:
+        condition: service_started
 
   worker-indexer:
     build:
@@ -132,6 +152,10 @@ services:
     depends_on:
       elasticsearch:
         condition: service_healthy
+      # CORE не отвечает на ключ с российских адресов — парсер ходит через
+      # sing-box (см. scripts/parsers/core.py)
+      singbox-proxy:
+        condition: service_started
 
   worker-notifier:
     build:

docs/ARCHITECTURE.md

@@ -1,8 +1,9 @@
 # Архитектура — Академический помощник
 
 Каноничное описание системы. Обновляется вместе с кодом; при расхождении верить
-коду, а не этому файлу. Смежные документы: [DR-HA.md](DR-HA.md) (отказоустойчивость),
-[../README.md](../README.md) (быстрый старт и команды).
+коду, а не этому файлу. Визуальная схема — [DIAGRAM.md](DIAGRAM.md). Смежные
+документы: [DR-HA.md](DR-HA.md) (отказоустойчивость), [INGESTION.md](INGESTION.md)
+(наполнение корпуса), [../README.md](../README.md) (быстрый старт и команды).
 
 ## 1. Назначение
 
@@ -45,7 +46,8 @@
           │ worker-    │   │ PostgreSQL 1.38 · Redis 1.35  │
           │ notifier   │   │ RabbitMQ .82 · MinIO 1.21     │
           │ SMTP email │   │ Elasticsearch (local 1.32)    │
-          └────────────┘   │ Ollama .163 (qwen2.5:7b)      │
+          └────────────┘   │ Ollama 1.40 (bge-m3, эмбед.)  │
+                           │ OpenRouter/DeepSeek — LLM (опц.)│
                            │ [opt] Qdrant · Prometheus/Graf.│
                            └──────────────────────────────┘
 ```
@@ -56,7 +58,7 @@
 |--------|-----------|-----------------|
 | **api** | FastAPI, SQLAlchemy async (asyncpg), Redis, Celery-producer | HTTP/WS API, auth (JWT), rate-limits, диспетч задач в очереди, админ-панель |
 | **worker-indexer** | Celery, PyMuPDF, python-docx, xxhash, datasketch | Извлечение текста (PDF/DOCX/TXT), фрагментация, **L1 Winnowing**, **L2 MinHash LSH**, парсинг источников, обогащение full-text |
-| **worker-gpu** | Celery, sentence-transformers, FAISS/Qdrant, httpx→Ollama | Эмбеддинги, **L3** семантический поиск, **L4** LLM-анализ парафраза, семантический поиск источников |
+| **worker-gpu** | Celery, FAISS/Qdrant, httpx→Ollama/OpenRouter | Эмбеддинги (`EMBED_BACKEND`: ollama/sentence_transformers/cloud), **L3** семантический поиск, **L4** LLM-анализ парафраза (`LLM_BACKEND`: ollama/openrouter), семантический поиск источников |
 | **worker-gost** | Celery | Список литературы по **ГОСТ 7.1-2003 / Р 7.0.5-2008** |
 | **worker-notifier** | Celery, smtplib | Email: письма-результаты и верификация (jze9mail.ru) |
 | **frontend** | React 18, Vite, TS, Tailwind, Zustand, React Query | SPA: 11 публичных страниц + админ-панель. Собирается в статику, отдаётся nginx |
@@ -75,7 +77,16 @@
   `faiss_id`.
 - **fingerprints** — `doc_id`, `hash_value` (BIGINT, Winnowing), `position` — для L1.
 - **usage_logs** — `user_id`, `action` — учёт лимитов по тарифу.
-- **parse_sources** — задания парсеров (админка): тип, query, годы, лимит, статус.
+- **parse_sources** — задания парсеров (админка): тип, query, годы, лимит, статус,
+  `last_run_id` — ссылка на последний прогон, `resume_token` — позиция
+  продолжения для массовых источников (номер статьи в дампе, токен страницы
+  бакета).
+- **parse_runs** — прогоны заливки: стадия, счётчики (`target/fetched/processed/
+  added/duplicates/skipped/failed`), `cancel_requested`, `heartbeat_at`, журнал
+  событий (JSON). Тайминги раздельные: `started_at` — постановка в очередь,
+  `run_started_at` — реальный старт работы воркером (при массовом запуске между
+  ними часы ожидания), `finished_at` — конец. Из них админка рисует шкалу
+  загрузки, см. §12.
 - **staged_works** — пользовательские загрузки на модерацию перед добавлением в корпус.
 - **admin_sessions** — одноразовые коды входа в админку.
 
@@ -85,8 +96,8 @@
 
 | Очередь | Задачи | Воркер |
 |---------|--------|--------|
-| `queue.index` | `index.extract_and_check`, `index.add_document`, `index.run_parser`, `index.enrich_full_text` | worker-indexer |
-| `queue.gpu` | `gpu.check_plagiarism`, `gpu.embed_documents`, `gpu.search_semantic` | worker-gpu |
+| `queue.index` | `index.extract_and_check`, `index.add_document`, `index.run_parser`, `index.enrich_full_text`, `index.ingest_upload` | worker-indexer |
+| `queue.gpu` | `gpu.check_plagiarism`, `gpu.embed_documents`, `gpu.search_semantic`, `gpu.index_stats` | worker-gpu |
 | `queue.gost` | `gost.format_bibliography` | worker-gost |
 | `queue.notify` | `notify.send_task_done`, `notify.send_verification` | worker-notifier |
 
@@ -97,8 +108,11 @@
 **Проверка плагиата.** upload (api, файл→MinIO, Task) → `index.extract_and_check`
 (извлечь текст → фрагментация → **L1 Winnowing** по fingerprints → **L2 MinHash LSH**
 в Redis) → передаёт частичные совпадения в `gpu.check_plagiarism` (**L3** FAISS/Qdrant
-семантика по фрагментам → для подозрительных **L4** Ollama-парафраз) →
+семантика по фрагментам → для подозрительных **L4** LLM-парафраз) →
 `app.scoring.aggregate_results` (итоговый %) → результат в Task → `notify.send_task_done`.
+Фронтенд (`HighlightedDocument.tsx`) показывает исходный текст работы с подсветкой
+совпадающих/процитированных фрагментов поверх обычного списка нарушений
+(`PlagiarismReport.tsx`).
 
 **Поиск источников.** api → `gpu.search_semantic`: эмбеддинг запроса → векторный поиск
 (FAISS/Qdrant) + Elasticsearch BM25 → объединение → результат.
@@ -107,9 +121,24 @@
 `app.bibliography.build_bibliography` (сортировка кириллица→латиница, нумерация,
 формат 7.1/7.0.5) → результат.
 
-**Наполнение корпуса.** админка/CLI → `index.run_parser` (OpenAlex/arXiv/КиберЛенинка,
-фильтр `is_oa`) → `index.add_document` (дедуп по `ext_id`, fingerprints, MinHash,
-эмбеддинг) → `index.enrich_full_text` (скачать OA-PDF → MinIO → переиндексация).
+**Наполнение корпуса.** админка → `index.run_parser` — один конвейер для всех
+источников, со шкалой, журналом и кнопкой остановки. Внутри два пути записи:
+
+- *обычные источники* (OpenAlex/arXiv/PMC/КиберЛенинка, фильтр `is_oa`) —
+  `index.add_document` на каждый документ: дедуп по `ext_id`, fingerprints,
+  MinHash, Elasticsearch, эмбеддинг, затем `index.enrich_full_text` (скачать
+  OA-PDF → MinIO → переиндексация);
+- *массовые источники* (`wikipedia_ru`, `pmc_bulk`) — парсер отдаёт генератор,
+  запись идёт пачками через `COPY` (`app/bulk_writer.py`), позиция продолжения
+  хранится в `parse_sources.resume_token`. Эмбеддинги там не считаются: они
+  медленнее заливки на порядок и стали бы её узким местом, вектора
+  досчитываются отдельно (§12).
+
+Ход заливки в обоих случаях пишется в `parse_runs` (§12).
+Второй путь наполнения — ручная загрузка файлов админом: api сохраняет их в
+MinIO (`corpus-upload/`) → `index.ingest_upload` (извлечь текст → `add_document`,
+`source=manual_upload`). Это не проверка на плагиат: файл сразу становится
+источником для сравнения, минуя отстойник.
 
 ## 7. Детекция плагиата — 4 уровня
 
@@ -118,13 +147,22 @@
 2. **L2 MinHash LSH** (`.../minhash.py`) — нечёткие совпадения: шинглы → MinHash (128
    перм.) → LSH-индекс в **общем Redis** (префикс `antiplag_lsh`, upsert, graceful-фолбэк
    в память).
-3. **L3 семантика** (`worker-gpu`) — эмбеддинги `paraphrase-multilingual-mpnet-base-v2`
-   (768d, нормированы) → cosine в FAISS `IndexIDMap2(IndexFlatIP)` **или** Qdrant
-   (`VECTOR_BACKEND`); порог 0.75.
-4. **L4 LLM-парафраз** — Ollama `qwen2.5:7b` оценивает пары «источник↔фрагмент» для
-   подозрительных из L3; порог confidence 0.7.
+3. **L3 семантика** (`worker-gpu`) — эмбеддинги `bge-m3` (1024d, нормированы),
+   бэкенд переключается `EMBED_BACKEND` (`ollama` — дефолт, GGUF через Vulkan на
+   AMD GPU; `sentence_transformers` — локальная загрузка CUDA/CPU; `cloud` —
+   облачный инференс той же модели, без локального GPU) → cosine в FAISS
+   `IndexIDMap2(IndexFlatIP)` **или** Qdrant (`VECTOR_BACKEND`); порог 0.75.
+4. **L4 LLM-парафраз** — оценивает пары «источник↔фрагмент» для подозрительных из
+   L3; порог confidence 0.7. Бэкенд переключается `LLM_BACKEND`: `ollama`
+   (локальная модель, нужен GPU-хост) или `openrouter` (облачный DeepSeek —
+   геоблокировку РФ обходит SOCKS5-прокси `singbox-proxy`, докер-сервис на базе
+   sing-box/Trojan). Ни один документ с `source=user_submission` (прошлые
+   проверки пользователей) не участвует в сравнении ни на одном уровне —
+   иначе работа матчилась бы сама с собой.
 
 Итог: `scoring.aggregate_results` — доля уникальных помеченных позиций (не выше 100%).
+Кандидаты, похожие семантически, но не подтверждённые LLM как парафраз, не теряются —
+попадают в отдельный список «похожие по теме источники» (рекомендации, не нарушения).
 
 ## 8. Векторный бэкенд
 
@@ -142,22 +180,59 @@
 | Redis 7 | 1.35 (выделенный LXC) | кэш, rate-limits, LSH |
 | RabbitMQ | 192.168.20.82 | брокер Celery |
 | MinIO (S3) | 1.21 | документы, full-text, бэкапы |
-| Ollama (qwen2.5:7b) | 192.168.20.163 | GPU-сервер |
+| Ollama (bge-m3, эмбеддинги) | 192.168.1.40 «embedding-cpu» (VM 210 на хосте pve2 .1.37) | Xeon 4314, AVX-512+VNNI, 8 vCPU; модель всегда в RAM (`OLLAMA_KEEP_ALIVE=-1`), сторожевой таймер раз в 2 мин перезапускает зависшую Ollama. Замер на данных корпуса: 3.6 док/с против 2.2 у прежнего сервера |
+| ~~Ollama на GPU~~ (выведен 31.08.2026) | 192.168.20.109 «embedding-gpu» | RX580; отказал по amdgpu ring timeout (Vulkan-контекст умирал при живом systemd-юните). Оставлен как есть — откат сводится к возврату `OLLAMA_URL` в Infisical |
+| OpenRouter (DeepSeek, L4 LLM) | облако | опционально вместо локальной Ollama (`LLM_BACKEND=openrouter`); из РФ доступен только через `singbox-proxy` |
+| Infisical (секреты) | 192.168.20.111 «VM111» | self-hosted, `infisical.jze9.ru`; единственный источник правды для `.env` на проде |
 | Qdrant / Prometheus / Grafana | 1.32 | опционально, под compose-профилями |
 
-**Деплой** — Gitea Actions по push в `main`: гейт `test` (ruff+mypy → 82 юнит-теста),
+CT 108 (192.168.20.163, GTX1070, qwen2.5:7b) — старая LLM-нода, роль полностью
+заменена OpenRouter, контейнер остановлен, но не удалён.
+
+**Деплой** — Gitea Actions по push в `main`: гейт `test` (ruff+mypy → 113 юнит-тестов),
 затем `deploy` (`needs: test`) через `scripts/deploy.sh` (умная пересборка изменённых
-сервисов). PG/Redis не в compose — общая инфра берётся из `.env`.
+сервисов). PG/Redis/RabbitMQ/MinIO не в compose — общая инфра берётся из `.env`,
+который на каждом деплое генерируется заново из Infisical (см. §10).
 
-## 10. Конфигурация
+## 10. Конфигурация и секреты
 
-Всё через `.env` (пример — `.env.example`). Обязательно менять: `SECRET_KEY`,
-`POSTGRES_PASSWORD`, `MINIO_SECRET_KEY`. Опции: `VECTOR_BACKEND`, `QDRANT_URL`,
-`GRAFANA_ADMIN_PASSWORD`. `.env` не в git и исключён из деплой-rsync (не откатывается).
+Приложение читает `.env` (пример структуры — `.env.example`), но на проде этот файл
+**не редактируется руками** и не персистентен как источник правды — на каждом
+деплое `scripts/deploy.sh` логинится в self-hosted **Infisical**
+(`https://infisical.jze9.ru`, проект `academ`, окружение `prod`) через Machine
+Identity (Universal Auth) и генерирует `.env` заново (`infisical export`) до синка
+кода. Правки секретов/конфига — через Infisical, а не через `.env` на сервере
+(следующий деплой затрёт локальные правки). Если Infisical недоступен или вернул
+подозрительно мало ключей, деплой прерывается раньше, не трогая рабочий `.env`.
+
+Обязательно менять (значения уже в Infisical, не дефолты из `.env.example`):
+`SECRET_KEY`, `POSTGRES_PASSWORD`, `MINIO_SECRET_KEY`. Опции: `VECTOR_BACKEND`,
+`QDRANT_URL`, `EMBED_BACKEND`, `LLM_BACKEND`, `GRAFANA_ADMIN_PASSWORD`.
+
+Локальная разработка (`docker-compose.test.yml`) продолжает использовать обычный
+`.env`, отдельный от прод-потока через Infisical.
 
 ## 11. Качество и тесты
 
-- **82 юнит-теста** (pytest, per-service) на чистую логику L1-L4/скоринг/фрагменты/
+**Замер качества детекции** — [`scripts/ops/detection_benchmark.py`](../scripts/ops/detection_benchmark.py).
+Делает из документов корпуса «студенческие работы» (дословная копия, лёгкий и
+сильный рерайт, плюс заведомо оригинальный текст) и прогоняет через настоящий
+путь L1. Первый замер, 05.09.2026:
+
+| Случай | Доля найденных |
+|--------|---------------:|
+| дословно | 100% |
+| лёгкий рерайт (выброшено каждое 10-е слово) | 100% |
+| сильный рерайт (каждое 3-е слово) | 0% — задача L3/L4, не L1 |
+| оригинальный текст | 0% ложных обвинений |
+
+Запускать после изменения порогов (`EXACT_FRAGMENT_THRESHOLD`), параметров
+winnowing и плотности отпечатков: без этих чисел непонятно, улучшение сделано
+или ухудшение. Ограничение замера: в выборку попадают только документы с
+реальной глубиной (>800 отпечатков) — по документам с одной аннотацией мерить
+нечего, и это само по себе показатель состояния корпуса.
+
+- **113 юнит-тестов** (pytest, per-service) на чистую логику L1-L4/скоринг/фрагменты/
   ГОСТ/библиография; инфра замокана или не нужна. Запуск: `make test`.
 - **Гейты CI**: ruff (весь Python) + mypy (доменная логика) + тесты — блокируют деплой.
   `make lint`. Хермет-раннеры в `python:3.11-slim`.
@@ -166,10 +241,45 @@
 
 ## 12. Наблюдаемость и эксплуатация
 
-- **Мониторинг**: `antiplag_monitor.py` (cron 5 мин, 7 сервисов, email-алерт при смене
-  статуса). Опционально — Prometheus+Grafana (профиль `observability`, метрики API + Flower).
+- **Мониторинг**: [`scripts/ops/antiplag_monitor.py`](../scripts/ops/antiplag_monitor.py)
+  (cron 5 мин на 1.32, email при смене статуса). Адреса берутся из прод-`.env`, а не
+  зашиты в код: прежняя версия месяц проверяла остановленный CT 108 и не видела
+  реального сервера эмбеддингов — постоянный ложный DOWN заглушал настоящие аварии.
+  Проверяются в том числе **воркеры Celery**: живой брокер ещё не значит работающую
+  систему (05.09 воркеры час простаивали при «зелёном» брокере).
+  Опционально — Prometheus+Grafana (профиль `observability`, метрики API + Flower).
 - **Бэкапы**: `pg_dump→gzip→MinIO`, cron 03:00, ротация 14. Проверка восстановления —
   `scripts/ops/pg_restore_verify.sh`. HA/DR — [DR-HA.md](DR-HA.md).
+- **Шкала загрузки источников** (админка → «Источники»): каждый запуск создаёт строку
+  `parse_runs`, воркер пишет туда прогресс раз в ~2с. Шкала считается по формуле
+  `api/app/core/progress.py`: 0→50% — выборка из источника, 50→100% — индексация в
+  базу. Раскрытая строка показывает журнал прогона (по шагам, с таймингами).
+  Кнопки «Запустить всё» / «Остановить всё» — массовый старт и кооперативная отмена
+  (флаг `cancel_requested`, воркер останавливается сам на ближайшем тике; уже
+  начатый прогон не рвём посреди записи в базу).
+- **Панель отладки** (админка → «Отладка», `GET /api/admin/debug` + `/health`):
+  один срез — доступность инфраструктуры (PostgreSQL/Redis/MinIO/ES/Ollama/
+  брокер: этот блок показывается даже когда сам срез не собирается, потому что
+  при аварии первый вопрос — что именно отвалилось),
+  живые воркеры Celery и что именно они крутят, глубина очередей RabbitMQ
+  (в т.ч. `unacked` и число потребителей), покрытие корпуса эмбеддингами,
+  активные и проблемные прогоны, зависшие прогоны (нет heartbeat >10 мин),
+  упавшие проверки за сутки и текущие бэкенды (`EMBED_BACKEND`/`LLM_BACKEND`/
+  `VECTOR_BACKEND`).
+- **Бюджет времени прогона** (`PARSER_TIME_BUDGET_S`, по умолчанию 1500с) —
+  защита от краш-лупа по `consumer_timeout` RabbitMQ, см. [DR-HA.md](DR-HA.md) §6.
+- **Покрытие L3 меряется по индексу, а не по БД.** Колонка `documents.faiss_id`
+  для этого непригодна: отметка остаётся после пересоздания индекса (смена
+  модели/размерности) и после сбоев worker-gpu. Панель отладки спрашивает
+  реальное число векторов задачей `gpu.index_stats` и отдельно предупреждает о
+  ложных отметках; чинит их
+  [`scripts/ops/faiss_reconcile.py`](../scripts/ops/faiss_reconcile.py).
+- **Добор эмбеддингов** — [`scripts/ops/reembed_missing.py`](../scripts/ops/reembed_missing.py):
+  документ попадает в корпус сразу, а вектор для L3 считает отдельная задача
+  `gpu.embed_documents`; если worker-gpu или Ollama были недоступны, эти задачи
+  теряются и документ остаётся невидимым для семантического поиска. Скрипт
+  находит `faiss_id IS NULL` и переотправляет задачи пачками (dry-run по
+  умолчанию). Покрытие видно в панели отладки.
 
 ## 13. Безопасность
 
@@ -181,9 +291,9 @@ origins. Пользователь видит только свои задачи
 
 ```
 services/         api, worker-{gpu,indexer,notifier,gost}, frontend
-scripts/          parsers/ (OpenAlex/arXiv/КиберЛенинка), ops/, deploy.sh,
-                  run_tests.sh, run_lint.sh
-infra/            nginx/, prometheus/, grafana/
+scripts/          parsers/ (OpenAlex/arXiv/PMC/КиберЛенинка), seed_*.py, ops/,
+                  deploy.sh, run_tests.sh, run_lint.sh
+infra/            nginx/, prometheus/, grafana/, singbox/ (VPN-прокси для OpenRouter)
 docs/             ARCHITECTURE.md (этот файл), DR-HA.md
 .gitea/workflows/ deploy.yml (гейт test → deploy)
 ruff.toml · mypy.ini · Makefile · docker-compose.prod.yml

docs/DIAGRAM.md

@@ -0,0 +1,113 @@
+# Схема системы
+
+Визуальная схема к [ARCHITECTURE.md](ARCHITECTURE.md) (там — полное текстовое описание).
+
+## Компоненты и потоки данных
+
+```mermaid
+flowchart TB
+    subgraph client["Клиент"]
+        FE["Frontend (React SPA)<br/>CT 102, nginx"]
+    end
+
+    subgraph app["App-хост 1.32"]
+        API["API (FastAPI)<br/>JWT · rate-limit · /metrics"]
+        MQ[("RabbitMQ .82<br/>брокер Celery")]
+
+        subgraph workers["Celery-воркеры"]
+            IDX["worker-indexer<br/>L1 Winnowing · L2 MinHash<br/>PDF/DOCX · парсеры"]
+            GPU["worker-gpu<br/>L3 семантика · L4 LLM<br/>эмбеддинги"]
+            GOST["worker-gost<br/>ГОСТ 7.1 / 7.0.5"]
+            NOTIFY["worker-notifier<br/>SMTP email"]
+        end
+
+        ES[("Elasticsearch<br/>BM25, local")]
+        VEC{{"Векторный бэкенд<br/>VECTOR_BACKEND"}}
+        FAISS["FAISS<br/>(файл, дефолт)"]
+        QDR["Qdrant<br/>(опционально)"]
+    end
+
+    subgraph shared["Общая инфраструктура"]
+        PG[("PostgreSQL 1.38<br/>users/tasks/documents/<br/>fingerprints/...")]
+        REDIS[("Redis 1.35<br/>кэш · rate-limit · LSH-индекс")]
+        MINIO[("MinIO 1.21<br/>документы · full-text · бэкапы")]
+        OLLAMA["Ollama 1.40 embedding-cpu<br/>bge-m3, эмбеддинги (L3)"]
+        OPENROUTER["OpenRouter/DeepSeek<br/>LLM L4 (опц., через singbox-proxy)"]
+        INFISICAL["Infisical .111<br/>секреты → .env на каждом деплое"]
+    end
+
+    subgraph obs["Опционально (профили compose)"]
+        PROM["Prometheus"]
+        GRAF["Grafana"]
+    end
+
+    FE -->|"HTTPS /api, /ws"| API
+    API -->|"send_task"| MQ
+    API <-->|"users/tasks"| PG
+    API <-->|"session/rate-limit"| REDIS
+
+    MQ -->|"queue.index"| IDX
+    MQ -->|"queue.gpu"| GPU
+    MQ -->|"queue.gost"| GOST
+    MQ -->|"queue.notify"| NOTIFY
+
+    IDX <-->|"documents/fingerprints"| PG
+    IDX <-->|"MinHash LSH (antiplag_lsh)"| REDIS
+    IDX <-->|"PDF/full-text"| MINIO
+    IDX --> ES
+    IDX -->|"gpu.embed_documents"| MQ
+
+    GPU <-->|"documents"| PG
+    GPU -->|"L3 эмбеддинги"| OLLAMA
+    GPU --> VEC
+    VEC --> FAISS
+    VEC -.->|"переключение флагом"| QDR
+    GPU -.->|"L4 парафраз (LLM_BACKEND)"| OLLAMA
+    GPU -.->|"L4 парафраз, опц."| OPENROUTER
+    GPU --> ES
+
+    GOST <-->|"documents"| PG
+    NOTIFY <-->|"tasks"| PG
+    NOTIFY -->|"email"| SMTP(["jze9mail.ru"])
+
+    API -->|"/metrics"| PROM
+    PROM --> GRAF
+
+    style VEC fill:#00000000,stroke-dasharray: 4 3
+    style obs fill:#00000000,stroke-dasharray: 4 3
+```
+
+## Конвейер проверки плагиата (4 уровня)
+
+```mermaid
+sequenceDiagram
+    participant U as Студент
+    participant API as API
+    participant IDX as worker-indexer
+    participant GPU as worker-gpu
+    participant LLM as Ollama/OpenRouter<br/>(LLM_BACKEND)
+
+    U->>API: upload файла
+    API->>API: сохранить в MinIO, создать Task, commit
+    API->>IDX: index.extract_and_check
+    IDX->>IDX: извлечь текст → фрагменты
+    IDX->>IDX: L1 Winnowing (fingerprints)
+    IDX->>IDX: L2 MinHash LSH (Redis)
+    IDX->>GPU: gpu.check_plagiarism (частичные совпадения)
+    loop по подозрительным фрагментам
+        GPU->>GPU: L3 семантический поиск (FAISS/Qdrant)
+        GPU->>LLM: L4 check_paraphrase
+        LLM-->>GPU: is_paraphrase, confidence
+    end
+    GPU->>GPU: app.scoring.aggregate_results (итоговый %)
+    GPU->>API: результат → Task.result
+    GPU-->>U: notify.send_task_done → email/WebSocket
+```
+
+## Легенда
+
+- Сплошные стрелки — прямые вызовы/запросы; пунктир у `VEC` — переключение бэкенда
+  по настройке `VECTOR_BACKEND`, не одновременная работа обоих. Пунктир у L4
+  (`OLLAMA`/`OPENROUTER`) — то же самое для `LLM_BACKEND`.
+- `obs` (Prometheus/Grafana) и `Qdrant` — опциональны, поднимаются под
+  `docker compose --profile qdrant|observability`, по умолчанию выключены.

docs/DR-HA.md

@@ -30,7 +30,9 @@ bash scripts/ops/pg_restore_verify.sh            # креды из .env
 2. **Replica**: `pg_basebackup -h 1.38 -U replicator -D $PGDATA -R` (создаёт
    `standby.signal` + `primary_conninfo`), затем старт — догоняет primary по WAL.
 3. **Failover**: ручной `pg_ctl promote` на реплике + переключение `POSTGRES_HOST`
-   в `.env` (или автоматизация через Patroni + etcd — если нужен авто-failover).
+   в Infisical (окружение `prod` — не в `.env` на сервере напрямую, его перезапишет
+   следующий деплой, см. ARCHITECTURE.md §10) и передеплой/рестарт сервисов
+   (или автоматизация через Patroni + etcd — если нужен авто-failover).
 4. Проверка лага: `SELECT * FROM pg_stat_replication` на primary.
 
 ## 4. HA Redis — реплика + Sentinel (требует новый LXC)
@@ -53,3 +55,47 @@ Redis у нас — кэш/rate-limits/LSH-индекс (префикс `antipla
 | Векторный индекс | было | `VECTOR_BACKEND=qdrant` снимает (см. README) ✅ |
 | RabbitMQ .82 | да | мониторинг ловит падение ✅; кластер — по потребности |
 | app/ES 1.32 | да | воркеры горизонтальны; ES single-node (для BM25 не критично) |
+| Хост Proxmox .254 | **да, широкий** | эмбеддинги вынесены на pve2 ✅; брокер/прокси/секреты — нет, см. ниже |
+
+**Гипервизор — самая широкая единая точка отказа.** На хосте `192.168.20.254`
+одновременно живут RabbitMQ (.82), Infisical (.111) и CT 102 (.253) — фронтенд
+и реверс-прокси. С 31.08.2026 эмбеддинги отсюда вынесены: сервер `embedding-cpu`
+(192.168.1.40) стоит на другом физическом хосте (pve2, .1.37), так что падение
+.254 больше не уносит с собой L3. Его падение по-прежнему снимает сразу: приём
+и обработку задач (нет брокера), деплой (нет Infisical и Gitea) и весь публичный
+доступ (нет прокси) — при том что API, PostgreSQL, MinIO и сервер эмбеддингов
+продолжают работать. Проверено на практике 2026-08-28: хост перестал
+отвечать даже на ARP, всё перечисленное отвалилось разом, данные не пострадали.
+Разнести хотя бы прокси/брокер по разным физическим хостам — самая дешёвая
+мера; пока её нет, восстановление требует физического доступа к железу.
+
+## 6. Известный операционный риск — RabbitMQ `consumer_timeout` vs долгие таски
+
+Обнаружено на практике (2026-08-26): RabbitMQ по умолчанию рвёт канал, если consumer
+не сделал ack за 1800с. Любой Celery-таск с retry-логикой (rate-limit backoff у
+парсеров, ожидание зависшего внешнего сервиса вроде Ollama), суммарно занимающий
+дольше — брокер обрывает соединение раньше, чем таск успевает сдаться и
+подтвердиться, весь Celery-процесс падает (`exitCode=1`), Docker
+(`restart: unless-stopped`) поднимает его заново, недоставленное сообщение
+передоставляется — и цикл повторяется бесконечно, монополизируя весь пул воркера
+(было и на `worker-indexer` из-за backoff `scripts/parsers/openalex.py`, и на
+`worker-gpu` из-за зависшей Ollama на прежнем embedding-gpu; на новом сервере
+эмбеддингов зависание закрыто сторожевым таймером на самой машине).
+
+Митигации (2026-08-27, сделано для `worker-indexer`):
+
+1. **Бюджет времени прогона** — `PARSER_TIME_BUDGET_S` (1500с) в
+   `worker-indexer/app/config.py`: `index.run_parser` сам останавливается раньше
+   дедлайна и помечает прогон `partial` вместо того, чтобы довести воркер до
+   падения. Остаток дозаливается повторным запуском источника.
+2. **`worker_prefetch_multiplier=1`** (`worker-indexer/app/celery_app.py`) —
+   ключевое при массовой заливке. Таймаут отсчитывается от **доставки**
+   сообщения, а не от начала выполнения: с дефолтным префетчем (4×concurrency)
+   сотни поставленных в очередь долгих `run_parser` висят unacked и убивают
+   канал на задачах, которые ещё даже не начинались.
+3. Retry-бэкоффы держим заведомо короче 1800с (`MAX_RATE_LIMIT_RETRIES` в
+   `openalex.py`).
+
+`worker-gpu` этих защит пока не имеет (там нет своих долгих retry-циклов, но
+есть зависание внешней Ollama — см. выше). Более глубокий общий фикс — поднять
+`consumer_timeout` на самом RabbitMQ (доступа для этого пока не заводили).

docs/INGESTION.md

@@ -1,11 +1,106 @@
 # Наполнение корпуса — runbook
 
-## Текущее состояние (на 2026-08-12)
+## Текущее состояние (на 2026-08-31)
 
-- ~**42K документов**, из них **99.4% английские, 0 русских** (см. `documents`).
-- Заливка **встала 2026-08-07**. Корпус — seed из ~30 английских тем OpenAlex/arXiv.
-- Для сервиса под русских студентов это главный дефект: русские работы проверять
-  не с чем.
+- **177 247 документов**, русский большинство: `ru` 99 884, `en` 77 036,
+  остальные языки — единицы/десятки. Проблема «не с чем сравнивать русские
+  работы» из более ранней версии этого документа закрыта.
+- По источникам: CyberLeninka 99 883, OpenAlex 49 276, PMC 15 010, arXiv 13 077,
+  `user_submission` (проверенные пользователями работы, не источник для сравнения
+  сами с собой — см. ARCHITECTURE.md §7) 1.
+- Повторный прогон по уже залитым источникам даёт почти одни дубли (типично
+  1490 из 1500 на источник): прирост дают только новые публикации. Реальный
+  рост корпуса — поднятый `limit` или новые темы, а не повторный запуск.
+- OpenAlex при массовом запуске упирается в лимит вежливого пула (10 req/s
+  на mailto, общий для всех воркеров) — пауза между страницами поднята до 1с.
+- Добавлен 4-й парсер — **PMC** (PubMed Central, `scripts/parsers/pmc.py`),
+  англоязычные научные статьи открытого доступа.
+- Массовое расширение по дисциплинам теперь двумя сидерами: `seed_ru_sources.py`
+  (русскоязычные, CyberLeninka/OpenAlex `lang=ru`) и **`scripts/seed_broad_corpus.py`**
+  (англоязычные — OpenAlex/arXiv/PMC по широкому списку дисциплин, добавлен позже
+  первой волны).
+- Операционный риск массовой докачки (`consumer_timeout` RabbitMQ vs долгие таски)
+  закрыт бюджетом времени прогона и `worker_prefetch_multiplier=1` — подробности
+  и почему префетч тут главный, см. [DR-HA.md](DR-HA.md) §6.
+
+### Глубина индексации — чем реально располагает детекция (замер 2026-08-28)
+
+Мерить глубину по `minio_key` (сохранён ли текст в MinIO) **нельзя**: PMC,
+например, кладёт тело статьи в отпечатки прямо при заливке, не сохраняя файл.
+Честный показатель — **число отпечатков на документ**: аннотация даёт десятки,
+полный текст — тысячи.
+
+| Источник | Документов | Глубоко (≥500 отпечатков) | Среднее отпечатков |
+|----------|-----------:|--------------------------:|-------------------:|
+| КиберЛенинка | 99 883 | 0 (0.0%) | **30** |
+| OpenAlex | 49 276 | 6 240 (12.7%) | 907 |
+| PMC | 14 910 | 14 519 (97.4%) | 2 208 |
+| arXiv | 13 077 | 12 236 (93.6%) | 4 035 |
+
+**Главная слабость — русская часть корпуса.** 56% базы (КиберЛенинка) в индексе
+представлено заголовком и аннотацией: списывание из тела русской статьи L1 не
+найдёт, хотя сервис рассчитан именно на русских студентов. Причина не в
+алгоритме: search API отдаёт только аннотацию и OCR-фрагмент (~700 символов), а
+`url` ведёт на HTML-страницу — докачка по нему бесполезна (замер: 0 из 8).
+Частично лечится `scripts/ops/backfill_cyberleninka_pdf.py`: PDF доступен прямым
+адресом `{url}/pdf` (проверено: 44 из 50, в среднем 23 тыс. символов, глубина
+30 → ~1450 отпечатков).
+
+**Но массовый прогон упирается в защиту сайта.** Замер 2026-08-28: первые ~130
+статей скачались штатно, дальше КиберЛенинка перестала отдавать PDF и начала
+возвращать HTML-заглушку ~5.7 КБ — счётчик успехов замер на 122, скрипт работал
+вхолостую. Расчёт «48 часов на 100 тысяч при 1 req/s» этим опровергнут. Чтобы
+углубить русскую часть корпуса, нужен другой подход: заметно большие паузы,
+разные исходящие адреса или договорённость с источником.
+
+Покрытие L3: 60 993 документа числились векторизованными ошибочно — отметки
+сброшены `faiss_reconcile.py`, после чего 31.08 запущен пересчёт всех 84 094
+документов без вектора. Считает новый сервер эмбеддингов (192.168.1.40,
+3.6 док/с против 2.2 у прежнего), полный проход занимает около 6.5 часов.
+
+### Источники русского текста — что проверено (31.08.2026)
+
+| Источник | Объём | Годен для массовой заливки |
+|----------|-------|----------------------------|
+| **Википедия ru** | дамп 5.6 ГБ, ~2 млн статей | **да** — тип источника `wikipedia_ru`, ~919 отпечатков на статью. Дамп качается заранее (Wikimedia отдаёт 403 без осмысленного User-Agent и рвёт долгие потоковые соединения) |
+| КиберЛенинка | ~3 млн статей | нет — блокирует выкачку PDF после ~130 запросов |
+| OpenAlex `language:ru` + OA | заявлено 395 410 | практически нет — по прямым `pdf_url` скачалось 2 из 10 (остальное 403 издателей), а метка языка ненадёжна: в выдаче попадаются англоязычные журналы |
+| eLIBRARY.RU (РИНЦ) | ~40 млн | только по договору, публичной выгрузки нет |
+| Math-Net.Ru | российские матжурналы | архив отдаёт 403 |
+| НЭБ, BASE, вузовские DSpace | — | открыты, механизм выгрузки не проверялся |
+
+Википедия формально не научный источник, но студенты копируют из неё чаще всего,
+а по объёму связного русского текста ей нет альтернативы среди доступного.
+
+### Массовые источники — тот же конвейер, что и обычные
+
+Постраничные API дают 1-2 статьи в секунду и упираются в rate limit — миллионы
+так не залить. Для объёма есть два типа источника, которые читают дамп или
+бакет потоком:
+
+| Тип | Откуда | Особенность |
+|-----|--------|-------------|
+| `wikipedia_ru` | локальный дамп `scripts/parsers/ruwiki.xml.bz2` | позиция продолжения — номер статьи в дампе |
+| `pmc_bulk` | бакет `pmc-oa-opendata` (открыт, ключ не нужен) | позиция — токен страницы бакета; у каждой статьи готовый извлечённый текст |
+
+Заводятся и запускаются они как любой другой источник — через админку, и точно
+так же показывают шкалу, журнал и кнопку остановки. Отличия внутри:
+
+- парсер отдаёт **генератор**, а не список: миллионы статей в память не влезут;
+- запись идёт пачками через `COPY` (`worker-indexer/app/bulk_writer.py`) —
+  построчная вставка даёт 6.7 тыс. строк/с против 21 тыс. у COPY, а миллион
+  статей это ~2 млрд отпечатков;
+- **эмбеддинги при заливке не считаются**: они медленнее заливки и сделали бы её
+  узким местом. L1 и L2 работают сразу, векторы досчитываются потом
+  (`scripts/ops/reembed_missing.py`);
+- позиция продолжения хранится в `parse_sources.resume_token`, поэтому источник
+  запускается повторно до исчерпания — каждый прогон берёт следующую порцию и
+  укладывается в бюджет времени таска.
+
+Планировать объём: 1 млн статей ≈ 2 млрд отпечатков ≈ 200 ГБ в базе с индексами.
+При таком росте индексы перестают помещаться в память сервера БД — проверено на
+практике: поиск L1 деградировал с 31 мс до 484 мс, пока не увеличили RAM и
+`shared_buffers` (см. DR-HA.md).
 
 ## Что подготовлено
 
@@ -20,17 +115,52 @@
 ## Запуск русской заливки
 
 ```bash
-# 1. (на app-хосте / в контейнере worker-indexer, где есть psycopg2 и прод-.env)
+# 1. (на app-хосте / в контейнере worker-indexer, где есть psycopg2 и прод-.env
+#    — .env на проде теперь генерируется из Infisical на каждом деплое, см.
+#    ARCHITECTURE.md §10, руками его не редактировать)
 #    Посмотреть план:
 python scripts/seed_ru_sources.py
 #    Создать источники в parse_sources (лимит на дисциплину):
 python scripts/seed_ru_sources.py --apply --limit 500
 
 # 2. Проверить пару источников на темпе/качестве, затем запустить заливку:
-#    • Админ-панель → «Источники» → «Запустить», ЛИБО
+#    • Админ-панель → «Источники» → «Запустить» (или «Запустить всё»), ЛИБО
 #    • Celery: index.run_parser.delay(source_id) по каждому id
 ```
 
+## Управление заливкой из админки
+
+Всё, что ниже, доступно на странице «Источники» — CLI для этого больше не нужен:
+
+- **Шкала загрузки** у каждого источника: стадия (выборка → индексация), сколько
+  получено из скольки, сколько добавлено/дублей/ошибок. Раскрытая строка —
+  журнал прогона по шагам с таймингами (таблица `parse_runs`).
+- **«Запустить всё»** — прогон по всем включённым источникам; уже идущие
+  пропускаются. **«Остановить всё»** и остановка по одному — кооперативная
+  отмена: воркер останавливается сам на ближайшем тике, не обрывая запись в базу.
+- **Пакетное добавление** — один тип источника + список тем (по строке),
+  опционально с немедленным запуском. Заменяет `seed_*.py` для разовых расширений.
+- **Загрузка работ в базу** — PDF/DOCX/TXT прямо в корпус сравнения
+  (`index.ingest_upload`, `source=manual_upload`), минуя проверку и отстойник.
+- **Страница «Отладка»** — очереди, воркеры, покрытие эмбеддингами, зависшие и
+  упавшие прогоны (см. ARCHITECTURE.md §12).
+
+После большой заливки — свериться с покрытием L3 (панель отладки, «Векторов в
+индексе»). Порядок именно такой, из двух шагов:
+
+1. `scripts/ops/faiss_reconcile.py` (в контейнере worker-gpu) — сверяет отметки
+   `faiss_id` с реальным содержимым индекса и обнуляет ложные. Без этого шага
+   документы, потерявшие вектор при пересоздании индекса, не попадут на
+   пересчёт: они всё ещё «отмечены».
+2. `scripts/ops/reembed_missing.py` (в контейнере worker-indexer) — отправляет
+   `gpu.embed_documents` для всех `faiss_id IS NULL`.
+
+Оба по умолчанию dry-run, отправляют/меняют только с `--apply`.
+
+Прогон со статусом `partial` — это не ошибка: сработал бюджет времени
+(`PARSER_TIME_BUDGET_S`, 1500с), заливка остановилась раньше `consumer_timeout`
+RabbitMQ. Остаток добирается повторным запуском источника.
+
 Заливка сама: fetch (rate-limit 1 req/s) → `add_document` (дедуп по `ext_id`,
 fingerprints L1, MinHash L2) → батч-эмбеддинги `gpu.embed_documents` (L3). ~30 тем ×
 500 ≈ 15K русских документов на первый заход.
@@ -46,7 +176,11 @@ SELECT source, count(*) FROM documents WHERE source='cyberleninka';   -- > 0
 
 - Больше тем + выше `--limit`; добавить OpenAlex `lang=ru` (качество ниже — англ.
   заголовки с меткой ru).
-- Для миллионов — **bulk** (снапшот OpenAlex на S3), а не постраничный API.
+- Для миллионов — **bulk**, а не постраничный API. Снапшот OpenAlex для этого не
+  годится: там только метаданные, а миллионы аннотаций детекции не дают (см.
+  провал КиберЛенинки выше). Рабочий источник полных текстов — бакет
+  `pmc-oa-opendata`, см. «Массовая заливка» выше.
 - На масштабе обязателен `VECTOR_BACKEND=qdrant` (FAISS flat не тянет), а таблица
-  `fingerprints` (уже ~29M строк на 42K доков) потребует партиционирования. См.
+  `fingerprints` (уже ~113M строк на 177K доков — партиционирование стоит планировать
+  заранее, не постфактум) потребует партиционирования. См.
   [ARCHITECTURE.md](ARCHITECTURE.md) и [DR-HA.md](DR-HA.md).

infra/singbox/config.json.example

@@ -0,0 +1,39 @@
+{
+  "log": {
+    "level": "warn"
+  },
+  "inbounds": [
+    {
+      "type": "socks",
+      "tag": "socks-in",
+      "listen": "0.0.0.0",
+      "listen_port": 1080
+    }
+  ],
+  "outbounds": [
+    {
+      "type": "vless",
+      "tag": "proxy-out",
+      "server": "CHANGE_ME.example.com",
+      "server_port": 443,
+      "uuid": "CHANGE_ME-uuid",
+      "packet_encoding": "xudp",
+      "tls": {
+        "enabled": true,
+        "server_name": "CHANGE_ME.example.com",
+        "alpn": ["http/1.1"],
+        "utls": {
+          "enabled": true,
+          "fingerprint": "chrome"
+        }
+      },
+      "transport": {
+        "type": "ws",
+        "path": "/api/stream"
+      }
+    }
+  ],
+  "route": {
+    "final": "proxy-out"
+  }
+}

scripts/backfill_cyberleninka_fulltext.py

@@ -0,0 +1,143 @@
+#!/usr/bin/env python3
+"""Бэкфилл full_text для уже залитых документов CyberLeninka из OCR-фрагментов.
+
+Парсер (scripts/parsers/cyberleninka.py) раньше игнорировал поле "ocr" в ответе
+поиска (список OCR-фрагментов текста статьи) — full_text всегда был None, и
+Winnowing-отпечатки (L1) считались по короткой аннотации. Это исправлено для
+НОВЫХ документов; этот скрипт досчитывает уже существующие.
+
+Алгоритм: для каждой ранее засеянной cyberleninka-темы (parse_sources) —
+переспросить search API (тот же query/limit — переспрос идемпотентен и не бьёт
+по документу дважды), сматчить raw-статьи с уже существующими documents по
+ext_id, и там где full_text ещё не сохранён (minio_key IS NULL):
+  1. пересчитать fingerprints по full_text (заменить провизорные из annotation);
+  2. сохранить full_text в MinIO (тот же путь, что enrich_full_text: corpus/{id}.txt);
+  3. проставить documents.minio_key.
+
+Не трогает faiss_id/эмбеддинги (embed_documents использует title+abstract, не
+full_text — пересчитывать нечего). Идемпотентно: документы с уже проставленным
+minio_key пропускаются.
+
+Запуск:
+    python scripts/backfill_cyberleninka_fulltext.py            # dry-run (посчитать)
+    python scripts/backfill_cyberleninka_fulltext.py --apply    # применить
+"""
+
+import argparse
+import io
+import os
+import sys
+from pathlib import Path
+
+sys.path.insert(0, str(Path(__file__).resolve().parent / "parsers"))
+sys.path.insert(0, str(Path(__file__).resolve().parent.parent
+                        / "services" / "worker-indexer" / "app" / "algorithms"))
+
+
+def _load_env() -> None:
+    env = Path(__file__).resolve().parent.parent / ".env"
+    if not env.exists():
+        return
+    for line in env.read_text(encoding="utf-8").splitlines():
+        line = line.strip()
+        if not line or line.startswith("#") or "=" not in line:
+            continue
+        k, _, v = line.partition("=")
+        os.environ.setdefault(k.strip(), v.strip())
+
+
+def _pg_dsn() -> dict:
+    return {
+        "host": os.environ["POSTGRES_HOST"], "port": int(os.environ.get("POSTGRES_PORT", "5432")),
+        "dbname": os.environ["POSTGRES_DB"], "user": os.environ["POSTGRES_USER"],
+        "password": os.environ["POSTGRES_PASSWORD"],
+    }
+
+
+MAX_FP = 20000
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true")
+    args = ap.parse_args()
+
+    _load_env()
+    import psycopg2
+    from cyberleninka import CyberLeninkaParser
+    from minio import Minio
+    from winnowing import winnow
+
+    conn = psycopg2.connect(**_pg_dsn())
+    minio = Minio(
+        os.environ["MINIO_ENDPOINT"],
+        access_key=os.environ["MINIO_ACCESS_KEY"], secret_key=os.environ["MINIO_SECRET_KEY"],
+        secure=False,
+    )
+    bucket = os.environ.get("MINIO_BUCKET_DOCS", "documents")
+
+    with conn.cursor() as cur:
+        cur.execute(
+            "SELECT id, query, \"limit\" FROM parse_sources "
+            "WHERE source_type='cyberleninka' AND last_status='done' ORDER BY id"
+        )
+        topics = cur.fetchall()
+
+    print(f"Тем CyberLeninka к обработке: {len(topics)}")
+    parser = CyberLeninkaParser()
+    matched = updated = no_ocr = not_found = already_done = 0
+
+    for _sid, query, limit in topics:
+        raws = list(parser.fetch(query=query or "", limit=limit))
+        for raw in raws:
+            d = parser.transform(raw)
+            if not (d and d.get("ext_id")):
+                continue
+            with conn.cursor() as cur:
+                cur.execute(
+                    "SELECT id, minio_key FROM documents WHERE ext_id=%s AND source='cyberleninka'",
+                    (d["ext_id"],),
+                )
+                row = cur.fetchone()
+            if not row:
+                not_found += 1
+                continue
+            doc_id, minio_key = row
+            matched += 1
+            if minio_key:
+                already_done += 1
+                continue
+            if not d.get("full_text"):
+                no_ocr += 1
+                continue
+
+            if args.apply:
+                text = d["full_text"]
+                key = f"corpus/{doc_id}.txt"
+                data = text.encode("utf-8")
+                minio.put_object(bucket, key, io.BytesIO(data), length=len(data),
+                                  content_type="text/plain; charset=utf-8")
+
+                hashes = list(winnow(text))[:MAX_FP]
+                with conn.cursor() as cur:
+                    cur.execute("DELETE FROM fingerprints WHERE doc_id=%s", (doc_id,))
+                    if hashes:
+                        from psycopg2.extras import execute_values
+                        execute_values(
+                            cur, "INSERT INTO fingerprints (doc_id,hash_value,position) VALUES %s",
+                            [(doc_id, h, i) for i, h in enumerate(hashes)],
+                        )
+                    cur.execute("UPDATE documents SET minio_key=%s WHERE id=%s", (key, doc_id))
+                conn.commit()
+            updated += 1
+        print(f"  {(query or '')[:32]:32} raw={len(raws):4} | обновлено всего={updated}", flush=True)
+
+    print(f"\nИТОГ: сматчено={matched} обновлено={updated} "
+          f"уже_было={already_done} без_ocr={no_ocr} не_найдено={not_found}"
+          f"{' [DRY-RUN — ничего не записано, добавьте --apply]' if not args.apply else ''}")
+    conn.close()
+
+
+if __name__ == "__main__":
+    main()

scripts/deploy.sh

@@ -5,7 +5,10 @@
 # Запускается Gitea Actions runner'ом в host-режиме прямо на app-хосте 1.32
 # (см. .gitea/workflows/deploy.yml). Ожидает:
 #   - cwd = ПОЛНЫЙ чекаут репозитория (нужен git-лог для diff);
-#   - переменную PVE_PASSWORD (секрет) для доступа к Proxmox-хосту → CT 102.
+#   - переменную PVE_PASSWORD (секрет) для доступа к Proxmox-хосту → CT 102;
+#   - INFISICAL_CLIENT_ID / INFISICAL_CLIENT_SECRET (Machine Identity
+#     "claude-ai", Universal Auth) — .env на проде теперь генерируется из
+#     Infisical (prod) на каждом деплое, а не правится руками на сервере.
 #
 # Пересобирается только то, чей код изменился с прошлого деплоя (маркер SHA в
 # $APP/.last_deploy_sha). Это критично: worker-gpu тянет torch/faiss (~2 ГБ),
@@ -40,6 +43,7 @@ fi
 
 REBUILD=""
 FRONTEND_CHANGED=0
+PARSERS_CHANGED=0
 if [ "$FULL" = 1 ]; then
   REBUILD="$ALL_BACKEND"
   FRONTEND_CHANGED=1
@@ -48,10 +52,50 @@ else
     echo "$CHANGED" | grep -qE "^services/$svc/" && REBUILD="$REBUILD $svc"
   done
   echo "$CHANGED" | grep -qE '^services/frontend/' && FRONTEND_CHANGED=1
+  # Парсеры не вшиты в образ, а смонтированы в worker-indexer (см. compose),
+  # поэтому пересобирать нечего. Но процесс воркера держит модуль парсера в
+  # памяти с прошлого прогона: без перезапуска правка молча не применяется —
+  # заливка продолжает ходить по старому коду, и это не видно ниоткуда, кроме
+  # тела запросов в логах. Ловилось на CORE 16.09.2026.
+  echo "$CHANGED" | grep -qE '^scripts/parsers/' && PARSERS_CHANGED=1
 fi
 REBUILD="$(echo "$REBUILD" | xargs || true)"
 
-echo "==> [1/5] Синхронизация кода в $APP (сохраняя .env и compose)"
+echo "==> [1/6] Секреты из Infisical (prod) → .env"
+INFISICAL_BIN="$APP/.infisical-cli"
+if [ ! -x "$INFISICAL_BIN" ]; then
+  echo "    ставлю infisical CLI (разово)"
+  curl -sSL -o /tmp/infisical-cli.tar.gz \
+    "https://github.com/Infisical/infisical/releases/download/infisical-cli%2Fv0.31.1/infisical_0.31.1_linux_amd64.tar.gz"
+  tar xzf /tmp/infisical-cli.tar.gz -C /tmp infisical
+  mv /tmp/infisical "$INFISICAL_BIN"
+  rm -f /tmp/infisical-cli.tar.gz
+fi
+
+INFISICAL_DOMAIN=https://infisical.jze9.ru/api
+INFISICAL_PROJECT_ID=a2e7505e-573f-43e9-872b-4ed7a6bed7b8
+INFISICAL_TOKEN="$("$INFISICAL_BIN" login --method=universal-auth \
+  --client-id="${INFISICAL_CLIENT_ID:?INFISICAL_CLIENT_ID не задан}" \
+  --client-secret="${INFISICAL_CLIENT_SECRET:?INFISICAL_CLIENT_SECRET не задан}" \
+  --domain="$INFISICAL_DOMAIN" --plain --silent)"
+
+TMP_ENV="$(mktemp)"
+"$INFISICAL_BIN" export --token="$INFISICAL_TOKEN" --domain="$INFISICAL_DOMAIN" \
+  --projectId="$INFISICAL_PROJECT_ID" --env=prod --format=dotenv --expand=false \
+  --silent > "$TMP_ENV"
+
+# Не затирать рабочий .env, если Infisical вернул мало строк (недоступен/пуст) —
+# иначе следующий шаг раскатит прод с пустым конфигом.
+ENV_LINES="$(grep -cE '^[A-Za-z_][A-Za-z0-9_]*=' "$TMP_ENV" || true)"
+if [ "$ENV_LINES" -lt 20 ]; then
+  echo "ОШИБКА: Infisical export вернул только $ENV_LINES строк (ожидалось ~38) — сервис недоступен или пуст. Деплой прерван, .env на проде не тронут."
+  rm -f "$TMP_ENV"
+  exit 1
+fi
+mv "$TMP_ENV" "$APP/.env"
+echo "    OK: $ENV_LINES секретов"
+
+echo "==> [2/6] Синхронизация кода в $APP (сохраняя .env и compose)"
 rsync -a \
   --exclude='__pycache__/' --exclude='*.pyc' --exclude='.pytest_cache/' \
   --exclude='node_modules/' --exclude='dist/' \
@@ -59,25 +103,40 @@ rsync -a \
 
 cd "$APP"
 if [ -n "$REBUILD" ]; then
-  echo "==> [2/5] Пересборка и перезапуск: $REBUILD"
+  echo "==> [3/6] Пересборка и перезапуск: $REBUILD"
   # shellcheck disable=SC2086
   $COMPOSE up -d --build $REBUILD
 else
-  echo "==> [2/5] Бэкенд-сервисы не менялись — пропуск сборки"
+  echo "==> [3/6] Бэкенд-сервисы не менялись — пропуск сборки"
 fi
 
-echo "==> [3/5] Миграции БД (с ретраем)"
+# Секреты в .env могли поменяться без изменения кода (правка в Infisical) —
+# docker compose сам не пересоздаст контейнер, чей env_file изменился, если
+# просто повторно не позвать up -d. Дёшево и идемпотентно: compose пересоздаёт
+# только контейнеры с реально изменившимся конфигом, остальные не трогает.
+echo "==> [4/6] Применение секретов к неизменившимся сервисам (если менялись)"
+# shellcheck disable=SC2086
+$COMPOSE up -d $ALL_BACKEND
+
+# Правка парсера доезжает монтированием, но модуль уже загружен в память
+# воркера — перезапускаем, если образ и так не пересобирался выше.
+if [ "$PARSERS_CHANGED" = 1 ] && ! echo " $REBUILD " | grep -q " worker-indexer "; then
+  echo "==> [4.5/6] Парсеры менялись — перезапуск worker-indexer"
+  $COMPOSE restart worker-indexer
+fi
+
+echo "==> [5/6] Миграции БД (с ретраем)"
 for i in $(seq 1 10); do
   $COMPOSE exec -T api alembic upgrade head && break
   echo "    api ещё не готов, повтор $i/10..."; sleep 5
 done
 
 if [ "$FRONTEND_CHANGED" = 1 ]; then
-  echo "==> [4/5] Сборка фронтенда"
+  echo "==> [6/6] Сборка фронтенда"
   docker run --rm -v "$APP/services/frontend":/app -w /app node:20-slim \
     sh -c "npm install --no-audit --no-fund --loglevel=error && npm run build"
 
-  echo "==> [5/5] Выкладка статики на CT 102 (через $PVE_HOST)"
+  echo "==> [6/6] Выкладка статики на CT 102 (через $PVE_HOST)"
   cd "$APP/services/frontend/dist"
   tar czf /tmp/academic-dist.tgz .
   export SSHPASS="${PVE_PASSWORD:?PVE_PASSWORD не задан}"
@@ -102,7 +161,7 @@ rm -f /tmp/academic-dist.tgz
 REMOTE
   rm -f /tmp/academic-dist.tgz
 else
-  echo "==> [4-5/5] Фронтенд не менялся — пропуск сборки и выкладки"
+  echo "==> [6/6] Фронтенд не менялся — пропуск сборки и выкладки"
 fi
 
 echo "$CUR_SHA" > "$MARKER"

scripts/ops/antiplag_monitor.py

@@ -0,0 +1,204 @@
+#!/usr/bin/env python3
+"""Health-монитор anti-plagiarism: письмо при СМЕНЕ статуса сервиса, без спама.
+
+Запускается по cron на app-хосте (1.32) каждые 5 минут:
+    */5 * * * * /usr/bin/python3 /home/user/antiplag_monitor.py >> ~/.antiplag-monitor/run.log 2>&1
+
+Живёт в репозитории намеренно: прошлая версия лежала только на сервере, ничем
+не версионировалась и месяц проверяла топологию, которой уже нет — вечный
+ложный DOWN на остановленном CT 108 и полная слепота к реальному серверу
+эмбеддингов. Постоянный ложный сигнал хуже отсутствия сигнала: на его фоне
+теряется настоящая авария.
+
+Что проверяется и почему именно это:
+- API, PostgreSQL, Redis, RabbitMQ, MinIO, Elasticsearch — без них сервис не
+  принимает и не обрабатывает работы;
+- Ollama на 1.40 — эмбеддинги для L3 (адрес брать из .env, а не хардкодить:
+  он уже дважды переезжал);
+- воркеры Celery — самое важное дополнение: 05.09 брокер лежал час, воркеры
+  молчали, а прежний монитор рапортовал, что всё хорошо, потому что смотрел
+  только на TCP-порты.
+
+OpenRouter (L4) намеренно не проверяется: это внешний сервис за VPN-прокси, его
+недоступность не ломает основную проверку — L4 лишь уточняет вердикт.
+"""
+
+import json
+import os
+import smtplib
+import socket
+import ssl
+import subprocess
+import urllib.request
+from datetime import datetime
+from email.mime.text import MIMEText
+
+APP_DIR = os.environ.get("APP_DIR", "/home/user/anti-plagiarism")
+STATE_FILE = os.path.expanduser("~/.antiplag-monitor/state.json")
+
+SMTP_HOST, SMTP_PORT = "mail.jze9mail.ru", 587
+SMTP_USER = os.environ.get("MONITOR_SMTP_USER", "noreply")
+SMTP_PASS = os.environ.get("MONITOR_SMTP_PASS", "kGy3vgt6EuiUBMNDmV01Ng")
+SMTP_FROM = "noreply@jze9mail.ru"
+ALERT_TO = os.environ.get("MONITOR_ALERT_TO", "jze9programer@gmail.com")
+
+
+def env_value(key: str, default: str = "") -> str:
+    """Значение из прод-.env (он генерируется из Infisical на каждом деплое).
+
+    Адреса инфраструктуры читаем оттуда, а не хардкодим: сервер эмбеддингов уже
+    переезжал дважды, и монитор каждый раз оставался со старым адресом.
+    """
+    path = os.path.join(APP_DIR, ".env")
+    try:
+        with open(path, encoding="utf-8") as fh:
+            for line in fh:
+                line = line.strip()
+                if line.startswith(f"{key}="):
+                    return line.split("=", 1)[1].strip().strip("'\"")
+    except Exception:
+        pass
+    return default
+
+
+def host_port_from_url(url: str, default_port: int) -> tuple[str, int]:
+    """Разобрать URL в пару (host, port), отбросив логин с паролем.
+
+    В REDIS_URL и RABBITMQ_URL креды идут перед адресом
+    (`redis://:пароль@host:port/0`), и без их отсечения разбор падает.
+    """
+    rest = url.split("//", 1)[-1].split("/", 1)[0]
+    rest = rest.rpartition("@")[2] or rest
+    if ":" in rest:
+        host, _, port = rest.partition(":")
+        return host, int(port or default_port)
+    return rest, default_port
+
+
+def check_tcp(host: str, port: int) -> bool:
+    try:
+        with socket.create_connection((host, port), timeout=5):
+            return True
+    except Exception:
+        return False
+
+
+def check_http(url: str) -> bool:
+    try:
+        with urllib.request.urlopen(url, timeout=8) as r:
+            return r.status == 200
+    except Exception:
+        return False
+
+
+def check_in_api_container(command: str) -> bool:
+    """Проверка изнутри контейнера — так же, как это видит приложение."""
+    try:
+        out = subprocess.run(
+            ["docker", "exec", "antiplagiator-api", "sh", "-c", command],
+            capture_output=True, text=True, timeout=20,
+        )
+        return out.stdout.strip() == "200"
+    except Exception:
+        return False
+
+
+def check_celery_workers() -> bool:
+    """Отвечают ли воркеры на ping.
+
+    Живой брокер ещё не значит работающую систему: воркер может не суметь к
+    нему подключиться и молча простаивать — именно так и было 05.09.
+    """
+    try:
+        out = subprocess.run(
+            ["docker", "exec", "antiplagiator-api", "python", "-c",
+             "from app.core.celery_app import celery_app;"
+             "print(len(celery_app.control.inspect(timeout=5).ping() or {}))"],
+            capture_output=True, text=True, timeout=30,
+        )
+        return int(out.stdout.strip() or 0) >= 4      # api ждёт 4 воркера
+    except Exception:
+        return False
+
+
+def build_checks() -> list[tuple[str, callable]]:
+    """Список проверок; адреса — из прод-.env, чтобы не разъезжаться с реальностью."""
+    pg_host = env_value("POSTGRES_HOST", "192.168.1.38")
+    redis_host, redis_port = host_port_from_url(
+        env_value("REDIS_URL", "redis://192.168.1.35:6379/0"), 6379)
+    minio_host, minio_port = host_port_from_url(
+        "http://" + env_value("MINIO_ENDPOINT", "192.168.1.21:9000"), 9000)
+    ollama_url = env_value("OLLAMA_URL", "http://192.168.1.40:11434")
+
+    rabbit_host, rabbit_port = host_port_from_url(
+        env_value("RABBITMQ_URL", "amqp://guest:guest@192.168.20.82:5672/"), 5672)
+
+    return [
+        ("API", lambda: check_http("http://localhost:8000/health")),
+        ("PostgreSQL", lambda: check_tcp(pg_host, 5432)),
+        ("Redis", lambda: check_tcp(redis_host, redis_port)),
+        ("RabbitMQ", lambda: check_tcp(rabbit_host, rabbit_port)),
+        ("MinIO", lambda: check_tcp(minio_host, minio_port)),
+        ("Elasticsearch", lambda: check_in_api_container(
+            "curl -s -o /dev/null -w '%{http_code}' http://elasticsearch:9200")),
+        ("Embeddings", lambda: check_http(f"{ollama_url}/api/version")),
+        ("CeleryWorkers", check_celery_workers),
+    ]
+
+
+def send_alert(subject: str, body: str) -> None:
+    msg = MIMEText(body, "plain", "utf-8")
+    msg["Subject"] = subject
+    msg["From"] = SMTP_FROM
+    msg["To"] = ALERT_TO
+    ctx = ssl.create_default_context()
+    with smtplib.SMTP(SMTP_HOST, SMTP_PORT, timeout=25) as s:
+        s.ehlo()
+        s.starttls(context=ctx)
+        s.ehlo()
+        s.login(SMTP_USER, SMTP_PASS)
+        s.send_message(msg)
+
+
+def main() -> None:
+    results = {name: fn() for name, fn in build_checks()}
+
+    prev: dict = {}
+    if os.path.exists(STATE_FILE):
+        try:
+            with open(STATE_FILE) as fh:
+                prev = json.load(fh)
+        except Exception:
+            prev = {}
+
+    changes = []
+    for name, ok in results.items():
+        was = prev.get(name, True)          # первый запуск считаем нормой
+        if was and not ok:
+            changes.append(f"УПАЛ: {name}")
+        elif not was and ok:
+            changes.append(f"восстановился: {name}")
+
+    if changes:
+        ts = datetime.now().strftime("%Y-%m-%d %H:%M")
+        status = "\n".join(f"  {'OK  ' if v else 'DOWN'}  {k}" for k, v in results.items())
+        body = (f"Изменения статуса сервисов anti-plagiarism ({ts}):\n\n"
+                + "\n".join(changes) + "\n\nТекущий статус:\n" + status)
+        subject = f"[anti-plagiarism] {changes[0]}"
+        if len(changes) > 1:
+            subject += f" (+{len(changes) - 1})"
+        try:
+            send_alert(subject, body)
+        except Exception as e:
+            print(f"не удалось отправить алерт: {e}")
+
+    os.makedirs(os.path.dirname(STATE_FILE), exist_ok=True)
+    with open(STATE_FILE, "w") as fh:
+        json.dump(results, fh)
+
+    line = " ".join(f"{k}={'OK' if v else 'DOWN'}" for k, v in results.items())
+    print(datetime.now().strftime("%H:%M"), "|", line)
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/backfill_cyberleninka_pdf.py

@@ -0,0 +1,112 @@
+#!/usr/bin/env python3
+"""Углубить индексацию КиберЛенинки: скачать PDF статей и переиндексировать по ним.
+
+Самая большая слабость корпуса (замер 2026-08-28): 99 883 документа
+КиберЛенинки — 56% всей базы — имеют в среднем 30 отпечатков. Это заголовок с
+аннотацией, тела статьи в индексе нет. Списывание из русской статьи система
+не найдёт, хотя сервис рассчитан именно на русских студентов.
+
+Причина: search API отдаёт только аннотацию и короткий OCR-фрагмент (~700
+символов), а `url` ведёт на HTML-страницу — докачка по нему бесполезна
+(замер: 0 из 8). Зато PDF доступен прямым адресом `{url}/pdf` и извлекается:
+проверка на 4 статьях дала 13-40 тыс. символов у трёх, у одной 0 (скан без
+текстового слоя — такие пропускаем).
+
+Дальше — общий путь `store_full_text`: MinIO + пересчёт отпечатков L1 по
+полному тексту + обновление MinHash LSH (L2).
+
+Масштаб полного прогона: ~28 часов при вежливом 1 req/s, порядка +300 млн строк
+в fingerprints (~30 ГБ). Запускать в фоне (nohup) и следить за местом на БД.
+
+Запуск (в контейнере worker-indexer):
+    cd /home/user/anti-plagiarism
+    C="docker compose -f docker-compose.prod.yml exec -T worker-indexer python -"
+    $C < scripts/ops/backfill_cyberleninka_pdf.py                    # dry-run
+    $C --apply --limit 50 < scripts/ops/backfill_cyberleninka_pdf.py # пробная порция
+    $C --apply < scripts/ops/backfill_cyberleninka_pdf.py            # всё (сутки)
+
+Идемпотентно: документы с уже проставленным minio_key пропускаются, так что
+прерванный прогон продолжается с того же места.
+"""
+
+import argparse
+import time
+
+RATE_LIMIT_DELAY = 1.0     # КиберЛенинка не любит частых запросов
+MIN_USEFUL_CHARS = 1500    # меньше — скан без текстового слоя либо обрывок
+MAX_PDF_BYTES = 30 * 1024 * 1024
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true", help="реально качать и сохранять")
+    ap.add_argument("--limit", type=int, default=0, help="взять не больше N документов (0 = все)")
+    args = ap.parse_args()
+
+    import httpx
+    from app.db import db_session
+    from app.extractors.pdf import extract_text_from_pdf
+    from app.tasks.index import store_full_text
+    from sqlalchemy import text
+
+    with db_session() as s:
+        sql = """
+            SELECT id, url FROM documents
+            WHERE source = 'cyberleninka' AND minio_key IS NULL AND url IS NOT NULL
+            ORDER BY id
+        """
+        if args.limit:
+            sql += f" LIMIT {int(args.limit)}"
+        rows = s.execute(text(sql)).all()
+
+    print(f"документов КиберЛенинки без полного текста: {len(rows)}")
+    if not rows:
+        return
+    if not args.apply:
+        print(f"[dry-run] пример: {rows[0][1]}/pdf")
+        print(f"оценка полного прогона: ~{len(rows) * RATE_LIMIT_DELAY / 3600:.1f} ч, "
+              f"~{len(rows) * 3000 / 1e6:.0f} млн строк отпечатков")
+        print("Запустите с --apply (сначала --limit 50).")
+        return
+
+    client = httpx.Client(
+        timeout=30, follow_redirects=True,
+        headers={"User-Agent": "Mozilla/5.0 (compatible; AcademicHelper/1.0; +noreply@jze9.ru)"},
+    )
+    done = no_text = failed = 0
+    chars_total = 0
+    t0 = time.time()
+
+    for n, (doc_id, url) in enumerate(rows, 1):
+        try:
+            resp = client.get(url.rstrip("/") + "/pdf")
+            if resp.status_code != 200 or "pdf" not in resp.headers.get("content-type", "").lower() or len(resp.content) > MAX_PDF_BYTES:
+                no_text += 1
+            else:
+                body = extract_text_from_pdf(resp.content)
+                if len(body) < MIN_USEFUL_CHARS:
+                    no_text += 1          # скан без текстового слоя
+                else:
+                    store_full_text(doc_id, body)
+                    done += 1
+                    chars_total += len(body)
+        except Exception as e:
+            failed += 1
+            if failed <= 5:
+                print(f"  doc {doc_id}: {type(e).__name__}: {str(e)[:80]}")
+
+        if n % 25 == 0:
+            el = time.time() - t0
+            print(f"  {n}/{len(rows)} · углублено {done} · без текста {no_text} · "
+                  f"ошибок {failed} · {n / el:.2f} док/с · осталось ~{(len(rows) - n) / max(n / el, 0.01) / 3600:.1f} ч",
+                  flush=True)
+        time.sleep(RATE_LIMIT_DELAY)
+
+    avg = chars_total // done if done else 0
+    print(f"\nГотово за {(time.time() - t0) / 60:.1f} мин: углублено {done}, "
+          f"без текстового слоя {no_text}, ошибок {failed}, средний объём {avg} симв.")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/backfill_pmc_fulltext.py

@@ -0,0 +1,124 @@
+#!/usr/bin/env python3
+"""Бэкфилл полного текста для уже залитых документов PMC.
+
+Зачем: PMC отдаёт тело статьи прямо в ответе efetch (40-50 тыс. символов), но
+документы, залитые до включения сохранения full_text, остались в базе с одной
+аннотацией — L1 сравнивает по ней и не видит тело статьи. Докачка PDF по url
+здесь не работает: ссылка ведёт на HTML-страницу NCBI (замер: 0 из 8). Поэтому
+текст берём тем же путём, что и парсер, — через API.
+
+Замер на проде 2026-08-28: 12 368 документов PMC без полного текста.
+
+Что делает для каждого документа: efetch по PMC id → извлечение текста →
+`store_full_text` (та же функция, что у задачи докачки: MinIO + пересчёт
+fingerprints по полному тексту + обновление MinHash LSH).
+
+Идемпотентно: документы с уже проставленным minio_key не берутся.
+
+Запуск (в контейнере worker-indexer, репозиторий внутрь не смонтирован):
+    cd /home/user/anti-plagiarism
+    C="docker compose -f docker-compose.prod.yml exec -T worker-indexer python -"
+    $C < scripts/ops/backfill_pmc_fulltext.py                  # dry-run
+    $C --apply --limit 40 < scripts/ops/backfill_pmc_fulltext.py   # пробная порция
+    $C --apply < scripts/ops/backfill_pmc_fulltext.py              # всё
+
+Внимание: каждый документ добавляет ~3.5 тыс. строк в fingerprints (~4.5 ГБ
+на все 12 тыс.). Перед полным прогоном стоит убедиться в свободном месте на
+сервере БД.
+"""
+
+import argparse
+import sys
+import time
+
+BATCH = 20  # столько id за один efetch — как в самом парсере
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true", help="реально сохранять (иначе dry-run)")
+    ap.add_argument("--limit", type=int, default=0, help="взять не больше N документов (0 = все)")
+    args = ap.parse_args()
+
+    if "/parsers" not in sys.path:
+        sys.path.insert(0, "/parsers")
+
+    from app.db import db_session
+    from app.tasks.index import store_full_text
+    from sqlalchemy import text
+
+    with db_session() as s:
+        sql = """
+            SELECT id, ext_id FROM documents
+            WHERE source = 'pmc' AND minio_key IS NULL AND ext_id IS NOT NULL
+            ORDER BY id
+        """
+        if args.limit:
+            sql += f" LIMIT {int(args.limit)}"
+        rows = s.execute(text(sql)).all()
+
+    # ext_id формата "pmc:13521573" → числовой id для efetch
+    todo = {ext.split(":", 1)[-1]: doc_id for doc_id, ext in rows if ":" in ext}
+    print(f"документов PMC без полного текста: {len(rows)} (пригодных ext_id: {len(todo)})")
+    if not todo:
+        return
+
+    if not args.apply:
+        print(f"[dry-run] первые id: {list(todo.items())[:5]}")
+        print("Запустите с --apply (рекомендуется сначала --limit 40).")
+        return
+
+    from pmc import PMCParser
+
+    parser = PMCParser()
+    ids = list(todo)
+    done = failed = empty = 0
+    chars_total = 0
+    t0 = time.time()
+
+    for i in range(0, len(ids), BATCH):
+        batch = ids[i : i + BATCH]
+        try:
+            resp = parser.client.get(
+                "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi",
+                params=parser._params(db="pmc", id=",".join(batch), rettype="full", retmode="xml"),
+            )
+            resp.raise_for_status()
+            articles = parser._parse_articles(resp.text)
+        except Exception as e:
+            failed += len(batch)
+            print(f"  батч {i // BATCH}: ошибка запроса: {e}")
+            continue
+
+        for raw in articles:
+            doc = parser.transform(raw)
+            ext = (doc.get("ext_id") or "").split(":", 1)[-1]
+            doc_id = todo.get(ext)
+            full = doc.get("full_text") or ""
+            if not doc_id:
+                continue
+            if len(full) < 1000:  # аннотация вместо тела — сохранять нечего
+                empty += 1
+                continue
+            try:
+                store_full_text(doc_id, full)
+                done += 1
+                chars_total += len(full)
+            except Exception as e:
+                failed += 1
+                print(f"  doc {doc_id}: не сохранён: {e}")
+
+        if (i // BATCH) % 10 == 0:
+            speed = done / max(time.time() - t0, 1)
+            print(f"  обработано {i + len(batch)}/{len(ids)} · сохранено {done} · "
+                  f"{speed:.1f} док/с")
+        time.sleep(0.35)  # лимит NCBI без ключа — 3 запроса/с
+
+    avg = chars_total // done if done else 0
+    print(f"\nГотово за {time.time() - t0:.0f}с: сохранено {done}, "
+          f"без тела статьи {empty}, ошибок {failed}, средний объём {avg} симв.")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/detection_benchmark.py

@@ -0,0 +1,180 @@
+#!/usr/bin/env python3
+"""Замер качества детекции на реальном корпусе: что находим и что выдумываем.
+
+Зачем: до сих пор о качестве проверки мы знали только «механизм жив» — находит
+подброшенный фрагмент. Этого мало. Продукт продаёт процент заимствований, и
+нужно знать две вещи: сколько списываний система пропускает (полнота) и как
+часто обвиняет невиновных (точность). Без этих чисел непонятно, что улучшать —
+пороги, глубину корпуса или алгоритм.
+
+Как устроен замер. Берём документы из самого корпуса и делаем из них
+«студенческие работы» четырёх видов:
+
+  дословно      — фрагмент скопирован как есть (обязан находиться);
+  лёгкий рерайт — выброшено каждое 10-е слово (обязан находиться);
+  сильный рерайт— выброшено каждое 3-е слово (L1 не обязан; это работа L3/L4);
+  оригинал      — текст, которого в корпусе нет (обязан НЕ находиться).
+
+Считается путь L1 — тот же, что в index.extract_and_check: фрагментация,
+winnowing по каждому фрагменту, поиск по отпечаткам с порогом
+EXACT_FRAGMENT_THRESHOLD. Уровни L3/L4 сюда не входят намеренно: они требуют
+GPU-воркера и на порядок медленнее, а мерить нужно в первую очередь основу.
+
+Запуск (в контейнере worker-indexer):
+    cd /home/user/anti-plagiarism
+    docker compose -f docker-compose.prod.yml exec -T worker-indexer python - \\
+        < scripts/ops/detection_benchmark.py
+    ... python - --docs 40 < scripts/ops/detection_benchmark.py
+
+Ничего не пишет в базу — только читает.
+"""
+
+import argparse
+import random
+
+
+def make_cases(text: str, words_taken: int) -> dict[str, str]:
+    """Сделать из текста источника четыре «студенческие работы»."""
+    words = text.split()
+    start = len(words) // 3
+    chunk = words[start : start + words_taken]
+
+    return {
+        "дословно": " ".join(chunk),
+        "лёгкий рерайт": " ".join(w for i, w in enumerate(chunk) if i % 10),
+        "сильный рерайт": " ".join(w for i, w in enumerate(chunk) if i % 3),
+    }
+
+
+def original_text(rnd: random.Random, words_taken: int) -> str:
+    """Текст, которого заведомо нет в корпусе — проверка на ложные обвинения."""
+    topics = [
+        "вчера вечером я варил гречку с грибами и вспоминал поездку на озеро",
+        "мой сосед купил подержанный велосипед и красит его в оранжевый цвет",
+        "бабушка печёт пироги с капустой по субботам и зовёт всех соседей",
+        "кот запрыгнул на подоконник и уронил горшок с геранью на пол",
+        "в субботу мы чинили забор и обсуждали цены на доски и гвозди",
+    ]
+    out: list[str] = []
+    while len(out) < words_taken:
+        out.extend(rnd.choice(topics).split())
+    return " ".join(out[:words_taken])
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--docs", type=int, default=25, help="сколько документов взять для замера")
+    ap.add_argument("--words", type=int, default=400, help="сколько слов «списывать»")
+    ap.add_argument("--seed", type=int, default=20260905, help="зерно случайности (для повторяемости)")
+    args = ap.parse_args()
+
+    from app.algorithms.winnowing import winnow
+    from app.config import settings
+    from app.db import db_session, get_minio
+    from app.fragments import split_into_fragments
+    from app.models import Document, Fingerprint
+    from sqlalchemy import func, select
+    from sqlalchemy import text as sql_text
+
+    rnd = random.Random(args.seed)
+
+    # Берём документы с реальной глубиной: по аннотации в 30 отпечатков мерить
+    # нечего, и такой замер сказал бы больше о корпусе, чем об алгоритме
+    with db_session() as s:
+        rows = s.execute(sql_text("""
+            SELECT d.id, d.source, d.minio_key, d.abstract
+            FROM documents d
+            JOIN (SELECT doc_id, count(*) c FROM fingerprints
+                  GROUP BY doc_id HAVING count(*) > 800) f ON f.doc_id = d.id
+            WHERE d.source <> 'user_submission'
+            ORDER BY random() LIMIT :n
+        """), {"n": args.docs}).all()
+
+    print(f"документов в замере: {len(rows)}, «списываем» по {args.words} слов")
+    print(f"порог срабатывания фрагмента: {settings.EXACT_FRAGMENT_THRESHOLD}%\n")
+
+    def find_source(work_text: str) -> set[int]:
+        """Прогнать «работу» через L1 и вернуть найденные документы-источники."""
+        found: set[int] = set()
+        frags = split_into_fragments(
+            work_text,
+            window=settings.FRAGMENT_WINDOW_WORDS,
+            overlap=settings.FRAGMENT_OVERLAP_WORDS,
+        )
+        with db_session() as s:
+            for frag in frags:
+                fp = winnow(frag["text"])
+                if not fp:
+                    continue
+                hit = s.execute(
+                    select(Fingerprint.doc_id, func.count(Fingerprint.id).label("c"))
+                    .join(Document, Document.id == Fingerprint.doc_id)
+                    .where(
+                        Fingerprint.hash_value.in_(list(fp)),
+                        Document.source != "user_submission",
+                    )
+                    .group_by(Fingerprint.doc_id)
+                    .order_by(func.count(Fingerprint.id).desc())
+                    .limit(1)
+                ).first()
+                if hit and hit[1] / len(fp) * 100 >= settings.EXACT_FRAGMENT_THRESHOLD:
+                    found.add(hit[0])
+        return found
+
+    stats: dict[str, dict[str, int]] = {}
+    minio = get_minio()
+
+    for doc_id, _source, minio_key, abstract in rows:
+        # Полный текст, если он сохранён; иначе то, что есть в базе
+        body = abstract or ""
+        if minio_key:
+            try:
+                obj = minio.get_object(settings.MINIO_BUCKET_DOCS, minio_key)
+                body = obj.read().decode("utf-8", errors="replace")
+                obj.close()
+                obj.release_conn()
+            except Exception:
+                pass
+        if len(body.split()) < args.words * 2:
+            continue
+
+        for case_name, work in make_cases(body, args.words).items():
+            found = find_source(work)
+            bucket = stats.setdefault(case_name, {"всего": 0, "нашли верно": 0, "не нашли": 0})
+            bucket["всего"] += 1
+            if doc_id in found:
+                bucket["нашли верно"] += 1
+            else:
+                bucket["не нашли"] += 1
+
+        # Контроль на ложные обвинения
+        found = find_source(original_text(rnd, args.words))
+        bucket = stats.setdefault("оригинал", {"всего": 0, "ложно обвинён": 0, "чисто": 0})
+        bucket["всего"] += 1
+        if found:
+            bucket["ложно обвинён"] += 1
+        else:
+            bucket["чисто"] += 1
+
+    print(f"{'случай':16} {'всего':>6} {'найден':>8} {'пропущен':>10}  доля найденных")
+    for case in ("дословно", "лёгкий рерайт", "сильный рерайт"):
+        b = stats.get(case)
+        if not b:
+            continue
+        share = b["нашли верно"] / b["всего"] * 100 if b["всего"] else 0
+        print(f"{case:16} {b['всего']:>6} {b['нашли верно']:>8} {b['не нашли']:>10}  {share:5.1f}%")
+
+    b = stats.get("оригинал")
+    if b:
+        fp_rate = b["ложно обвинён"] / b["всего"] * 100 if b["всего"] else 0
+        print(f"\nоригинальные тексты: {b['всего']}, ложных обвинений {b['ложно обвинён']} "
+              f"({fp_rate:.1f}%)")
+
+    print("\nЧитать так: «дословно» и «лёгкий рерайт» — обязанность L1, доля должна быть "
+          "близка к 100%. «Сильный рерайт» L1 брать не обязан, это работа L3/L4. "
+          "Ложные обвинения должны быть нулевыми.")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/faiss_reconcile.py

@@ -0,0 +1,101 @@
+#!/usr/bin/env python3
+"""Сверить отметки `documents.faiss_id` с реальным содержимым векторного индекса.
+
+Проблема, которую он решает: отметка в базе НЕ означает, что вектор есть в
+индексе. Она остаётся после пересоздания индекса (например, при смене модели
+эмбеддингов и размерности) и после сбоев worker-gpu. Из-за этого документ
+навсегда выпадает из L3: в индексе его нет, а на пересчёт он не попадёт —
+`reembed_missing.py` ищет только `faiss_id IS NULL`.
+
+Замер на проде 2026-08-28: в индексе 93 053 вектора, отмечено в базе 154 046 —
+60 993 документа считались векторизованными, не будучи ими.
+
+Скрипт обнуляет отметки у документов, которых в индексе нет. После него
+`reembed_missing.py` отправит их на пересчёт.
+
+Запуск (нужен доступ к самому индексу → контейнер worker-gpu):
+    cd /home/user/anti-plagiarism
+    C="docker compose -f docker-compose.prod.yml exec -T worker-gpu python -"
+    $C < scripts/ops/faiss_reconcile.py            # dry-run, только показывает
+    $C --apply < scripts/ops/faiss_reconcile.py    # обнулить ложные отметки
+
+Работает только с FAISS (`VECTOR_BACKEND=faiss`): у Qdrant идентификаторы
+хранит сам сервис, и сверка там делается иначе.
+"""
+
+import argparse
+import sys
+
+
+def stale_marks(marked_ids: set[int], indexed_ids: set[int]) -> set[int]:
+    """Документы, отмеченные как векторизованные, но отсутствующие в индексе."""
+    return marked_ids - indexed_ids
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true", help="реально обнулить faiss_id (иначе dry-run)")
+    args = ap.parse_args()
+
+    from app.config import settings
+
+    if settings.VECTOR_BACKEND != "faiss":
+        sys.exit(f"VECTOR_BACKEND={settings.VECTOR_BACKEND}: скрипт рассчитан на faiss")
+
+    import faiss  # noqa: F401  (нужен для vector_to_array)
+    from app.faiss_manager import FAISSManager
+
+    FAISSManager.load_or_create()
+    index = FAISSManager._index
+    if index is None or not hasattr(index, "id_map"):
+        sys.exit("индекс не загрузился или не хранит id (нет id_map)")
+
+    indexed = {int(i) for i in faiss.vector_to_array(index.id_map)}
+    print(f"векторов в индексе: {index.ntotal} (уникальных id: {len(indexed)})")
+
+    import psycopg2
+
+    conn = psycopg2.connect(
+        host=settings.POSTGRES_HOST, port=settings.POSTGRES_PORT,
+        dbname=settings.POSTGRES_DB, user=settings.POSTGRES_USER,
+        password=settings.POSTGRES_PASSWORD,
+    )
+    with conn.cursor() as cur:
+        cur.execute("SELECT id FROM documents WHERE faiss_id IS NOT NULL")
+        marked = {r[0] for r in cur.fetchall()}
+        cur.execute("SELECT count(*) FROM documents")
+        total = cur.fetchone()[0]
+
+    stale = stale_marks(marked, indexed)
+    print(f"документов всего:            {total}")
+    print(f"отмечено как векторизованные: {len(marked)}")
+    print(f"ложных отметок (нет в индексе): {len(stale)}")
+    print(f"реальное покрытие L3:         {len(indexed & marked) * 100.0 / total:.1f}%")
+
+    if not stale:
+        print("Сверка чистая, делать нечего.")
+        conn.close()
+        return
+
+    if not args.apply:
+        print(f"\n[dry-run] первые id: {sorted(stale)[:10]}")
+        print("Запустите с --apply, чтобы обнулить faiss_id у этих документов,")
+        print("затем reembed_missing.py отправит их на пересчёт эмбеддингов.")
+        conn.close()
+        return
+
+    ids = list(stale)
+    with conn.cursor() as cur:
+        # Пачками: один UPDATE с десятками тысяч id упирается в лимиты параметров
+        for i in range(0, len(ids), 5000):
+            chunk = ids[i : i + 5000]
+            cur.execute("UPDATE documents SET faiss_id = NULL WHERE id = ANY(%s)", (chunk,))
+    conn.commit()
+    conn.close()
+    print(f"\nОбнулено отметок: {len(ids)}")
+    print("Дальше: reembed_missing.py --apply (отправит их на пересчёт).")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/keep_ingesting.py

@@ -0,0 +1,160 @@
+#!/usr/bin/env python3
+"""Держать массовую заливку идущей: перезапускать источники, когда они закончили.
+
+Массовый источник за один прогон берёт столько статей, сколько влезает в бюджет
+времени таска, сохраняет позицию и останавливается. Без внешнего толчка заливка
+идёт рывками — ровно столько, сколько раз кто-то нажмёт «Запустить». Этот скрипт
+и есть толчок: раз в несколько минут проверяет, не простаивает ли источник, и
+запускает следующую порцию.
+
+Ставится в cron на app-хосте:
+    */5 * * * * cd /home/user/anti-plagiarism && /usr/bin/docker compose \
+      -f docker-compose.prod.yml exec -T worker-indexer python - \
+      < scripts/ops/keep_ingesting.py >> ~/.antiplag-monitor/ingest.log 2>&1
+
+Останавливается сам, когда источник исчерпан: парсер перестаёт отдавать статьи,
+прогон закрывается с нулём добавленных, и скрипт больше его не трогает
+(--stop-when-empty, по умолчанию включено).
+
+Перед подсчётом «занято ли» снимает зависшие прогоны: если worker-indexer упал
+или перезапустился, прогон навсегда остаётся в статусе running с замолчавшим
+heartbeat — без этой чистки сторож видит «занято» бесконечно и не запускает
+вообще ничего, для всех источников сразу (порог тот же, что и в панели
+отладки — services/api/app/api/admin.py, stale_cutoff).
+
+Молчащий heartbeat сам по себе ещё не значит «мёртв»: пачка COPY на большой
+базе идёт десятки минут без единого тика. Поэтому прогон снимается, только
+если его таска нет среди выполняющихся на воркерах queue.index; не ответил
+хоть один такой воркер — не снимается ничего. Иначе сторож снимал живой
+медленный прогон и тут же запускал его дубль по тем же статьям.
+"""
+
+import argparse
+
+BULK_TYPES = ("wikipedia_ru", "pmc_bulk", "core")
+STALE_MINUTES = 10
+
+
+def live_task_ids(celery_app) -> set[str] | None:
+    """ID тасков, выполняющихся на воркерах queue.index; None — кто-то из них не ответил."""
+    queues = celery_app.control.inspect(timeout=10).active_queues() or {}
+    workers = [w for w, qs in queues.items() if any(q["name"] == "queue.index" for q in qs)]
+    if not workers:
+        return None
+    active = celery_app.control.inspect(destination=workers, timeout=10).active()
+    if not active or set(active) != set(workers):
+        return None
+    return {t["id"] for tasks in active.values() for t in tasks}
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--types", default=",".join(BULK_TYPES),
+                    help="типы источников через запятую")
+    ap.add_argument("--keep-going-empty", action="store_true",
+                    help="запускать даже если прошлый прогон ничего не добавил")
+    args = ap.parse_args()
+
+    from app.celery_app import celery_app
+    from app.db import db_session
+    from app.models import ParseRun, ParseSource
+    from sqlalchemy import text
+
+    types = tuple(t.strip() for t in args.types.split(",") if t.strip())
+
+    live = live_task_ids(celery_app)
+
+    with db_session() as s:
+        if live is None:
+            print("воркеры queue.index не ответили — живость прогонов не проверить, не снимаю")
+            reaped = []
+        else:
+            reaped = s.execute(text(f"""
+                UPDATE parse_runs SET status='error', stage='finished',
+                       error='зависший прогон снят автоматически: таск не выполняется, heartbeat молчал дольше {STALE_MINUTES} минут',
+                       finished_at=now()
+                WHERE status='running'
+                  AND (heartbeat_at IS NULL OR heartbeat_at < now() - interval '{STALE_MINUTES} minutes')
+                  AND (celery_task_id IS NULL OR NOT (celery_task_id = ANY(CAST(:live AS text[]))))
+                RETURNING id, source_id
+            """), {"live": sorted(live)}).all()
+        # queued без heartbeat — тот же зомби другого вида: send_task не дошёл
+        # или упал между двумя commit при постановке в очередь (celery_task_id
+        # так и остался пустым), воркер о такой задаче никогда не узнает
+        reaped += s.execute(text(f"""
+            UPDATE parse_runs SET status='error', stage='finished',
+                   error='зависший прогон снят автоматически: висел в очереди дольше {STALE_MINUTES} минут',
+                   finished_at=now()
+            WHERE status='queued'
+              AND celery_task_id IS NULL
+              AND started_at < now() - interval '{STALE_MINUTES} minutes'
+            RETURNING id, source_id
+        """)).all()
+        if reaped:
+            for source_id in {row.source_id for row in reaped}:
+                s.execute(text("""
+                    UPDATE parse_sources SET last_status='error',
+                           last_error='зависший прогон снят автоматически'
+                    WHERE id=:sid AND last_status='running'
+                """), {"sid": source_id})
+            s.commit()
+            print(f"снято зависших прогонов: {len(reaped)} ({', '.join(str(r.id) for r in reaped)})")
+
+        active = s.execute(text(
+            "SELECT count(*) FROM parse_runs WHERE status IN ('queued','running')"
+        )).scalar_one()
+        if active:
+            print(f"уже идёт прогонов: {active} — ждём")
+            return
+
+        sources = s.execute(text("""
+            SELECT id, source_type, last_run_id FROM parse_sources
+            WHERE enabled AND source_type = ANY(:types) ORDER BY id
+        """), {"types": list(types)}).all()
+
+        started = []
+        for source_id, source_type, last_run_id in sources:
+            # Источник исчерпан, если прогоны перестали добавлять статьи: дальше
+            # в дампе/бакете/выдаче для нас ничего нет.
+            #
+            # Но ОДИН пустой прогон — ещё не приговор: ровно так же выглядят
+            # обрыв связи с API и прогон на устаревшем коде парсера. На CORE
+            # 16.09.2026 из-за этого источник был помечен исчерпанным после
+            # единственной неудачи и больше не запускался — молча, без ошибки.
+            # Поэтому ждём два пустых прогона подряд: разовый сбой переживём,
+            # а реально кончившийся источник остановится всего на один прогон
+            # позже.
+            if last_run_id and not args.keep_going_empty:
+                last_two = s.execute(text("""
+                    SELECT status, added, fetched FROM parse_runs
+                    WHERE source_id = :sid ORDER BY id DESC LIMIT 2
+                """), {"sid": source_id}).all()
+                if len(last_two) == 2 and all(
+                    r.status == "done" and r.added == 0 and r.fetched == 0 for r in last_two
+                ):
+                    print(f"{source_type}: источник исчерпан (два пустых прогона), пропускаем")
+                    continue
+
+            src = s.get(ParseSource, source_id)
+            run = ParseRun(source_id=source_id, status="queued", stage="queued",
+                           target=src.limit, log=[])
+            s.add(run)
+            s.flush()
+
+            src.last_status = "running"
+            src.last_error = None
+            src.last_run_id = run.id
+            s.commit()
+
+            result = celery_app.send_task("index.run_parser", args=[source_id, run.id],
+                                          queue="queue.index")
+            run.celery_task_id = result.id
+            s.commit()
+            started.append(f"{source_type}(прогон {run.id})")
+
+    print("запущено:", ", ".join(started) if started else "нечего запускать")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/reembed_missing.py

@@ -0,0 +1,140 @@
+#!/usr/bin/env python3
+"""Догнать эмбеддинги для документов, у которых их нет (faiss_id IS NULL).
+
+Зачем: документ попадает в корпус сразу (метаданные, fingerprints L1, MinHash L2),
+а вектор для L3 считает отдельная задача `gpu.embed_documents`. Если worker-gpu
+или Ollama были недоступны в момент заливки, эти задачи теряются — документ
+остаётся в базе, но семантический поиск его не видит. Скрипт находит такие
+документы и переотправляет задачи пачками.
+
+Идемпотентно: повторный запуск возьмёт только оставшиеся без faiss_id.
+
+ВАЖНО, чего скрипт НЕ делает: документы с непустым `faiss_id`, которого нет в
+самом FAISS-индексе (наследие смены модели эмбеддингов — размерность сменилась,
+индекс пересобран с нуля, а ссылки в БД остались), сюда не попадут. Их сначала
+надо выявить сверкой с индексом и обнулить faiss_id — это отдельная операция.
+
+Запуск (нужны psycopg2 + celery — они есть в образе воркера; сам репозиторий
+внутрь контейнера не смонтирован, поэтому передаём скрипт через stdin):
+    cd /home/user/anti-plagiarism
+    C="docker compose -f docker-compose.prod.yml exec -T worker-indexer python -"
+    $C < scripts/ops/reembed_missing.py                    # dry-run, только считает
+    $C --apply < scripts/ops/reembed_missing.py            # отправить задачи
+    $C --apply --limit 1000 < scripts/ops/reembed_missing.py   # пробная порция
+
+Креды берутся из окружения (в контейнере они уже есть из env_file), а при
+запуске файлом — из .env репозитория: POSTGRES_*, RABBITMQ_URL.
+"""
+
+import argparse
+import os
+import sys
+from pathlib import Path
+
+DEFAULT_BATCH = 64  # столько же, сколько EMBED_BATCH_SIZE у индексера
+
+
+def _load_env() -> None:
+    """Подтянуть переменные из .env репозитория, если файл есть.
+
+    При запуске через stdin (`docker exec ... python -`) __file__ не определён —
+    это штатный способ запуска здесь, и переменные в контейнере уже есть.
+    """
+    try:
+        env = Path(__file__).resolve().parent.parent.parent / ".env"
+    except NameError:
+        return
+    if not env.exists():
+        return
+    for line in env.read_text(encoding="utf-8").splitlines():
+        line = line.strip()
+        if not line or line.startswith("#") or "=" not in line:
+            continue
+        key, _, val = line.partition("=")
+        os.environ.setdefault(key.strip(), val.strip())
+
+
+def _pg_dsn() -> dict:
+    return {
+        "host": os.environ.get("POSTGRES_HOST", "localhost"),
+        "port": int(os.environ.get("POSTGRES_PORT", "5432")),
+        "dbname": os.environ.get("POSTGRES_DB", "antiplagiator"),
+        "user": os.environ.get("POSTGRES_USER", "antiplagiator"),
+        "password": os.environ.get("POSTGRES_PASSWORD", ""),
+    }
+
+
+def chunked(items: list[int], size: int) -> list[list[int]]:
+    """Разбить список id на пачки по size элементов."""
+    return [items[i : i + size] for i in range(0, len(items), size)]
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(
+        description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter
+    )
+    ap.add_argument("--apply", action="store_true", help="реально отправить задачи (иначе dry-run)")
+    ap.add_argument("--batch", type=int, default=DEFAULT_BATCH, help=f"документов в пачке (по умолчанию {DEFAULT_BATCH})")
+    ap.add_argument("--limit", type=int, default=0, help="взять не больше N документов (0 = все)")
+    args = ap.parse_args()
+
+    _load_env()
+
+    try:
+        import psycopg2
+    except ImportError:
+        sys.exit("Нужен psycopg2 (есть в образах воркеров). Запускайте в контейнере.")
+
+    dsn = _pg_dsn()
+    print(f"PostgreSQL {dsn['host']}:{dsn['port']}/{dsn['dbname']}")
+    conn = psycopg2.connect(**dsn)
+    with conn.cursor() as cur:
+        sql = "SELECT id FROM documents WHERE faiss_id IS NULL ORDER BY id"
+        if args.limit:
+            sql += f" LIMIT {int(args.limit)}"
+        cur.execute(sql)
+        doc_ids = [r[0] for r in cur.fetchall()]
+
+        cur.execute("SELECT count(*) FROM documents")
+        total = cur.fetchone()[0]
+    conn.close()
+
+    batches = chunked(doc_ids, args.batch)
+    print(f"Документов всего: {total}")
+    print(f"Без эмбеддинга:   {len(doc_ids)} → пачек по {args.batch}: {len(batches)}")
+    if not doc_ids:
+        print("Нечего досчитывать.")
+        return
+
+    if not args.apply:
+        head = ", ".join(str(i) for i in doc_ids[:10])
+        print(f"\n[dry-run] первые id: {head}{' …' if len(doc_ids) > 10 else ''}")
+        print("Запустите с --apply, чтобы отправить gpu.embed_documents в queue.gpu.")
+        return
+
+    try:
+        from celery import Celery
+    except ImportError:
+        sys.exit("Нужен celery (есть в образах воркеров). Запускайте в контейнере.")
+
+    broker = os.environ.get("RABBITMQ_URL")
+    if not broker:
+        sys.exit("Не задан RABBITMQ_URL — нечем отправлять задачи.")
+
+    app = Celery("reembed", broker=broker)
+    sent = 0
+    try:
+        for batch in batches:
+            app.send_task("gpu.embed_documents", args=[batch], queue="queue.gpu")
+            sent += 1
+            if sent % 50 == 0:
+                print(f"  отправлено пачек: {sent}/{len(batches)}")
+    except Exception as e:
+        sys.exit(f"\nБрокер недоступен после {sent} пачек: {e}")
+
+    print(f"\nОтправлено пачек: {sent} ({len(doc_ids)} документов).")
+    print("Ход выполнения — админка → «Отладка» (очередь queue.gpu и покрытие эмбеддингами).")
+
+
+if __name__ == "__main__":
+    main()

scripts/ops/wikipedia_resume_offset.py

@@ -0,0 +1,79 @@
+#!/usr/bin/env python3
+"""Вычислить байтовое смещение в дампе Википедии по уже залитым статьям.
+
+Нужен один раз при переходе на multistream-дамп: позиция продолжения сменила
+смысл — раньше это был номер статьи (и прогон перечитывал дамп с начала),
+теперь байтовое смещение блока.
+
+Как считается: берём максимальный page_id среди залитых статей и находим в
+индексе дампа блок, которому он принадлежит. Страницы в дампе идут по
+возрастанию page_id, поэтому всё, что дальше этого блока, ещё не залито.
+
+Запуск (в контейнере worker-indexer):
+    docker compose -f docker-compose.prod.yml exec -T worker-indexer python - \\
+        < scripts/ops/wikipedia_resume_offset.py            # показать
+    ... python - --apply < scripts/ops/wikipedia_resume_offset.py   # записать
+"""
+
+import argparse
+import bz2
+import os
+
+DEFAULT_INDEX = "/parsers/ruwiki-index.txt.bz2"
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true", help="записать смещение в источник")
+    ap.add_argument("--index", default=DEFAULT_INDEX, help="путь к индексу дампа")
+    args = ap.parse_args()
+
+    from app.db import db_session
+    from sqlalchemy import text
+
+    if not os.path.exists(args.index):
+        raise SystemExit(f"индекс не найден: {args.index}")
+
+    with db_session() as s:
+        row = s.execute(text("""
+            SELECT max(split_part(ext_id, ':', 2)::bigint)
+            FROM documents WHERE source = 'wikipedia_ru'
+        """)).first()
+    max_pageid = int(row[0]) if row and row[0] else 0
+    print(f"максимальный page_id среди залитых: {max_pageid}")
+
+    if not max_pageid:
+        print("залитых статей нет — начинать с нуля")
+        return
+
+    # Индекс отсортирован по смещению, page_id внутри растут: ищем блок,
+    # в котором лежит наш максимальный, и берём его смещение
+    offset = 0
+    found_title = ""
+    with bz2.open(args.index, "rt", encoding="utf-8") as fh:
+        for line in fh:
+            parts = line.split(":", 2)
+            if len(parts) < 3:
+                continue
+            off, pid = int(parts[0]), int(parts[1])
+            if pid > max_pageid:
+                break
+            offset, found_title = off, parts[2].strip()
+
+    print(f"блок с этой статьёй начинается на байте {offset} ({found_title[:50]!r})")
+
+    if not args.apply:
+        print("\nзапустите с --apply, чтобы записать смещение в источник")
+        return
+
+    with db_session() as s:
+        s.execute(text("""
+            UPDATE parse_sources SET resume_token = :off WHERE source_type = 'wikipedia_ru'
+        """), {"off": str(offset)})
+        s.commit()
+    print(f"смещение {offset} записано в источник")
+
+
+if __name__ == "__main__":
+    main()

scripts/parsers/arxiv.py

@@ -12,7 +12,7 @@ import xml.etree.ElementTree as ET
 from typing import Any
 
 import httpx
-from base import BaseParser
+from base import BaseParser, ProgressCallback
 
 logger = logging.getLogger(__name__)
 
@@ -46,6 +46,7 @@ class ArxivParser(BaseParser):
         limit: int = 500,
         categories: list[str] | None = None,
         year_from: int | None = None,
+        progress_cb: ProgressCallback | None = None,
     ) -> list[dict[str, Any]]:
         """
         Получить препринты из arXiv.
@@ -55,6 +56,7 @@ class ArxivParser(BaseParser):
             limit: Максимальное количество документов
             categories: Список категорий arXiv (cs.AI, math.ST и т.д.)
             year_from: Год публикации от
+            progress_cb: см. base.ProgressCallback
 
         Returns:
             Список сырых словарей
@@ -94,6 +96,10 @@ class ArxivParser(BaseParser):
                 results.extend(entries)
                 start += len(entries)
 
+                if progress_cb and not progress_cb(min(len(results), limit)):
+                    logger.info(f"arXiv: выборка остановлена по запросу (получено {len(results)})")
+                    break
+
                 if len(entries) < max_results:
                     break
 

scripts/parsers/base.py

@@ -6,11 +6,19 @@
 import json
 import logging
 from abc import ABC, abstractmethod
+from collections.abc import Callable
 from pathlib import Path
 from typing import Any
 
 logger = logging.getLogger(__name__)
 
+# Колбэк прогресса выборки: вызывается после каждой страницы результатов с
+# накопленным количеством документов. Возврат False — просьба остановиться
+# (кооперативная отмена из админки или исчерпанный бюджет времени таска,
+# см. worker-indexer/app/progress.py). Парсер обязан вернуть уже собранное,
+# а не бросать исключение: частичная выборка — валидный результат.
+ProgressCallback = Callable[[int], bool]
+
 
 # Унифицированный формат документа
 UNIFIED_SCHEMA = {
@@ -45,7 +53,10 @@ class BaseParser(ABC):
         Получить сырые документы из источника.
 
         Args:
-            **kwargs: Специфичные для источника параметры (query, limit и т.д.)
+            **kwargs: Специфичные для источника параметры (query, limit и т.д.).
+                Все парсеры принимают ещё и `progress_cb` (ProgressCallback) —
+                отчёт о прогрессе после каждой страницы и точка кооперативной
+                остановки.
 
         Returns:
             Список сырых словарей из API источника

scripts/parsers/core.py

@@ -0,0 +1,282 @@
+"""Парсер CORE (core.ac.uk) — полные тексты открытых репозиториев.
+
+Зачем нужен: полный текст есть у малой доли корпуса, и по-русски дыра самая
+большая — CyberLeninka отдаёт только HTML-страницу статьи, тела не даёт. CORE
+агрегирует открытые репозитории (в том числе вузовские русско- и
+белорусскоязычные) и кладёт готовый текст прямо в выдачу поиска — его не надо
+ни скачивать отдельно, ни извлекать из PDF.
+
+Замер на живом API 16.09.2026: страница в 100 записей приходит за ~7с и
+содержит 47 статей с текстом длиннее 1500 символов, медиана — 12.7 тыс.
+символов. То есть один запрос ≈ 47 документов корпуса.
+
+Чем сузить выборку до русских текстов: в общем потоке CORE кириллицы нет
+вовсе (проверено: 0 из 48 полных текстов за 2019). Язык у работ размечен
+плохо — `language` сплошь None или "zz", фильтровать по нему нельзя. Зато
+работает отбор по архиву-поставщику: запрос вида
+`(repositories.id:1298 OR repositories.id:21908 OR ...)` по вузовским
+репозиториям России и Беларуси даёт 79 полных текстов из 100 записей, 78 из
+них — кириллица. Сам список архивов живёт в поле `query` источника, а не в
+коде: его правят из админки, не пересобирая образ.
+
+Массовый парсер (`bulk = True`): отдаёт статьи генератором и пишется пачками
+через COPY, как Википедия и PMC (см. bulk_writer.py). Статьи без текста
+пропускаются молча — они уже есть у нас как метаданные из OpenAlex, а
+обогащать корпус нечем.
+
+Грабли API, все проверены живьём:
+- **с российских адресов ключ не работает**: прямой запрос с прода виснет без
+  ошибки (соединение есть, тело ответа не приходит), через `singbox-proxy` тот
+  же запрос отвечает за 1.7с. Анонимные короткие запросы проходят и напрямую,
+  из-за чего поломка выглядит как сетевая. Адрес прокси — `CORE_PROXY_URL`;
+- у `/v3/search/works` обязателен слэш на конце: иначе 301, а при редиректе
+  теряется заголовок Authorization и запрос уходит анонимным;
+- `offset` упирается в 100 000 (под капотом Azure Search, глубже — 400),
+  поэтому выборка режется на части — по одному архиву-поставщику на запрос;
+- **условия через `AND` не связываются**: `(repositories.id:...) AND yearPublished:2026`
+  отдаёт 2.3 млн работ вперемешку по годам, то есть условия объединяются по
+  «или» и год работает лишь как подсказка ранжированию. По отдельности каждое
+  условие фильтрует честно (`yearPublished:2026` — ровно 2026, `repositories.id:1298`
+  — ровно этот архив). Поэтому в запрос идёт РОВНО ОДНО условие: номер архива.
+  Годы, если заданы, отсекаются уже на нашей стороне;
+- `fullText` — не фильтруемое поле, `_exists_:fullText` отвечает 500.
+  Отбирать статьи с текстом приходится на своей стороне, оплачивая трафиком;
+- CORE агрегирует репозитории и отдаёт одну статью несколько раз под разными
+  id (проверено: 90810208 и 354263199 — один текст). Дедупликация корпуса
+  идёт только по ext_id, поэтому такие пары легли бы отдельными документами
+  и потом ловились бы как заимствование друг у друга. Отсеиваем по хешу
+  текста в пределах прогона: копии приходят в соседних строках выдачи.
+"""
+
+import hashlib
+import logging
+import os
+import re
+import time
+from collections.abc import Iterator
+from typing import Any
+
+import httpx
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+API_URL = "https://api.core.ac.uk/v3/search/works/"   # слэш обязателен, см. докстринг
+PAGE = 100              # максимум записей за запрос
+MAX_OFFSET = 100_000    # потолок глубины у Azure Search
+MIN_CHARS = 1500        # короче — обрывок или аннотация, а не статья
+RETRIES = 3
+# CORE отдаёт данные по ключу только за пределами РФ: с прода прямой запрос
+# молча виснет (TCP есть, тело ответа не приходит), а тот же запрос через
+# sing-box возвращается за 1.7с. Анонимные мелкие запросы проходят и напрямую,
+# поэтому со стороны это выглядит как поломка сети, а не блокировка. Тот же
+# приём, что для OpenRouter в worker-gpu. Пусто = ходить напрямую.
+DEFAULT_PROXY = "socks5://singbox-proxy:1080"
+
+
+class COREParser(BaseParser):
+    """Полные тексты из CORE. Отдаёт статьи потоком, режет выборку по годам."""
+
+    source_name = "core"
+    bulk = True
+
+    def __init__(self, api_key: str | None = None, proxy_url: str | None = None) -> None:
+        super().__init__()
+        self.api_key = api_key or os.environ.get("CORE_API_KEY", "")
+        # Вне compose-сети (локальный прогон, тесты) имени singbox-proxy нет —
+        # там прокси отключают, выставив CORE_PROXY_URL пустым
+        self.proxy_url = self._proxy(proxy_url)
+        if not self.api_key:
+            logger.warning("CORE: ключ не задан (CORE_API_KEY) — API ответит 401")
+        # Страница весит ~5 МБ, обычный ответ ~7с. 30с — запас на джиттер в
+        # десять раз, но без риска съесть бюджет прогона: три попытки по 60с
+        # отъедали 180с из 1500с на одной залипшей странице (поймано 16.09.2026,
+        # та же грабля, что чинили в pmc_bulk)
+        self.client = httpx.Client(
+            timeout=30,
+            proxy=self.proxy_url or None,
+            headers={
+                "Authorization": f"Bearer {self.api_key}",
+                "User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)",
+            },
+        )
+        self.last_token: str | None = None
+
+    @staticmethod
+    def _proxy(proxy_url: str | None) -> str:
+        """Адрес прокси: явный аргумент, иначе CORE_PROXY_URL, иначе умолчание."""
+        if proxy_url is not None:
+            return proxy_url
+        return os.environ.get("CORE_PROXY_URL", DEFAULT_PROXY)
+
+    def fetch(  # type: ignore[override]
+        self,
+        limit: int = 1000,
+        query: str = "",
+        year_from: int | None = None,
+        year_to: int | None = None,
+        resume_token: str | None = None,
+        progress_cb: ProgressCallback | None = None,
+        **_ignored: Any,
+    ) -> Iterator[dict[str, Any]]:
+        """Статьи с полным текстом, архив за архивом.
+
+        Args:
+            limit: сколько статей с текстом отдать за прогон
+            query: список архивов — номера через запятую/пробел или выражение
+                `(repositories.id:N OR ...)`. Пустой — обычный поиск по словам
+            year_from: отсекать статьи старше этого года (необязательно)
+            year_to: отсекать статьи новее этого года (необязательно)
+            resume_token: позиция вида "1298:4200" — архив и смещение в нём
+            progress_cb: см. base.ProgressCallback
+        """
+        parts = self._repos(query)
+        start_part, start_offset = self._parse_token(resume_token)
+        if start_part in parts:
+            parts = parts[parts.index(start_part):]
+        else:
+            start_offset = 0
+
+        given = 0
+        seen: set[str] = set()
+        for part in parts:
+            offset = start_offset
+            start_offset = 0      # смещение относится только к архиву из токена
+
+            while given < limit and offset < MAX_OFFSET:
+                results = self._page(part, query, offset)
+                if results is None:      # API не ответил — прогон закончен
+                    return
+                if not results:
+                    logger.info("CORE: архив %s исчерпан на смещении %d", part, offset)
+                    break
+
+                token = f"{part}:{offset}"
+                for work in results:
+                    text = work.get("fullText") or ""
+                    if len(text) < MIN_CHARS:
+                        continue
+                    year = work.get("yearPublished")
+                    if year and ((year_from and year < year_from)
+                                 or (year_to and year > year_to)):
+                        continue
+                    # Дубли CORE: один текст под разными id (см. докстринг).
+                    # Хеша начала текста хватает — совпадение первых 5 тыс.
+                    # символов у разных статей практически исключено
+                    digest = hashlib.sha1(text[:5000].encode()).hexdigest()
+                    if digest in seen:
+                        continue
+                    seen.add(digest)
+                    given += 1
+                    # Токен указывает на страницу, из которой пришла статья, а
+                    # не на следующую: пачка может прерваться на её середине, и
+                    # тогда следующий прогон перечитает страницу целиком.
+                    # Лишний запрос дешевле потерянных статей, дубли отсекает
+                    # ON CONFLICT на ext_id
+                    work["resume_token"] = token
+                    yield work
+                    if given >= limit:
+                        break
+
+                offset += PAGE
+                self.last_token = f"{part}:{offset}"
+                if progress_cb and not progress_cb(given):
+                    logger.info("CORE: выборка остановлена по запросу (%d)", given)
+                    return
+
+        logger.info("CORE: пройдено архивов: %d, отдано %d", len(parts), given)
+
+    @staticmethod
+    def _repos(query: str) -> list[str]:
+        """Номера архивов из настройки источника.
+
+        Принимает и выражение `(repositories.id:1298 OR ...)`, и простой список
+        «1298, 21908». Если номеров нет вовсе — единственная часть с именем
+        `q`: тогда парсер просто ищет по словам запроса.
+        """
+        ids = re.findall(r"repositories\.id:(\d+)", query or "")
+        if not ids:
+            ids = re.findall(r"\b\d{2,7}\b", query or "")
+        return ids or ["q"]
+
+    @staticmethod
+    def _parse_token(token: str | None) -> tuple[str | None, int]:
+        """Разобрать позицию "архив:смещение"; мусор — начать сначала."""
+        if not token or ":" not in token:
+            return None, 0
+        part, _, offset = token.rpartition(":")
+        try:
+            return part, int(offset)
+        except ValueError:
+            logger.warning("CORE: непонятная позиция %r, начинаем сначала", token)
+            return None, 0
+
+    def _page(self, part: str, query: str, offset: int) -> list[dict[str, Any]] | None:
+        """Одна страница выдачи; None — API не отвечает, прогон пора кончать.
+
+        В запросе РОВНО одно условие: связка через AND в этом API не работает
+        (см. докстринг модуля), поэтому годы отсекаются уже после выборки.
+        """
+        q = f"repositories.id:{part}" if part != "q" else (query or "*")
+        params = {"q": q, "limit": PAGE, "offset": offset}
+
+        for attempt in range(RETRIES):
+            try:
+                resp = self.client.get(API_URL, params=params)
+                if resp.status_code == 429:
+                    # Лимит тарифа: подождать и повторить, а не ронять прогон
+                    wait = int(resp.headers.get("retry-after", 30))
+                    logger.warning("CORE: лимит запросов, ждём %dс", wait)
+                    time.sleep(min(wait, 60))
+                    continue
+                resp.raise_for_status()
+                return resp.json().get("results") or []
+            except Exception as e:
+                logger.warning(
+                    "CORE: страница %s:%d не удалась (%d/%d): %s",
+                    part, offset, attempt + 1, RETRIES, e,
+                )
+                time.sleep(2 * (attempt + 1))
+
+        logger.error("CORE: страница %s:%d не далась за %d попыток", part, offset, RETRIES)
+        return None
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Привести статью CORE к унифицированному формату корпуса."""
+        ext = raw.get("id")
+        text = raw.get("fullText") or ""
+        if not ext or len(text) < MIN_CHARS:
+            return {}
+
+        lang = raw.get("language") or {}
+        code = lang.get("code") if isinstance(lang, dict) else lang
+        journals = raw.get("journals") or []
+        journal = journals[0].get("title") if journals and isinstance(journals[0], dict) else None
+
+        return {
+            "source": self.source_name,
+            "ext_id": f"core:{ext}",
+            "title": (raw.get("title") or f"CORE {ext}")[:1000],
+            "authors": self.normalize_authors(self._authors(raw)),
+            "doi": raw.get("doi"),
+            "year": raw.get("yearPublished"),
+            # zz у CORE значит «язык не определён» — лучше пусто, чем мусор
+            "lang": code if code and code != "zz" else None,
+            "journal": journal[:300] if journal else None,
+            "url": raw.get("downloadUrl") or f"https://core.ac.uk/works/{ext}",
+            "abstract": (raw.get("abstract") or text[:2000])[:2000],
+            "text": text,
+            "resume_token": raw.get("resume_token"),
+        }
+
+    @staticmethod
+    def _authors(raw: dict[str, Any]) -> list[dict[str, str]]:
+        """Авторы CORE приходят одной строкой "Фамилия, Имя Отчество"."""
+        out = []
+        for author in raw.get("authors") or []:
+            name = author.get("name") if isinstance(author, dict) else author
+            if not name:
+                continue
+            last, _, first = str(name).partition(",")
+            out.append({"last_name": last.strip(), "first_name": first.strip()})
+        return out

scripts/parsers/cyberleninka.py

@@ -16,7 +16,7 @@ import time
 from typing import Any
 
 import httpx
-from base import BaseParser
+from base import BaseParser, ProgressCallback
 
 logger = logging.getLogger(__name__)
 
@@ -47,6 +47,7 @@ class CyberLeninkaParser(BaseParser):
         query: str = "",
         limit: int = 500,
         subject: str | None = None,
+        progress_cb: ProgressCallback | None = None,
     ) -> list[dict[str, Any]]:
         """
         Получить статьи из КиберЛенинки.
@@ -55,6 +56,7 @@ class CyberLeninkaParser(BaseParser):
             query: Поисковый запрос
             limit: Максимальное количество статей
             subject: Предметная область (опционально)
+            progress_cb: см. base.ProgressCallback
 
         Returns:
             Список сырых словарей статей
@@ -85,6 +87,12 @@ class CyberLeninkaParser(BaseParser):
                 results.extend(items)
                 page += 1
 
+                if progress_cb and not progress_cb(min(len(results), limit)):
+                    logger.info(
+                        f"КиберЛенинка: выборка остановлена по запросу (получено {len(results)})"
+                    )
+                    break
+
                 if len(items) < 10:
                     break
 
@@ -137,6 +145,13 @@ class CyberLeninkaParser(BaseParser):
         link = raw.get("link", "")
         url = f"{BASE_URL}{link}" if link.startswith("/") else link or None
 
+        # OCR-фрагменты текста статьи — приходят прямо в ответе поиска (список
+        # кусков, обычно начало статьи + фрагмент с ключевыми словами), без
+        # доп. запроса. Не полный текст всей статьи, но заметно богаче аннотации —
+        # используем как full_text для более точных Winnowing-отпечатков (L1).
+        ocr = raw.get("ocr")
+        full_text = _clean(" ".join(ocr)) if isinstance(ocr, list) and ocr else None
+
         return {
             "source": self.source_name,
             "ext_id": ext_id,
@@ -151,7 +166,7 @@ class CyberLeninkaParser(BaseParser):
             "pages": raw.get("pages") or None,
             "abstract": _clean(raw.get("annotation")) or None,
             "url": url,
-            "full_text": None,
+            "full_text": full_text,
         }
 
     def fetch_article_details(self, url: str) -> dict[str, Any]:

scripts/parsers/openalex.py

@@ -15,12 +15,41 @@ from collections.abc import Generator
 from typing import Any
 
 import httpx
-from base import BaseParser
+from base import BaseParser, ProgressCallback
 
 logger = logging.getLogger(__name__)
 
 OPENALEX_API = "https://api.openalex.org"
 DEFAULT_EMAIL = "noreply@jze9.ru"  # Для вежливого агента
+# Пауза между страницами. Лимит вежливого пула — 10 запросов/сек НА ВЕСЬ ключ
+# (mailto), а не на процесс: четыре воркера, качающие разные источники, делят
+# его между собой. С прежними 0.1с массовая заливка утыкалась в сплошные 429 и
+# каждый прогон уходил в 900с бесполезного backoff. 1с × 4 воркера ≈ 4 req/s.
+RATE_LIMIT_DELAY = 1.0
+# Backoff режем на куски: во время сна парсер обязан отчитываться о жизни,
+# иначе прогон выглядит зависшим и его нельзя отменить из админки.
+BACKOFF_TICK_S = 5.0
+
+
+def _sleep_alive(
+    seconds: float, progress_cb: ProgressCallback | None, fetched: int
+) -> bool:
+    """Поспать, отчитываясь о жизни; False — попросили остановиться.
+
+    Минуты сна в backoff нельзя проводить молча: для админки такой прогон
+    неотличим от зависшего, а отмена не сработает до конца ожидания.
+    """
+    if progress_cb is None:
+        time.sleep(seconds)
+        return True
+
+    left = seconds
+    while left > 0:
+        time.sleep(min(BACKOFF_TICK_S, left))
+        left -= BACKOFF_TICK_S
+        if not progress_cb(fetched):
+            return False
+    return True
 
 
 class OpenAlexParser(BaseParser):
@@ -45,6 +74,7 @@ class OpenAlexParser(BaseParser):
         year_to: int | None = None,
         type_filter: str = "article",
         open_access_only: bool = False,
+        progress_cb: ProgressCallback | None = None,
     ) -> list[dict[str, Any]]:
         """
         Получить документы из OpenAlex.
@@ -58,6 +88,7 @@ class OpenAlexParser(BaseParser):
             type_filter: Тип документа (journal-article, book, и т.д.)
             open_access_only: только open-access работы (is_oa:true) — резко
                 повышает долю статей с доступным PDF (для наполнения корпуса)
+            progress_cb: см. base.ProgressCallback
 
         Returns:
             Список сырых словарей из OpenAlex API
@@ -72,8 +103,12 @@ class OpenAlexParser(BaseParser):
             year_to=year_to,
             type_filter=type_filter,
             open_access_only=open_access_only,
+            progress_cb=progress_cb,
         ):
             results.extend(page)
+            if progress_cb and not progress_cb(min(len(results), limit)):
+                logger.info("OpenAlex: выборка остановлена по запросу (получено %d)", len(results))
+                break
             if len(results) >= limit:
                 break
 
@@ -88,11 +123,20 @@ class OpenAlexParser(BaseParser):
         year_to: int | None,
         type_filter: str,
         open_access_only: bool = False,
+        progress_cb: ProgressCallback | None = None,
     ) -> Generator[list[dict], None, None]:
         """Cursor-based пагинация OpenAlex."""
         cursor = "*"
         per_page = min(200, limit)
         total_fetched = 0
+        rate_limit_retries = 0
+        # 5 попыток (60+120+240+480+960=1860с) превышали дефолтный
+        # consumer_timeout RabbitMQ (1800с) — брокер рвал канал до того,
+        # как таск успевал сдаться и заacke-иться, воркер падал и Docker
+        # перезапускал его, задача редоставлялась и весь цикл начинался
+        # заново с попытки 1 — бесконечный краш-луп. 4 попытки = 900с,
+        # запас с большим запасом.
+        MAX_RATE_LIMIT_RETRIES = 4
 
         while total_fetched < limit:
             params: dict[str, Any] = {
@@ -135,20 +179,33 @@ class OpenAlexParser(BaseParser):
 
                 yield works
                 total_fetched += len(works)
+                rate_limit_retries = 0  # успешный запрос — сбросить счётчик
 
                 # Следующий курсор
                 cursor = data.get("meta", {}).get("next_cursor")
                 if not cursor:
                     break
 
-                # Rate limiting: 10 запросов/сек без ключа
-                time.sleep(0.1)
+                time.sleep(RATE_LIMIT_DELAY)
 
             except httpx.HTTPStatusError as e:
                 logger.error(f"OpenAlex HTTP ошибка: {e.response.status_code}")
                 if e.response.status_code == 429:
-                    logger.warning("Rate limit! Ожидаем 60 секунд...")
-                    time.sleep(60)
+                    rate_limit_retries += 1
+                    if rate_limit_retries > MAX_RATE_LIMIT_RETRIES:
+                        logger.error(
+                            f"OpenAlex: {MAX_RATE_LIMIT_RETRIES} подряд 429 — сдаюсь, "
+                            f"забрано {total_fetched}/{limit}"
+                        )
+                        break
+                    # Экспоненциальный backoff: 60/120/240/480/960с — при нескольких
+                    # параллельных воркерах плоское ожидание 60с не давало общему
+                    # лимиту освободиться, каждый воркер продлевал блокировку сам.
+                    wait = 60 * (2 ** (rate_limit_retries - 1))
+                    logger.warning(f"Rate limit! Попытка {rate_limit_retries}/{MAX_RATE_LIMIT_RETRIES}, ждём {wait}с...")
+                    if not _sleep_alive(wait, progress_cb, total_fetched):
+                        logger.info("OpenAlex: ожидание прервано по запросу")
+                        break
                     continue
                 break
             except Exception as e:

scripts/parsers/pmc.py

@@ -0,0 +1,220 @@
+"""Парсер PubMed Central (PMC) — NCBI E-utilities.
+
+PMC Open Access Subset — крупнейший биомедицинский открытый архив с реальным
+полным текстом статей (не только аннотацией). API бесплатный, ключ не нужен
+(рекомендуется для повышения лимита с 3 до 10 запросов/сек — NCBI_API_KEY).
+Документация: https://www.ncbi.nlm.nih.gov/books/NBK25501/
+
+Два запроса на пачку: esearch (ID) → efetch (полные JATS XML статьи, откуда
+разом достаём метаданные + abstract + body — тело статьи, реальный полный
+текст, а не аннотация или OCR-фрагмент).
+"""
+
+import logging
+import os
+import time
+import xml.etree.ElementTree as ET
+from typing import Any
+
+import httpx
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+EUTILS = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils"
+BATCH_SIZE = 20
+# 3 запроса/сек без ключа, 10/сек с ключом (NCBI_API_KEY в окружении)
+RATE_LIMIT_DELAY = 0.12 if os.environ.get("NCBI_API_KEY") else 0.35
+
+
+class PMCParser(BaseParser):
+    """Парсер PubMed Central через NCBI E-utilities."""
+
+    source_name = "pmc"
+
+    def __init__(self) -> None:
+        super().__init__()
+        self.api_key = os.environ.get("NCBI_API_KEY")
+        self.client = httpx.Client(
+            headers={"User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)"},
+            timeout=30.0,
+        )
+
+    def _params(self, **extra: Any) -> dict[str, Any]:
+        p = dict(extra)
+        if self.api_key:
+            p["api_key"] = self.api_key
+        return p
+
+    def fetch(
+        self,
+        query: str = "",
+        limit: int = 500,
+        year_from: int | None = None,
+        year_to: int | None = None,
+        progress_cb: ProgressCallback | None = None,
+    ) -> list[dict[str, Any]]:
+        """
+        Получить статьи из PMC Open Access Subset.
+
+        Args:
+            query: Поисковый запрос
+            limit: Максимальное количество документов
+            year_from: Год публикации от
+            year_to: Год публикации до
+            progress_cb: см. base.ProgressCallback
+
+        Returns:
+            Список сырых словарей (уже с извлечёнными метаданными + full_text)
+        """
+        term = f"{query} AND open access[filter]" if query else "open access[filter]"
+        if year_from or year_to:
+            lo = year_from or 1900
+            hi = year_to or 3000
+            term += f' AND ("{lo}"[PDAT] : "{hi}"[PDAT])'
+
+        ids = self._search_ids(term, limit)
+        if not ids:
+            return []
+
+        results: list[dict[str, Any]] = []
+        for i in range(0, len(ids), BATCH_SIZE):
+            batch = ids[i : i + BATCH_SIZE]
+            try:
+                response = self.client.get(
+                    f"{EUTILS}/efetch.fcgi",
+                    params=self._params(db="pmc", id=",".join(batch), rettype="full", retmode="xml"),
+                )
+                response.raise_for_status()
+                results.extend(self._parse_articles(response.text))
+                if progress_cb and not progress_cb(min(len(results), limit)):
+                    logger.info(f"PMC: выборка остановлена по запросу (получено {len(results)})")
+                    break
+                time.sleep(RATE_LIMIT_DELAY)
+            except httpx.HTTPStatusError as e:
+                logger.error(f"PMC efetch HTTP ошибка: {e.response.status_code}")
+                if e.response.status_code == 429:
+                    time.sleep(5)
+                continue
+            except Exception as e:
+                logger.error(f"Ошибка efetch PMC (батч {i}): {e}")
+                continue
+
+        return results[:limit]
+
+    def _search_ids(self, term: str, limit: int) -> list[str]:
+        """Собрать PMC ID постранично через esearch."""
+        ids: list[str] = []
+        retstart = 0
+        page = min(200, limit)
+
+        while len(ids) < limit:
+            try:
+                response = self.client.get(
+                    f"{EUTILS}/esearch.fcgi",
+                    params=self._params(
+                        db="pmc", term=term, retstart=retstart,
+                        retmax=min(page, limit - len(ids)), retmode="json",
+                    ),
+                )
+                response.raise_for_status()
+                page_ids = response.json().get("esearchresult", {}).get("idlist", [])
+                if not page_ids:
+                    break
+                ids.extend(page_ids)
+                retstart += len(page_ids)
+                time.sleep(RATE_LIMIT_DELAY)
+            except httpx.HTTPStatusError as e:
+                logger.error(f"PMC esearch HTTP ошибка: {e.response.status_code}")
+                break
+            except Exception as e:
+                logger.error(f"Ошибка esearch PMC: {e}")
+                break
+
+        return ids[:limit]
+
+    def _parse_articles(self, xml_text: str) -> list[dict[str, Any]]:
+        """Разобрать JATS XML (пачка статей из efetch) в плоские словари."""
+        try:
+            root = ET.fromstring(xml_text)
+        except ET.ParseError as e:
+            logger.error(f"Ошибка парсинга XML PMC: {e}")
+            return []
+
+        return [self._parse_article(art) for art in root.findall("article")]
+
+    @staticmethod
+    def _text(el: ET.Element | None) -> str | None:
+        """Склеить весь текст элемента, включая вложенные теги форматирования."""
+        return "".join(el.itertext()).strip() if el is not None else None
+
+    def _parse_article(self, article: ET.Element) -> dict[str, Any]:
+        """Извлечь метаданные + abstract + полный текст из одной <article>."""
+        am = article.find(".//article-meta")
+        if am is None:
+            return {}
+
+        pmcaid = doi = None
+        for aid in am.findall("article-id"):
+            if aid.get("pub-id-type") == "pmcaid":
+                pmcaid = aid.text
+            elif aid.get("pub-id-type") == "doi":
+                doi = aid.text
+
+        authors = []
+        for c in am.findall(".//contrib-group/contrib[@contrib-type='author']"):
+            surname = c.find(".//surname")
+            given = c.find(".//given-names")
+            if surname is not None and surname.text:
+                authors.append({
+                    "last_name": surname.text.strip(),
+                    "first_name": (given.text or "").strip() if given is not None else "",
+                })
+
+        year = None
+        for y in am.findall(".//pub-date/year"):
+            if y.text and y.text.isdigit():
+                year = int(y.text)
+                break
+
+        body = article.find("body")
+        full_text = None
+        if body is not None:
+            paragraphs = [self._text(p) for p in body.findall(".//p")]
+            full_text = " ".join(p for p in paragraphs if p) or None
+
+        return {
+            "id": pmcaid,
+            "doi": doi,
+            "title": self._text(am.find(".//title-group/article-title")),
+            "journal": self._text(article.find(".//journal-meta/journal-title-group/journal-title")),
+            "authors": authors,
+            "year": year,
+            "abstract": self._text(am.find(".//abstract")),
+            "full_text": full_text,
+        }
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Преобразовать статью PMC в унифицированный формат."""
+        ext_id = raw.get("id")
+        if not ext_id:
+            return {}
+
+        authors = self.normalize_authors(raw.get("authors", []))
+
+        return {
+            "source": self.source_name,
+            "ext_id": f"pmc:{ext_id}",
+            "doi": raw.get("doi"),
+            "title": (raw.get("title") or "").strip() or None,
+            "authors": authors,
+            "year": raw.get("year"),
+            "lang": "en",  # PMC — практически полностью англоязычный корпус
+            "journal": raw.get("journal"),
+            "volume": None,
+            "issue": None,
+            "pages": None,
+            "abstract": raw.get("abstract"),
+            "url": f"https://www.ncbi.nlm.nih.gov/pmc/articles/PMC{ext_id}/",
+            "full_text": raw.get("full_text"),
+        }

scripts/parsers/pmc_bulk.py

@@ -0,0 +1,164 @@
+"""Парсер PubMed Central из открытого бакета AWS — массовый путь.
+
+Отличие от `pmc.py`: тот ходит в API E-utilities и годится для точечной
+докачки по теме (1-2 статьи в секунду, есть rate limit). Этот берёт статьи из
+бакета `pmc-oa-opendata`, где у каждой лежит **уже извлечённый текст**, и
+качает их пачками в несколько потоков — путь к сотням тысяч и миллионам.
+
+Ключ для доступа не нужен, бакет открыт. Замер: 12 статей/с в 10 потоков.
+
+Как и парсер Википедии, отдаёт статьи генератором: складывать миллионы
+документов в список нельзя (см. bulk_writer.py).
+"""
+
+import logging
+import re
+from collections.abc import Iterator
+from concurrent.futures import ThreadPoolExecutor, as_completed
+from typing import Any
+from urllib.parse import quote
+
+import httpx
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+BUCKET = "https://pmc-oa-opendata.s3.amazonaws.com"
+KEY_RE = re.compile(r"<Key>(PMC\d+\.\d+)/\1\.txt</Key>")
+TOKEN_RE = re.compile(r"<NextContinuationToken>([^<]+)</NextContinuationToken>")
+YEAR_RE = re.compile(r"\b(19|20)\d{2}\b")
+MIN_CHARS = 1500        # меньше — обрывок, а не статья
+
+
+class PMCBulkParser(BaseParser):
+    """PMC Open Access из бакета AWS. Отдаёт статьи потоком."""
+
+    source_name = "pmc"     # тот же источник в корпусе, что и у API-парсера
+    bulk = True
+
+    def __init__(self, workers: int = 12) -> None:
+        super().__init__()
+        self.workers = workers
+        # 60с на файл при бюджете задачи в 1500с — один залипший запрос съедал
+        # почти весь бюджет. Обычный GET сюда укладывается в доли секунды,
+        # 12с — с большим запасом на джиттер, но без риска съесть весь прогон
+        self.client = httpx.Client(
+            timeout=12,
+            headers={"User-Agent": "AcademicHelper/1.0 (noreply@jze9.ru)"},
+        )
+        # Позиция листинга: бакет отдаётся страницами, и продолжать прогон
+        # нужно с той же страницы, а не с начала
+        self.last_token: str | None = None
+
+    def fetch(  # type: ignore[override]
+        self,
+        limit: int = 1000,
+        resume_token: str | None = None,
+        start_after: str | None = None,
+        progress_cb: ProgressCallback | None = None,
+        **_ignored: Any,
+    ) -> Iterator[dict[str, Any]]:
+        """Статьи из бакета: листинг страницами, скачивание в потоках.
+
+        Args:
+            limit: сколько статей отдать
+            resume_token: продолжить листинг с сохранённой страницы бакета
+            start_after: ключ, после которого начинать листинг. Нужен, когда
+                токена нет (первый прогон после ручных заливок): без него
+                листинг пошёл бы с начала бакета и часами перемалывал уже
+                залитые статьи как дубли
+            progress_cb: см. base.ProgressCallback
+        """
+        token = resume_token
+        given = 0
+
+        while given < limit:
+            try:
+                ids, token = self._list_page(
+                    token, want=min(200, limit - given),
+                    start_after=None if token else start_after,
+                )
+            except Exception as e:
+                logger.error("PMC bulk: листинг не удался: %s", e)
+                return
+            if not ids:
+                logger.info("PMC bulk: бакет закончился")
+                return
+
+            # as_completed вместо map(): map() отдаёт результаты строго по
+            # порядку отправки, поэтому один залипший запрос блокирует все
+            # уже готовые — даже если остальные 11 потоков давно отработали
+            with ThreadPoolExecutor(max_workers=self.workers) as pool:
+                futures = {pool.submit(self._fetch_article, i): i for i in ids}
+                for future in as_completed(futures):
+                    raw = future.result()
+                    if raw is None:
+                        continue
+                    given += 1
+                    raw["resume_token"] = token
+                    yield raw
+                    if given >= limit:
+                        break
+
+            self.last_token = token
+            if progress_cb and not progress_cb(given):
+                logger.info("PMC bulk: выборка остановлена по запросу (%d)", given)
+                return
+            if token is None:
+                return
+
+    def _list_page(
+        self, token: str | None, want: int, start_after: str | None = None
+    ) -> tuple[list[str], str | None]:
+        """Одна страница листинга бакета: id статей и токен следующей страницы."""
+        url = f"{BUCKET}/?list-type=2&max-keys=1000"
+        if token:
+            # В токене бывают + и / — без экранирования S3 отвечает 400
+            url += f"&continuation-token={quote(token, safe='')}"
+        elif start_after:
+            url += f"&start-after={quote(start_after, safe='')}"
+        resp = self.client.get(url)
+        resp.raise_for_status()
+        ids = KEY_RE.findall(resp.text)[:want]
+        m = TOKEN_RE.search(resp.text)
+        return ids, (m.group(1) if m else None)
+
+    def _fetch_article(self, art_id: str) -> dict[str, Any] | None:
+        """Текст статьи и метаданные; None — статья недоступна или пустая."""
+        try:
+            txt = self.client.get(f"{BUCKET}/{art_id}/{art_id}.txt")
+            if txt.status_code != 200 or len(txt.text) < MIN_CHARS:
+                return None
+            meta_resp = self.client.get(f"{BUCKET}/{art_id}/{art_id}.json")
+            meta = meta_resp.json() if meta_resp.status_code == 200 else {}
+        except Exception:
+            return None
+
+        return {"art_id": art_id, "meta": meta, "text": txt.text}
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Привести статью к унифицированному формату документов корпуса."""
+        meta = raw.get("meta") or {}
+        art_id = raw.get("art_id", "")
+        pmcid = meta.get("pmcid") or art_id.split(".")[0]
+        if not pmcid:
+            return {}
+
+        citation = meta.get("citation") or ""
+        year_match = YEAR_RE.search(citation)
+        text = raw.get("text", "")
+
+        return {
+            "source": self.source_name,
+            "ext_id": f"pmc:{pmcid}",
+            "title": (meta.get("title") or pmcid)[:1000],
+            "authors": [],
+            "doi": meta.get("doi"),
+            "year": int(year_match.group(0)) if year_match else None,
+            "lang": "en",
+            "journal": citation[:300] or None,
+            "url": f"https://www.ncbi.nlm.nih.gov/pmc/articles/{pmcid}/",
+            "abstract": text[:2000],
+            "text": text,
+            "resume_token": raw.get("resume_token"),
+        }

scripts/parsers/tests/test_core.py

@@ -0,0 +1,156 @@
+"""Юнит-тесты парсера CORE — чистая логика, без сети.
+
+Стерегут то, ради чего парсер написан иначе остальных: отбор статей с полным
+текстом, отсев дублей CORE (одна статья под разными id), нарезку выборки по
+архивам-поставщикам и позицию продолжения «архив:смещение».
+
+Нарезка по архивам — не украшение: связка условий через `AND` в API CORE не
+работает (запрос по архивам вместе с годом отдаёт годы вперемешку), поэтому в
+запрос идёт ровно одно условие, а годы отсекаются уже на нашей стороне.
+"""
+
+from core import DEFAULT_PROXY, MIN_CHARS, COREParser
+
+LONG = "слово " * 400        # заведомо длиннее MIN_CHARS
+
+SAMPLE = {
+    "id": 123456,
+    "title": "Нейронные сети в медицине",
+    "authors": [{"name": "Кузьмин, Ярослав Вадимович"}, {"name": "Савенок А."}],
+    "doi": "10.1234/x",
+    "yearPublished": 2019,
+    "language": {"code": "ru"},
+    "journals": [{"title": "Вестник"}],
+    "downloadUrl": "https://core.ac.uk/download/1.pdf",
+    "abstract": "Аннотация",
+    "fullText": LONG,
+    "resume_token": "1298:100",
+}
+
+
+def test_repos_from_or_expression():
+    q = "(repositories.id:1298 OR repositories.id:21908 OR repositories.id:949)"
+    assert COREParser._repos(q) == ["1298", "21908", "949"]
+
+
+def test_repos_from_plain_list():
+    assert COREParser._repos("1298, 21908 949") == ["1298", "21908", "949"]
+
+
+def test_repos_without_numbers_falls_back_to_word_search():
+    # Номеров нет — единственная часть «q»: обычный поиск по словам
+    assert COREParser._repos("нейронные сети") == ["q"]
+    assert COREParser._repos("") == ["q"]
+
+
+def test_parse_token():
+    assert COREParser._parse_token("1298:4200") == ("1298", 4200)
+    assert COREParser._parse_token("q:300") == ("q", 300)
+    assert COREParser._parse_token(None) == (None, 0)
+    assert COREParser._parse_token("мусор") == (None, 0)
+    assert COREParser._parse_token("архив:смещение") == (None, 0)
+
+
+def test_transform_maps_fields():
+    t = COREParser(proxy_url="").transform(SAMPLE)
+    assert t["ext_id"] == "core:123456"
+    assert t["source"] == "core"
+    assert t["year"] == 2019 and t["lang"] == "ru"
+    assert t["journal"] == "Вестник"
+    assert t["text"] == LONG
+    assert t["resume_token"] == "1298:100"
+    # Автор приходит одной строкой «Фамилия, Имя Отчество»
+    assert t["authors"][0]["last_name"] == "Кузьмин"
+    assert t["authors"][0]["initials"] == "Я.В."
+
+
+def test_transform_skips_short_text():
+    assert COREParser(proxy_url="").transform(dict(SAMPLE, fullText="коротко")) == {}
+    assert COREParser(proxy_url="").transform(dict(SAMPLE, fullText=None)) == {}
+    assert COREParser(proxy_url="").transform(dict(SAMPLE, id=None)) == {}
+
+
+def test_transform_drops_undefined_language():
+    # zz у CORE значит «язык не определён» — в корпус такое класть незачем
+    assert COREParser(proxy_url="").transform(dict(SAMPLE, language={"code": "zz"}))["lang"] is None
+    assert COREParser(proxy_url="").transform(dict(SAMPLE, language=None))["lang"] is None
+
+
+def _parser_with_pages(pages):
+    """Парсер, у которого выдача подменена заранее заготовленными страницами."""
+    p = COREParser(api_key="test", proxy_url="")
+    calls = []
+
+    def fake_page(part, query, offset):
+        calls.append((part, offset))
+        return pages.pop(0) if pages else []
+
+    p._page = fake_page       # type: ignore[method-assign]
+    p.calls = calls           # type: ignore[attr-defined]
+    return p
+
+
+def test_fetch_drops_core_duplicates():
+    # Одна и та же статья под разными id — CORE так отдаёт всегда
+    page = [
+        {"id": 1, "fullText": LONG},
+        {"id": 2, "fullText": LONG},
+        {"id": 3, "fullText": LONG + "иное"},
+        {"id": 4, "fullText": "коротко"},
+    ]
+    p = _parser_with_pages([page])
+    got = list(p.fetch(limit=10, query="repositories.id:1298"))
+    assert [w["id"] for w in got] == [1, 3]
+
+
+def test_fetch_position_points_at_own_page():
+    # Токен обязан указывать на страницу, откуда пришла статья: пачка может
+    # прерваться на середине, и следующий прогон перечитает её целиком
+    pages = [[{"id": 1, "fullText": LONG}], [{"id": 2, "fullText": LONG + "два"}]]
+    p = _parser_with_pages(pages)
+    got = list(p.fetch(limit=10, query="repositories.id:1298"))
+    assert [w["resume_token"] for w in got] == ["1298:0", "1298:100"]
+
+
+def test_fetch_walks_archives_and_resumes():
+    p = _parser_with_pages([[], []])
+    list(p.fetch(limit=10, query="(repositories.id:1298 OR repositories.id:949)",
+                 resume_token="1298:300"))
+    # Начали с архива из токена и его смещения, пустой архив — переход к следующему
+    assert p.calls == [("1298", 300), ("949", 0)]
+
+
+def test_fetch_ignores_token_of_unknown_archive():
+    p = _parser_with_pages([[]])
+    list(p.fetch(limit=10, query="repositories.id:1298", resume_token="99999:500"))
+    assert p.calls == [("1298", 0)]
+
+
+def test_fetch_filters_years_on_our_side():
+    # Годы API не фильтрует, поэтому отсекаем сами — и только если заданы
+    page = [
+        {"id": 1, "fullText": LONG, "yearPublished": 2004},
+        {"id": 2, "fullText": LONG + "два", "yearPublished": 2015},
+        {"id": 3, "fullText": LONG + "три", "yearPublished": 2030},
+    ]
+    p = _parser_with_pages([list(page)])
+    got = list(p.fetch(limit=10, query="repositories.id:1298", year_from=2010, year_to=2026))
+    assert [w["id"] for w in got] == [2]
+
+    p2 = _parser_with_pages([list(page)])
+    got2 = list(p2.fetch(limit=10, query="repositories.id:1298"))
+    assert [w["id"] for w in got2] == [1, 2, 3]
+
+
+def test_min_chars_threshold_is_meaningful():
+    assert MIN_CHARS >= 1000
+
+
+def test_proxy_choice(monkeypatch):
+    # CORE не отвечает на ключ с российских адресов — по умолчанию идём через
+    # sing-box, но вне compose-сети прокси отключают пустым значением
+    monkeypatch.delenv("CORE_PROXY_URL", raising=False)
+    assert COREParser._proxy(None) == DEFAULT_PROXY
+    monkeypatch.setenv("CORE_PROXY_URL", "socks5://иной:1080")
+    assert COREParser._proxy(None) == "socks5://иной:1080"
+    assert COREParser._proxy("") == ""          # явное «без прокси» сильнее окружения

scripts/parsers/tests/test_cyberleninka.py

@@ -51,3 +51,14 @@ def test_transform_handles_string_authors():
 
 def test_transform_empty_without_id_or_link():
     assert CyberLeninkaParser().transform({"name": "x"}) == {}
+
+
+def test_transform_uses_ocr_as_full_text():
+    raw = dict(SAMPLE, ocr=["Первый <b>фрагмент</b> статьи.", "Второй &amp; фрагмент."])
+    t = CyberLeninkaParser().transform(raw)
+    assert t["full_text"] == "Первый фрагмент статьи. Второй & фрагмент."
+
+
+def test_transform_full_text_none_without_ocr():
+    assert CyberLeninkaParser().transform(SAMPLE)["full_text"] is None
+    assert CyberLeninkaParser().transform(dict(SAMPLE, ocr=[]))["full_text"] is None

scripts/parsers/tests/test_pmc.py

@@ -0,0 +1,88 @@
+"""Юнит-тесты парсера PubMed Central (PMC) — чистая логика (без сети).
+
+_parse_article работает с реальными xml.etree.ElementTree узлами (JATS XML из
+efetch), поэтому тесты строят минимальные JATS-фрагменты, а не мокают HTTP.
+"""
+
+import xml.etree.ElementTree as ET
+
+from pmc import PMCParser
+
+ARTICLE_XML = """
+<article>
+  <front>
+    <journal-meta>
+      <journal-title-group><journal-title>Journal of Testing</journal-title></journal-title-group>
+    </journal-meta>
+    <article-meta>
+      <article-id pub-id-type="pmcaid">1234567</article-id>
+      <article-id pub-id-type="doi">10.1000/test.123</article-id>
+      <title-group><article-title>A <italic>Study</italic> of Testing</article-title></title-group>
+      <contrib-group>
+        <contrib contrib-type="author">
+          <name><surname>Ivanov</surname><given-names>Ivan</given-names></name>
+        </contrib>
+        <contrib contrib-type="editor">
+          <name><surname>NotAnAuthor</surname><given-names>X</given-names></name>
+        </contrib>
+      </contrib-group>
+      <pub-date pub-type="epub"><year>2024</year></pub-date>
+      <abstract><p>This is the <bold>abstract</bold> text.</p></abstract>
+    </article-meta>
+  </front>
+  <body>
+    <p>First paragraph of the body.</p>
+    <p>Second paragraph with <xref>a ref</xref> inline.</p>
+  </body>
+</article>
+"""
+
+
+def _article() -> ET.Element:
+    return ET.fromstring(ARTICLE_XML)
+
+
+def test_parse_article_extracts_all_fields():
+    raw = PMCParser()._parse_article(_article())
+    assert raw["id"] == "1234567"
+    assert raw["doi"] == "10.1000/test.123"
+    assert raw["title"] == "A Study of Testing"  # вложенный <italic> склеен
+    assert raw["journal"] == "Journal of Testing"
+    assert raw["year"] == 2024
+    assert raw["abstract"] == "This is the abstract text."
+    assert raw["full_text"] == "First paragraph of the body. Second paragraph with a ref inline."
+
+
+def test_parse_article_only_includes_authors_not_editors():
+    raw = PMCParser()._parse_article(_article())
+    assert raw["authors"] == [{"last_name": "Ivanov", "first_name": "Ivan"}]
+
+
+def test_parse_article_without_article_meta_is_empty():
+    assert PMCParser()._parse_article(ET.fromstring("<article/>")) == {}
+
+
+def test_transform_maps_to_unified_schema():
+    raw = PMCParser()._parse_article(_article())
+    t = PMCParser().transform(raw)
+    assert t["source"] == "pmc"
+    assert t["ext_id"] == "pmc:1234567"
+    assert t["lang"] == "en"
+    assert t["url"] == "https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1234567/"
+    assert t["authors"][0]["last_name"] == "Ivanov"
+    assert t["full_text"].startswith("First paragraph")
+
+
+def test_transform_empty_without_id():
+    assert PMCParser().transform({"title": "x"}) == {}
+
+
+def test_parse_articles_batch():
+    xml = f"<pmc-articleset>{ARTICLE_XML}{ARTICLE_XML}</pmc-articleset>"
+    parsed = PMCParser()._parse_articles(xml)
+    assert len(parsed) == 2
+    assert all(p["id"] == "1234567" for p in parsed)
+
+
+def test_parse_articles_malformed_xml_returns_empty():
+    assert PMCParser()._parse_articles("<not valid xml") == []

scripts/parsers/tests/test_progress_cb.py

@@ -0,0 +1,93 @@
+"""Контракт progress_cb у парсеров: отчёт по страницам и остановка по запросу.
+
+Сеть не трогаем — подменяем HTTP-клиент парсера заглушкой. Проверяем то, на что
+опирается заливка: воркер видит рост выборки и может остановить парсер, не
+дожидаясь конца (отмена из админки, исчерпанный бюджет времени таска).
+"""
+
+from typing import Any
+
+import openalex
+from cyberleninka import CyberLeninkaParser
+from openalex import _sleep_alive
+
+
+class FakeResponse:
+    def __init__(self, payload: dict[str, Any]) -> None:
+        self._payload = payload
+
+    def raise_for_status(self) -> None:
+        pass
+
+    def json(self) -> dict[str, Any]:
+        return self._payload
+
+
+class FakeClient:
+    """Отдаёт бесконечные полные страницы по 10 статей — как большая выдача."""
+
+    def __init__(self) -> None:
+        self.calls = 0
+
+    def post(self, url: str, json: dict[str, Any]) -> FakeResponse:
+        self.calls += 1
+        start = json["from"]
+        return FakeResponse({
+            "articles": [{"id": start + i, "name": f"статья {start + i}"} for i in range(10)]
+        })
+
+
+def _parser(monkeypatch) -> CyberLeninkaParser:
+    p = CyberLeninkaParser()
+    p.client = FakeClient()  # type: ignore[assignment]
+    monkeypatch.setattr("cyberleninka.RATE_LIMIT_DELAY", 0)
+    return p
+
+
+def test_progress_cb_reports_growing_count(monkeypatch):
+    p = _parser(monkeypatch)
+    seen: list[int] = []
+
+    docs = p.fetch(query="x", limit=30, progress_cb=lambda n: seen.append(n) or True)
+
+    assert len(docs) == 30
+    assert seen == [10, 20, 30]
+
+
+def test_progress_cb_false_stops_fetch_early(monkeypatch):
+    p = _parser(monkeypatch)
+
+    # Останавливаем после второй страницы — как отмена прогона из админки
+    docs = p.fetch(query="x", limit=1000, progress_cb=lambda n: n < 20)
+
+    assert len(docs) == 20
+    assert p.client.calls == 2  # type: ignore[attr-defined]
+
+
+def test_fetch_works_without_callback(monkeypatch):
+    """Скрипты заливки зовут парсеры без progress_cb — поведение прежнее."""
+    p = _parser(monkeypatch)
+    assert len(p.fetch(query="x", limit=20)) == 20
+
+
+def test_backoff_sleep_reports_life_and_can_be_interrupted(monkeypatch):
+    """Минуты ожидания в backoff OpenAlex — не молчание: тик и шанс остановиться."""
+    slept: list[float] = []
+    monkeypatch.setattr(openalex.time, "sleep", lambda s: slept.append(s))
+    monkeypatch.setattr(openalex, "BACKOFF_TICK_S", 5.0)
+
+    ticks: list[int] = []
+    assert _sleep_alive(20, lambda n: ticks.append(n) or True, fetched=7) is True
+    assert sum(slept) == 20 and ticks == [7, 7, 7, 7]
+
+    slept.clear()
+    # Останавливаемся на первом же тике — не досыпая оставшиеся 900с
+    assert _sleep_alive(900, lambda n: False, fetched=7) is False
+    assert sum(slept) == 5
+
+
+def test_backoff_sleep_without_callback_just_sleeps(monkeypatch):
+    slept: list[float] = []
+    monkeypatch.setattr(openalex.time, "sleep", lambda s: slept.append(s))
+    assert _sleep_alive(60, None, fetched=0) is True
+    assert slept == [60]

scripts/parsers/wikipedia_ru.py

@@ -0,0 +1,199 @@
+"""Парсер русской Википедии из дампа Wikimedia.
+
+Зачем в корпусе: студенты копируют из Википедии чаще, чем из научных статей, а
+по объёму связного русского текста ей нет альтернативы среди доступного —
+КиберЛенинка блокирует выкачку, eLIBRARY требует договора.
+
+Отличие от остальных парсеров: `fetch` возвращает **генератор**, а не список.
+Дамп — 5.6 ГБ и около 2 млн статей, держать их в памяти нельзя, поэтому
+`run_parser` читает результат лениво и пишет пачками (см. bulk_writer.py).
+
+Используется **multistream**-вариант дампа: он состоит из независимых bz2-блоков
+по 100 статей, и к нему прилагается индекс со смещениями. Это принципиально —
+обычный дамп читается только с начала, поэтому каждый следующий прогон
+перечитывал всё уже залитое: на 20 тысячах статей это стоило 6 минут из 25
+доступных, а на 100 тысячах съело бы весь бюджет и заливка встала бы совсем.
+С multistream позиция продолжения — байтовое смещение, и прогон стартует
+мгновенно.
+
+Файлы качаются заранее и кладутся туда, где их видит воркер:
+    B=https://dumps.wikimedia.org/ruwiki/latest
+    UA="AcademicHelper/1.0 (https://academic.jze9.ru; noreply@jze9.ru)"
+    curl -L -C - --retry 100 -A "$UA" -o scripts/parsers/ruwiki-multistream.xml.bz2 \\
+      $B/ruwiki-latest-pages-articles-multistream.xml.bz2
+
+Читать дамп прямо из сети не выйдет: Wikimedia обрывает долгие соединения
+(проверено — обрыв на 32 МБ из 5.9 ГБ).
+"""
+
+import bz2
+import logging
+import os
+import re
+from collections.abc import Iterator
+from typing import Any
+
+from base import BaseParser, ProgressCallback
+
+logger = logging.getLogger(__name__)
+
+DEFAULT_DUMP = "/parsers/ruwiki-multistream.xml.bz2"
+
+PAGE_RE = re.compile(r"<page>(.*?)</page>", re.DOTALL)
+TITLE_RE = re.compile(r"<title>(.*?)</title>", re.DOTALL)
+ID_RE = re.compile(r"<id>(\d+)</id>")
+NS_RE = re.compile(r"<ns>(\d+)</ns>")
+TEXT_RE = re.compile(r"<text[^>]*>(.*?)</text>", re.DOTALL)
+REDIRECT_RE = re.compile(r"<redirect ")
+
+# Разметку чистим регулярками: для отпечатков нужен связный текст, а не точное
+# восстановление вёрстки — полноценный парсер вики-разметки тут неоправдан
+TEMPLATE_RE = re.compile(r"\{\{[^{}]*\}\}")
+CLEAN_RULES = [
+    (re.compile(r"\[\[[^\]|]*\|"), ""),                  # [[ссылка|текст → текст
+    (re.compile(r"\[\[|\]\]"), ""),
+    (re.compile(r"<ref[^>]*>.*?</ref>", re.DOTALL), " "),
+    (re.compile(r"<[^>]+>"), " "),
+    (re.compile(r"^[*#:;|!].*$", re.MULTILINE), " "),    # списки и таблицы
+    (re.compile(r"^=+.*?=+$", re.MULTILINE), " "),       # == заголовки разделов ==
+    (re.compile(r"'{2,}"), ""),
+    (re.compile(r"&[a-z]+;"), " "),
+    (re.compile(r"[ \t]+"), " "),
+    (re.compile(r"\n{2,}"), "\n"),
+]
+
+
+def clean_wikitext(raw: str) -> str:
+    """Убрать вики-разметку, оставив читаемый текст статьи."""
+    text = raw
+    for _ in range(3):          # шаблоны бывают вложенными
+        text = TEMPLATE_RE.sub(" ", text)
+    for rx, repl in CLEAN_RULES:
+        text = rx.sub(repl, text)
+    return text.strip()
+
+
+class WikipediaRuParser(BaseParser):
+    """Русская Википедия из локального дампа. Отдаёт статьи потоком."""
+
+    source_name = "wikipedia_ru"
+    # Признак для run_parser: результат читается лениво и пишется пачками,
+    # а не собирается в список и не идёт через add_document по одному
+    bulk = True
+
+    def fetch(  # type: ignore[override]
+        self,
+        limit: int = 1000,
+        min_chars: int = 2000,
+        dump_path: str | None = None,
+        start_offset: int = 0,
+        progress_cb: ProgressCallback | None = None,
+        **_ignored: Any,
+    ) -> Iterator[dict[str, Any]]:
+        """Статьи основного пространства имён из multistream-дампа.
+
+        Args:
+            limit: сколько статей отдать
+            min_chars: минимальная длина текста — заготовки в корпусе бесполезны
+            dump_path: путь к дампу (по умолчанию /parsers/ruwiki-multistream.xml.bz2)
+            start_offset: байтовое смещение в файле, с которого продолжать.
+                Именно смещение, а не номер статьи: перечитывание дампа с начала
+                росло линейно и на сотне тысяч статей съедало весь бюджет прогона
+            progress_cb: см. base.ProgressCallback
+        """
+        path = dump_path or os.environ.get("WIKIPEDIA_DUMP_PATH") or DEFAULT_DUMP
+        if not os.path.exists(path):
+            raise FileNotFoundError(
+                f"дамп Википедии не найден: {path} — скачайте его (см. модуль) "
+                f"или укажите WIKIPEDIA_DUMP_PATH"
+            )
+
+        given = 0
+        buf = ""
+
+        with open(path, "rb") as fh:
+            fh.seek(start_offset)
+            # Смещение блока, из которого пришли уже отданные статьи: его и
+            # сохраняем как позицию продолжения, чтобы ничего не потерять
+            block_offset = start_offset
+            decomp = bz2.BZ2Decompressor()
+
+            while given < limit:
+                part = fh.read(4 * 1024 * 1024)
+                if not part:
+                    break
+
+                # В multistream-дампе потоки идут подряд: закончился один —
+                # начинаем следующий с того места, где предыдущий остановился
+                while part:
+                    try:
+                        raw = decomp.decompress(part)
+                    except (OSError, EOFError):
+                        return
+                    if raw:
+                        buf += raw.decode("utf-8", errors="replace")
+
+                    if not decomp.eof:
+                        break
+                    part = decomp.unused_data
+                    decomp = bz2.BZ2Decompressor()
+
+                while given < limit:
+                    m = PAGE_RE.search(buf)
+                    if not m:
+                        break
+                    page, buf = m.group(1), buf[m.end():]
+
+                    doc = self._page_to_doc(page, min_chars)
+                    if doc is None:
+                        continue
+
+                    given += 1
+                    doc["dump_offset"] = block_offset
+                    yield doc
+
+                    if progress_cb and not progress_cb(given):
+                        logger.info("Википедия: выборка остановлена по запросу (%d)", given)
+                        return
+
+                # Всё разобранное отдано — следующая позиция продолжения здесь
+                block_offset = fh.tell() - len(buf.encode("utf-8", errors="ignore")) // 4
+
+                if len(buf) > 20 * 1024 * 1024:     # страховка от разбухания
+                    buf = buf[-1024 * 1024:]
+
+    def _page_to_doc(self, page: str, min_chars: int) -> dict[str, Any] | None:
+        """Разобрать <page> в документ; None — страница нам не подходит."""
+        if REDIRECT_RE.search(page):
+            return None
+        ns = NS_RE.search(page)
+        if not ns or ns.group(1) != "0":         # только статьи
+            return None
+
+        tm, im, xm = TITLE_RE.search(page), ID_RE.search(page), TEXT_RE.search(page)
+        if not (tm and im and xm):
+            return None
+
+        text = clean_wikitext(xm.group(1))
+        if len(text) < min_chars:
+            return None
+
+        return {"pageid": im.group(1), "title": tm.group(1), "text": text}
+
+    def transform(self, raw: dict[str, Any]) -> dict[str, Any]:
+        """Привести статью к унифицированному формату документов корпуса."""
+        pid = raw.get("pageid")
+        if not pid:
+            return {}
+        return {
+            "source": self.source_name,
+            "ext_id": f"wikipedia_ru:{pid}",
+            "title": raw.get("title", ""),
+            "authors": [],
+            "year": None,
+            "lang": "ru",
+            "url": f"https://ru.wikipedia.org/?curid={pid}",
+            "abstract": (raw.get("text") or "")[:2000],
+            "text": raw.get("text", ""),
+            "dump_offset": raw.get("dump_offset"),
+        }

scripts/run_lint.sh

@@ -24,9 +24,10 @@ docker run --rm \
     echo '▶ ruff (services/ scripts/)'
     ruff check services/ scripts/
 
-    echo '▶ mypy (чистая логика L1/L2 + ГОСТ + скоринг)'
-    ( cd services/worker-indexer && mypy --config-file /repo/mypy.ini app/algorithms/ app/fragments.py )
+    echo '▶ mypy (чистая логика L1/L2 + ГОСТ + скоринг + OAuth + прогресс заливки)'
+    ( cd services/worker-indexer && mypy --config-file /repo/mypy.ini app/algorithms/ app/fragments.py app/staging.py app/progress.py )
     ( cd services/worker-gost && mypy --config-file /repo/mypy.ini app/formatters/ app/bibliography.py )
     ( cd services/worker-gpu && mypy --config-file /repo/mypy.ini app/scoring.py )
+    ( cd services/api && mypy --config-file /repo/mypy.ini app/core/oauth.py app/core/progress.py )
   "
 echo "✅ Линт (ruff + mypy) пройден"

scripts/run_parser.py

@@ -63,18 +63,33 @@ def run_arxiv(args: argparse.Namespace, output_dir: Path) -> None:
     )
 
 
+def run_pmc(args: argparse.Namespace, output_dir: Path) -> None:
+    from pmc import PMCParser
+
+    parser = PMCParser()
+    parser.run(
+        output_dir=output_dir,
+        query=args.query,
+        limit=args.limit,
+        year_from=args.year_from,
+        year_to=args.year_to,
+    )
+
+
 def run_all(args: argparse.Namespace, output_dir: Path) -> None:
     """Запустить все парсеры последовательно."""
     logger.info("Запуск всех парсеров...")
     run_openalex(args, output_dir)
     run_cyberleninka(args, output_dir)
     run_arxiv(args, output_dir)
+    run_pmc(args, output_dir)
 
 
 PARSERS = {
     "openalex": run_openalex,
     "cyberleninka": run_cyberleninka,
     "arxiv": run_arxiv,
+    "pmc": run_pmc,
     "all": run_all,
 }
 

scripts/run_tests.sh

@@ -19,6 +19,7 @@ IMAGE="python:3.11-slim"
 
 # относительный-путь:apt-пакеты (нужны faiss-cpu → libgomp1)
 SERVICES=(
+  "services/api:"
   "services/worker-indexer:"
   "services/worker-gost:"
   "services/worker-gpu:libgomp1"

scripts/seed_broad_corpus.py

@@ -0,0 +1,134 @@
+#!/usr/bin/env python3
+"""Расширение корпуса вширь — новые дисциплины, которых ещё нет в parse_sources.
+
+Продолжение scripts/seed_ru_sources.py: та заливка покрыла 30 базовых русских
+дисциплин + был уже собран seed-корпус из ~26 английских тем (OpenAlex) и 4
+категорий arXiv. Этот скрипт добавляет НОВЫЕ темы поверх уже сделанного —
+углубление RU (специализированные подотрасли права/экономики/IT) и расширение EN
+(область права/лингвистики/искусства/наук о Земле и т.д., которых ещё не было),
+плюс новые категории arXiv.
+
+Идемпотентно (по name, с префиксами ru2:/oa3:/arxiv2: — не пересекаются с уже
+существующими ru:/corpus:/oa2:/arxiv:). Dry-run по умолчанию.
+
+Запуск:
+    python scripts/seed_broad_corpus.py                  # план
+    python scripts/seed_broad_corpus.py --apply           # записать в БД
+"""
+
+import argparse
+import os
+from pathlib import Path
+
+# (name_suffix, source_type, query, lang, limit)
+RU_DEEP = [  # углубление: специализированные RU-темы, которых не было в первой волне
+    "семейное право", "административное право", "уголовный процесс",
+    "гражданский процесс", "международное право", "предпринимательское право",
+    "налоговое право", "земельное право", "экологическое право",
+    "информационная безопасность", "искусственный интеллект", "нейронные сети",
+    "веб-разработка", "архитектура зданий", "дизайн", "музыкальное искусство",
+    "физическая культура", "спортивная медицина", "туризм", "логистика",
+    "инновационный менеджмент", "антикризисное управление", "аудит",
+    "страхование", "банковское дело", "инвестиции",
+    "внешнеэкономическая деятельность", "региональная экономика", "демография",
+]
+
+EN_OPENALEX_NEW = [  # области, которых не было в первой EN-волне
+    "law", "political science", "linguistics", "literature studies", "history",
+    "philosophy", "anthropology", "geography", "agriculture",
+    "business management", "finance", "architecture", "astronomy", "geology",
+    "pharmacology", "nursing", "veterinary science", "art history",
+    "music theory", "religious studies",
+]
+
+EN_ARXIV_NEW = [  # темы поиска arXiv, не пересекаются с уже сделанными 4
+    "natural language processing", "reinforcement learning", "quantum physics",
+    "particle physics", "condensed matter physics", "number theory",
+    "statistics methodology", "signal processing", "distributed systems",
+    "software engineering", "bioinformatics", "econometrics", "optimization",
+    "graph theory", "information theory",
+]
+
+
+def _load_env() -> None:
+    env = Path(__file__).resolve().parent.parent / ".env"
+    if not env.exists():
+        return
+    for line in env.read_text(encoding="utf-8").splitlines():
+        line = line.strip()
+        if not line or line.startswith("#") or "=" not in line:
+            continue
+        key, _, val = line.partition("=")
+        os.environ.setdefault(key.strip(), val.strip())
+
+
+def _pg_dsn() -> dict:
+    return {
+        "host": os.environ.get("POSTGRES_HOST", "localhost"),
+        "port": int(os.environ.get("POSTGRES_PORT", "5432")),
+        "dbname": os.environ.get("POSTGRES_DB", "antiplagiator"),
+        "user": os.environ.get("POSTGRES_USER", "antiplagiator"),
+        "password": os.environ.get("POSTGRES_PASSWORD", ""),
+    }
+
+
+def _build_rows(ru_limit: int, en_limit: int, arxiv_limit: int) -> list[tuple]:
+    rows = []
+    rows += [(f"ru2:{t}", "cyberleninka", t, "ru", ru_limit) for t in RU_DEEP]
+    rows += [(f"oa3:{t}", "openalex", t, None, en_limit) for t in EN_OPENALEX_NEW]
+    rows += [(f"arxiv2:{t}", "arxiv", t, None, arxiv_limit) for t in EN_ARXIV_NEW]
+    return rows
+
+
+def main() -> None:
+    ap = argparse.ArgumentParser(description=__doc__,
+                                 formatter_class=argparse.RawDescriptionHelpFormatter)
+    ap.add_argument("--apply", action="store_true", help="реально записать в БД (иначе dry-run)")
+    ap.add_argument("--ru-limit", type=int, default=500)
+    ap.add_argument("--en-limit", type=int, default=1000)
+    ap.add_argument("--arxiv-limit", type=int, default=800)
+    args = ap.parse_args()
+
+    _load_env()
+    rows = _build_rows(args.ru_limit, args.en_limit, args.arxiv_limit)
+    total_potential = sum(r[4] for r in rows)
+
+    print(f"Новых источников: {len(rows)} "
+          f"(RU углубление {len(RU_DEEP)}, EN OpenAlex {len(EN_OPENALEX_NEW)}, "
+          f"arXiv {len(EN_ARXIV_NEW)})")
+    print(f"Потенциальный объём (верхняя граница): ~{total_potential} документов")
+
+    if not args.apply:
+        print("\n[dry-run] запустите с --apply, чтобы записать в parse_sources.")
+        for name, stype, q, _lang, lim in rows[:10]:
+            print(f"  {name:32} [{stype:12}] limit={lim} → {q!r}")
+        print(f"  ... и ещё {len(rows) - 10}")
+        return
+
+    import psycopg2
+
+    conn = psycopg2.connect(**_pg_dsn())
+    conn.autocommit = True
+    created, skipped, ids = 0, 0, []
+    with conn.cursor() as cur:
+        for name, stype, query, lang, limit in rows:
+            cur.execute("SELECT id FROM parse_sources WHERE name = %s", (name,))
+            if cur.fetchone():
+                skipped += 1
+                continue
+            cur.execute(
+                'INSERT INTO parse_sources '
+                '(source_type, name, query, lang, "limit", enabled, last_status, docs_added) '
+                "VALUES (%s, %s, %s, %s, %s, TRUE, 'idle', 0) RETURNING id",
+                (stype, name, query, lang, limit),
+            )
+            ids.append(cur.fetchone()[0])
+            created += 1
+    conn.close()
+
+    print(f"\nСоздано: {created}, пропущено (уже были): {skipped}")
+    print(f"ID новых источников: {ids}")
+
+
+if __name__ == "__main__":
+    main()

scripts/seed_ru_sources.py

@@ -35,6 +35,17 @@ DISCIPLINES = [
     "математический анализ", "физика", "химия", "биология", "медицина",
     "экология", "лингвистика", "литературоведение", "государственное управление",
     "международные отношения", "журналистика", "культурология",
+    # Прикладные/техникумовские темы — оригинальный список был вузовски-научным,
+    # тут реальные дипломы СПО/колледжей, которых там не было вовсе.
+    "полиграфия и печать", "издательское дело", "дизайн", "строительство",
+    "архитектура", "машиностроение", "электротехника", "логистика", "туризм",
+    "гостиничное дело", "сестринское дело", "ветеринария", "агрономия",
+    "пищевая промышленность", "транспорт", "дорожное строительство",
+    "сварочное производство", "метрология и стандартизация", "реклама и PR",
+    "физическая культура и спорт", "дошкольное образование", "дефектология",
+    "банковское дело", "таможенное дело", "документоведение",
+    "телекоммуникации", "нефтегазовое дело", "энергетика",
+    "пожарная безопасность", "социальная работа",
 ]
 
 

services/api/alembic/versions/004_oauth.py

@@ -0,0 +1,33 @@
+"""OAuth-вход (Google/Яндекс): oauth_provider/oauth_id, hashed_password nullable.
+
+Revision ID: 004
+Revises: 003
+Create Date: 2026-08-24
+"""
+
+import sqlalchemy as sa
+
+from alembic import op
+
+revision = "004"
+down_revision = "003"
+branch_labels = None
+depends_on = None
+
+
+def upgrade() -> None:
+    # OAuth-пользователи не заводят пароль
+    op.alter_column("users", "hashed_password", nullable=True)
+
+    op.add_column("users", sa.Column("oauth_provider", sa.String(20), nullable=True))
+    op.add_column("users", sa.Column("oauth_id", sa.String(255), nullable=True))
+    op.create_index(
+        "ix_users_oauth_provider_id", "users", ["oauth_provider", "oauth_id"], unique=True
+    )
+
+
+def downgrade() -> None:
+    op.drop_index("ix_users_oauth_provider_id", table_name="users")
+    op.drop_column("users", "oauth_id")
+    op.drop_column("users", "oauth_provider")
+    op.alter_column("users", "hashed_password", nullable=False)

services/api/alembic/versions/005_parse_runs.py

@@ -0,0 +1,68 @@
+"""Журнал прогонов парсинга (parse_runs) + ссылка на последний прогон источника.
+
+Revision ID: 005
+Revises: 004
+Create Date: 2026-08-27
+
+Прогресс заливки раньше был не виден: у источника был только last_status
+(idle/running/done/error) без «сколько из скольки». Таблица parse_runs хранит
+счётчики и структурный журнал каждого прогона — по ним админка рисует шкалу
+загрузки и показывает, на чём именно споткнулся источник.
+"""
+
+import sqlalchemy as sa
+
+from alembic import op
+
+revision = "005"
+down_revision = "004"
+branch_labels = None
+depends_on = None
+
+
+def upgrade() -> None:
+    op.create_table(
+        "parse_runs",
+        sa.Column("id", sa.Integer(), primary_key=True, autoincrement=True),
+        sa.Column(
+            "source_id",
+            sa.Integer(),
+            sa.ForeignKey("parse_sources.id", ondelete="CASCADE"),
+            nullable=False,
+        ),
+        sa.Column("celery_task_id", sa.String(64), nullable=True),
+        # queued / running / done / partial / error / cancelled
+        sa.Column("status", sa.String(20), nullable=False, server_default="queued"),
+        # queued / fetch / index / finished
+        sa.Column("stage", sa.String(20), nullable=False, server_default="queued"),
+        sa.Column("target", sa.Integer(), nullable=False, server_default="0"),
+        sa.Column("fetched", sa.Integer(), nullable=False, server_default="0"),
+        sa.Column("processed", sa.Integer(), nullable=False, server_default="0"),
+        sa.Column("added", sa.Integer(), nullable=False, server_default="0"),
+        sa.Column("duplicates", sa.Integer(), nullable=False, server_default="0"),
+        # Мусор от источника (нет title/ext_id) — считаем отдельно от ошибок
+        sa.Column("skipped", sa.Integer(), nullable=False, server_default="0"),
+        sa.Column("failed", sa.Integer(), nullable=False, server_default="0"),
+        # Флаг кооперативной отмены: воркер проверяет его на каждом тике прогресса
+        sa.Column("cancel_requested", sa.Boolean(), nullable=False, server_default=sa.false()),
+        sa.Column("error", sa.Text(), nullable=True),
+        sa.Column("log", sa.JSON(), nullable=True),
+        sa.Column("started_at", sa.DateTime(), server_default=sa.func.now(), nullable=False),
+        sa.Column("heartbeat_at", sa.DateTime(), nullable=True),
+        sa.Column("finished_at", sa.DateTime(), nullable=True),
+    )
+    op.create_index("ix_parse_runs_source_id", "parse_runs", ["source_id"])
+    op.create_index("ix_parse_runs_status", "parse_runs", ["status"])
+    op.create_index("ix_parse_runs_started_at", "parse_runs", ["started_at"])
+
+    # Последний (он же текущий, пока идёт) прогон источника — чтобы список
+    # источников отдавался одним джойном, без подзапроса «максимальный id».
+    op.add_column("parse_sources", sa.Column("last_run_id", sa.Integer(), nullable=True))
+
+
+def downgrade() -> None:
+    op.drop_column("parse_sources", "last_run_id")
+    op.drop_index("ix_parse_runs_started_at", table_name="parse_runs")
+    op.drop_index("ix_parse_runs_status", table_name="parse_runs")
+    op.drop_index("ix_parse_runs_source_id", table_name="parse_runs")
+    op.drop_table("parse_runs")

services/api/alembic/versions/006_parse_run_started_at.py

@@ -0,0 +1,31 @@
+"""Отдельная отметка старта выполнения прогона парсинга.
+
+Revision ID: 006
+Revises: 005
+Create Date: 2026-08-28
+
+`started_at` пишется в момент СОЗДАНИЯ строки, то есть постановки в очередь.
+При массовом запуске очередь разбирается часами, и «длительность» прогона по
+двум таймстампам показывала 2.8 часа там, где сам парсинг занял 50 секунд —
+для отладки это дезинформация. Момент, когда воркер реально взял задачу,
+пишем отдельно; разница со `started_at` — это ожидание в очереди.
+"""
+
+import sqlalchemy as sa
+
+from alembic import op
+
+revision = "006"
+down_revision = "005"
+branch_labels = None
+depends_on = None
+
+
+def upgrade() -> None:
+    # Для уже прошедших прогонов остаётся NULL: подставлять им started_at
+    # значило бы выдать время ожидания за время работы.
+    op.add_column("parse_runs", sa.Column("run_started_at", sa.DateTime(), nullable=True))
+
+
+def downgrade() -> None:
+    op.drop_column("parse_runs", "run_started_at")

services/api/alembic/versions/007_parse_source_resume.py

@@ -0,0 +1,29 @@
+"""Позиция продолжения массовой заливки в источнике.
+
+Revision ID: 007
+Revises: 006
+Create Date: 2026-09-05
+
+Массовые источники (дамп Википедии, бакет PMC) заливаются частями: за один
+прогон берётся столько статей, сколько влезает в бюджет времени таска. Чтобы
+следующий прогон продолжал с того же места, а не перечитывал залитое заново,
+позиция сохраняется прямо в источнике: для Википедии это номер статьи в дампе,
+для PMC — токен страницы бакета.
+"""
+
+import sqlalchemy as sa
+
+from alembic import op
+
+revision = "007"
+down_revision = "006"
+branch_labels = None
+depends_on = None
+
+
+def upgrade() -> None:
+    op.add_column("parse_sources", sa.Column("resume_token", sa.Text(), nullable=True))
+
+
+def downgrade() -> None:
+    op.drop_column("parse_sources", "resume_token")

services/api/app/api/admin.py

@@ -5,12 +5,17 @@
 """
 
 import contextlib
+import io
 import logging
-from datetime import datetime
+import os
+import uuid
+from datetime import datetime, timedelta
+from pathlib import Path
 
 import httpx
-from fastapi import APIRouter, Depends, HTTPException, Query, status
-from sqlalchemy import delete, func, select
+from fastapi import APIRouter, Depends, HTTPException, Query, UploadFile, status
+from fastapi.concurrency import run_in_threadpool
+from sqlalchemy import delete, func, select, text
 from sqlalchemy.ext.asyncio import AsyncSession
 
 from app.config import settings
@@ -19,7 +24,7 @@ from app.core.celery_app import celery_app
 from app.core.minio_client import get_minio
 from app.core.redis_client import get_redis
 from app.database import get_db
-from app.models.admin import ParseSource, StagedWork
+from app.models.admin import ParseRun, ParseSource, StagedWork
 from app.models.document import Document, Fingerprint
 from app.models.task import Task
 from app.models.user import User
@@ -30,6 +35,9 @@ from app.schemas.admin import (
     AdminTaskResponse,
     AdminUserResponse,
     AdminUserUpdate,
+    ParseRunDetail,
+    ParseRunResponse,
+    ParseSourceBulkCreate,
     ParseSourceCreate,
     ParseSourceResponse,
     ParseSourceUpdate,
@@ -42,6 +50,13 @@ logger = logging.getLogger(__name__)
 
 router = APIRouter(prefix="/admin", tags=["admin"], dependencies=[Depends(get_admin_user)])
 
+# Типы источников, для которых в worker-indexer есть парсер (index.run_parser).
+# wikipedia_ru и pmc_bulk — массовые: читают дамп/бакет потоком и пишут пачками,
+# продолжая с сохранённой позиции (parse_sources.resume_token)
+SOURCE_TYPES = ("openalex", "cyberleninka", "arxiv", "pmc", "wikipedia_ru", "pmc_bulk")
+# Прогон в этих статусах ещё может двигаться — повторно запускать источник нельзя
+RUN_ACTIVE_STATUSES = ("queued", "running")
+
 
 # ═══════════════════════════════════════════════════════════════════════════════
 # СЕССИЯ ДОСТУПА
@@ -86,6 +101,28 @@ async def verify_session(
 # ═══════════════════════════════════════════════════════════════════════════════
 # ДАШБОРД / СЕРВИСЫ
 # ═══════════════════════════════════════════════════════════════════════════════
+async def _rabbitmq_queues() -> dict:
+    """Очереди queue.* из management API RabbitMQ: {имя: сырой словарь очереди}.
+
+    При недоступности брокера/плагина management возвращает {"error": ...} —
+    это не повод валить весь дашборд.
+    """
+    try:
+        # amqp://user:pass@host:port/
+        creds, _, hostpart = settings.RABBITMQ_URL.split("//", 1)[1].rpartition("@")
+        rmq_user, _, rmq_pass = creds.partition(":")
+        rmq_host = hostpart.split(":")[0].split("/")[0]
+        async with httpx.AsyncClient(timeout=5) as c:
+            resp = await c.get(f"http://{rmq_host}:15672/api/queues", auth=(rmq_user, rmq_pass))
+            if resp.status_code != 200:
+                return {"error": f"management API вернул {resp.status_code}"}
+            return {
+                q["name"]: q for q in resp.json() if str(q.get("name", "")).startswith("queue.")
+            }
+    except Exception as e:
+        return {"error": str(e)[:120]}
+
+
 @router.get("/health", response_model=list[ServiceHealth])
 async def health(db: AsyncSession = Depends(get_db)) -> list[ServiceHealth]:
     """Статус всех сервисов инфраструктуры."""
@@ -183,23 +220,12 @@ async def stats(db: AsyncSession = Depends(get_db)) -> AdminStats:
         storage = {"error": str(e)[:200]}
 
     # Длины очередей через RabbitMQ management API (если доступно)
-    queues: dict = {}
-    try:
-        rmq_user = settings.RABBITMQ_URL.split("//")[1].split(":")[0]
-        rmq_pass = settings.RABBITMQ_URL.split(":")[2].split("@")[0]
-        rmq_host = settings.RABBITMQ_URL.split("@")[1].split(":")[0]
-        async with httpx.AsyncClient(timeout=5) as c:
-            resp = await c.get(
-                f"http://{rmq_host}:15672/api/queues",
-                auth=(rmq_user, rmq_pass),
-            )
-            if resp.status_code == 200:
-                for q in resp.json():
-                    name = q.get("name", "")
-                    if name.startswith("queue."):
-                        queues[name] = q.get("messages", 0)
-    except Exception as e:
-        queues = {"error": str(e)[:120]}
+    rmq = await _rabbitmq_queues()
+    queues: dict = (
+        {"error": rmq["error"]}
+        if "error" in rmq
+        else {name: q.get("messages", 0) for name, q in rmq.items()}
+    )
 
     return AdminStats(
         users_total=users_total,
@@ -423,15 +449,63 @@ async def storage_info() -> dict:
 # ═══════════════════════════════════════════════════════════════════════════════
 # ИСТОЧНИКИ ПАРСИНГА
 # ═══════════════════════════════════════════════════════════════════════════════
+async def _attach_runs(
+    sources: list[ParseSource], db: AsyncSession
+) -> list[ParseSourceResponse]:
+    """Подтянуть последние прогоны одним запросом (иначе N+1 на 170+ источников)."""
+    run_ids = [s.last_run_id for s in sources if s.last_run_id]
+    runs: dict[int, ParseRun] = {}
+    if run_ids:
+        rows = (await db.execute(select(ParseRun).where(ParseRun.id.in_(run_ids)))).scalars().all()
+        runs = {r.id: r for r in rows}
+
+    result = []
+    for s in sources:
+        item = ParseSourceResponse.model_validate(s)
+        run = runs.get(s.last_run_id) if s.last_run_id else None
+        item.last_run = ParseRunResponse.model_validate(run) if run else None
+        result.append(item)
+    return result
+
+
+async def _start_run(src: ParseSource, db: AsyncSession) -> ParseRun:
+    """Создать строку прогона и отправить таск парсера.
+
+    Строку создаёт API, а не воркер: при массовом запуске 170+ источников
+    очередь разбирается минутами, и без неё в админке не было бы видно, что
+    источник уже поставлен в очередь (шкала висела бы на прошлом прогоне).
+    """
+    run = ParseRun(source_id=src.id, status="queued", stage="queued", target=src.limit, log=[])
+    db.add(run)
+    await db.flush()
+
+    src.last_status = "running"
+    src.last_error = None
+    src.last_run_at = datetime.utcnow()
+    src.last_run_id = run.id
+    await db.commit()
+    await db.refresh(run)
+
+    celery_result = celery_app.send_task(
+        "index.run_parser", args=[src.id, run.id], queue="queue.index"
+    )
+    run.celery_task_id = celery_result.id
+    await db.commit()
+    await db.refresh(run)
+    return run
+
+
 @router.get("/sources", response_model=list[ParseSourceResponse])
 async def list_sources(db: AsyncSession = Depends(get_db)) -> list[ParseSourceResponse]:
-    rows = (await db.execute(select(ParseSource).order_by(ParseSource.created_at.desc()))).scalars().all()
-    return [ParseSourceResponse.model_validate(s) for s in rows]
+    rows = (
+        await db.execute(select(ParseSource).order_by(ParseSource.created_at.desc()))
+    ).scalars().all()
+    return await _attach_runs(list(rows), db)
 
 
 @router.post("/sources", response_model=ParseSourceResponse, status_code=201)
 async def create_source(data: ParseSourceCreate, db: AsyncSession = Depends(get_db)) -> ParseSourceResponse:
-    if data.source_type not in ("openalex", "cyberleninka", "arxiv"):
+    if data.source_type not in SOURCE_TYPES:
         raise HTTPException(status_code=400, detail="Недопустимый тип источника")
     src = ParseSource(**data.model_dump())
     db.add(src)
@@ -440,6 +514,44 @@ async def create_source(data: ParseSourceCreate, db: AsyncSession = Depends(get_
     return ParseSourceResponse.model_validate(src)
 
 
+@router.post("/sources/bulk", status_code=201)
+async def create_sources_bulk(
+    data: ParseSourceBulkCreate, db: AsyncSession = Depends(get_db)
+) -> dict:
+    """Добавить пачку источников одного типа — по одному на каждый запрос-тему."""
+    if data.source_type not in SOURCE_TYPES:
+        raise HTTPException(status_code=400, detail="Недопустимый тип источника")
+
+    queries = [q.strip() for q in data.queries if q.strip()]
+    if not queries:
+        raise HTTPException(status_code=400, detail="Пустой список запросов")
+
+    prefix = data.name_prefix or data.source_type
+    created: list[ParseSource] = []
+    for q in queries:
+        src = ParseSource(
+            source_type=data.source_type,
+            name=f"{prefix}:{q}"[:255],
+            query=q,
+            lang=data.lang,
+            year_from=data.year_from,
+            year_to=data.year_to,
+            limit=data.limit,
+        )
+        db.add(src)
+        created.append(src)
+    await db.commit()
+
+    started = 0
+    if data.run_now:
+        for src in created:
+            await db.refresh(src)
+            await _start_run(src, db)
+            started += 1
+
+    return {"created": len(created), "started": started}
+
+
 @router.patch("/sources/{source_id}", response_model=ParseSourceResponse)
 async def update_source(
     source_id: int, data: ParseSourceUpdate, db: AsyncSession = Depends(get_db)
@@ -463,19 +575,436 @@ async def delete_source(source_id: int, db: AsyncSession = Depends(get_db)) -> N
     await db.commit()
 
 
-@router.post("/sources/{source_id}/run")
-async def run_source(source_id: int, db: AsyncSession = Depends(get_db)) -> dict:
+@router.post("/sources/run-all")
+async def run_all_sources(
+    source_type: str | None = None,
+    db: AsyncSession = Depends(get_db),
+) -> dict:
+    """Запустить заливку по всем включённым источникам (кроме уже идущих)."""
+    stmt = select(ParseSource).where(ParseSource.enabled.is_(True))
+    if source_type:
+        stmt = stmt.where(ParseSource.source_type == source_type)
+    sources = (await db.execute(stmt.order_by(ParseSource.id))).scalars().all()
+
+    active_ids = set(
+        (
+            await db.execute(
+                select(ParseRun.source_id).where(ParseRun.status.in_(RUN_ACTIVE_STATUSES))
+            )
+        ).scalars().all()
+    )
+
+    started, skipped = 0, 0
+    for src in sources:
+        if src.id in active_ids:
+            skipped += 1
+            continue
+        await _start_run(src, db)
+        started += 1
+
+    logger.info("Массовый запуск источников: старт %d, пропущено %d", started, skipped)
+    return {"started": started, "skipped_active": skipped, "total": len(sources)}
+
+
+@router.post("/sources/stop-all")
+async def stop_all_sources(db: AsyncSession = Depends(get_db)) -> dict:
+    """Отменить все активные прогоны (кооперативно — воркер увидит на своём тике)."""
+    runs = (
+        await db.execute(select(ParseRun).where(ParseRun.status.in_(RUN_ACTIVE_STATUSES)))
+    ).scalars().all()
+    for run in runs:
+        await _cancel_run(run, db)
+    await db.commit()
+    return {"cancelled": len(runs)}
+
+
+@router.post("/sources/{source_id}/run", response_model=ParseRunResponse)
+async def run_source(source_id: int, db: AsyncSession = Depends(get_db)) -> ParseRunResponse:
     src = (await db.execute(select(ParseSource).where(ParseSource.id == source_id))).scalar_one_or_none()
     if src is None:
         raise HTTPException(status_code=404, detail="Источник не найден")
-    if src.last_status == "running":
+
+    active = (
+        await db.execute(
+            select(ParseRun).where(
+                ParseRun.source_id == source_id, ParseRun.status.in_(RUN_ACTIVE_STATUSES)
+            )
+        )
+    ).scalars().first()
+    if active is not None:
         raise HTTPException(status_code=409, detail="Источник уже парсится")
-    src.last_status = "running"
-    src.last_error = None
-    src.last_run_at = datetime.utcnow()
+
+    run = await _start_run(src, db)
+    return ParseRunResponse.model_validate(run)
+
+
+async def _cancel_run(run: ParseRun, db: AsyncSession) -> None:
+    """Отменить прогон: флаг для воркера + revoke, если таск ещё не начали.
+
+    Пока таск в очереди — revoke снимает его, и никто уже не переведёт прогон
+    из queued, поэтому закрываем строку прямо здесь. Начатый прогон трогать
+    жёстко нельзя (оборвётся посреди записи в базу) — ставим флаг, воркер
+    остановится сам на ближайшем тике прогресса.
+    """
+    run.cancel_requested = True
+    if run.status == "queued":
+        if run.celery_task_id:
+            with contextlib.suppress(Exception):
+                celery_app.control.revoke(run.celery_task_id)
+        run.status = "cancelled"
+        run.stage = "finished"
+        run.finished_at = datetime.utcnow()
+        src = await db.get(ParseSource, run.source_id)
+        if src and src.last_run_id == run.id:
+            src.last_status = "cancelled"
+
+
+@router.post("/sources/{source_id}/cancel")
+async def cancel_source_run(source_id: int, db: AsyncSession = Depends(get_db)) -> dict:
+    runs = (
+        await db.execute(
+            select(ParseRun).where(
+                ParseRun.source_id == source_id, ParseRun.status.in_(RUN_ACTIVE_STATUSES)
+            )
+        )
+    ).scalars().all()
+    if not runs:
+        raise HTTPException(status_code=404, detail="Активных прогонов нет")
+    for run in runs:
+        await _cancel_run(run, db)
     await db.commit()
-    celery_app.send_task("index.run_parser", args=[source_id], queue="queue.index")
-    return {"status": "started", "source_id": source_id}
+    return {"cancelled": len(runs), "source_id": source_id}
+
+
+@router.get("/sources/{source_id}/runs", response_model=list[ParseRunResponse])
+async def list_source_runs(
+    source_id: int,
+    limit: int = Query(20, le=100),
+    db: AsyncSession = Depends(get_db),
+) -> list[ParseRunResponse]:
+    rows = (
+        await db.execute(
+            select(ParseRun)
+            .where(ParseRun.source_id == source_id)
+            .order_by(ParseRun.started_at.desc())
+            .limit(limit)
+        )
+    ).scalars().all()
+    return [ParseRunResponse.model_validate(r) for r in rows]
+
+
+@router.get("/runs/active", response_model=list[ParseRunResponse])
+async def list_active_runs(db: AsyncSession = Depends(get_db)) -> list[ParseRunResponse]:
+    """Все прогоны в работе — для панели отладки и общей шкалы заливки."""
+    rows = (
+        await db.execute(
+            select(ParseRun)
+            .where(ParseRun.status.in_(RUN_ACTIVE_STATUSES))
+            .order_by(ParseRun.started_at)
+        )
+    ).scalars().all()
+    return [ParseRunResponse.model_validate(r) for r in rows]
+
+
+@router.get("/runs/{run_id}", response_model=ParseRunDetail)
+async def get_run(run_id: int, db: AsyncSession = Depends(get_db)) -> ParseRunDetail:
+    run = await db.get(ParseRun, run_id)
+    if run is None:
+        raise HTTPException(status_code=404, detail="Прогон не найден")
+    detail = ParseRunDetail.model_validate(run)
+    detail.log = run.log or []
+    return detail
+
+
+# ═══════════════════════════════════════════════════════════════════════════════
+# ЗАГРУЗКА РАБОТ В КОРПУС
+# ═══════════════════════════════════════════════════════════════════════════════
+UPLOAD_EXTENSIONS = {".pdf", ".docx", ".txt"}
+UPLOAD_MAX_BYTES = 100 * 1024 * 1024
+UPLOAD_CONTENT_TYPES = {
+    ".pdf": "application/pdf",
+    ".docx": "application/vnd.openxmlformats-officedocument.wordprocessingml.document",
+    ".txt": "text/plain",
+}
+
+
+@router.post("/documents/upload", status_code=202)
+async def upload_documents(files: list[UploadFile]) -> dict:
+    """Залить готовые работы прямо в базу сравнения (минуя проверку и отстойник).
+
+    Отличие от пользовательской загрузки (/documents/check): там файл проверяют
+    на плагиат, здесь он сам становится источником, с которым будут сравнивать.
+    """
+    if not files:
+        raise HTTPException(status_code=400, detail="Файлы не переданы")
+
+    accepted: list[dict] = []
+    rejected: list[dict] = []
+    minio = get_minio()
+
+    for file in files:
+        name = file.filename or "без имени"
+        ext = Path(name).suffix.lower()
+        if ext not in UPLOAD_EXTENSIONS:
+            rejected.append({"filename": name, "reason": f"формат {ext or '—'} не поддержан"})
+            continue
+
+        data = await file.read()
+        if not data:
+            rejected.append({"filename": name, "reason": "пустой файл"})
+            continue
+        if len(data) > UPLOAD_MAX_BYTES:
+            rejected.append({"filename": name, "reason": "больше 100 МБ"})
+            continue
+
+        minio_key = f"corpus-upload/{uuid.uuid4()}{ext}"
+        try:
+            minio.put_object(
+                bucket_name=settings.MINIO_BUCKET_DOCS,
+                object_name=minio_key,
+                data=io.BytesIO(data),
+                length=len(data),
+                content_type=UPLOAD_CONTENT_TYPES.get(ext, "application/octet-stream"),
+            )
+        except Exception as e:
+            logger.error("Загрузка %s в MinIO не удалась: %s", name, e)
+            rejected.append({"filename": name, "reason": "ошибка сохранения в хранилище"})
+            continue
+
+        celery_app.send_task(
+            "index.ingest_upload",
+            args=[minio_key, name],
+            kwargs={"meta": {"title": Path(name).stem}},
+            queue="queue.index",
+        )
+        accepted.append({"filename": name, "minio_key": minio_key, "bytes": len(data)})
+
+    logger.info("Админ залил в корпус: принято %d, отклонено %d", len(accepted), len(rejected))
+    return {"accepted": accepted, "rejected": rejected}
+
+
+# ═══════════════════════════════════════════════════════════════════════════════
+# ОТЛАДКА
+# ═══════════════════════════════════════════════════════════════════════════════
+def _vector_index_stats() -> dict:
+    """Реальное наполнение векторного индекса — спросить у worker-gpu.
+
+    Колонка `documents.faiss_id` для этого не годится: пометка остаётся и когда
+    вектор в индекс не попал, и когда индекс пересоздали после смены модели
+    эмбеддингов. Отладка, показывающая покрытие L3 по ней, завышает его в разы.
+    """
+    try:
+        result = celery_app.send_task("gpu.index_stats", queue="queue.gpu")
+        return result.get(timeout=10) or {}
+    except Exception as e:
+        return {"error": str(e)[:200] or type(e).__name__}
+
+
+def _celery_snapshot() -> dict:
+    """Живое состояние воркеров через Celery inspect (блокирующий вызов)."""
+    try:
+        insp = celery_app.control.inspect(timeout=4)
+        ping = insp.ping() or {}
+        active = insp.active() or {}
+        reserved = insp.reserved() or {}
+        stats = insp.stats() or {}
+    except Exception as e:
+        return {"error": str(e)[:200], "workers": []}
+
+    workers = []
+    for name in sorted(set(ping) | set(stats)):
+        wstats = stats.get(name, {})
+        workers.append({
+            "name": name,
+            "concurrency": (wstats.get("pool") or {}).get("max-concurrency"),
+            "reserved": len(reserved.get(name, [])),
+            "active": [
+                {
+                    "name": t.get("name"),
+                    "id": t.get("id"),
+                    # args целиком не отдаём: в них бывает текст работы целиком
+                    "args": str(t.get("args"))[:120],
+                    "started_ago_s": (
+                        round(datetime.utcnow().timestamp() - t["time_start"])
+                        if t.get("time_start") else None
+                    ),
+                }
+                for t in active.get(name, [])
+            ],
+        })
+    return {"workers": workers}
+
+
+@router.get("/debug")
+async def debug_snapshot(db: AsyncSession = Depends(get_db)) -> dict:
+    """Полный срез состояния системы для отладки заливки и проверок.
+
+    Один запрос вместо похода по пяти вкладкам: кто из воркеров жив и что
+    именно сейчас крутит, что копится в очередях, как наполняется корпус,
+    какие прогоны идут и на чём падали последние.
+    """
+    # Воркеры и статистика индекса — блокирующие вызовы Celery, в пул потоков,
+    # чтобы не вешать событийный цикл
+    celery_state = await run_in_threadpool(_celery_snapshot)
+    vector_stats = await run_in_threadpool(_vector_index_stats)
+
+    rmq = await _rabbitmq_queues()
+    queues = (
+        {"error": rmq["error"]}
+        if "error" in rmq
+        else {
+            name: {
+                "messages": q.get("messages", 0),
+                "unacked": q.get("messages_unacknowledged", 0),
+                "consumers": q.get("consumers", 0),
+            }
+            for name, q in sorted(rmq.items())
+        }
+    )
+
+    # ── Корпус ────────────────────────────────────────────────────────────────
+    docs_total = (await db.execute(select(func.count()).select_from(Document))).scalar_one()
+    docs_embedded = (
+        await db.execute(
+            select(func.count()).select_from(Document).where(Document.faiss_id.isnot(None))
+        )
+    ).scalar_one()
+    # count(*) по fingerprints — это десятки миллионов строк и секунды ожидания;
+    # для панели отладки достаточно оценки планировщика
+    fingerprints_est = (
+        await db.execute(text("SELECT reltuples::bigint FROM pg_class WHERE relname='fingerprints'"))
+    ).scalar() or 0
+
+    es_docs = None
+    try:
+        async with httpx.AsyncClient(timeout=5) as c:
+            resp = await c.get(f"{settings.ELASTICSEARCH_URL}/documents/_count")
+            if resp.status_code == 200:
+                es_docs = resp.json().get("count")
+    except Exception:
+        es_docs = None
+
+    # ── Источники и прогоны ───────────────────────────────────────────────────
+    src_rows = (
+        await db.execute(select(ParseSource.last_status, func.count()).group_by(ParseSource.last_status))
+    ).all()
+    active_runs = (
+        await db.execute(
+            select(ParseRun).where(ParseRun.status.in_(RUN_ACTIVE_STATUSES)).order_by(ParseRun.id)
+        )
+    ).scalars().all()
+    recent_failed_runs = (
+        await db.execute(
+            select(ParseRun)
+            .where(ParseRun.status.in_(("error", "partial")))
+            .order_by(ParseRun.started_at.desc())
+            .limit(10)
+        )
+    ).scalars().all()
+
+    # Зависший прогон: числится в работе, но воркер давно не отчитывался
+    stale_cutoff = datetime.utcnow() - timedelta(minutes=10)
+    stale_runs = [
+        r.id for r in active_runs
+        if r.status == "running" and (r.heartbeat_at is None or r.heartbeat_at < stale_cutoff)
+    ]
+
+    # ── Задачи пользователей ──────────────────────────────────────────────────
+    day_ago = datetime.utcnow() - timedelta(hours=24)
+    tasks_24h = dict(
+        (
+            await db.execute(
+                select(Task.status, func.count()).where(Task.created_at >= day_ago).group_by(Task.status)
+            )
+        ).all()
+    )
+    failed_tasks = (
+        await db.execute(
+            select(Task)
+            .where(Task.status == "failed")
+            .order_by(Task.created_at.desc())
+            .limit(10)
+        )
+    ).scalars().all()
+
+    # Зависшая проверка: числится в работе, но воркер давно её не трогал.
+    # Пользователь видит вечное «обрабатывается» — молча и без следов в логах,
+    # поэтому такие задачи должны быть видны в отладке (нашлись экземпляры,
+    # висевшие с мая).
+    #
+    # Возраст считает сама база: колонки в PostgreSQL — timestamptz, а модель
+    # объявляет их без зоны, и передача сюда Python-времени ломается на
+    # несовпадении (asyncpg отвергает aware-параметр, naive даёт неверный сдвиг).
+    stale_tasks = (
+        await db.execute(
+            text("""
+                SELECT public_id, type, created_at,
+                       round(extract(epoch FROM now() - coalesce(updated_at, created_at))
+                             / 3600.0, 1) AS stuck_hours
+                FROM tasks
+                WHERE status = 'processing'
+                  AND coalesce(updated_at, created_at) < now() - interval '2 hours'
+                ORDER BY created_at DESC
+                LIMIT 20
+            """)
+        )
+    ).all()
+
+    return {
+        "generated_at": datetime.utcnow().isoformat(timespec="seconds"),
+        "celery": celery_state,
+        "queues": queues,
+        "corpus": {
+            "documents": docs_total,
+            # Пометка в БД и реальное содержимое индекса расходятся — показываем
+            # обе величины, иначе покрытие L3 выглядит лучше, чем оно есть
+            "documents_marked_embedded": docs_embedded,
+            "vector_index": vector_stats,
+            "fingerprints_estimate": int(fingerprints_est),
+            "elasticsearch_documents": es_docs,
+        },
+        "sources": {
+            "by_status": dict(src_rows),
+            "active_runs": [ParseRunResponse.model_validate(r).model_dump() for r in active_runs],
+            "stale_run_ids": stale_runs,
+            "recent_problem_runs": [
+                ParseRunResponse.model_validate(r).model_dump() for r in recent_failed_runs
+            ],
+        },
+        "tasks_24h": tasks_24h,
+        "recent_failed_tasks": [
+            {
+                "public_id": t.public_id,
+                "type": t.type,
+                "error": (t.error or "")[:200],
+                "created_at": t.created_at,
+            }
+            for t in failed_tasks
+        ],
+        "stale_tasks": [
+            {
+                "public_id": t.public_id,
+                "type": t.type,
+                "created_at": t.created_at,
+                "stuck_hours": float(t.stuck_hours),
+            }
+            for t in stale_tasks
+        ],
+        # Ключи бэкендов задаются в .env (генерируется из Infisical) и влияют на
+        # поведение воркеров — при разборе «почему не так считает» нужны первыми
+        "config": {
+            "environment": settings.ENVIRONMENT,
+            "embed_backend": os.environ.get("EMBED_BACKEND", "ollama"),
+            "llm_backend": os.environ.get("LLM_BACKEND", "ollama"),
+            "vector_backend": os.environ.get("VECTOR_BACKEND", "faiss"),
+            "embed_model": os.environ.get("EMBED_MODEL", "—"),
+            "fetch_full_text": os.environ.get("FETCH_FULL_TEXT", "false"),
+            "auto_approve_submissions": os.environ.get("AUTO_APPROVE_SUBMISSIONS", "false"),
+            "parser_time_budget_s": os.environ.get("PARSER_TIME_BUDGET_S", "1500"),
+            "ollama_url": settings.OLLAMA_URL,
+            "elasticsearch_url": settings.ELASTICSEARCH_URL,
+        },
+    }
 
 
 # ═══════════════════════════════════════════════════════════════════════════════

services/api/app/api/auth.py

@@ -1,13 +1,16 @@
-"""Роутер аутентификации: регистрация, вход, верификация email."""
+"""Роутер аутентификации: регистрация, вход, верификация email, OAuth."""
 
 import logging
 import secrets
 
-from fastapi import APIRouter, Depends, HTTPException, status
+from fastapi import APIRouter, Depends, HTTPException, Request, status
+from fastapi.responses import RedirectResponse
 from sqlalchemy import select
 from sqlalchemy.ext.asyncio import AsyncSession
 
+from app.config import settings
 from app.core.celery_app import celery_app
+from app.core.oauth import OAuthNotConfigured, OAuthUserInfo, exchange_code, get_authorize_url
 from app.core.security import (
     create_access_token,
     get_current_user,
@@ -30,6 +33,8 @@ logger = logging.getLogger(__name__)
 
 router = APIRouter(prefix="/auth", tags=["auth"])
 
+_OAUTH_PROVIDERS = {"google", "yandex"}
+
 
 @router.post("/register", response_model=TokenResponse, status_code=status.HTTP_201_CREATED)
 async def register(data: RegisterRequest, db: AsyncSession = Depends(get_db)) -> TokenResponse:
@@ -208,15 +213,22 @@ async def resend_verification(
             detail="Email уже подтверждён",
         )
 
-    if not current_user.verification_token:
-        current_user.verification_token = secrets.token_urlsafe(32)
+    # current_user из dependency может быть из Redis-кэша (без verification_token
+    # и не привязан к сессии — commit/refresh на нём не сработают) — грузим "живого"
+    result = await db.execute(select(User).where(User.id == current_user.id))
+    user = result.scalar_one_or_none()
+    if user is None:
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Пользователь не найден")
+
+    if not user.verification_token:
+        user.verification_token = secrets.token_urlsafe(32)
         await db.commit()
-        await db.refresh(current_user)
+        await db.refresh(user)
 
     try:
         celery_app.send_task(
             "notify.send_verification",
-            args=[current_user.email, current_user.name, current_user.verification_token],
+            args=[user.email, user.name, user.verification_token],
             queue="queue.notify",
         )
     except Exception as e:
@@ -247,3 +259,109 @@ async def verify_email(token: str, db: AsyncSession = Depends(get_db)) -> dict:
     await invalidate_user_cache(user.id)
 
     return {"message": "Email успешно подтверждён"}
+
+
+async def _get_or_create_oauth_user(
+    db: AsyncSession, provider: str, info: OAuthUserInfo
+) -> User:
+    """Найти пользователя по (provider, oauth_id), иначе по email (привязка
+    существующего аккаунта), иначе создать нового без пароля."""
+    result = await db.execute(
+        select(User).where(User.oauth_provider == provider, User.oauth_id == info.provider_id)
+    )
+    user = result.scalar_one_or_none()
+    if user:
+        return user
+
+    email = info.email.lower()
+    result = await db.execute(select(User).where(User.email == email))
+    user = result.scalar_one_or_none()
+    if user:
+        if not user.oauth_provider:
+            user.oauth_provider = provider
+            user.oauth_id = info.provider_id
+        if info.email_verified:
+            user.is_verified = True
+        await db.commit()
+        await db.refresh(user)
+        return user
+
+    user = User(
+        email=email,
+        hashed_password=None,
+        name=info.name,
+        is_verified=info.email_verified,
+        plan="free",
+        oauth_provider=provider,
+        oauth_id=info.provider_id,
+    )
+    db.add(user)
+    await db.commit()
+    await db.refresh(user)
+    return user
+
+
+@router.get("/{provider}/login", include_in_schema=False)
+async def oauth_login(provider: str) -> RedirectResponse:
+    """Редирект на экран согласия Google/Яндекс."""
+    if provider not in _OAUTH_PROVIDERS:
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Неизвестный провайдер")
+
+    state = secrets.token_urlsafe(24)
+    try:
+        url = get_authorize_url(provider, state)
+    except OAuthNotConfigured as e:
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail=f"Вход через {provider} временно недоступен",
+        ) from e
+
+    response = RedirectResponse(url)
+    response.set_cookie(
+        f"oauth_state_{provider}", state,
+        httponly=True, secure=True, samesite="lax", max_age=600,
+    )
+    return response
+
+
+@router.get("/{provider}/callback", include_in_schema=False)
+async def oauth_callback(
+    provider: str,
+    request: Request,
+    code: str | None = None,
+    state: str | None = None,
+    db: AsyncSession = Depends(get_db),
+) -> RedirectResponse:
+    """Колбэк провайдера: обменять code на профиль, найти/создать юзера, выдать JWT.
+
+    Токен передаётся фронту через URL-фрагмент (#token=...) — он не уходит на
+    сервер при последующих запросах и не попадает в логи/Referer, в отличие от
+    query-параметра. Фронт (страница /oauth/callback) читает его и вызывает
+    setAuth, как после обычного /login.
+    """
+    if provider not in _OAUTH_PROVIDERS:
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Неизвестный провайдер")
+
+    expected_state = request.cookies.get(f"oauth_state_{provider}")
+    if not code or not state or not expected_state or state != expected_state:
+        raise HTTPException(status_code=status.HTTP_400_BAD_REQUEST, detail="Невалидный OAuth-колбэк")
+
+    try:
+        info = await exchange_code(provider, code)
+    except OAuthNotConfigured as e:
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail=f"Вход через {provider} временно недоступен",
+        ) from e
+    except Exception as e:
+        logger.warning(f"OAuth {provider}: обмен кода не удался: {e}")
+        raise HTTPException(
+            status_code=status.HTTP_400_BAD_REQUEST, detail="Не удалось войти через провайдера"
+        ) from e
+
+    user = await _get_or_create_oauth_user(db, provider, info)
+    access_token = create_access_token({"sub": str(user.id)})
+
+    response = RedirectResponse(f"{settings.APP_URL}/oauth/callback#token={access_token}")
+    response.delete_cookie(f"oauth_state_{provider}")
+    return response

services/api/app/api/documents.py

@@ -11,7 +11,7 @@ from sqlalchemy.ext.asyncio import AsyncSession
 from app.config import settings
 from app.core.celery_app import celery_app
 from app.core.minio_client import get_minio
-from app.core.rate_limiter import acquire_concurrent_slot, check_and_increment_limit
+from app.core.rate_limiter import check_and_increment_limit, check_concurrent_limit
 from app.core.security import get_current_verified_user
 from app.database import get_db
 from app.models.task import Task
@@ -80,8 +80,7 @@ async def upload_for_plagiarism_check(
             headers={"Retry-After": "86400"},
         )
 
-    slot_acquired = await acquire_concurrent_slot(current_user.id, current_user.plan)
-    if not slot_acquired:
+    if not await check_concurrent_limit(db, current_user.id, current_user.plan):
         raise HTTPException(
             status_code=status.HTTP_429_TOO_MANY_REQUESTS,
             detail="Превышен лимит одновременных задач.",

services/api/app/api/reports.py

@@ -1,76 +0,0 @@
-"""Роутер для получения отчётов о выполненных задачах."""
-
-import logging
-
-from fastapi import APIRouter, Depends, HTTPException, status
-from sqlalchemy import select
-from sqlalchemy.ext.asyncio import AsyncSession
-
-from app.core.security import get_current_user
-from app.database import get_db
-from app.models.task import Task
-from app.models.user import User
-
-logger = logging.getLogger(__name__)
-
-router = APIRouter(prefix="/reports", tags=["reports"])
-
-
-@router.get("/{task_id}")
-async def get_report(
-    task_id: str,
-    current_user: User = Depends(get_current_user),
-    db: AsyncSession = Depends(get_db),
-) -> dict:
-    """
-    Получить готовый отчёт по задаче.
-
-    Возвращает task.result в зависимости от типа задачи:
-    - search: список источников с ГОСТ-цитатами
-    - plagiarism: детальный отчёт с совпадениями
-    - gost: отформатированная библиография
-    - summarize: краткое изложение
-    """
-    result = await db.execute(
-        select(Task).where(Task.id == task_id, Task.user_id == current_user.id)
-    )
-    task = result.scalar_one_or_none()
-
-    if task is None:
-        raise HTTPException(
-            status_code=status.HTTP_404_NOT_FOUND,
-            detail="Задача не найдена",
-        )
-
-    if task.status == "queued":
-        raise HTTPException(
-            status_code=status.HTTP_202_ACCEPTED,
-            detail="Задача ещё в очереди",
-        )
-
-    if task.status == "processing":
-        raise HTTPException(
-            status_code=status.HTTP_202_ACCEPTED,
-            detail="Задача ещё выполняется",
-        )
-
-    if task.status == "failed":
-        raise HTTPException(
-            status_code=status.HTTP_500_INTERNAL_SERVER_ERROR,
-            detail=f"Задача завершилась с ошибкой: {task.error}",
-        )
-
-    if task.result is None:
-        raise HTTPException(
-            status_code=status.HTTP_404_NOT_FOUND,
-            detail="Результат недоступен",
-        )
-
-    return {
-        "task_id": task.id,
-        "type": task.type,
-        "status": task.status,
-        "created_at": task.created_at.isoformat() if task.created_at else None,
-        "updated_at": task.updated_at.isoformat() if task.updated_at else None,
-        "result": task.result,
-    }

services/api/app/api/search.py

@@ -6,7 +6,7 @@ from fastapi import APIRouter, Depends, HTTPException, status
 from sqlalchemy.ext.asyncio import AsyncSession
 
 from app.core.celery_app import celery_app
-from app.core.rate_limiter import acquire_concurrent_slot, check_and_increment_limit
+from app.core.rate_limiter import check_and_increment_limit, check_concurrent_limit
 from app.core.security import get_current_verified_user
 from app.database import get_db
 from app.models.task import Task
@@ -46,9 +46,8 @@ async def create_search_task(
             headers={"Retry-After": "86400"},
         )
 
-    # Проверяем лимит одновременных задач (атомарно)
-    slot_acquired = await acquire_concurrent_slot(current_user.id, current_user.plan)
-    if not slot_acquired:
+    # Проверяем лимит одновременных задач (по факту в БД)
+    if not await check_concurrent_limit(db, current_user.id, current_user.plan):
         raise HTTPException(
             status_code=status.HTTP_429_TOO_MANY_REQUESTS,
             detail="Превышен лимит одновременных задач. Дождитесь завершения текущих.",

services/api/app/api/tasks.py

@@ -10,8 +10,10 @@ from fastapi import APIRouter, Depends, HTTPException, status
 from sqlalchemy import select
 from sqlalchemy.ext.asyncio import AsyncSession
 
+from app.core.minio_client import get_minio
 from app.core.security import get_current_user
 from app.database import get_db
+from app.models.admin import StagedWork
 from app.models.task import Task
 from app.models.user import User
 from app.schemas.tasks import TaskResponse
@@ -63,13 +65,49 @@ async def get_task(
     return TaskResponse.model_validate(task)
 
 
+@router.get("/{public_id}/text")
+async def get_task_text(
+    public_id: str,
+    current_user: User = Depends(get_current_user),
+    db: AsyncSession = Depends(get_db),
+) -> dict:
+    """Полный текст проверенного документа — для подсветки совпадений в интерфейсе.
+
+    Тот же текст, по которому worker-gpu считал position_start/position_end в
+    отчёте о плагиате (см. StagedWork.text_key — пишется в _stage_work при
+    извлечении, worker-indexer/app/tasks/index.py). Запись туда — best-effort
+    (сбой не валит саму проверку), поэтому текст доступен не для всех задач.
+    """
+    result = await db.execute(
+        select(Task).where(Task.public_id == public_id, Task.user_id == current_user.id)
+    )
+    task = result.scalar_one_or_none()
+    if task is None:
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Задача не найдена")
+
+    staged = (
+        await db.execute(select(StagedWork).where(StagedWork.task_id == task.id))
+    ).scalar_one_or_none()
+    if staged is None or not staged.text_key:
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Текст работы недоступен")
+
+    try:
+        obj = get_minio().get_object("staging", staged.text_key)
+        text = obj.read().decode("utf-8", errors="replace")
+    except Exception as e:
+        logger.warning(f"Не удалось прочитать текст задачи {public_id!r}: {e}")
+        raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Текст работы недоступен") from e
+
+    return {"text": text}
+
+
 @router.delete("/{public_id}", status_code=status.HTTP_204_NO_CONTENT)
 async def delete_task(
     public_id: str,
     current_user: User = Depends(get_current_user),
     db: AsyncSession = Depends(get_db),
 ) -> None:
-    """Удалить задачу. Нельзя удалить задачу в статусе 'processing'."""
+    """Удалить задачу."""
     result = await db.execute(
         select(Task).where(
             Task.public_id == public_id,
@@ -81,11 +119,5 @@ async def delete_task(
     if task is None:
         raise HTTPException(status_code=status.HTTP_404_NOT_FOUND, detail="Задача не найдена")
 
-    if task.status == "processing":
-        raise HTTPException(
-            status_code=status.HTTP_409_CONFLICT,
-            detail="Нельзя удалить задачу в процессе выполнения",
-        )
-
     await db.delete(task)
     await db.commit()

services/api/app/config.py

@@ -44,6 +44,13 @@ class Settings(BaseSettings):
     ALGORITHM: str = "HS256"
     ACCESS_TOKEN_EXPIRE_MINUTES: int = 10080  # 7 дней
 
+    # OAuth — вход через Google/Яндекс. Пусто = провайдер выключен (эндпоинты
+    # отвечают 503, кнопка на фронте не показывается).
+    GOOGLE_CLIENT_ID: str = ""
+    GOOGLE_CLIENT_SECRET: str = ""
+    YANDEX_CLIENT_ID: str = ""
+    YANDEX_CLIENT_SECRET: str = ""
+
     # SMTP
     SMTP_HOST: str = "mail.jze9mail.ru"
     SMTP_PORT: int = 587

services/api/app/core/oauth.py

@@ -0,0 +1,148 @@
+"""OAuth2 authorization-code flow для Google и Яндекс — без authlib, только httpx.
+
+Единый интерфейс для обоих провайдеров: get_authorize_url() формирует ссылку на
+экран согласия, exchange_code() меняет code на профиль пользователя. Асинхронно
+(httpx.AsyncClient) — синхронные вызовы блокировали бы event loop всего API на
+время внешнего запроса к Google/Яндекс.
+"""
+
+from dataclasses import dataclass
+from urllib.parse import urlencode
+
+import httpx
+
+from app.config import settings
+
+_TIMEOUT = 10.0
+
+
+class OAuthNotConfigured(Exception):
+    """Провайдер не настроен (пустой client_id/secret в конфиге)."""
+
+
+def _raise_for_status_verbose(resp: httpx.Response) -> None:
+    """Как raise_for_status(), но с телом ответа в сообщении — у Google/Яндекс
+    там error/error_description с точной причиной (invalid_client и т.п.),
+    без этого в логе только код статуса, причина не видна."""
+    try:
+        resp.raise_for_status()
+    except httpx.HTTPStatusError as e:
+        raise httpx.HTTPStatusError(
+            f"{e}: {resp.text[:500]}", request=e.request, response=e.response
+        ) from e
+
+
+@dataclass
+class OAuthUserInfo:
+    provider_id: str
+    email: str
+    name: str
+    email_verified: bool
+
+
+def _redirect_uri(provider: str) -> str:
+    return f"{settings.APP_URL}/api/auth/{provider}/callback"
+
+
+def _credentials(provider: str) -> tuple[str, str]:
+    if provider == "google":
+        client_id, secret = settings.GOOGLE_CLIENT_ID, settings.GOOGLE_CLIENT_SECRET
+    elif provider == "yandex":
+        client_id, secret = settings.YANDEX_CLIENT_ID, settings.YANDEX_CLIENT_SECRET
+    else:
+        raise ValueError(f"неизвестный OAuth-провайдер: {provider!r}")
+    if not client_id or not secret:
+        raise OAuthNotConfigured(provider)
+    return client_id, secret
+
+
+def get_authorize_url(provider: str, state: str) -> str:
+    """Собрать ссылку на экран согласия провайдера."""
+    client_id, _ = _credentials(provider)
+    redirect_uri = _redirect_uri(provider)
+
+    if provider == "google":
+        params = {
+            "client_id": client_id,
+            "redirect_uri": redirect_uri,
+            "response_type": "code",
+            "scope": "openid email profile",
+            "state": state,
+            "prompt": "select_account",
+        }
+        return f"https://accounts.google.com/o/oauth2/v2/auth?{urlencode(params)}"
+
+    params = {
+        "response_type": "code",
+        "client_id": client_id,
+        "redirect_uri": redirect_uri,
+        "state": state,
+    }
+    return f"https://oauth.yandex.ru/authorize?{urlencode(params)}"
+
+
+async def exchange_code(provider: str, code: str) -> OAuthUserInfo:
+    """Обменять authorization code на профиль пользователя у провайдера."""
+    client_id, client_secret = _credentials(provider)
+    redirect_uri = _redirect_uri(provider)
+
+    async with httpx.AsyncClient(timeout=_TIMEOUT) as client:
+        if provider == "google":
+            token_resp = await client.post(
+                "https://oauth2.googleapis.com/token",
+                data={
+                    "code": code,
+                    "client_id": client_id,
+                    "client_secret": client_secret,
+                    "redirect_uri": redirect_uri,
+                    "grant_type": "authorization_code",
+                },
+            )
+            _raise_for_status_verbose(token_resp)
+            access_token = token_resp.json()["access_token"]
+
+            info_resp = await client.get(
+                "https://www.googleapis.com/oauth2/v3/userinfo",
+                headers={"Authorization": f"Bearer {access_token}"},
+            )
+            _raise_for_status_verbose(info_resp)
+            info = info_resp.json()
+            email = info["email"]
+            return OAuthUserInfo(
+                provider_id=info["sub"],
+                email=email,
+                name=info.get("name") or email.split("@")[0],
+                email_verified=bool(info.get("email_verified", False)),
+            )
+
+        # yandex
+        token_resp = await client.post(
+            "https://oauth.yandex.ru/token",
+            data={
+                "grant_type": "authorization_code",
+                "code": code,
+                "client_id": client_id,
+                "client_secret": client_secret,
+            },
+        )
+        _raise_for_status_verbose(token_resp)
+        access_token = token_resp.json()["access_token"]
+
+        info_resp = await client.get(
+            "https://login.yandex.ru/info",
+            params={"format": "json"},
+            headers={"Authorization": f"OAuth {access_token}"},
+        )
+        _raise_for_status_verbose(info_resp)
+        info = info_resp.json()
+
+        email = info.get("default_email") or next(iter(info.get("emails") or []), None)
+        if not email:
+            raise ValueError("Яндекс не вернул email — нужно разрешение на доступ к почте")
+
+        return OAuthUserInfo(
+            provider_id=str(info["id"]),
+            email=email,
+            name=info.get("real_name") or info.get("display_name") or email.split("@")[0],
+            email_verified=True,  # Яндекс отдаёт только подтверждённые адреса
+        )

services/api/app/core/progress.py

@@ -0,0 +1,26 @@
+"""Пересчёт состояния прогона парсинга в шкалу загрузки — чистая логика.
+
+Стадии прогона несопоставимы по единицам (получено из API источника vs.
+записано в базу), а шкала в админке нужна одна. Формула живёт здесь одна на
+всех, чтобы не разъезжаться между списком источников, карточкой прогона и
+панелью отладки.
+"""
+
+# Прогоны, после которых двигаться уже некуда
+TERMINAL_STATUSES = frozenset({"done", "partial", "error", "cancelled"})
+
+
+def run_percent(status: str, stage: str, target: int, fetched: int, processed: int) -> float:
+    """Процент готовности: 0→50% — выборка из источника, 50→100% — индексация.
+
+    Завершённый прогон — всегда 100%, каким бы ни был исход: шкала показывает
+    «работа окончена», а исход — статус рядом с ней. Пока цель неизвестна
+    (target=0), выборка не даёт прогресса — рисуем 0.
+    """
+    if status in TERMINAL_STATUSES:
+        return 100.0
+    fetch_part = min(fetched / target, 1.0) * 50 if target > 0 else 0.0
+    if stage != "index":
+        return round(fetch_part, 1)
+    index_part = min(processed / fetched, 1.0) * 50 if fetched > 0 else 0.0
+    return round(fetch_part + index_part, 1)

services/api/app/core/rate_limiter.py

@@ -1,16 +1,27 @@
-"""Redis-based rate limiter с атомарными Lua-скриптами.
+"""Rate limiter: дневные/месячные лимиты — в Redis, лимит одновременных задач — в БД.
 
+Дневные/месячные лимиты (Redis, атомарные Lua-скрипты):
 Проблема наивного подхода (GET → проверка → INCR):
   - Race condition: 10 конкурентных запросов могут одновременно пройти GET,
     увидеть значение ниже лимита и все инкрементировать.
-
 Решение: один Lua-скрипт выполняется атомарно на стороне Redis.
 Redis гарантирует, что между командами внутри скрипта нет других операций.
+
+Лимит одновременных задач — НЕ Redis-счётчик. Раньше был acquire/release-счётчик
+(INCR при создании задачи, DECR при завершении) — но release_concurrent_slot()
+никогда не вызывался ни из одного воркера, так что счётчик только рос и лимит
+превышался навсегда (до часового TTL-автосброса), даже когда все задачи юзера
+давно завершены. Вместо ручного счётчика, который может рассинхронизироваться
+с реальностью, считаем активные задачи прямо по Task.status в Postgres —
+рассинхронизации тогда не может быть в принципе.
 """
 
 import logging
 from datetime import UTC, datetime
 
+from sqlalchemy import func, select
+from sqlalchemy.ext.asyncio import AsyncSession
+
 from app.core.redis_client import get_redis
 
 logger = logging.getLogger(__name__)
@@ -74,24 +85,6 @@ end
 return {new_val, 1}
 """
 
-# Атомарная проверка + инкремент счётчика одновременных задач.
-# Возвращает 1 если слот получен, 0 если превышен лимит.
-_LUA_ACQUIRE_CONCURRENT = """
-local key   = KEYS[1]
-local limit = tonumber(ARGV[1])
-local ttl   = tonumber(ARGV[2])
-
-local current = tonumber(redis.call('GET', key) or '0')
-if current >= limit then
-    return 0
-end
-
-redis.call('INCR', key)
-redis.call('EXPIRE', key, ttl)
-return 1
-"""
-
-
 def _period_suffix(period: str) -> str:
     now = datetime.now(UTC)
     return now.strftime("%Y-%m-%d") if period == "day" else now.strftime("%Y-%m")
@@ -136,33 +129,27 @@ async def check_and_increment_limit(
     }
 
 
-async def acquire_concurrent_slot(user_id: int, plan: str) -> bool:
+async def check_concurrent_limit(db: AsyncSession, user_id: int, plan: str) -> bool:
     """
-    Атомарно захватить слот одновременной задачи.
+    Проверить лимит одновременных задач по факту в БД (queued/processing).
+
+    Возможен редкий race (два запроса одновременно оба видят N-1 активных и
+    оба проходят) — на практике не критично для этого лимита (защита от
+    злоупотребления, не от превышения на единицу), а взамен исключён класс
+    багов "счётчик разошёлся с реальностью и завис навсегда".
 
     Returns:
-        True — слот получен (задачу можно создавать).
-        False — все слоты заняты.
+        True — лимит не превышен, задачу можно создавать.
     """
+    from app.models.task import Task  # избегаем circular import на уровне модуля
+
     limits = PLAN_LIMITS.get(plan, PLAN_LIMITS["free"])
     max_concurrent = limits.get("concurrent", 1)
 
-    r = get_redis()
-    result = await r.eval(
-        _LUA_ACQUIRE_CONCURRENT,
-        1,
-        f"concurrent:{user_id}",
-        max_concurrent,
-        3_600,  # TTL 1 час — автосброс если воркер упал не освободив слот
+    result = await db.execute(
+        select(func.count())
+        .select_from(Task)
+        .where(Task.user_id == user_id, Task.status.in_(("queued", "processing")))
     )
-    return bool(result)
-
-
-async def release_concurrent_slot(user_id: int) -> None:
-    """Освободить слот одновременной задачи после завершения."""
-    r = get_redis()
-    key = f"concurrent:{user_id}"
-    # DECR безопасен: Redis не уходит в отрицательные значения если мы контролируем acquire
-    current = await r.get(key)
-    if current and int(current) > 0:
-        await r.decr(key)
+    current = result.scalar_one()
+    return current < max_concurrent

services/api/app/core/security.py

@@ -2,6 +2,7 @@
 
 import json
 import logging
+from dataclasses import dataclass
 from datetime import UTC, datetime, timedelta
 from typing import Any
 
@@ -29,7 +30,11 @@ def hash_password(password: str) -> str:
     return pwd_context.hash(password)
 
 
-def verify_password(plain: str, hashed: str) -> bool:
+def verify_password(plain: str, hashed: str | None) -> bool:
+    # OAuth-пользователи не имеют пароля (hashed_password=None) — попытка
+    # войти паролем должна отвечать "неверный пароль", а не падать 500-й.
+    if hashed is None:
+        return False
     return pwd_context.verify(plain, hashed)
 
 
@@ -61,6 +66,28 @@ def _decode_token(token: str) -> int:
         ) from None
 
 
+@dataclass
+class CachedUser:
+    """Пользователь из Redis-кэша — обычный dataclass, НЕ SQLAlchemy-модель.
+
+    Раньше здесь был User.__new__(User) + __dict__.update(data) — казалось
+    эквивалентом, но замапленные атрибуты User (id, email, ...) — дескрипторы
+    данных: их __get__ обращается к self.impl, который берётся из InstanceState,
+    а у объекта, созданного в обход __init__/ORM-машинерии, состояния нет.
+    Итог — AttributeError на любое обращение к полю из кэша (нашли на
+    GET /tasks/{id}: current_user.id падал 500-й, как только юзер брался не
+    из БД, а из кэша). Обычный dataclass с теми же именами полей — просто
+    plain-атрибуты, без дескрипторов, падать нечему.
+    """
+
+    id: int
+    email: str
+    name: str
+    plan: str
+    is_verified: bool
+    is_admin: bool
+
+
 async def _load_user(user_id: int, db: AsyncSession):
     """Загрузить пользователя из Redis-кэша или из БД."""
     from app.models.user import User  # избегаем circular import на уровне модуля
@@ -71,12 +98,7 @@ async def _load_user(user_id: int, db: AsyncSession):
     # Пробуем кэш
     cached = await r.get(cache_key)
     if cached:
-        data = json.loads(cached)
-        # Возвращаем "живой" объект из БД только по id, но без лишнего SELECT
-        # Создаём User без ORM-связей (достаточно для проверок в роутерах)
-        u = User.__new__(User)
-        u.__dict__.update(data)
-        return u
+        return CachedUser(**json.loads(cached))
 
     # Кэш пустой — идём в БД
     result = await db.execute(select(User).where(User.id == user_id))

services/api/app/main.py

@@ -9,7 +9,7 @@ from fastapi.middleware.cors import CORSMiddleware
 from fastapi.responses import JSONResponse
 from prometheus_fastapi_instrumentator import Instrumentator
 
-from app.api import admin, auth, documents, reports, search, tasks
+from app.api import admin, auth, documents, search, tasks
 from app.config import settings
 from app.core.minio_client import ensure_bucket
 from app.core.redis_client import close_pool
@@ -78,7 +78,6 @@ app.include_router(auth.router,      prefix="/api")
 app.include_router(tasks.router,     prefix="/api")
 app.include_router(search.router,    prefix="/api")
 app.include_router(documents.router, prefix="/api")
-app.include_router(reports.router,   prefix="/api")
 app.include_router(admin.router,     prefix="/api")
 
 # ─── Метрики Prometheus ───────────────────────────────────────────────────────

services/api/app/models/admin.py

@@ -1,8 +1,8 @@
-"""Модели для админ-панели: источники парсинга, отстойник работ, сессии админа."""
+"""Модели для админ-панели: источники парсинга, прогоны, отстойник, сессии админа."""
 
 from datetime import datetime
 
-from sqlalchemy import JSON, ForeignKey, String, func
+from sqlalchemy import JSON, Boolean, ForeignKey, String, Text, func
 from sqlalchemy.orm import Mapped, mapped_column
 
 from app.database import Base
@@ -33,12 +33,63 @@ class ParseSource(Base):
     last_error: Mapped[str | None] = mapped_column(nullable=True)
     last_run_at: Mapped[datetime | None] = mapped_column(nullable=True)
     docs_added: Mapped[int] = mapped_column(default=0)
+    # Последний (пока идёт — текущий) прогон, см. ParseRun
+    last_run_id: Mapped[int | None] = mapped_column(nullable=True)
+    # Позиция продолжения для массовых источников: номер статьи в дампе
+    # Википедии или токен страницы бакета PMC
+    resume_token: Mapped[str | None] = mapped_column(Text, nullable=True)
     created_at: Mapped[datetime] = mapped_column(server_default=func.now())
 
     def __repr__(self) -> str:
         return f"<ParseSource id={self.id} type={self.source_type!r} name={self.name!r}>"
 
 
+class ParseRun(Base):
+    """Один прогон парсинга источника: счётчики прогресса + журнал событий.
+
+    Пишется воркером (index.run_parser) на каждом тике прогресса, читается
+    админкой для шкалы загрузки и отладки — по нему видно не только «упало»,
+    но и где именно: на какой стадии, сколько получено/проиндексировано,
+    сколько дублей и ошибок отдельных документов.
+    """
+
+    __tablename__ = "parse_runs"
+
+    id: Mapped[int] = mapped_column(primary_key=True, autoincrement=True)
+    source_id: Mapped[int] = mapped_column(
+        ForeignKey("parse_sources.id", ondelete="CASCADE"), nullable=False, index=True
+    )
+    celery_task_id: Mapped[str | None] = mapped_column(String(64), nullable=True)
+    # queued / running / done / partial / error / cancelled
+    status: Mapped[str] = mapped_column(String(20), default="queued", index=True)
+    # queued / fetch / index / finished
+    stage: Mapped[str] = mapped_column(String(20), default="queued")
+    # Цель прогона (limit источника) и фактические счётчики
+    target: Mapped[int] = mapped_column(default=0)
+    fetched: Mapped[int] = mapped_column(default=0)
+    processed: Mapped[int] = mapped_column(default=0)
+    added: Mapped[int] = mapped_column(default=0)
+    duplicates: Mapped[int] = mapped_column(default=0)
+    # Мусор от источника (без title/ext_id) — не то же самое, что ошибка
+    skipped: Mapped[int] = mapped_column(default=0)
+    failed: Mapped[int] = mapped_column(default=0)
+    # Кооперативная отмена: воркер сам проверяет флаг между документами
+    cancel_requested: Mapped[bool] = mapped_column(Boolean, default=False)
+    error: Mapped[str | None] = mapped_column(Text, nullable=True)
+    # [{"ts": ISO8601, "level": "info|warning|error", "msg": str}]
+    log: Mapped[list | None] = mapped_column(JSON, default=list)
+    # Постановка в очередь (строку создаёт API) и реальный старт выполнения:
+    # между ними при массовом запуске проходят часы, мешать их нельзя
+    started_at: Mapped[datetime] = mapped_column(server_default=func.now(), index=True)
+    run_started_at: Mapped[datetime | None] = mapped_column(nullable=True)
+    # Последний признак жизни: по нему видно зависший прогон (running, но тишина)
+    heartbeat_at: Mapped[datetime | None] = mapped_column(nullable=True)
+    finished_at: Mapped[datetime | None] = mapped_column(nullable=True)
+
+    def __repr__(self) -> str:
+        return f"<ParseRun id={self.id} source={self.source_id} status={self.status!r}>"
+
+
 class StagedWork(Base):
     """Отстойник: проверенная пользовательская работа, ожидающая решения админа.
 

services/api/app/models/user.py

@@ -20,8 +20,13 @@ class User(Base):
 
     id: Mapped[int] = mapped_column(primary_key=True, autoincrement=True)
     email: Mapped[str] = mapped_column(String(255), unique=True, index=True, nullable=False)
-    hashed_password: Mapped[str] = mapped_column(String(255), nullable=False)
+    # Nullable: пользователи, вошедшие через OAuth, пароля не заводят
+    hashed_password: Mapped[str | None] = mapped_column(String(255), nullable=True)
     name: Mapped[str] = mapped_column(String(255), nullable=False)
+    # OAuth-провайдер ("google" / "yandex") и id пользователя у провайдера.
+    # Пара уникальна (см. миграцию 004) — один аккаунт провайдера не привязать дважды.
+    oauth_provider: Mapped[str | None] = mapped_column(String(20), nullable=True)
+    oauth_id: Mapped[str | None] = mapped_column(String(255), nullable=True)
     is_verified: Mapped[bool] = mapped_column(default=False)
     # Администратор системы (доступ к админ-панели)
     is_admin: Mapped[bool] = mapped_column(default=False)

services/api/app/schemas/admin.py

@@ -3,7 +3,9 @@
 from datetime import datetime
 from typing import Any
 
-from pydantic import BaseModel, Field
+from pydantic import BaseModel, Field, computed_field
+
+from app.core.progress import run_percent
 
 
 # ─── Сессия доступа ───────────────────────────────────────────────────────────
@@ -61,9 +63,66 @@ class AdminDocumentResponse(BaseModel):
     model_config = {"from_attributes": True}
 
 
+# ─── Прогоны парсинга ─────────────────────────────────────────────────────────
+class ParseRunResponse(BaseModel):
+    """Состояние прогона для шкалы загрузки (без журнала — он в ParseRunDetail)."""
+
+    id: int
+    source_id: int
+    status: str
+    stage: str
+    target: int
+    fetched: int
+    processed: int
+    added: int
+    duplicates: int
+    skipped: int
+    failed: int
+    cancel_requested: bool = False
+    error: str | None = None
+    # started_at — постановка в очередь, run_started_at — реальный старт работы
+    started_at: datetime
+    run_started_at: datetime | None = None
+    heartbeat_at: datetime | None = None
+    finished_at: datetime | None = None
+
+    model_config = {"from_attributes": True}
+
+    @computed_field  # type: ignore[prop-decorator]
+    @property
+    def percent(self) -> float:
+        return run_percent(self.status, self.stage, self.target, self.fetched, self.processed)
+
+    @computed_field  # type: ignore[prop-decorator]
+    @property
+    def queued_s(self) -> float | None:
+        """Сколько прогон ждал своей очереди, сек."""
+        if self.run_started_at is None:
+            return None
+        return round((self.run_started_at - self.started_at).total_seconds(), 1)
+
+    @computed_field  # type: ignore[prop-decorator]
+    @property
+    def duration_s(self) -> float | None:
+        """Сколько прогон реально работал, сек (None — ещё идёт или не начинался).
+
+        Прогоны до появления run_started_at (миграция 006) остаются без
+        длительности: у них известен только момент постановки в очередь.
+        """
+        if self.run_started_at is None or self.finished_at is None:
+            return None
+        return round((self.finished_at - self.run_started_at).total_seconds(), 1)
+
+
+class ParseRunDetail(ParseRunResponse):
+    log: list[dict[str, Any]] = Field(default_factory=list)
+
+
 # ─── Источники парсинга ───────────────────────────────────────────────────────
 class ParseSourceCreate(BaseModel):
-    source_type: str = Field(description="openalex / cyberleninka / arxiv")
+    source_type: str = Field(
+        description="openalex / cyberleninka / arxiv / pmc / wikipedia_ru / pmc_bulk"
+    )
     name: str = Field(min_length=1, max_length=255)
     query: str | None = None
     lang: str | None = None
@@ -98,10 +157,27 @@ class ParseSourceResponse(BaseModel):
     last_run_at: datetime | None = None
     docs_added: int
     created_at: datetime
+    # Последний (или текущий) прогон — источник данных для шкалы в списке
+    last_run: ParseRunResponse | None = None
 
     model_config = {"from_attributes": True}
 
 
+class ParseSourceBulkCreate(BaseModel):
+    """Пакетное добавление: один тип/лимит, много запросов (по строке на тему)."""
+
+    source_type: str = Field(
+        description="openalex / cyberleninka / arxiv / pmc / wikipedia_ru / pmc_bulk"
+    )
+    queries: list[str] = Field(min_length=1, max_length=500)
+    name_prefix: str = ""
+    lang: str | None = None
+    year_from: int | None = None
+    year_to: int | None = None
+    limit: int = Field(default=1000, ge=1, le=100000)
+    run_now: bool = False
+
+
 # ─── Отстойник ────────────────────────────────────────────────────────────────
 class StagedWorkResponse(BaseModel):
     id: int

services/api/conftest.py

@@ -0,0 +1,6 @@
+"""Добавляет корень сервиса в sys.path, чтобы тесты импортировали пакет `app`."""
+
+import os
+import sys
+
+sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

services/api/pytest.ini

@@ -0,0 +1,3 @@
+[pytest]
+testpaths = tests
+addopts = -q

services/api/requirements-test.txt

@@ -0,0 +1,4 @@
+# Зависимости для юнит-тестов api (чистая логика OAuth URL-билдера, без сети/БД).
+pytest==8.2.0
+pydantic-settings==2.2.1
+httpx==0.27.0

services/api/tests/test_oauth.py

@@ -0,0 +1,75 @@
+"""Юнит-тесты сборки OAuth-ссылок (app.core.oauth) — чистая логика, без сети."""
+
+from urllib.parse import parse_qs, urlparse
+
+import pytest
+from app.config import settings
+from app.core.oauth import OAuthNotConfigured, _redirect_uri, get_authorize_url
+
+
+@pytest.fixture(autouse=True)
+def _clear_oauth_settings(monkeypatch):
+    """По умолчанию оба провайдера не настроены — как на чистой инсталляции."""
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_ID", "")
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_SECRET", "")
+    monkeypatch.setattr(settings, "YANDEX_CLIENT_ID", "")
+    monkeypatch.setattr(settings, "YANDEX_CLIENT_SECRET", "")
+
+
+def test_redirect_uri_matches_registered_pattern():
+    assert _redirect_uri("google") == f"{settings.APP_URL}/api/auth/google/callback"
+    assert _redirect_uri("yandex") == f"{settings.APP_URL}/api/auth/yandex/callback"
+
+
+def test_not_configured_raises(monkeypatch):
+    with pytest.raises(OAuthNotConfigured):
+        get_authorize_url("google", "state123")
+    with pytest.raises(OAuthNotConfigured):
+        get_authorize_url("yandex", "state123")
+
+
+def test_unknown_provider_raises_value_error(monkeypatch):
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_ID", "id")
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_SECRET", "secret")
+    with pytest.raises(ValueError):
+        get_authorize_url("facebook", "state123")
+
+
+def test_google_authorize_url_structure(monkeypatch):
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_ID", "my-client-id")
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_SECRET", "my-secret")
+
+    url = get_authorize_url("google", "the-state")
+    parsed = urlparse(url)
+    qs = parse_qs(parsed.query)
+
+    assert parsed.netloc == "accounts.google.com"
+    assert qs["client_id"] == ["my-client-id"]
+    assert qs["redirect_uri"] == [f"{settings.APP_URL}/api/auth/google/callback"]
+    assert qs["response_type"] == ["code"]
+    assert qs["state"] == ["the-state"]
+    assert "email" in qs["scope"][0]
+
+
+def test_yandex_authorize_url_structure(monkeypatch):
+    monkeypatch.setattr(settings, "YANDEX_CLIENT_ID", "my-yandex-id")
+    monkeypatch.setattr(settings, "YANDEX_CLIENT_SECRET", "my-yandex-secret")
+
+    url = get_authorize_url("yandex", "the-state")
+    parsed = urlparse(url)
+    qs = parse_qs(parsed.query)
+
+    assert parsed.netloc == "oauth.yandex.ru"
+    assert qs["client_id"] == ["my-yandex-id"]
+    assert qs["redirect_uri"] == [f"{settings.APP_URL}/api/auth/yandex/callback"]
+    assert qs["state"] == ["the-state"]
+
+
+def test_state_is_url_encoded_safely(monkeypatch):
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_ID", "id")
+    monkeypatch.setattr(settings, "GOOGLE_CLIENT_SECRET", "secret")
+
+    # state со спецсимволами не должен ломать ссылку
+    url = get_authorize_url("google", "abc&def=1")
+    qs = parse_qs(urlparse(url).query)
+    assert qs["state"] == ["abc&def=1"]

services/api/tests/test_progress.py

@@ -0,0 +1,86 @@
+"""Юнит-тесты шкалы загрузки и таймингов прогонов — чистая логика, без БД."""
+
+from datetime import datetime
+
+from app.core.progress import run_percent
+from app.schemas.admin import ParseRunResponse
+
+
+def test_queued_run_shows_nothing_done():
+    assert run_percent("queued", "queued", target=100, fetched=0, processed=0) == 0.0
+
+
+def test_fetch_stage_fills_first_half():
+    assert run_percent("running", "fetch", target=100, fetched=50, processed=0) == 25.0
+    assert run_percent("running", "fetch", target=100, fetched=100, processed=0) == 50.0
+
+
+def test_index_stage_fills_second_half():
+    # Выборка закончена (50%), проиндексирована половина полученного → 75%
+    assert run_percent("running", "index", target=100, fetched=100, processed=50) == 75.0
+    assert run_percent("running", "index", target=100, fetched=100, processed=100) == 100.0
+
+
+def test_partial_fetch_does_not_inflate_index_progress():
+    """Источник отдал меньше лимита: выборка даёт свои 20%, индексация — свои."""
+    percent = run_percent("running", "index", target=100, fetched=40, processed=20)
+    assert percent == 45.0  # 20% за выборку + 25% за половину индексации
+
+
+def test_unknown_target_gives_zero_instead_of_division_error():
+    assert run_percent("running", "fetch", target=0, fetched=17, processed=0) == 0.0
+    assert run_percent("running", "index", target=0, fetched=0, processed=0) == 0.0
+
+
+def test_overshoot_is_clamped():
+    """Источник может вернуть больше лимита — шкала не должна уезжать за 100%."""
+    assert run_percent("running", "fetch", target=10, fetched=99, processed=0) == 50.0
+    assert run_percent("running", "index", target=10, fetched=10, processed=99) == 100.0
+
+
+def test_finished_runs_are_always_full():
+    """Шкала показывает «работа окончена», исход виден по статусу рядом."""
+    for status in ("done", "partial", "error", "cancelled"):
+        assert run_percent(status, "finished", target=100, fetched=3, processed=1) == 100.0
+
+
+# ─── Тайминги прогона в схеме ответа ─────────────────────────────────────────
+# Регрессия, ради которой они и разделены: в отладке «длительность прогона»
+# показывала время ожидания в очереди (часы) вместо времени работы (секунды).
+
+
+def _run(**over) -> ParseRunResponse:
+    base = {
+        "id": 1, "source_id": 1, "status": "done", "stage": "finished", "target": 100,
+        "fetched": 100, "processed": 100, "added": 10, "duplicates": 90,
+        "skipped": 0, "failed": 0,
+        "started_at": datetime(2026, 8, 27, 12, 0, 0),
+        "run_started_at": datetime(2026, 8, 27, 14, 0, 0),
+        "finished_at": datetime(2026, 8, 27, 14, 0, 50),
+    }
+    base.update(over)
+    return ParseRunResponse(**base)
+
+
+def test_queued_and_duration_are_measured_separately():
+    r = _run()
+    assert r.queued_s == 7200.0  # два часа в очереди
+    assert r.duration_s == 50.0  # полминуты работы
+
+
+def test_no_durations_until_worker_picked_run_up():
+    r = _run(status="queued", stage="queued", run_started_at=None, finished_at=None)
+    assert r.queued_s is None
+    assert r.duration_s is None
+
+
+def test_running_run_has_wait_but_no_duration_yet():
+    r = _run(status="running", stage="index", finished_at=None)
+    assert r.queued_s == 7200.0
+    assert r.duration_s is None
+
+
+def test_legacy_runs_report_no_duration_instead_of_queue_time():
+    """Прогоны до миграции 006: длительности нет — но и вранья тоже."""
+    r = _run(run_started_at=None)
+    assert r.duration_s is None

services/frontend/src/api/client.ts

@@ -58,6 +58,9 @@ export const tasksApi = {
   get: (taskId: string) =>
     api.get(`/tasks/${taskId}`),
 
+  getText: (taskId: string) =>
+    api.get(`/tasks/${taskId}/text`),
+
   delete: (taskId: string) =>
     api.delete(`/tasks/${taskId}`),
 };
@@ -83,11 +86,6 @@ export const documentsApi = {
   },
 };
 
-export const reportsApi = {
-  get: (taskId: string) =>
-    api.get(`/reports/${taskId}`),
-};
-
 // ─── Админка ────────────────────────────────────────────────────────────────
 export const adminApi = {
   openSession: () => api.post('/admin/session'),
@@ -116,9 +114,28 @@ export const adminApi = {
 
   sources: () => api.get('/admin/sources'),
   createSource: (data: Record<string, unknown>) => api.post('/admin/sources', data),
+  createSourcesBulk: (data: Record<string, unknown>) => api.post('/admin/sources/bulk', data),
   updateSource: (id: number, data: Record<string, unknown>) => api.patch(`/admin/sources/${id}`, data),
   deleteSource: (id: number) => api.delete(`/admin/sources/${id}`),
   runSource: (id: number) => api.post(`/admin/sources/${id}/run`),
+  cancelSource: (id: number) => api.post(`/admin/sources/${id}/cancel`),
+  runAllSources: (sourceType?: string) =>
+    api.post('/admin/sources/run-all', null, { params: sourceType ? { source_type: sourceType } : undefined }),
+  stopAllSources: () => api.post('/admin/sources/stop-all'),
+  sourceRuns: (id: number) => api.get(`/admin/sources/${id}/runs`),
+  activeRuns: () => api.get('/admin/runs/active'),
+  run: (runId: number) => api.get(`/admin/runs/${runId}`),
+
+  debug: () => api.get('/admin/debug'),
+
+  uploadDocuments: (files: File[]) => {
+    const form = new FormData();
+    files.forEach((f) => form.append('files', f));
+    return api.post('/admin/documents/upload', form, {
+      headers: { 'Content-Type': 'multipart/form-data' },
+      timeout: 300000, // пачка файлов грузится дольше одиночной проверки
+    });
+  },
 
   staging: (params?: { status?: string; limit?: number; offset?: number }) =>
     api.get('/admin/staging', { params }),

services/frontend/src/components/HighlightedDocument.tsx

@@ -0,0 +1,153 @@
+import { useMemo, useState } from 'react';
+import { ChevronDown, ChevronUp, Loader2 } from 'lucide-react';
+import { useQuery } from '@tanstack/react-query';
+import { tasksApi } from '../api/client';
+import type { PlagiarismMatch, PlagiarismRecommendation } from '../types';
+
+interface HighlightedDocumentProps {
+  taskId: string;
+  matches: PlagiarismMatch[];
+  recommendations?: PlagiarismRecommendation[];
+}
+
+type HighlightKind = 'uncited' | 'cited' | 'recommendation';
+
+interface HighlightRange {
+  start: number;
+  end: number;
+  kind: HighlightKind;
+  label: string;
+}
+
+interface Segment {
+  text: string;
+  kind: HighlightKind | null;
+  label: string;
+}
+
+// Приоритет при пересечении диапазонов — некорректное заимствование важнее
+// цитаты, цитата важнее просто «похоже по теме».
+const KIND_PRIORITY: Record<HighlightKind, number> = { uncited: 3, cited: 2, recommendation: 1 };
+
+const KIND_STYLE: Record<HighlightKind, string> = {
+  uncited: 'bg-red-200/70 text-red-900',
+  cited: 'bg-blue-100 text-blue-900',
+  recommendation: 'bg-teal-100 text-teal-900',
+};
+
+function buildSegments(text: string, ranges: HighlightRange[]): Segment[] {
+  if (!text) return [];
+  if (ranges.length === 0) return [{ text, kind: null, label: '' }];
+
+  const points = new Set<number>([0, text.length]);
+  for (const r of ranges) {
+    points.add(Math.max(0, Math.min(r.start, text.length)));
+    points.add(Math.max(0, Math.min(r.end, text.length)));
+  }
+  const bounds = Array.from(points).sort((a, b) => a - b);
+
+  const segments: Segment[] = [];
+  for (let i = 0; i < bounds.length - 1; i++) {
+    const segStart = bounds[i];
+    const segEnd = bounds[i + 1];
+    if (segStart >= segEnd) continue;
+
+    const covering = ranges.filter((r) => r.start < segEnd && r.end > segStart);
+    if (covering.length === 0) {
+      segments.push({ text: text.slice(segStart, segEnd), kind: null, label: '' });
+      continue;
+    }
+    covering.sort((a, b) => KIND_PRIORITY[b.kind] - KIND_PRIORITY[a.kind]);
+    const label = Array.from(new Set(covering.map((c) => c.label))).join(' · ');
+    segments.push({ text: text.slice(segStart, segEnd), kind: covering[0].kind, label });
+  }
+  return segments;
+}
+
+export function HighlightedDocument({ taskId, matches, recommendations }: HighlightedDocumentProps) {
+  const [open, setOpen] = useState(true);
+
+  const { data: text, isLoading, isError } = useQuery({
+    queryKey: ['task-text', taskId],
+    queryFn: () => tasksApi.getText(taskId).then((r) => r.data.text as string),
+    enabled: open,
+    retry: false,
+    staleTime: Infinity,
+  });
+
+  const ranges = useMemo<HighlightRange[]>(() => {
+    const fromMatches: HighlightRange[] = matches.map((m) => ({
+      start: m.position_start,
+      end: m.position_end,
+      kind: m.cited ? 'cited' : 'uncited',
+      label: `${m.source_title} — ${m.similarity.toFixed(0)}%`,
+    }));
+    const fromRecs: HighlightRange[] = (recommendations || []).map((r) => ({
+      start: r.position_start,
+      end: r.position_end,
+      kind: 'recommendation',
+      label: `Похоже по теме: ${r.source_title} — ${r.similarity.toFixed(0)}%`,
+    }));
+    return [...fromMatches, ...fromRecs];
+  }, [matches, recommendations]);
+
+  const segments = useMemo(() => (text ? buildSegments(text, ranges) : []), [text, ranges]);
+
+  return (
+    <div className="border border-gray-200 rounded-xl overflow-hidden">
+      <button
+        onClick={() => setOpen((v) => !v)}
+        className="w-full flex items-center justify-between px-4 py-3 bg-gray-50 hover:bg-gray-100 transition-colors text-sm font-medium text-gray-700"
+      >
+        Текст работы с подсветкой совпадений
+        {open ? <ChevronUp className="w-4 h-4" /> : <ChevronDown className="w-4 h-4" />}
+      </button>
+
+      {open && (
+        <div className="p-4">
+          {isLoading && (
+            <div className="flex items-center gap-2 text-sm text-gray-400 py-6 justify-center">
+              <Loader2 className="w-4 h-4 animate-spin" /> Загрузка текста...
+            </div>
+          )}
+          {isError && (
+            <p className="text-sm text-gray-400 py-6 text-center">
+              Текст работы для этой проверки недоступен.
+            </p>
+          )}
+          {!!text && (
+            <>
+              <div className="flex flex-wrap items-center gap-4 mb-3 text-xs text-gray-500">
+                <span className="flex items-center gap-1.5">
+                  <span className="w-3 h-3 rounded-sm bg-red-200/70 inline-block" /> заимствование
+                </span>
+                <span className="flex items-center gap-1.5">
+                  <span className="w-3 h-3 rounded-sm bg-blue-100 inline-block" /> цитата
+                </span>
+                <span className="flex items-center gap-1.5">
+                  <span className="w-3 h-3 rounded-sm bg-teal-100 inline-block" /> похоже по теме
+                </span>
+              </div>
+              {ranges.length === 0 && (
+                <p className="text-xs text-gray-400 mb-3">
+                  В этой проверке подсвечивать нечего — совпадений и похожих по теме источников не найдено.
+                </p>
+              )}
+              <div className="text-sm leading-relaxed text-gray-800 whitespace-pre-wrap max-h-[600px] overflow-y-auto pr-1">
+                {segments.map((seg, i) =>
+                  seg.kind ? (
+                    <span key={i} title={seg.label} className={`${KIND_STYLE[seg.kind]} rounded px-0.5 cursor-help`}>
+                      {seg.text}
+                    </span>
+                  ) : (
+                    <span key={i}>{seg.text}</span>
+                  )
+                )}
+              </div>
+            </>
+          )}
+        </div>
+      )}
+    </div>
+  );
+}

services/frontend/src/components/OAuthButtons.tsx

@@ -0,0 +1,27 @@
+// Кнопки входа через Google/Яндекс — обычные <a>, не React Router Link:
+// это реальная навигация браузера на бэкенд (/api/auth/{provider}/login),
+// который редиректит на экран согласия провайдера, а не SPA-переход.
+export function OAuthButtons() {
+  return (
+    <div className="space-y-3">
+      <div className="flex items-center gap-3">
+        <div className="h-px flex-1 bg-gray-200" />
+        <span className="text-xs text-gray-400">или</span>
+        <div className="h-px flex-1 bg-gray-200" />
+      </div>
+
+      <a
+        href="/api/auth/google/login"
+        className="w-full flex items-center justify-center gap-2 py-2.5 border border-gray-200 rounded-xl text-sm font-medium text-gray-700 hover:bg-gray-50 transition-colors"
+      >
+        Продолжить с Google
+      </a>
+      <a
+        href="/api/auth/yandex/login"
+        className="w-full flex items-center justify-center gap-2 py-2.5 border border-gray-200 rounded-xl text-sm font-medium text-gray-700 hover:bg-gray-50 transition-colors"
+      >
+        Продолжить с Яндекс
+      </a>
+    </div>
+  );
+}

services/frontend/src/components/PlagiarismReport.tsx

@@ -1,9 +1,11 @@
-import { AlertTriangle, CheckCircle, Info } from 'lucide-react';
+import { AlertTriangle, CheckCircle, Info, Lightbulb } from 'lucide-react';
 import { clsx } from 'clsx';
 import type { PlagiarismResultData } from '../types';
+import { HighlightedDocument } from './HighlightedDocument';
 
 interface PlagiarismReportProps {
   data: PlagiarismResultData;
+  taskId: string;
 }
 
 function getSimilarityLevel(pct: number): {
@@ -46,12 +48,14 @@ const METHOD_LABELS: Record<string, string> = {
   'semantic+llm': 'Семантика + LLM',
 };
 
-export function PlagiarismReport({ data }: PlagiarismReportProps) {
+export function PlagiarismReport({ data, taskId }: PlagiarismReportProps) {
   const level = getSimilarityLevel(data.overall_similarity);
   const Icon = level.icon;
 
   return (
     <div className="space-y-6">
+      <HighlightedDocument taskId={taskId} matches={data.matches} recommendations={data.recommendations} />
+
       {/* Итоговый показатель */}
       <div className={clsx('p-6 rounded-xl border-2', level.bgColor, level.borderColor)}>
         <div className="flex items-center gap-4">
@@ -66,6 +70,12 @@ export function PlagiarismReport({ data }: PlagiarismReportProps) {
             <p className="text-sm text-gray-600 mt-1">
               Проверено фрагментов: {data.total_fragments} · Выявлено совпадений: {data.flagged_fragments}
             </p>
+            {!!data.cited_fragments && (
+              <p className="text-sm text-gray-500 mt-0.5">
+                из них корректно процитировано: {data.cited_fragments} · без указания источника:{' '}
+                {data.uncited_similarity?.toFixed(1)}%
+              </p>
+            )}
           </div>
         </div>
 
@@ -125,6 +135,14 @@ export function PlagiarismReport({ data }: PlagiarismReportProps) {
                   <span className="text-xs text-gray-400 px-2 py-0.5 bg-white rounded-full border border-gray-200">
                     {METHOD_LABELS[match.method] || match.method}
                   </span>
+                  {match.cited && (
+                    <span
+                      className="text-xs font-medium px-2 py-0.5 rounded-full bg-blue-100 text-blue-700"
+                      title="Похоже на корректно оформленную цитату (кавычки или ссылка с годом рядом)"
+                    >
+                      Цитата
+                    </span>
+                  )}
                 </div>
                 {/* Фрагмент */}
                 <div className="px-4 py-3">
@@ -159,6 +177,49 @@ export function PlagiarismReport({ data }: PlagiarismReportProps) {
           <p className="text-base font-medium">Совпадений не обнаружено</p>
         </div>
       )}
+
+      {/* Рекомендации по теме — тематически близкие работы, не заимствование */}
+      {!!data.recommendations?.length && (
+        <div>
+          <h3 className="flex items-center gap-1.5 text-base font-semibold text-gray-900 mb-1">
+            <Lightbulb className="w-4 h-4 text-blue-500" />
+            Похожие по теме работы ({data.recommendations.length})
+          </h3>
+          <p className="text-sm text-gray-500 mb-3">
+            Не заимствование — семантический поиск нашёл близкие по смыслу источники.
+            Могут пригодиться для раскрытия темы и списка литературы.
+          </p>
+          <div className="space-y-3">
+            {data.recommendations.map((rec, i) => (
+              <div key={i} className="border border-blue-100 bg-blue-50/40 rounded-xl overflow-hidden">
+                <div className="flex items-center gap-3 px-4 py-2.5 border-b border-blue-100">
+                  <span className="text-sm font-medium text-gray-700 flex-1 truncate">
+                    {rec.source_title}
+                  </span>
+                  <span className="text-xs font-medium px-2 py-0.5 rounded-full bg-blue-100 text-blue-700">
+                    {rec.similarity.toFixed(0)}% по смыслу
+                  </span>
+                </div>
+                <div className="px-4 py-3">
+                  <p className="text-sm text-gray-700 italic leading-relaxed line-clamp-2">
+                    «{rec.fragment}»
+                  </p>
+                  {rec.source_url && (
+                    <a
+                      href={rec.source_url}
+                      target="_blank"
+                      rel="noopener noreferrer"
+                      className="text-xs text-brand-600 hover:underline mt-1.5 inline-block"
+                    >
+                      Открыть источник →
+                    </a>
+                  )}
+                </div>
+              </div>
+            ))}
+          </div>
+        </div>
+      )}
     </div>
   );
 }

services/frontend/src/components/ProgressBar.tsx

@@ -0,0 +1,47 @@
+import { clsx } from 'clsx';
+
+/** Цвет шкалы = исход прогона: серый пока ждёт, синий в работе, дальше по итогу. */
+const BAR_COLORS: Record<string, string> = {
+  queued: 'bg-gray-300',
+  running: 'bg-brand-500',
+  done: 'bg-emerald-500',
+  partial: 'bg-amber-500',
+  cancelled: 'bg-gray-400',
+  error: 'bg-red-500',
+};
+
+interface ProgressBarProps {
+  percent: number;
+  status?: string;
+  /** Подпись слева под шкалой (что именно сейчас происходит) */
+  label?: string;
+  /** Показывать процент справа */
+  showPercent?: boolean;
+  className?: string;
+}
+
+export function ProgressBar({
+  percent,
+  status = 'running',
+  label,
+  showPercent = true,
+  className,
+}: ProgressBarProps) {
+  const value = Math.max(0, Math.min(100, percent));
+  return (
+    <div className={clsx('w-full', className)}>
+      <div className="h-2 w-full bg-gray-100 rounded-full overflow-hidden">
+        <div
+          className={clsx('h-full rounded-full transition-[width] duration-500', BAR_COLORS[status] || 'bg-brand-500')}
+          style={{ width: `${value}%` }}
+        />
+      </div>
+      {(label || showPercent) && (
+        <div className="flex justify-between mt-1 text-[11px] text-gray-500">
+          <span className="truncate">{label}</span>
+          {showPercent && <span className="tabular-nums shrink-0">{value.toFixed(0)}%</span>}
+        </div>
+      )}
+    </div>
+  );
+}

services/frontend/src/components/TaskCard.tsx

@@ -1,13 +1,14 @@
 import { Link } from 'react-router-dom';
 import { formatDistanceToNow } from 'date-fns';
 import { ru } from 'date-fns/locale';
-import { Search, FileText, BookOpen, AlignLeft, ChevronRight } from 'lucide-react';
+import { Search, FileText, BookOpen, AlignLeft, ChevronRight, Trash2 } from 'lucide-react';
 import { clsx } from 'clsx';
 import { StatusBadge } from './StatusBadge';
 import type { Task } from '../types';
 
 interface TaskCardProps {
   task: Task;
+  onDelete?: (publicId: string) => void;
 }
 
 const TYPE_CONFIG = {
@@ -63,7 +64,7 @@ function getTaskSummary(task: Task): string {
   return 'Результат готов';
 }
 
-export function TaskCard({ task }: TaskCardProps) {
+export function TaskCard({ task, onDelete }: TaskCardProps) {
   const config = TYPE_CONFIG[task.type] || TYPE_CONFIG.search;
   const Icon = config.icon;
   const summary = getTaskSummary(task);
@@ -94,6 +95,21 @@ export function TaskCard({ task }: TaskCardProps) {
           </p>
         </div>
 
+        {/* Удалить */}
+        {onDelete && (
+          <button
+            onClick={(e) => {
+              e.preventDefault();
+              e.stopPropagation();
+              if (confirm('Удалить задачу?')) onDelete(task.public_id);
+            }}
+            title="Удалить"
+            className="p-1.5 rounded-lg text-gray-300 hover:text-red-600 hover:bg-red-50 flex-shrink-0 transition-colors"
+          >
+            <Trash2 className="w-4 h-4" />
+          </button>
+        )}
+
         {/* Стрелка */}
         <ChevronRight className="w-4 h-4 text-gray-300 group-hover:text-brand-500 flex-shrink-0 transition-colors" />
       </div>

services/frontend/src/main.tsx

@@ -15,6 +15,7 @@ import { Task } from './pages/Task';
 import { Pricing } from './pages/Pricing';
 import { Login } from './pages/Login';
 import { Register } from './pages/Register';
+import { OAuthCallback } from './pages/OAuthCallback';
 import { VerifyEmail } from './pages/VerifyEmail';
 import { AdminLayout } from './pages/admin/AdminLayout';
 import { Dashboard } from './pages/admin/Dashboard';
@@ -24,6 +25,7 @@ import { Documents as AdminDocuments } from './pages/admin/Documents';
 import { Storage as AdminStorage } from './pages/admin/Storage';
 import { Sources as AdminSources } from './pages/admin/Sources';
 import { Staging as AdminStaging } from './pages/admin/Staging';
+import { Debug as AdminDebug } from './pages/admin/Debug';
 
 import './index.css';
 
@@ -51,6 +53,7 @@ function PublicApp() {
         <Route path="/pricing" element={<Pricing />} />
         <Route path="/login" element={<Login />} />
         <Route path="/register" element={<Register />} />
+        <Route path="/oauth/callback" element={<OAuthCallback />} />
         <Route path="/verify-email/:token" element={<VerifyEmail />} />
       </Routes>
     </Layout>
@@ -75,6 +78,7 @@ ReactDOM.createRoot(document.getElementById('root')!).render(
                   <Route path="storage" element={<AdminStorage />} />
                   <Route path="sources" element={<AdminSources />} />
                   <Route path="staging" element={<AdminStaging />} />
+                  <Route path="debug" element={<AdminDebug />} />
                   <Route path="*" element={<Dashboard />} />
                 </Routes>
               </AdminLayout>

services/frontend/src/pages/Cabinet.tsx

@@ -1,5 +1,5 @@
 import { Navigate, useNavigate, Link } from 'react-router-dom';
-import { useQuery } from '@tanstack/react-query';
+import { useQuery, useMutation, useQueryClient } from '@tanstack/react-query';
 import { Crown, Search, Shield, BookOpen, ShieldAlert, Settings as SettingsIcon } from 'lucide-react';
 import toast from 'react-hot-toast';
 import { TaskCard } from '../components/TaskCard';
@@ -17,6 +17,16 @@ const PLAN_BADGE_STYLES = {
 export function Cabinet() {
   const { isAuthenticated, user } = useAuthStore();
   const navigate = useNavigate();
+  const qc = useQueryClient();
+
+  const deleteTask = useMutation({
+    mutationFn: (publicId: string) => tasksApi.delete(publicId),
+    onSuccess: () => {
+      qc.invalidateQueries({ queryKey: ['tasks'] });
+      toast.success('Задача удалена');
+    },
+    onError: () => toast.error('Не удалось удалить задачу'),
+  });
 
   const openAdmin = async () => {
     try {
@@ -144,7 +154,7 @@ export function Cabinet() {
         {tasks && tasks.length > 0 && (
           <div className="space-y-2">
             {tasks.map((task) => (
-              <TaskCard key={task.public_id} task={task} />
+              <TaskCard key={task.public_id} task={task} onDelete={(id) => deleteTask.mutate(id)} />
             ))}
           </div>
         )}

services/frontend/src/pages/Login.tsx

@@ -4,6 +4,7 @@ import { useMutation } from '@tanstack/react-query';
 import { GraduationCap } from 'lucide-react';
 import toast from 'react-hot-toast';
 import { authApi } from '../api/client';
+import { OAuthButtons } from '../components/OAuthButtons';
 import { useAuthStore } from '../store/auth';
 import type { TokenResponse } from '../types';
 
@@ -78,6 +79,10 @@ export function Login() {
           </button>
         </form>
 
+        <div className="mt-4">
+          <OAuthButtons />
+        </div>
+
         <p className="text-center text-sm text-gray-400 mt-6">
           Нет аккаунта?{' '}
           <Link to="/register" className="text-brand-600 hover:underline font-medium">

services/frontend/src/pages/OAuthCallback.tsx

@@ -0,0 +1,45 @@
+import { useEffect } from 'react';
+import { useNavigate } from 'react-router-dom';
+import toast from 'react-hot-toast';
+import { api } from '../api/client';
+import { useAuthStore } from '../store/auth';
+import type { User } from '../types';
+
+// Токен приходит в URL-фрагменте (#token=...) после редиректа с бэкенда
+// (см. app/api/auth.py::oauth_callback) — фрагмент не уходит на сервер и не
+// попадает в логи/Referer, в отличие от query-параметра.
+export function OAuthCallback() {
+  const navigate = useNavigate();
+  const { setAuth } = useAuthStore();
+
+  useEffect(() => {
+    const params = new URLSearchParams(window.location.hash.slice(1));
+    const token = params.get('token');
+
+    if (!token) {
+      toast.error('Не удалось войти — токен не получен');
+      navigate('/login');
+      return;
+    }
+
+    // Токен ещё не в сторе — передаём явным заголовком в обход interceptor'а
+    api
+      .get('/auth/me', { headers: { Authorization: `Bearer ${token}` } })
+      .then((response) => {
+        const user: User = response.data;
+        setAuth(user, token);
+        toast.success(`Добро пожаловать, ${user.name}!`);
+        navigate('/cabinet');
+      })
+      .catch(() => {
+        toast.error('Не удалось войти — попробуйте ещё раз');
+        navigate('/login');
+      });
+  }, [navigate, setAuth]);
+
+  return (
+    <div className="max-w-md mx-auto pt-16 text-center text-gray-500 text-sm">
+      Выполняется вход…
+    </div>
+  );
+}

services/frontend/src/pages/Register.tsx

@@ -4,6 +4,7 @@ import { useMutation } from '@tanstack/react-query';
 import { GraduationCap } from 'lucide-react';
 import toast from 'react-hot-toast';
 import { authApi } from '../api/client';
+import { OAuthButtons } from '../components/OAuthButtons';
 import { useAuthStore } from '../store/auth';
 import type { TokenResponse } from '../types';
 
@@ -92,6 +93,10 @@ export function Register() {
           </button>
         </form>
 
+        <div className="mt-4">
+          <OAuthButtons />
+        </div>
+
         <p className="text-center text-sm text-gray-400 mt-6">
           Уже есть аккаунт?{' '}
           <Link to="/login" className="text-brand-600 hover:underline font-medium">

services/frontend/src/pages/Task.tsx

@@ -104,7 +104,7 @@ export function Task() {
           <h2 className="text-base font-semibold text-gray-900 mb-4">
             Результат проверки плагиата
           </h2>
-          <PlagiarismReport data={task.result as PlagiarismResultData} />
+          <PlagiarismReport data={task.result as PlagiarismResultData} taskId={taskId} />
         </div>
       )}
 

services/frontend/src/pages/admin/AdminLayout.tsx

@@ -3,6 +3,7 @@ import { NavLink, useParams, useNavigate, Navigate } from 'react-router-dom';
 import { useQuery } from '@tanstack/react-query';
 import {
   LayoutDashboard, Users, FileText, Database, HardDrive, Download, Inbox, LogOut, ShieldAlert,
+  Bug,
 } from 'lucide-react';
 import { clsx } from 'clsx';
 import { adminApi } from '../../api/client';
@@ -16,6 +17,7 @@ const NAV = [
   { to: 'storage', label: 'Хранилище', icon: HardDrive },
   { to: 'sources', label: 'Источники', icon: Download },
   { to: 'staging', label: 'Отстойник', icon: Inbox },
+  { to: 'debug', label: 'Отладка', icon: Bug },
 ];
 
 interface AdminLayoutProps {

services/frontend/src/pages/admin/Debug.tsx

@@ -0,0 +1,329 @@
+import React from 'react';
+import { useQuery } from '@tanstack/react-query';
+import {
+  Activity, AlertTriangle, CheckCircle2, Cpu, Database, Layers, RefreshCw,
+  Server, Settings2, ListTree, XCircle,
+} from 'lucide-react';
+import { adminApi } from '../../api/client';
+import { ProgressBar } from '../../components/ProgressBar';
+
+interface Health { name: string; ok: boolean; detail?: string }
+interface ActiveTask { name: string; id: string; args: string; started_ago_s: number | null }
+interface Worker { name: string; concurrency: number | null; reserved: number; active: ActiveTask[] }
+interface Run {
+  id: number; source_id: number; status: string; stage: string; target: number;
+  fetched: number; processed: number; added: number; duplicates: number;
+  skipped: number; failed: number; error: string | null; percent: number;
+  started_at: string; run_started_at: string | null; heartbeat_at: string | null;
+  queued_s: number | null; duration_s: number | null;
+}
+
+interface DebugData {
+  generated_at: string;
+  celery: { workers: Worker[]; error?: string };
+  queues: Record<string, { messages: number; unacked: number; consumers: number }> | { error: string };
+  corpus: {
+    documents: number; documents_marked_embedded: number;
+    vector_index: { backend?: string; vectors?: number; dim?: number; embed_model?: string; error?: string };
+    fingerprints_estimate: number; elasticsearch_documents: number | null;
+  };
+  sources: {
+    by_status: Record<string, number>;
+    active_runs: Run[];
+    stale_run_ids: number[];
+    recent_problem_runs: Run[];
+  };
+  tasks_24h: Record<string, number>;
+  recent_failed_tasks: { public_id: string; type: string; error: string; created_at: string }[];
+  config: Record<string, string>;
+}
+
+const STAGE_LABELS: Record<string, string> = {
+  queued: 'в очереди', fetch: 'выборка', index: 'индексация', finished: 'завершено',
+};
+
+function fmtNum(n: number | null | undefined): string {
+  return n == null ? '—' : n.toLocaleString('ru-RU');
+}
+
+/** Сколько идущий прогон уже работает — по нему видно застрявший. */
+function runningFor(run: Run): string {
+  if (!run.run_started_at) return 'ещё не начат';
+  const sec = Math.max(0, (Date.now() - new Date(run.run_started_at + 'Z').getTime()) / 1000);
+  return sec < 90 ? `${Math.round(sec)}с` : `${Math.round(sec / 60)} мин`;
+}
+
+export function Debug() {
+  const { data, isFetching, error } = useQuery({
+    queryKey: ['admin-debug'],
+    queryFn: () => adminApi.debug().then((r) => r.data as DebugData),
+    refetchInterval: 5000,
+  });
+  // Отдельным запросом: когда отваливается инфраструктура (брокер, Ollama),
+  // отладка должна первой показывать ЧТО именно недоступно, а не только следствия
+  const { data: health } = useQuery({
+    queryKey: ['admin-health'],
+    queryFn: () => adminApi.health().then((r) => r.data as Health[]),
+    refetchInterval: 10000,
+  });
+
+  if (error || !data) {
+    return (
+      <div className="space-y-4">
+        {error
+          ? <div className="text-red-600 text-sm">Не удалось получить срез состояния: {String(error)}</div>
+          : <div className="text-gray-400 text-sm">Сбор данных…</div>}
+        <HealthCard health={health} />
+      </div>
+    );
+  }
+
+  const queuesErr = 'error' in data.queues ? (data.queues as { error: string }).error : null;
+  const queues = queuesErr ? {} : (data.queues as Record<string, { messages: number; unacked: number; consumers: number }>);
+  // Покрытие L3 считаем по РЕАЛЬНОМУ содержимому индекса: пометка faiss_id в БД
+  // остаётся и когда вектор туда не попал, и завышает картину в разы
+  const vectors = data.corpus.vector_index?.vectors ?? null;
+  const embedPercent = data.corpus.documents && vectors != null
+    ? (vectors / data.corpus.documents) * 100
+    : 0;
+  const staleMarks = vectors != null
+    ? Math.max(0, data.corpus.documents_marked_embedded - vectors)
+    : 0;
+
+  return (
+    <div className="space-y-6">
+      <div className="flex items-center justify-between">
+        <h1 className="text-2xl font-bold text-gray-900 flex items-center gap-2">
+          Отладка
+          {isFetching && <RefreshCw className="w-4 h-4 text-gray-300 animate-spin" />}
+        </h1>
+        <span className="text-xs text-gray-400">срез от {new Date(data.generated_at).toLocaleTimeString('ru-RU')}</span>
+      </div>
+
+      <HealthCard health={health} />
+
+      {/* Активные прогоны заливки */}
+      <Card icon={Layers} title={`Заливка источников — активных прогонов: ${data.sources.active_runs.length}`}>
+        {data.sources.stale_run_ids.length > 0 && (
+          <div className="mb-3 flex items-start gap-2 text-sm text-amber-700 bg-amber-50 border border-amber-100 rounded-lg p-3">
+            <AlertTriangle className="w-4 h-4 mt-0.5 shrink-0" />
+            <span>
+              Прогоны без признаков жизни больше 10 минут: {data.sources.stale_run_ids.join(', ')}.
+              Обычно это упавший или перезапущенный worker-indexer — проверьте его логи и очередь queue.index.
+            </span>
+          </div>
+        )}
+        {data.sources.active_runs.length ? (
+          <div className="space-y-3">
+            {data.sources.active_runs.map((r) => (
+              <div key={r.id} className="flex items-center gap-4">
+                <div className="w-52 shrink-0 text-sm text-gray-600 truncate">
+                  #{r.id} · источник {r.source_id}
+                  <span className="text-gray-400"> · {runningFor(r)}</span>
+                </div>
+                <ProgressBar
+                  percent={r.percent}
+                  status={r.status}
+                  label={`${STAGE_LABELS[r.stage] || r.stage} · получено ${r.fetched}/${r.target} · +${r.added}`}
+                />
+              </div>
+            ))}
+          </div>
+        ) : (
+          <p className="text-sm text-gray-400">Сейчас ничего не заливается.</p>
+        )}
+        <div className="mt-3 flex flex-wrap gap-2">
+          {Object.entries(data.sources.by_status).map(([s, c]) => (
+            <span key={s} className="px-3 py-1 bg-gray-100 rounded-lg text-sm text-gray-700">{s}: <b>{c}</b></span>
+          ))}
+        </div>
+      </Card>
+
+      {/* Воркеры */}
+      <Card icon={Cpu} title="Воркеры Celery">
+        {data.celery.error && <p className="text-sm text-red-600 mb-2">{data.celery.error}</p>}
+        {data.celery.workers.length ? (
+          <div className="space-y-4">
+            {data.celery.workers.map((w) => (
+              <div key={w.name}>
+                <div className="flex items-baseline justify-between mb-1">
+                  <span className="font-medium text-gray-800 text-sm">{w.name}</span>
+                  <span className="text-xs text-gray-500">
+                    параллельно: {w.concurrency ?? '—'} · в работе: {w.active.length} · зарезервировано: {w.reserved}
+                  </span>
+                </div>
+                {w.active.length ? (
+                  <div className="border border-gray-100 rounded-lg divide-y divide-gray-50 text-xs font-mono">
+                    {w.active.map((t) => (
+                      <div key={t.id} className="px-3 py-1.5 flex gap-3">
+                        <span className="text-gray-400 tabular-nums shrink-0">
+                          {t.started_ago_s != null ? `${t.started_ago_s}с` : '—'}
+                        </span>
+                        <span className="text-gray-800 shrink-0">{t.name}</span>
+                        <span className="text-gray-400 truncate">{t.args}</span>
+                      </div>
+                    ))}
+                  </div>
+                ) : <p className="text-xs text-gray-400">простаивает</p>}
+              </div>
+            ))}
+          </div>
+        ) : <p className="text-sm text-gray-400">Воркеры не отвечают на ping.</p>}
+      </Card>
+
+      {/* Очереди */}
+      <Card icon={Activity} title="Очереди RabbitMQ">
+        {queuesErr ? (
+          <p className="text-sm text-red-600">{queuesErr}</p>
+        ) : (
+          <table className="w-full text-sm">
+            <thead className="text-gray-500 text-left">
+              <tr><th className="py-1">Очередь</th><th className="py-1">Ждут</th><th className="py-1">В работе</th><th className="py-1">Потребителей</th></tr>
+            </thead>
+            <tbody className="divide-y divide-gray-50">
+              {Object.entries(queues).map(([name, q]) => (
+                <tr key={name}>
+                  <td className="py-1.5 text-gray-800">{name}</td>
+                  <td className="py-1.5 text-gray-600 tabular-nums">{fmtNum(q.messages)}</td>
+                  <td className="py-1.5 text-gray-600 tabular-nums">{fmtNum(q.unacked)}</td>
+                  <td className={`py-1.5 tabular-nums ${q.consumers ? 'text-gray-600' : 'text-red-600'}`}>{q.consumers}</td>
+                </tr>
+              ))}
+            </tbody>
+          </table>
+        )}
+      </Card>
+
+      {/* Корпус */}
+      <Card icon={Database} title="Корпус сравнения">
+        <div className="grid grid-cols-2 lg:grid-cols-4 gap-4 mb-4">
+          <Metric label="Документов" value={fmtNum(data.corpus.documents)} />
+          <Metric label="Векторов в индексе" value={fmtNum(vectors)} />
+          <Metric label="Отпечатков (оценка)" value={fmtNum(data.corpus.fingerprints_estimate)} />
+          <Metric label="В Elasticsearch" value={fmtNum(data.corpus.elasticsearch_documents)} />
+        </div>
+        {data.corpus.vector_index?.error && (
+          <p className="text-xs text-red-600 mb-2">
+            индекс недоступен: {data.corpus.vector_index.error}
+          </p>
+        )}
+        <ProgressBar
+          percent={embedPercent}
+          status={embedPercent >= 99 ? 'done' : 'partial'}
+          label={`покрытие L3 (реально в индексе ${data.corpus.vector_index?.backend || '—'}): ` +
+            `без вектора ${fmtNum(Math.max(0, data.corpus.documents - (vectors ?? 0)))} документов`}
+        />
+        {staleMarks > 0 && (
+          <div className="mt-3 flex items-start gap-2 text-sm text-amber-700 bg-amber-50 border border-amber-100 rounded-lg p-3">
+            <AlertTriangle className="w-4 h-4 mt-0.5 shrink-0" />
+            <span>
+              У {fmtNum(staleMarks)} документов в базе стоит отметка faiss_id, но вектора в индексе нет —
+              обычно это след пересоздания индекса после смены модели эмбеддингов.
+              Такие документы не участвуют в семантическом поиске и не будут пересчитаны,
+              пока отметку не сбросить: <code>scripts/ops/faiss_reconcile.py</code>.
+            </span>
+          </div>
+        )}
+      </Card>
+
+      {/* Проблемные прогоны */}
+      {data.sources.recent_problem_runs.length > 0 && (
+        <Card icon={AlertTriangle} title="Последние проблемные прогоны">
+          <div className="space-y-2 text-sm">
+            {data.sources.recent_problem_runs.map((r) => (
+              <div key={r.id} className="flex flex-wrap items-baseline gap-x-3 gap-y-1 border-b border-gray-50 pb-2 last:border-0">
+                <span className="text-gray-800">#{r.id}</span>
+                <span className="text-gray-500">источник {r.source_id}</span>
+                <span className={r.status === 'error' ? 'text-red-600' : 'text-amber-600'}>{r.status}</span>
+                <span className="text-gray-500">
+                  получено {r.fetched}/{r.target}, добавлено {r.added}, ошибок {r.failed}
+                  {r.duration_s != null && ` · работал ${Math.round(r.duration_s)}с`}
+                </span>
+                {r.error && <span className="w-full text-xs font-mono text-red-600 break-all">{r.error}</span>}
+              </div>
+            ))}
+          </div>
+        </Card>
+      )}
+
+      {/* Задачи пользователей */}
+      <Card icon={ListTree} title="Проверки за 24 часа">
+        <div className="flex flex-wrap gap-2 mb-3">
+          {Object.entries(data.tasks_24h).map(([s, c]) => (
+            <span key={s} className="px-3 py-1 bg-gray-100 rounded-lg text-sm text-gray-700">{s}: <b>{c}</b></span>
+          ))}
+          {!Object.keys(data.tasks_24h).length && <span className="text-sm text-gray-400">задач не было</span>}
+        </div>
+        {data.recent_failed_tasks.length > 0 && (
+          <div className="text-xs space-y-1">
+            <div className="text-gray-500 mb-1">Последние упавшие:</div>
+            {data.recent_failed_tasks.map((t) => (
+              <div key={t.public_id} className="flex gap-3">
+                <span className="text-gray-400 shrink-0">{new Date(t.created_at).toLocaleString('ru-RU')}</span>
+                <span className="text-gray-700 shrink-0">{t.type}</span>
+                <span className="text-red-600 font-mono truncate">{t.error || '—'}</span>
+              </div>
+            ))}
+          </div>
+        )}
+      </Card>
+
+      {/* Конфигурация */}
+      <Card icon={Settings2} title="Конфигурация бэкендов">
+        <div className="grid grid-cols-2 lg:grid-cols-3 gap-x-6 gap-y-2 text-sm">
+          {Object.entries(data.config).map(([k, v]) => (
+            <div key={k} className="flex justify-between gap-3 border-b border-gray-50 py-1">
+              <span className="text-gray-500">{k}</span>
+              <span className="text-gray-800 font-mono truncate" title={v}>{v}</span>
+            </div>
+          ))}
+        </div>
+      </Card>
+    </div>
+  );
+}
+
+/** Что из инфраструктуры доступно прямо сейчас — первый вопрос при разборе аварии. */
+function HealthCard({ health }: { health?: Health[] }) {
+  return (
+    <Card icon={Server} title="Инфраструктура">
+      {health?.length ? (
+        <div className="grid grid-cols-1 sm:grid-cols-2 lg:grid-cols-3 gap-x-6 gap-y-1">
+          {health.map((h) => (
+            <div key={h.name} className="flex items-center justify-between gap-3 py-1 border-b border-gray-50">
+              <span className="flex items-center gap-2 text-sm text-gray-700">
+                {h.ok
+                  ? <CheckCircle2 className="w-4 h-4 text-emerald-500 shrink-0" />
+                  : <XCircle className="w-4 h-4 text-red-500 shrink-0" />}
+                {h.name}
+              </span>
+              <span className={`text-xs truncate ${h.ok ? 'text-gray-400' : 'text-red-500'}`} title={h.detail}>
+                {h.detail || (h.ok ? 'OK' : 'недоступен')}
+              </span>
+            </div>
+          ))}
+        </div>
+      ) : <p className="text-sm text-gray-400">Опрос сервисов…</p>}
+    </Card>
+  );
+}
+
+function Card({ icon: Icon, title, children }: { icon: React.ElementType; title: string; children: React.ReactNode }) {
+  return (
+    <div className="bg-white rounded-xl border border-gray-100 p-5">
+      <h2 className="font-semibold text-gray-800 mb-4 flex items-center gap-2">
+        <Icon className="w-4 h-4 text-gray-400" /> {title}
+      </h2>
+      {children}
+    </div>
+  );
+}
+
+function Metric({ label, value }: { label: string; value: string }) {
+  return (
+    <div>
+      <div className="text-xl font-bold text-gray-900 tabular-nums">{value}</div>
+      <div className="text-xs text-gray-500">{label}</div>
+    </div>
+  );
+}

services/frontend/src/pages/admin/Sources.tsx

@@ -1,78 +1,295 @@
-import { useState } from 'react';
+import { Fragment, useRef, useState } from 'react';
 import { useQuery, useMutation, useQueryClient } from '@tanstack/react-query';
-import { Play, Trash2, Plus } from 'lucide-react';
+import {
+  Play, Trash2, Plus, Square, PlayCircle, StopCircle, ChevronDown, ChevronRight,
+  Upload, Layers, RefreshCw,
+} from 'lucide-react';
 import toast from 'react-hot-toast';
 import { adminApi } from '../../api/client';
+import { ProgressBar } from '../../components/ProgressBar';
+
+interface Run {
+  id: number; source_id: number; status: string; stage: string;
+  target: number; fetched: number; processed: number;
+  added: number; duplicates: number; skipped: number; failed: number;
+  cancel_requested: boolean; error: string | null;
+  started_at: string; run_started_at: string | null;
+  heartbeat_at: string | null; finished_at: string | null;
+  percent: number; queued_s: number | null; duration_s: number | null;
+}
+
+interface LogEntry { ts: string; elapsed: number; level: string; msg: string }
+interface RunDetail extends Run { log: LogEntry[] }
 
 interface Source {
   id: number; source_type: string; name: string; query: string | null;
   lang: string | null; year_from: number | null; year_to: number | null;
   limit: number; enabled: boolean; last_status: string; last_error: string | null;
-  last_run_at: string | null; docs_added: number;
+  last_run_at: string | null; docs_added: number; last_run: Run | null;
 }
 
+const SOURCE_TYPES = [
+  { value: 'openalex', label: 'OpenAlex' },
+  { value: 'cyberleninka', label: 'КиберЛенинка' },
+  { value: 'arxiv', label: 'arXiv' },
+  { value: 'pmc', label: 'PubMed Central (по теме)' },
+  // Массовые: читают дамп/бакет потоком и продолжают с места остановки,
+  // поэтому запускаются повторно до исчерпания источника
+  { value: 'wikipedia_ru', label: 'Википедия ru (дамп, массово)' },
+  { value: 'pmc_bulk', label: 'PubMed Central (бакет, массово)' },
+];
+
 const STATUS_COLORS: Record<string, string> = {
   idle: 'bg-gray-100 text-gray-600',
+  queued: 'bg-gray-100 text-gray-600',
   running: 'bg-blue-100 text-blue-700',
   done: 'bg-emerald-100 text-emerald-700',
+  partial: 'bg-amber-100 text-amber-700',
+  cancelled: 'bg-gray-200 text-gray-600',
   error: 'bg-red-100 text-red-700',
 };
 
+const STAGE_LABELS: Record<string, string> = {
+  queued: 'в очереди',
+  fetch: 'выборка из источника',
+  index: 'индексация в базу',
+  finished: 'завершено',
+};
+
+const ACTIVE = ['queued', 'running'];
+
+/** Что происходит с источником прямо сейчас — подпись под шкалой. */
+function runLabel(run: Run): string {
+  if (run.stage === 'fetch') return `${STAGE_LABELS.fetch}: ${run.fetched}/${run.target}`;
+  if (run.stage === 'index') return `${STAGE_LABELS.index}: ${run.processed}/${run.fetched}`;
+  return `+${run.added} новых · ${run.duplicates} дублей${run.failed ? ` · ${run.failed} ошибок` : ''}`;
+}
+
 export function Sources() {
   const qc = useQueryClient();
-  const [form, setForm] = useState({ source_type: 'openalex', name: '', query: '', lang: '', limit: 100 });
-  const { data: sources } = useQuery({
+  const [form, setForm] = useState({ source_type: 'openalex', name: '', query: '', lang: '', limit: 1000 });
+  const [bulk, setBulk] = useState({ open: false, source_type: 'openalex', queries: '', lang: '', limit: 1000, run_now: false });
+  const [expanded, setExpanded] = useState<number | null>(null);
+  const fileInput = useRef<HTMLInputElement>(null);
+
+  const { data: sources, isFetching } = useQuery({
     queryKey: ['admin-sources'],
     queryFn: () => adminApi.sources().then((r) => r.data as Source[]),
-    refetchInterval: 5000,
+    refetchInterval: 3000,
   });
 
+  const invalidate = () => qc.invalidateQueries({ queryKey: ['admin-sources'] });
+  const fail = (e: any) => toast.error(e.response?.data?.detail || 'Ошибка');
+
   const create = useMutation({
     mutationFn: (data: Record<string, unknown>) => adminApi.createSource(data),
-    onSuccess: () => { qc.invalidateQueries({ queryKey: ['admin-sources'] }); toast.success('Источник добавлен'); setForm({ source_type: 'openalex', name: '', query: '', lang: '', limit: 100 }); },
-    onError: (e: any) => toast.error(e.response?.data?.detail || 'Ошибка'),
+    onSuccess: () => {
+      invalidate();
+      toast.success('Источник добавлен');
+      setForm({ source_type: form.source_type, name: '', query: '', lang: '', limit: form.limit });
+    },
+    onError: fail,
+  });
+  const createBulk = useMutation({
+    mutationFn: (data: Record<string, unknown>) => adminApi.createSourcesBulk(data),
+    onSuccess: (r) => {
+      invalidate();
+      toast.success(`Добавлено источников: ${r.data.created}${r.data.started ? `, запущено ${r.data.started}` : ''}`);
+      setBulk({ ...bulk, queries: '' });
+    },
+    onError: fail,
   });
   const run = useMutation({
     mutationFn: (id: number) => adminApi.runSource(id),
-    onSuccess: () => { qc.invalidateQueries({ queryKey: ['admin-sources'] }); toast.success('Парсинг запущен'); },
-    onError: (e: any) => toast.error(e.response?.data?.detail || 'Ошибка'),
+    onSuccess: () => { invalidate(); toast.success('Парсинг запущен'); },
+    onError: fail,
+  });
+  const cancel = useMutation({
+    mutationFn: (id: number) => adminApi.cancelSource(id),
+    onSuccess: () => { invalidate(); toast.success('Остановка запрошена'); },
+    onError: fail,
+  });
+  const runAll = useMutation({
+    mutationFn: () => adminApi.runAllSources(),
+    onSuccess: (r) => {
+      invalidate();
+      toast.success(`Запущено ${r.data.started} из ${r.data.total} (уже шли: ${r.data.skipped_active})`);
+    },
+    onError: fail,
+  });
+  const stopAll = useMutation({
+    mutationFn: () => adminApi.stopAllSources(),
+    onSuccess: (r) => { invalidate(); toast.success(`Остановка ${r.data.cancelled} прогонов запрошена`); },
+    onError: fail,
   });
   const del = useMutation({
     mutationFn: (id: number) => adminApi.deleteSource(id),
-    onSuccess: () => { qc.invalidateQueries({ queryKey: ['admin-sources'] }); toast.success('Удалён'); },
+    onSuccess: () => { invalidate(); toast.success('Удалён'); },
+    onError: fail,
   });
+  const upload = useMutation({
+    mutationFn: (files: File[]) => adminApi.uploadDocuments(files),
+    onSuccess: (r) => {
+      const { accepted, rejected } = r.data;
+      toast.success(`Принято файлов: ${accepted.length}${rejected.length ? `, отклонено ${rejected.length}` : ''}`);
+      rejected.forEach((x: { filename: string; reason: string }) => toast.error(`${x.filename}: ${x.reason}`));
+    },
+    onError: fail,
+  });
+
+  const list = sources || [];
+  const active = list.filter((s) => s.last_run && ACTIVE.includes(s.last_run.status));
+  const activeAdded = active.reduce((sum, s) => sum + (s.last_run?.added || 0), 0);
+  // Общая шкала = средняя готовность идущих прогонов: столько заливки осталось
+  const overall = active.length
+    ? active.reduce((sum, s) => sum + (s.last_run?.percent || 0), 0) / active.length
+    : 0;
 
   return (
     <div className="space-y-5">
-      <h1 className="text-2xl font-bold text-gray-900">Источники парсинга</h1>
+      <div className="flex items-center justify-between flex-wrap gap-3">
+        <h1 className="text-2xl font-bold text-gray-900 flex items-center gap-2">
+          Источники парсинга
+          {isFetching && <RefreshCw className="w-4 h-4 text-gray-300 animate-spin" />}
+        </h1>
+        <div className="flex gap-2">
+          <button
+            onClick={() => { if (confirm(`Запустить заливку по всем включённым источникам (${list.length})?`)) runAll.mutate(); }}
+            disabled={runAll.isPending}
+            className="flex items-center gap-2 px-4 py-2 bg-brand-600 text-white rounded-lg text-sm font-medium hover:bg-brand-700 disabled:opacity-50"
+          >
+            <PlayCircle className="w-4 h-4" /> Запустить всё
+          </button>
+          <button
+            onClick={() => { if (confirm('Остановить все идущие прогоны?')) stopAll.mutate(); }}
+            disabled={!active.length || stopAll.isPending}
+            className="flex items-center gap-2 px-4 py-2 bg-white border border-gray-200 text-gray-700 rounded-lg text-sm font-medium hover:bg-gray-50 disabled:opacity-40"
+          >
+            <StopCircle className="w-4 h-4" /> Остановить всё
+          </button>
+        </div>
+      </div>
+
+      {/* Общий прогресс заливки */}
+      <div className="bg-white rounded-xl border border-gray-100 p-5">
+        <div className="flex items-baseline justify-between mb-2">
+          <h2 className="font-semibold text-gray-800">Заливка корпуса</h2>
+          <span className="text-sm text-gray-500">
+            активных источников: <b className="text-gray-800">{active.length}</b> из {list.length}
+            {active.length > 0 && <> · добавлено в этом заходе: <b className="text-gray-800">{activeAdded}</b></>}
+          </span>
+        </div>
+        <ProgressBar
+          percent={overall}
+          status={active.length ? 'running' : 'done'}
+          label={active.length ? `${active.length} прогонов в работе` : 'все прогоны завершены'}
+        />
+      </div>
 
       {/* Форма добавления */}
       <div className="bg-white rounded-xl border border-gray-100 p-5">
-        <h2 className="font-semibold text-gray-800 mb-3">Добавить источник</h2>
-        <div className="grid grid-cols-2 lg:grid-cols-5 gap-3">
-          <select value={form.source_type} onChange={(e) => setForm({ ...form, source_type: e.target.value })}
-            className="border border-gray-200 rounded-lg px-3 py-2 text-sm">
-            <option value="openalex">OpenAlex</option>
-            <option value="cyberleninka">КиберЛенинка</option>
-            <option value="arxiv">arXiv</option>
-          </select>
-          <input value={form.name} onChange={(e) => setForm({ ...form, name: e.target.value })} placeholder="Название"
-            className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
-          <input value={form.query} onChange={(e) => setForm({ ...form, query: e.target.value })} placeholder="Запрос"
-            className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
-          <input value={form.lang} onChange={(e) => setForm({ ...form, lang: e.target.value })} placeholder="Язык (ru/en)"
-            className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
-          <input type="number" value={form.limit} onChange={(e) => setForm({ ...form, limit: Number(e.target.value) })} placeholder="Лимит"
-            className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+        <div className="flex items-center justify-between mb-3">
+          <h2 className="font-semibold text-gray-800">Добавить источник</h2>
+          <button
+            onClick={() => setBulk({ ...bulk, open: !bulk.open })}
+            className="flex items-center gap-1.5 text-sm text-brand-600 hover:text-brand-700"
+          >
+            <Layers className="w-4 h-4" /> {bulk.open ? 'обычное добавление' : 'пакетно (много тем)'}
+          </button>
         </div>
-        <button
-          onClick={() => {
-            if (!form.name) { toast.error('Укажите название'); return; }
-            create.mutate({ ...form, lang: form.lang || null, query: form.query || null });
+
+        {!bulk.open ? (
+          <>
+            <div className="grid grid-cols-2 lg:grid-cols-5 gap-3">
+              <select value={form.source_type} onChange={(e) => setForm({ ...form, source_type: e.target.value })}
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm">
+                {SOURCE_TYPES.map((t) => <option key={t.value} value={t.value}>{t.label}</option>)}
+              </select>
+              <input value={form.name} onChange={(e) => setForm({ ...form, name: e.target.value })} placeholder="Название"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+              <input value={form.query} onChange={(e) => setForm({ ...form, query: e.target.value })} placeholder="Запрос"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+              <input value={form.lang} onChange={(e) => setForm({ ...form, lang: e.target.value })} placeholder="Язык (ru/en)"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+              <input type="number" value={form.limit} onChange={(e) => setForm({ ...form, limit: Number(e.target.value) })} placeholder="Лимит"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+            </div>
+            <button
+              onClick={() => {
+                if (!form.name) { toast.error('Укажите название'); return; }
+                create.mutate({ ...form, lang: form.lang || null, query: form.query || null });
+              }}
+              className="mt-3 flex items-center gap-2 px-4 py-2 bg-brand-600 text-white rounded-lg text-sm font-medium hover:bg-brand-700"
+            >
+              <Plus className="w-4 h-4" /> Добавить
+            </button>
+          </>
+        ) : (
+          <>
+            <div className="grid grid-cols-2 lg:grid-cols-4 gap-3 mb-3">
+              <select value={bulk.source_type} onChange={(e) => setBulk({ ...bulk, source_type: e.target.value })}
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm">
+                {SOURCE_TYPES.map((t) => <option key={t.value} value={t.value}>{t.label}</option>)}
+              </select>
+              <input value={bulk.lang} onChange={(e) => setBulk({ ...bulk, lang: e.target.value })} placeholder="Язык (ru/en)"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+              <input type="number" value={bulk.limit} onChange={(e) => setBulk({ ...bulk, limit: Number(e.target.value) })} placeholder="Лимит на тему"
+                className="border border-gray-200 rounded-lg px-3 py-2 text-sm" />
+              <label className="flex items-center gap-2 text-sm text-gray-600">
+                <input type="checkbox" checked={bulk.run_now} onChange={(e) => setBulk({ ...bulk, run_now: e.target.checked })} />
+                запустить сразу
+              </label>
+            </div>
+            <textarea
+              value={bulk.queries}
+              onChange={(e) => setBulk({ ...bulk, queries: e.target.value })}
+              placeholder={'Одна тема на строку:\nмашинное обучение\nэкономика труда\nгражданское право'}
+              rows={5}
+              className="w-full border border-gray-200 rounded-lg px-3 py-2 text-sm font-mono"
+            />
+            <button
+              onClick={() => {
+                const queries = bulk.queries.split('\n').map((q) => q.trim()).filter(Boolean);
+                if (!queries.length) { toast.error('Добавьте хотя бы одну тему'); return; }
+                createBulk.mutate({
+                  source_type: bulk.source_type, queries, lang: bulk.lang || null,
+                  limit: bulk.limit, run_now: bulk.run_now,
+                });
+              }}
+              disabled={createBulk.isPending}
+              className="mt-3 flex items-center gap-2 px-4 py-2 bg-brand-600 text-white rounded-lg text-sm font-medium hover:bg-brand-700 disabled:opacity-50"
+            >
+              <Plus className="w-4 h-4" /> Добавить пачкой
+            </button>
+          </>
+        )}
+      </div>
+
+      {/* Загрузка готовых работ в базу сравнения */}
+      <div className="bg-white rounded-xl border border-gray-100 p-5">
+        <h2 className="font-semibold text-gray-800 mb-1">Загрузить работы в базу</h2>
+        <p className="text-sm text-gray-500 mb-3">
+          Файлы (PDF, DOCX, TXT) попадают прямо в базу сравнения — с ними будут сверяться проверяемые работы.
+          Это не проверка на плагиат.
+        </p>
+        <input
+          ref={fileInput}
+          type="file"
+          multiple
+          accept=".pdf,.docx,.txt"
+          className="hidden"
+          onChange={(e) => {
+            const files = Array.from(e.target.files || []);
+            if (files.length) upload.mutate(files);
+            e.target.value = '';
           }}
-          className="mt-3 flex items-center gap-2 px-4 py-2 bg-brand-600 text-white rounded-lg text-sm font-medium hover:bg-brand-700"
+        />
+        <button
+          onClick={() => fileInput.current?.click()}
+          disabled={upload.isPending}
+          className="flex items-center gap-2 px-4 py-2 border border-gray-200 rounded-lg text-sm font-medium text-gray-700 hover:bg-gray-50 disabled:opacity-50"
         >
-          <Plus className="w-4 h-4" /> Добавить
+          <Upload className="w-4 h-4" /> {upload.isPending ? 'Загрузка…' : 'Выбрать файлы'}
         </button>
       </div>
 
@@ -81,34 +298,138 @@ export function Sources() {
         <table className="w-full text-sm">
           <thead className="bg-gray-50 text-gray-500 text-left">
             <tr>
+              <th className="px-3 py-3 w-8"></th>
               <th className="px-4 py-3">Название</th><th className="px-4 py-3">Тип</th>
-              <th className="px-4 py-3">Запрос</th><th className="px-4 py-3">Лимит</th>
-              <th className="px-4 py-3">Статус</th><th className="px-4 py-3">Добавлено</th><th className="px-4 py-3"></th>
+              <th className="px-4 py-3">Лимит</th>
+              <th className="px-4 py-3 min-w-[220px]">Прогресс</th>
+              <th className="px-4 py-3">Статус</th><th className="px-4 py-3">Всего</th><th className="px-4 py-3"></th>
             </tr>
           </thead>
           <tbody className="divide-y divide-gray-50">
-            {sources?.map((s) => (
-              <tr key={s.id} className="hover:bg-gray-50">
-                <td className="px-4 py-3 text-gray-800">{s.name}</td>
-                <td className="px-4 py-3 text-gray-600">{s.source_type}</td>
-                <td className="px-4 py-3 text-gray-500 max-w-[160px] truncate">{s.query || '—'}</td>
-                <td className="px-4 py-3 text-gray-600">{s.limit}</td>
-                <td className="px-4 py-3">
-                  <span className={`px-2 py-0.5 rounded text-xs ${STATUS_COLORS[s.last_status] || 'bg-gray-100'}`} title={s.last_error || ''}>{s.last_status}</span>
-                </td>
-                <td className="px-4 py-3 text-gray-600">{s.docs_added}</td>
-                <td className="px-4 py-3 flex gap-1">
-                  <button onClick={() => run.mutate(s.id)} disabled={s.last_status === 'running'} title="Запустить"
-                    className="p-1.5 text-gray-400 hover:text-emerald-600 rounded disabled:opacity-40"><Play className="w-4 h-4" /></button>
-                  <button onClick={() => { if (confirm('Удалить источник?')) del.mutate(s.id); }} title="Удалить"
-                    className="p-1.5 text-gray-400 hover:text-red-500 rounded"><Trash2 className="w-4 h-4" /></button>
-                </td>
-              </tr>
-            ))}
+            {list.map((s) => {
+              const r = s.last_run;
+              const isActive = !!r && ACTIVE.includes(r.status);
+              return (
+                <Fragment key={s.id}>
+                  <tr className="hover:bg-gray-50">
+                    <td className="px-3 py-3">
+                      <button onClick={() => setExpanded(expanded === s.id ? null : s.id)}
+                        className="text-gray-400 hover:text-gray-600" title="Журнал прогона">
+                        {expanded === s.id ? <ChevronDown className="w-4 h-4" /> : <ChevronRight className="w-4 h-4" />}
+                      </button>
+                    </td>
+                    <td className="px-4 py-3 text-gray-800">
+                      {s.name}
+                      {s.query && <div className="text-xs text-gray-400 truncate max-w-[220px]">{s.query}</div>}
+                    </td>
+                    <td className="px-4 py-3 text-gray-600">{s.source_type}</td>
+                    <td className="px-4 py-3 text-gray-600">{s.limit}</td>
+                    <td className="px-4 py-3">
+                      {r ? <ProgressBar percent={r.percent} status={r.status} label={runLabel(r)} />
+                        : <span className="text-xs text-gray-400">не запускался</span>}
+                    </td>
+                    <td className="px-4 py-3">
+                      <span className={`px-2 py-0.5 rounded text-xs ${STATUS_COLORS[s.last_status] || 'bg-gray-100'}`}
+                        title={s.last_error || ''}>{s.last_status}</span>
+                    </td>
+                    <td className="px-4 py-3 text-gray-600">{s.docs_added}</td>
+                    <td className="px-4 py-3">
+                      <div className="flex gap-1">
+                        {isActive ? (
+                          <button onClick={() => cancel.mutate(s.id)} title="Остановить"
+                            className="p-1.5 text-gray-400 hover:text-amber-600 rounded"><Square className="w-4 h-4" /></button>
+                        ) : (
+                          <button onClick={() => run.mutate(s.id)} title="Запустить"
+                            className="p-1.5 text-gray-400 hover:text-emerald-600 rounded"><Play className="w-4 h-4" /></button>
+                        )}
+                        <button onClick={() => { if (confirm('Удалить источник?')) del.mutate(s.id); }} title="Удалить"
+                          className="p-1.5 text-gray-400 hover:text-red-500 rounded"><Trash2 className="w-4 h-4" /></button>
+                      </div>
+                    </td>
+                  </tr>
+                  {expanded === s.id && (
+                    <tr>
+                      <td colSpan={8} className="bg-gray-50 px-6 py-4">
+                        <RunLog runId={r?.id} live={isActive} />
+                      </td>
+                    </tr>
+                  )}
+                </Fragment>
+              );
+            })}
           </tbody>
         </table>
-        {!sources?.length && <div className="p-6 text-center text-gray-400 text-sm">Нет источников</div>}
+        {!list.length && <div className="p-6 text-center text-gray-400 text-sm">Нет источников</div>}
       </div>
     </div>
   );
 }
+
+/** Секунды → «45с» / «12 мин» / «2 ч 5 мин»: в отладке важен порядок, не точность. */
+function fmtDuration(seconds: number): string {
+  if (seconds < 90) return `${Math.round(seconds)}с`;
+  const min = Math.round(seconds / 60);
+  if (min < 90) return `${min} мин`;
+  return `${Math.floor(min / 60)} ч ${min % 60} мин`;
+}
+
+const LOG_COLORS: Record<string, string> = {
+  error: 'text-red-600',
+  warning: 'text-amber-600',
+  info: 'text-gray-600',
+};
+
+/** Журнал последнего прогона источника — что именно происходило по шагам. */
+function RunLog({ runId, live }: { runId?: number; live: boolean }) {
+  const { data, isLoading } = useQuery({
+    queryKey: ['admin-run', runId],
+    queryFn: () => adminApi.run(runId!).then((r) => r.data as RunDetail),
+    enabled: !!runId,
+    refetchInterval: live ? 3000 : false,
+  });
+
+  if (!runId) return <div className="text-sm text-gray-400">Источник ещё не запускался.</div>;
+  if (isLoading || !data) return <div className="text-sm text-gray-400">Загрузка журнала…</div>;
+
+  return (
+    <div className="space-y-3">
+      <div className="flex flex-wrap gap-2 text-xs">
+        <Chip label="прогон" value={`#${data.id}`} />
+        <Chip label="стадия" value={STAGE_LABELS[data.stage] || data.stage} />
+        <Chip label="получено" value={`${data.fetched}/${data.target}`} />
+        <Chip label="обработано" value={String(data.processed)} />
+        <Chip label="добавлено" value={String(data.added)} />
+        <Chip label="дублей" value={String(data.duplicates)} />
+        {data.skipped > 0 && <Chip label="без метаданных" value={String(data.skipped)} />}
+        {data.failed > 0 && <Chip label="ошибок" value={String(data.failed)} />}
+        <Chip label="поставлен в очередь" value={new Date(data.started_at).toLocaleString('ru-RU')} />
+        {data.queued_s != null && <Chip label="ждал очереди" value={fmtDuration(data.queued_s)} />}
+        {data.duration_s != null && <Chip label="работал" value={fmtDuration(data.duration_s)} />}
+        {data.finished_at && <Chip label="завершён" value={new Date(data.finished_at).toLocaleString('ru-RU')} />}
+      </div>
+
+      {data.error && (
+        <div className="text-xs text-red-700 bg-red-50 border border-red-100 rounded-lg p-3 font-mono break-all">
+          {data.error}
+        </div>
+      )}
+
+      <div className="bg-white border border-gray-200 rounded-lg max-h-64 overflow-y-auto font-mono text-xs">
+        {data.log?.length ? data.log.map((e, i) => (
+          <div key={i} className="px-3 py-1 border-b border-gray-50 last:border-0 flex gap-3">
+            <span className="text-gray-400 shrink-0 tabular-nums">+{e.elapsed.toFixed(0)}с</span>
+            <span className={`${LOG_COLORS[e.level] || 'text-gray-600'} break-all`}>{e.msg}</span>
+          </div>
+        )) : <div className="px-3 py-2 text-gray-400">Записей нет.</div>}
+      </div>
+    </div>
+  );
+}
+
+function Chip({ label, value }: { label: string; value: string }) {
+  return (
+    <span className="px-2 py-1 bg-white border border-gray-200 rounded-lg text-gray-600">
+      {label}: <b className="text-gray-800">{value}</b>
+    </span>
+  );
+}

services/frontend/src/types/index.ts

@@ -56,18 +56,41 @@ export interface PlagiarismMatch {
   source_title: string;
   source_url: string | null;
   source_db: string;
+  // Похоже на корректную цитату (кавычки/ссылка с годом рядом) — эвристика,
+  // см. app.scoring.is_cited. Опционально: старые задачи в БД посчитаны без
+  // этого поля.
+  cited?: boolean;
+}
+
+export interface PlagiarismRecommendation {
+  fragment: string;
+  position_start: number;
+  position_end: number;
+  similarity: number;
+  source_title: string;
+  source_url: string | null;
+  source_db: string;
 }
 
 export interface PlagiarismResultData {
   overall_similarity: number;
+  // Доля БЕЗ похожих на корректную цитату фрагментов — «настоящий» плагиат.
+  // Опционально по той же причине, что и cited.
+  uncited_similarity?: number;
   matches: PlagiarismMatch[];
   total_fragments: number;
   flagged_fragments: number;
+  cited_fragments?: number;
+  uncited_fragments?: number;
   by_method?: {
     exact: number;
     fuzzy: number;
     semantic_llm: number;
   };
+  // Тематически близкие работы, которые LLM не подтвердила как заимствование —
+  // не плагиат, но кандидаты для раскрытия/развития темы. Опционально: старые
+  // задачи в БД посчитаны без этого поля.
+  recommendations?: PlagiarismRecommendation[];
 }
 
 // ─── Библиография ─────────────────────────────────────────────────────────────

services/worker-gpu/Dockerfile

@@ -28,4 +28,11 @@ COPY . .
 # Директория для FAISS индекса (монтируется как volume)
 RUN mkdir -p /data/index
 
+# -c 1 обязателен, пока VECTOR_BACKEND=faiss: индекс — синглтон в памяти процесса
+# (app/faiss_manager.py). При -c N Celery форкает N процессов, у каждого своя копия
+# индекса, и save() каждого затирает чужие векторы в общем файле — эмбеддинги
+# теряются молча. Параллельность тут всё равно не нужна: Ollama занимает все ядра
+# сервера обработкой одного запроса (замер: 2.29 req/s при конкурентности 1 против
+# 2.48 при 16). Поднимать -c имеет смысл только вместе с VECTOR_BACKEND=qdrant,
+# который допускает конкурентную запись.
 CMD ["celery", "-A", "app.celery_app", "worker", "-Q", "queue.gpu", "-c", "1", "-n", "gpu@%h", "--loglevel=info"]

services/worker-gpu/app/celery_app.py

@@ -9,7 +9,7 @@ celery_app = Celery(
     "worker_gpu",
     broker=settings.RABBITMQ_URL,
     backend=settings.REDIS_URL,
-    include=["app.tasks.search", "app.tasks.plagiarism"],
+    include=["app.tasks.search", "app.tasks.plagiarism", "app.tasks.stats"],
 )
 
 celery_app.conf.update(

services/worker-gpu/app/config.py

@@ -38,15 +38,36 @@ class Settings(BaseSettings):
     # Ollama
     OLLAMA_URL: str = "http://ollama:11434"
 
+    # LLM_BACKEND: "ollama" (локальная модель, нужен GPU-хост) или "openrouter"
+    # (облачный API, дешёвая модель — для L4-проверки парафраза "умность" не
+    # критична, это не творческая задача). Переключается без изменения кода.
+    LLM_BACKEND: str = "ollama"
+    OPENROUTER_API_KEY: str = ""
+    OPENROUTER_MODEL: str = "deepseek/deepseek-chat"
+    OPENROUTER_URL: str = "https://openrouter.ai/api/v1/chat/completions"
+    # OpenRouter блокирует запросы из РФ — заворачиваем именно эти запросы
+    # через sing-box (docker-compose сервис singbox-proxy). Пусто = без прокси.
+    OPENROUTER_PROXY_URL: str = "socks5://singbox-proxy:1080"
+
     # FAISS / ML
     FAISS_INDEX_PATH: str = "/data/index/faiss.index"
     FAISS_ID_MAP_PATH: str = "/data/index/faiss_id_map.json"
-    EMBED_MODEL: str = "paraphrase-multilingual-mpnet-base-v2"
-    EMBED_DEVICE: str = "cuda"
-    EMBED_BATCH_SIZE: int = 64
-    EMBED_DIM: int = 768  # Размерность вектора paraphrase-multilingual-mpnet-base-v2
-    FAISS_NLIST: int = 1024  # Количество кластеров для IVFFlat
-    FAISS_NPROBE: int = 64  # Количество кластеров для поиска
+    # EMBED_BACKEND: "ollama" (GGUF-модель через Vulkan, для AMD GPU без ROCm/atomics),
+    # "sentence_transformers" (локальная загрузка, CUDA/CPU) или "cloud" (облачный
+    # инференс той же модели — не нужен вообще никакой локальный GPU).
+    EMBED_BACKEND: str = "ollama"
+    EMBED_MODEL: str = "bge-m3"
+    EMBED_DEVICE: str = "cuda"  # используется только при EMBED_BACKEND=sentence_transformers
+    # Ollama обрабатывает тексты в пачке последовательно (один "slot" в llama.cpp,
+    # не параллельно) — 64 реальных документа в один HTTP-запрос регулярно не
+    # укладывались в таймаут. Меньше пачка — короче и надёжнее каждый запрос.
+    EMBED_BATCH_SIZE: int = 16
+    EMBED_DIM: int = 1024  # bge-m3; было 768 у paraphrase-multilingual-mpnet-base-v2
+    # DeepInfra — OpenAI-совместимый инференс BAAI/bge-m3 в облаке, та же модель,
+    # что и на VM109, дешёвый пей-пер-токен. Используется при EMBED_BACKEND=cloud.
+    CLOUD_EMBED_URL: str = "https://api.deepinfra.com/v1/openai/embeddings"
+    CLOUD_EMBED_MODEL: str = "BAAI/bge-m3"
+    CLOUD_EMBED_API_KEY: str = ""
 
     # Векторный бэкенд: "faiss" (файловый синглтон, дефолт) или "qdrant" (сервис,
     # снимает SPOF и конкурентную запись). Переключается без изменения кода.

services/worker-gpu/app/model_manager.py

@@ -1,10 +1,17 @@
-"""Singleton менеджер sentence-transformers модели.
+"""Singleton менеджер эмбеддинг-модели.
 
-Модель загружается один раз при первом обращении и кэшируется в памяти GPU.
+Бэкенд переключается через EMBED_BACKEND:
+- "ollama" — HTTP-вызов к Ollama /api/embed (GGUF-модель через Vulkan, работает на AMD GPU)
+- "sentence_transformers" — локальная загрузка через sentence-transformers (CUDA/CPU)
+- "cloud" — облачный инференс той же модели (DeepInfra, OpenAI-совместимый формат)
+
+Модель (в случае sentence_transformers) загружается один раз при первом обращении
+и кэшируется в памяти GPU.
 """
 
 import logging
 
+import httpx
 import numpy as np
 
 from app.config import settings
@@ -54,11 +61,16 @@ class ModelManager:
             texts: Список текстов для кодирования
 
         Returns:
-            numpy массив формы (len(texts), 768), нормализованный для cosine similarity
+            numpy массив формы (len(texts), EMBED_DIM), нормализованный для cosine similarity
         """
         if not texts:
             return np.array([]).reshape(0, settings.EMBED_DIM)
 
+        if settings.EMBED_BACKEND == "ollama":
+            return cls._encode_ollama(texts)
+        if settings.EMBED_BACKEND == "cloud":
+            return cls._encode_cloud(texts)
+
         model = cls.get_model()
         vectors = model.encode(
             texts,
@@ -69,6 +81,53 @@ class ModelManager:
         )
         return vectors.astype(np.float32)
 
+    @classmethod
+    def _encode_ollama(cls, texts: list[str]) -> np.ndarray:
+        """Закодировать тексты через Ollama /api/embed (пакетами по EMBED_BATCH_SIZE)."""
+        all_vectors: list[list[float]] = []
+        batch_size = settings.EMBED_BATCH_SIZE
+        for i in range(0, len(texts), batch_size):
+            batch = texts[i : i + batch_size]
+            response = httpx.post(
+                f"{settings.OLLAMA_URL}/api/embed",
+                json={"model": settings.EMBED_MODEL, "input": batch},
+                timeout=300.0,  # Ollama обрабатывает тексты в пачке последовательно
+                # (виден один "slot" в логах llama.cpp), не параллельно — на реальных
+                # (не тестовых) текстах 64 шт. в 120с не укладывались, отсюда ReadTimeout
+                # и потеря батча целиком (без ретрая).
+            )
+            response.raise_for_status()
+            all_vectors.extend(response.json()["embeddings"])
+
+        vectors = np.array(all_vectors, dtype=np.float32)
+        norms = np.linalg.norm(vectors, axis=1, keepdims=True)
+        norms[norms == 0] = 1.0
+        return vectors / norms  # Нормализация для cosine через inner product
+
+    @classmethod
+    def _encode_cloud(cls, texts: list[str]) -> np.ndarray:
+        """Закодировать тексты через облачный инференс (DeepInfra, OpenAI-формат)."""
+        all_vectors: list[list[float]] = []
+        batch_size = settings.EMBED_BATCH_SIZE
+        for i in range(0, len(texts), batch_size):
+            batch = texts[i : i + batch_size]
+            response = httpx.post(
+                settings.CLOUD_EMBED_URL,
+                json={"model": settings.CLOUD_EMBED_MODEL, "input": batch},
+                headers={"Authorization": f"Bearer {settings.CLOUD_EMBED_API_KEY}"},
+                timeout=120.0,
+            )
+            response.raise_for_status()
+            data = response.json()["data"]
+            # OpenAI-формат может вернуть элементы не по порядку — сортируем по index
+            data.sort(key=lambda d: d["index"])
+            all_vectors.extend(d["embedding"] for d in data)
+
+        vectors = np.array(all_vectors, dtype=np.float32)
+        norms = np.linalg.norm(vectors, axis=1, keepdims=True)
+        norms[norms == 0] = 1.0
+        return vectors / norms  # Нормализация для cosine через inner product
+
     @classmethod
     def encode_single(cls, text: str) -> np.ndarray:
         """Закодировать один текст. Удобный метод."""

services/worker-gpu/app/ollama_client.py

@@ -1,4 +1,11 @@
-"""Клиент для Ollama HTTP API — LLM анализ парафраза и суммаризация."""
+"""Клиент для LLM (анализ парафраза, суммаризация) — Ollama или OpenRouter.
+
+Бэкенд переключается через LLM_BACKEND:
+- "ollama" — локальный сервер, полный контроль, но требует GPU-хост.
+- "openrouter" — облачный API (OpenAI-совместимый), дешёвая модель типа
+  DeepSeek. Для L4 (да/нет + уверенность, не творческая задача) "ум" модели
+  не критичен — но зато не нужен вообще никакой локальный GPU/Ollama.
+"""
 
 import json
 import logging
@@ -11,13 +18,63 @@ logger = logging.getLogger(__name__)
 
 
 class OllamaClient:
-    """HTTP клиент для Ollama LLM."""
+    """HTTP клиент для LLM (Ollama или OpenRouter, см. LLM_BACKEND)."""
 
     def __init__(self) -> None:
         self.base_url = settings.OLLAMA_URL
         self.model = "qwen2.5:7b"
         self.timeout = 60.0  # секунд
 
+    def _complete(self, prompt: str, temperature: float, num_predict: int, json_mode: bool = False) -> str | None:
+        """Единая точка входа для генерации текста — прячет разницу Ollama/OpenRouter.
+
+        Возвращает сырой текст ответа модели или None при ошибке (недоступность,
+        таймаут и т.п. — вызывающий код сам решает, как деградировать).
+        """
+        if settings.LLM_BACKEND == "openrouter":
+            return self._complete_openrouter(prompt, temperature, num_predict, json_mode)
+        return self._complete_ollama(prompt, temperature, num_predict, json_mode)
+
+    def _complete_ollama(self, prompt: str, temperature: float, num_predict: int, json_mode: bool) -> str | None:
+        try:
+            payload = {
+                "model": self.model,
+                "prompt": prompt,
+                "stream": False,
+                "options": {"temperature": temperature, "num_predict": num_predict},
+            }
+            if json_mode:
+                payload["format"] = "json"
+            response = httpx.post(f"{self.base_url}/api/generate", json=payload, timeout=self.timeout)
+            response.raise_for_status()
+            return response.json().get("response", "")
+        except (httpx.TimeoutException, httpx.ConnectError) as e:
+            logger.warning(f"Ollama недоступна: {e}")
+            return None
+
+    def _complete_openrouter(self, prompt: str, temperature: float, num_predict: int, json_mode: bool) -> str | None:
+        try:
+            payload: dict = {
+                "model": settings.OPENROUTER_MODEL,
+                "messages": [{"role": "user", "content": prompt}],
+                "temperature": temperature,
+                "max_tokens": num_predict,
+            }
+            if json_mode:
+                payload["response_format"] = {"type": "json_object"}
+            response = httpx.post(
+                settings.OPENROUTER_URL,
+                json=payload,
+                headers={"Authorization": f"Bearer {settings.OPENROUTER_API_KEY}"},
+                timeout=self.timeout,
+                proxy=settings.OPENROUTER_PROXY_URL or None,
+            )
+            response.raise_for_status()
+            return response.json()["choices"][0]["message"]["content"]
+        except (httpx.TimeoutException, httpx.ConnectError) as e:
+            logger.warning(f"OpenRouter недоступен: {e}")
+            return None
+
     def check_paraphrase(self, text_a: str, text_b: str) -> dict:
         """
         Проверить является ли text_b парафразом text_a с помощью LLM.
@@ -44,42 +101,24 @@ class OllamaClient:
 {{"is_paraphrase": true/false, "confidence": 0.0-1.0, "reason": "краткое объяснение на русском"}}"""
 
         try:
-            response = httpx.post(
-                f"{self.base_url}/api/generate",
-                json={
-                    "model": self.model,
-                    "prompt": prompt,
-                    "stream": False,
-                    "format": "json",
-                    "options": {
-                        "temperature": 0.1,  # Детерминированный вывод
-                        "num_predict": 200,
-                    },
-                },
-                timeout=self.timeout,
-            )
-            response.raise_for_status()
+            llm_response = self._complete(prompt, temperature=0.1, num_predict=200, json_mode=True)
+        except Exception as e:
+            logger.error(f"Неожиданная ошибка при обращении к LLM: {e}")
+            return {"is_paraphrase": False, "confidence": 0.0, "reason": str(e)}
 
-            result = response.json()
-            llm_response = result.get("response", "{}")
+        if llm_response is None:
+            return {"is_paraphrase": False, "confidence": 0.0, "reason": "LLM недоступна"}
 
-            # Парсим JSON из ответа
-            parsed = json.loads(llm_response)
+        try:
+            parsed = json.loads(llm_response or "{}")
             return {
                 "is_paraphrase": bool(parsed.get("is_paraphrase", False)),
                 "confidence": float(parsed.get("confidence", 0.0)),
                 "reason": str(parsed.get("reason", "")),
             }
-
-        except (httpx.TimeoutException, httpx.ConnectError) as e:
-            logger.warning(f"Ollama недоступна: {e}")
-            return {"is_paraphrase": False, "confidence": 0.0, "reason": "LLM недоступна"}
         except (json.JSONDecodeError, KeyError) as e:
-            logger.warning(f"Ошибка парсинга ответа Ollama: {e}")
+            logger.warning(f"Ошибка парсинга ответа LLM: {e}")
             return {"is_paraphrase": False, "confidence": 0.0, "reason": "Ошибка парсинга ответа"}
-        except Exception as e:
-            logger.error(f"Неожиданная ошибка при обращении к Ollama: {e}")
-            return {"is_paraphrase": False, "confidence": 0.0, "reason": str(e)}
 
     def summarize(self, title: str, abstract: str, lang: str = "ru") -> str:
         """
@@ -109,26 +148,15 @@ class OllamaClient:
 Ответ:"""
 
         try:
-            response = httpx.post(
-                f"{self.base_url}/api/generate",
-                json={
-                    "model": self.model,
-                    "prompt": prompt,
-                    "stream": False,
-                    "options": {
-                        "temperature": 0.3,
-                        "num_predict": 300,
-                    },
-                },
-                timeout=self.timeout,
-            )
-            response.raise_for_status()
-            return response.json().get("response", "").strip()
-
+            result = self._complete(prompt, temperature=0.3, num_predict=300)
         except Exception as e:
-            logger.error(f"Ошибка суммаризации через Ollama: {e}")
+            logger.error(f"Ошибка суммаризации через LLM: {e}")
             return abstract[:500] if abstract else title
 
+        if result is None:
+            return abstract[:500] if abstract else title
+        return result.strip()
+
     def is_available(self) -> bool:
         """Проверить доступность Ollama сервера."""
         try:

services/worker-gpu/app/scoring.py

@@ -1,35 +1,92 @@
 """Чистая доменная логика скоринга плагиата — без Celery/БД/сети.
 
 Объединяет совпадения всех уровней (1 winnowing, 2 minhash, 3+4 semantic+llm),
-дедуплицирует их и считает итоговый процент схожести, который видит студент.
-Вынесено из Celery-задачи, чтобы логику можно было тестировать изолированно.
+дедуплицирует их, размечает корректно процитированные фрагменты и считает
+итоговые проценты, которые видит студент. Вынесено из Celery-задачи, чтобы
+логику можно было тестировать изолированно.
 """
 
+import re
 from typing import Any
 
+# Кавычки (открывающая/закрывающая) — рус./англ. варианты
+_OPEN_QUOTES = '«"„'
+_CLOSE_QUOTES = '»"“”'
+
+# Скобочная конструкция с 4-значным годом внутри — [Иванов, 2023], (Smith, 2020),
+# [Иванов и др., 2023]. Совпадает и с нашим же форматом ГОСТ 7.0.5.
+_CITATION_RE = re.compile(r"[\[(][^\[\]()]{0,80}(?:19|20)\d{2}[^\[\]()]{0,20}[\])]")
+
+# Насколько далеко после фрагмента искать ссылку на источник
+_CITATION_LOOKAHEAD = 150
+
+
+def is_cited(full_text: str, position_start: int, position_end: int) -> bool:
+    """Эвристика: похож ли фрагмент на корректно процитированный, а не на голый плагиат.
+
+    Фрагмент считается процитированным, если:
+    - обрамлён кавычками («…», "…") сразу по границам, ИЛИ
+    - сразу за ним (в пределах ~150 символов) идёт скобочная ссылка с годом —
+      [Иванов, 2023], (Smith, 2020) и т.п.
+
+    Эвристика, не 100%-но точная — сигнал для сортировки/отчёта, не финальный
+    вердикт. Для фрагментов без надёжной позиции в тексте (например, уровень 2
+    MinHash — совпадение на уровне всего документа) возвращает False: их нельзя
+    локализовать, чтобы проверить окружение.
+
+    Args:
+        full_text: полный текст проверяемого документа
+        position_start: начало фрагмента (символ)
+        position_end: конец фрагмента (символ)
+
+    Returns:
+        True, если похоже на корректную цитату
+    """
+    if not full_text or position_start < 0 or position_end > len(full_text):
+        return False
+
+    before = full_text[max(0, position_start - 3) : position_start]
+    after = full_text[position_end : position_end + 3]
+    if any(c in before for c in _OPEN_QUOTES) and any(c in after for c in _CLOSE_QUOTES):
+        return True
+
+    tail = full_text[position_end : position_end + _CITATION_LOOKAHEAD]
+    return bool(_CITATION_RE.search(tail))
+
 
 def aggregate_results(
     level1_matches: list[dict[str, Any]],
     level2_matches: list[dict[str, Any]],
     semantic_matches: list[dict[str, Any]],
     total_fragments: int,
+    full_text: str = "",
+    related_candidates: list[dict[str, Any]] | None = None,
 ) -> dict[str, Any]:
     """Свести совпадения уровней в итог проверки.
 
     Дедупликация — по паре (source_title, position_start): одно и то же совпадение
-    источника в одной позиции не дублируется. Итоговый процент — доля УНИКАЛЬНЫХ
+    источника в одной позиции не дублируется. `overall_similarity` — доля УНИКАЛЬНЫХ
     помеченных позиций от всех фрагментов (фрагмент, совпавший с несколькими
-    источниками, не раздувает процент выше 100).
+    источниками, не раздувает процент выше 100). `uncited_similarity` — та же доля,
+    но БЕЗ фрагментов, похожих на корректную цитату (см. is_cited) — это ближе к
+    тому, что коммерческие системы называют «% некорректных заимствований».
 
     Args:
         level1_matches: совпадения уровня 1 (Winnowing, точные)
         level2_matches: совпадения уровня 2 (MinHash, нечёткие)
         semantic_matches: совпадения уровней 3-4 (FAISS + LLM-парафраз)
         total_fragments: всего проверенных фрагментов документа
+        full_text: полный текст проверяемого документа — нужен для is_cited;
+            пустая строка → ни один фрагмент не размечается как цитата
+        related_candidates: кандидаты уровня 3 (FAISS), которые прошли порог
+            семантической схожести, но LLM не подтвердила парафраз/плагиат —
+            не заимствование, но тематически близкая работа. Используются
+            для "recommendations", а не для процента схожести.
 
     Returns:
-        dict с полями overall_similarity, matches, total_fragments,
-        flagged_fragments, by_method.
+        dict с полями overall_similarity, uncited_similarity, matches (с полем
+        "cited" в каждом), total_fragments, flagged_fragments, cited_fragments,
+        uncited_fragments, by_method, recommendations.
     """
     all_matches = level1_matches + level2_matches + semantic_matches
 
@@ -39,21 +96,40 @@ def aggregate_results(
         key = f"{m.get('source_title', '')}:{m.get('position_start', '')}"
         if key not in seen:
             seen.add(key)
+            m = {**m, "cited": is_cited(full_text, m.get("position_start", -1), m.get("position_end", -1))}
             unique_matches.append(m)
 
     flagged_positions = {m.get("position_start") for m in unique_matches}
-    flagged_frags = len(flagged_positions)
-    overall = (flagged_frags / total_fragments * 100) if total_fragments > 0 else 0.0
-    overall = min(overall, 100.0)
+    uncited_positions = {m.get("position_start") for m in unique_matches if not m["cited"]}
+
+    def _pct(positions: set) -> float:
+        pct = (len(positions) / total_fragments * 100) if total_fragments > 0 else 0.0
+        return round(min(pct, 100.0), 2)
+
+    # Рекомендации: лучший кандидат на источник (без уже засчитанных как совпадение),
+    # отсортированы по убыванию схожести, не более 10 — чтобы не захламлять отчёт.
+    flagged_sources = {m.get("source_url") or m.get("source_title") for m in semantic_matches}
+    best_by_source: dict[str, dict[str, Any]] = {}
+    for c in related_candidates or []:
+        key = c.get("source_url") or c.get("source_title", "")
+        if not key or key in flagged_sources:
+            continue
+        if key not in best_by_source or c.get("similarity", 0) > best_by_source[key].get("similarity", 0):
+            best_by_source[key] = c
+    recommendations = sorted(best_by_source.values(), key=lambda c: c.get("similarity", 0), reverse=True)[:10]
 
     return {
-        "overall_similarity": round(overall, 2),
+        "overall_similarity": _pct(flagged_positions),
+        "uncited_similarity": _pct(uncited_positions),
         "matches": unique_matches,
         "total_fragments": total_fragments,
-        "flagged_fragments": flagged_frags,
+        "flagged_fragments": len(flagged_positions),
+        "cited_fragments": len(flagged_positions) - len(uncited_positions),
+        "uncited_fragments": len(uncited_positions),
         "by_method": {
             "exact": len(level1_matches),
             "fuzzy": len(level2_matches),
             "semantic_llm": len(semantic_matches),
         },
+        "recommendations": recommendations,
     }

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

@@ -99,6 +99,7 @@ def check_plagiarism(
         ollama = OllamaClient()
         vector_store = get_backend()
         semantic_matches: list[dict] = []
+        related_candidates: list[dict] = []
 
         for i, fragment in enumerate(fragments):
             frag_text = fragment.get("text", "")
@@ -120,24 +121,38 @@ def check_plagiarism(
 
                 if not doc_meta:
                     continue
+                # user_submission — чужие непубличные загрузки (и свои же прошлые
+                # прогоны того же файла), не легитимный источник для сравнения.
+                if doc_meta["source"] == "user_submission":
+                    continue
 
                 llm_result = {"is_paraphrase": False, "confidence": 0.0, "reason": ""}
                 if source_text:
                     llm_result = ollama.check_paraphrase(source_text, frag_text)
 
+                candidate = {
+                    "fragment": frag_text[:300],
+                    "position_start": fragment.get("start", 0),
+                    "position_end": fragment.get("end", len(frag_text)),
+                    "similarity": round(score * 100, 1),
+                    "source_title": doc_meta["title"],
+                    "source_url": doc_meta["url"],
+                    "source_db": doc_meta["source"],
+                }
+
                 if llm_result.get("is_paraphrase") and llm_result.get("confidence", 0.0) >= LLM_CONFIDENCE_THRESHOLD:
                     semantic_matches.append({
-                        "fragment": frag_text[:300],
-                        "position_start": fragment.get("start", 0),
-                        "position_end": fragment.get("end", len(frag_text)),
-                        "similarity": round(score * 100, 1),
+                        **candidate,
                         "method": "semantic+llm",
                         "confidence": llm_result["confidence"],
                         "reason": llm_result.get("reason", ""),
-                        "source_title": doc_meta["title"],
-                        "source_url": doc_meta["url"],
-                        "source_db": doc_meta["source"],
                     })
+                else:
+                    # Похоже по смыслу, но LLM не подтвердила заимствование —
+                    # не плагиат, но тематически близкая работа: кандидат в
+                    # рекомендации "источники для раскрытия темы", а не в отчёт
+                    # о нарушениях.
+                    related_candidates.append(candidate)
 
             if (i + 1) % 10 == 0:
                 logger.info(f"Проверено фрагментов: {i + 1}/{len(fragments)}")
@@ -146,7 +161,12 @@ def check_plagiarism(
         from app.scoring import aggregate_results
 
         result = aggregate_results(
-            level1_matches, level2_matches, semantic_matches, len(fragments)
+            level1_matches,
+            level2_matches,
+            semantic_matches,
+            len(fragments),
+            full_text=text,
+            related_candidates=related_candidates,
         )
 
         # Сохранить результат
@@ -171,6 +191,16 @@ def check_plagiarism(
             queue="queue.notify",
         )
 
+        # Пополнить базу для сравнения (как у коммерческих систем — каждая
+        # проверенная работа сама становится источником для будущих проверок).
+        # Диспатчим ПОСЛЕ сохранения результата, чтобы работа не сматчилась
+        # сама с собой в только что посчитанном отчёте.
+        celery_app.send_task(
+            "index.auto_approve_submission",
+            args=[task_id],
+            queue="queue.index",
+        )
+
         return result
 
     except Exception as exc:
@@ -189,8 +219,13 @@ def check_plagiarism(
         raise self.retry(exc=exc, countdown=120) from exc
 
 
-@celery_app.task(name="gpu.embed_documents")
-def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
+@celery_app.task(
+    name="gpu.embed_documents",
+    bind=True,
+    max_retries=3,
+    default_retry_delay=30,
+)
+def embed_documents(self, doc_ids: list[int]) -> dict[str, Any]:
     """
     Построить эмбеддинги для документов и добавить их в FAISS индекс.
 
@@ -224,7 +259,14 @@ def embed_documents(doc_ids: list[int]) -> dict[str, Any]:
         ]
         ids = [d.id for d in docs]
 
-    vectors = ModelManager.encode(texts)
+    try:
+        vectors = ModelManager.encode(texts)
+    except Exception as exc:
+        # Таймаут/недоступность бэкенда эмбеддингов — не терять батч молча,
+        # а повторить (раньше падало без ретрая, документы просто выпадали
+        # из переиндексации).
+        logger.warning(f"Не удалось построить эмбеддинги для {ids}: {exc}")
+        raise self.retry(exc=exc) from exc
 
     store = get_backend()
     store.add_vectors(vectors, ids)

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

@@ -0,0 +1,39 @@
+"""Служебная задача: состояние векторного индекса для панели отладки.
+
+Индекс живёт в памяти и на диске worker-gpu, у API к нему доступа нет. Без этой
+задачи админка показывала покрытие L3 по колонке `documents.faiss_id` — а она
+врёт: пометка остаётся и тогда, когда вектор в индекс не попал (или индекс был
+пересоздан после смены модели эмбеддингов). Здесь возвращается то, что в индексе
+есть на самом деле.
+"""
+
+from typing import Any
+
+from celery.utils.log import get_task_logger
+
+from app.celery_app import celery_app
+from app.config import settings
+from app.vector_store import get_backend
+
+logger = get_task_logger(__name__)
+
+
+@celery_app.task(name="gpu.index_stats")
+def index_stats() -> dict[str, Any]:
+    """Реальное число векторов в активном бэкенде (FAISS или Qdrant)."""
+    backend = get_backend()
+    try:
+        # У FAISS индекс ленивый: без обращения ntotal вернёт 0 на холодном воркере
+        if hasattr(backend, "_ensure"):
+            backend._ensure()
+        total = backend.total_vectors()
+    except Exception as e:
+        logger.warning(f"index_stats: не удалось прочитать индекс: {e}")
+        return {"backend": settings.VECTOR_BACKEND, "error": str(e)[:200]}
+
+    return {
+        "backend": settings.VECTOR_BACKEND,
+        "vectors": total,
+        "dim": settings.EMBED_DIM,
+        "embed_model": settings.EMBED_MODEL,
+    }

services/worker-gpu/requirements.txt

@@ -8,6 +8,7 @@ qdrant-client==1.19.0  # альтернативный векторный бэк
 torch==2.3.0
 numpy==1.26.4
 httpx==0.27.0
+socksio==1.0.0  # SOCKS5-прокси для httpx (нужен для OpenRouter из РФ, см. app.ollama_client)
 minio==7.2.7
 datasketch==1.6.5
 pydantic-settings==2.2.1

services/worker-gpu/tests/test_scoring.py

@@ -1,12 +1,16 @@
 """Юнит-тесты скоринга плагиата (итоговый процент, который видит студент)."""
 
-from app.scoring import aggregate_results
+from app.scoring import aggregate_results, is_cited
 
 
 def _m(title: str, pos: int) -> dict:
     return {"source_title": title, "position_start": pos}
 
 
+def _mp(title: str, start: int, end: int) -> dict:
+    return {"source_title": title, "position_start": start, "position_end": end}
+
+
 def test_empty_input_is_zero():
     out = aggregate_results([], [], [], total_fragments=10)
     assert out["overall_similarity"] == 0.0
@@ -67,3 +71,124 @@ def test_percentage_rounded_to_two_decimals():
     # 1 из 3 → 33.333... → 33.33
     out = aggregate_results([_m("A", 0)], [], [], total_fragments=3)
     assert out["overall_similarity"] == 33.33
+
+
+# ─── is_cited ───────────────────────────────────────────────────────────────
+
+def test_is_cited_quoted_fragment():
+    text = 'Автор пишет: «дословная цитата» и развивает мысль.'
+    start = text.index("дословная")
+    end = start + len("дословная цитата")
+    assert is_cited(text, start, end) is True
+
+
+def test_is_cited_bracket_citation_with_year():
+    text = "Текст фрагмента без кавычек [Иванов, 2023] продолжение."
+    end = text.index(" [Иванов")
+    assert is_cited(text, 0, end) is True
+
+
+def test_is_cited_apa_style_citation():
+    text = "Some borrowed sentence here (Smith, 2020) continues."
+    end = text.index(" (Smith")
+    assert is_cited(text, 0, end) is True
+
+
+def test_is_cited_bare_plagiarism_is_false():
+    text = "Просто скопированный текст без всякого оформления далее."
+    assert is_cited(text, 0, 10) is False
+
+
+def test_is_cited_bracket_without_year_is_false():
+    text = "Текст фрагмента [см. приложение] продолжение."
+    end = text.index(" [см")
+    assert is_cited(text, 0, end) is False
+
+
+def test_is_cited_empty_full_text_is_false():
+    assert is_cited("", 0, 5) is False
+
+
+def test_is_cited_out_of_range_position_is_false():
+    assert is_cited("короткий текст", 0, 999) is False
+
+
+# ─── aggregate_results: cited/uncited split ──────────────────────────────────
+
+def test_cited_match_excluded_from_uncited_similarity():
+    text = 'Вот «процитированный фрагмент» и текст дальше.'
+    start = text.index("процитированный")
+    end = start + len("процитированный фрагмент")
+    out = aggregate_results([_mp("A", start, end)], [], [], total_fragments=4, full_text=text)
+    assert out["matches"][0]["cited"] is True
+    assert out["overall_similarity"] == 25.0     # цитата всё ещё учтена в общем %
+    assert out["uncited_similarity"] == 0.0      # но не в "некорректных" заимствованиях
+    assert out["cited_fragments"] == 1
+    assert out["uncited_fragments"] == 0
+
+
+def test_uncited_match_counts_in_both_percentages():
+    text = "Скопированный без указания источника текст фрагмента дальше."
+    out = aggregate_results([_mp("A", 0, 20)], [], [], total_fragments=4, full_text=text)
+    assert out["matches"][0]["cited"] is False
+    assert out["overall_similarity"] == out["uncited_similarity"] == 25.0
+    assert out["uncited_fragments"] == 1
+
+
+def test_no_full_text_means_nothing_marked_cited():
+    out = aggregate_results([_m("A", 0)], [], [], total_fragments=2)  # full_text не передан
+    assert out["matches"][0]["cited"] is False
+    assert out["overall_similarity"] == out["uncited_similarity"]
+
+
+# ─── aggregate_results: recommendations ──────────────────────────────────────
+
+def _cand(title: str, similarity: float, url: str | None = None) -> dict:
+    return {
+        "fragment": "фрагмент",
+        "position_start": 0,
+        "position_end": 8,
+        "similarity": similarity,
+        "source_title": title,
+        "source_url": url,
+        "source_db": "openalex",
+    }
+
+
+def test_no_related_candidates_means_empty_recommendations():
+    out = aggregate_results([], [], [], total_fragments=10)
+    assert out["recommendations"] == []
+
+
+def test_related_candidates_become_recommendations_sorted_by_similarity():
+    out = aggregate_results(
+        [], [], [], total_fragments=10,
+        related_candidates=[_cand("Low", 60.0), _cand("High", 90.0)],
+    )
+    titles = [r["source_title"] for r in out["recommendations"]]
+    assert titles == ["High", "Low"]
+
+
+def test_recommendations_dedup_keeps_best_per_source():
+    out = aggregate_results(
+        [], [], [], total_fragments=10,
+        related_candidates=[_cand("A", 60.0, "url-a"), _cand("A", 85.0, "url-a")],
+    )
+    assert len(out["recommendations"]) == 1
+    assert out["recommendations"][0]["similarity"] == 85.0
+
+
+def test_recommendations_capped_at_ten():
+    candidates = [_cand(f"S{i}", float(i), f"url-{i}") for i in range(15)]
+    out = aggregate_results([], [], [], total_fragments=10, related_candidates=candidates)
+    assert len(out["recommendations"]) == 10
+
+
+def test_source_already_flagged_as_match_excluded_from_recommendations():
+    semantic = [{**_cand("A", 90.0, "url-a"), "method": "semantic+llm"}]
+    out = aggregate_results(
+        [], [], semantic, total_fragments=10,
+        related_candidates=[_cand("A", 60.0, "url-a"), _cand("B", 70.0, "url-b")],
+    )
+    titles = [r["source_title"] for r in out["recommendations"]]
+    assert titles == ["B"]

services/worker-indexer/app/algorithms/winnowing.py

@@ -85,6 +85,68 @@ def winnow(text: str, k: int = 5, window: int = 4) -> set[int]:
     return fingerprint
 
 
+def winnow_ordered(text: str, k: int = 5, window: int = 4) -> list[int]:
+    """То же, что winnow, но с сохранением порядка появления отпечатков в тексте.
+
+    Нужно там, где отпечатки приходится обрезать по лимиту: множество не хранит
+    порядка, и `list(winnow(text))[:limit]` берёт произвольное подмножество —
+    у длинного документа целые куски остаются без покрытия, и списывание из них
+    не находится. Со списком в порядке текста обрезку можно делать равномерной
+    (см. sample_evenly).
+
+    Args:
+        text: Исходный текст
+        k: Размер k-граммы
+        window: Размер скользящего окна
+
+    Returns:
+        Отпечатки в порядке появления в тексте, без повторов
+    """
+    tokens = text.lower().split()
+    if len(tokens) < k:
+        return []
+
+    hashes = [hash_ngram(ng) for ng in get_ngrams(tokens, k)]
+    if not hashes:
+        return []
+
+    ordered: list[int] = []
+    seen: set[int] = set()
+    prev_min_idx = -1
+
+    for i in range(len(hashes) - window + 1):
+        window_hashes = hashes[i : i + window]
+        min_val = min(window_hashes)
+        min_idx = i + window_hashes.index(min_val)
+
+        if min_idx != prev_min_idx:
+            if min_val not in seen:
+                seen.add(min_val)
+                ordered.append(min_val)
+            prev_min_idx = min_idx
+
+    return ordered
+
+
+def sample_evenly(items: list[int], limit: int) -> list[int]:
+    """Оставить не больше limit элементов, равномерно по всей длине списка.
+
+    Берём каждый n-й элемент, а не первые limit штук: обрезка «с начала»
+    оставила бы без отпечатков весь конец документа.
+
+    Args:
+        items: Отпечатки в порядке текста (winnow_ordered)
+        limit: Максимум отпечатков; 0 или меньше — не ограничивать
+
+    Returns:
+        Подсписок длиной не больше limit, сохраняющий порядок
+    """
+    if limit <= 0 or len(items) <= limit:
+        return items
+    step = len(items) / limit
+    return [items[int(i * step)] for i in range(limit)]
+
+
 def jaccard_similarity(fp_a: set[int], fp_b: set[int]) -> float:
     """
     Коэффициент Жаккара для двух fingerprint'ов.

services/worker-indexer/app/bulk_writer.py

@@ -0,0 +1,132 @@
+"""Пакетная запись документов корпуса — путь для массовых источников.
+
+Обычный `index.add_document` пишет по одному документу через ORM: удобно для
+парсеров, отдающих сотни статей, но на миллионах это тупик. Замер на проде:
+построчная вставка отпечатков — 6.7 тыс. строк/с, COPY — 21 тыс. строк/с, а
+миллион статей это ~2 млрд отпечатков. Разница между сутками и неделями.
+
+Поэтому массовые источники (дампы Википедии, бакет PMC) идут сюда: документы
+вставляются одной командой с ON CONFLICT, отпечатки — через COPY.
+
+Elasticsearch и эмбеддинги здесь намеренно не трогаются: L1 и L2 начинают
+работать сразу, а векторы для L3 досчитываются отдельно
+(`scripts/ops/reembed_missing.py`) — иначе заливка упирается в скорость
+сервера эмбеддингов и тормозит на порядок.
+"""
+
+import contextlib
+import io
+import logging
+import time
+from typing import Any
+
+import psycopg2
+
+from app.algorithms.winnowing import sample_evenly, winnow_ordered
+from app.config import settings
+
+logger = logging.getLogger(__name__)
+
+# Сколько попыток пережить обрыв соединения с базой. Массовая заливка идёт
+# часами, и разрыв сети за это время — норма, а не исключение.
+DB_RETRIES = 5
+
+
+def connect():
+    """Отдельное подключение psycopg2: COPY недоступен через ORM-сессию."""
+    return psycopg2.connect(
+        host=settings.POSTGRES_HOST,
+        port=settings.POSTGRES_PORT,
+        dbname=settings.POSTGRES_DB,
+        user=settings.POSTGRES_USER,
+        password=settings.POSTGRES_PASSWORD,
+    )
+
+
+def write_batch(conn, docs: list[dict[str, Any]], fp_limit: int) -> tuple[Any, dict[str, int]]:
+    """Записать пачку документов с отпечатками, пережив обрыв соединения.
+
+    Args:
+        conn: активное подключение psycopg2 (может быть заменено при обрыве)
+        docs: документы в унифицированном формате парсеров; нужны ext_id,
+            source, title и text — остальное необязательно
+        fp_limit: максимум отпечатков на документ
+
+    Returns:
+        (соединение, счётчики) — соединение может оказаться новым, если
+        пришлось переподключаться; счётчики: added / duplicates / fingerprints
+    """
+    if not docs:
+        return conn, {"added": 0, "duplicates": 0, "fingerprints": 0}
+
+    for attempt in range(1, DB_RETRIES + 1):
+        try:
+            return conn, _write_once(conn, docs, fp_limit)
+        except psycopg2.OperationalError as e:
+            wait = min(60, 5 * attempt)
+            logger.warning(
+                "bulk_writer: база недоступна (%s), повтор через %sс [%s/%s]",
+                str(e).strip()[:80], wait, attempt, DB_RETRIES,
+            )
+            time.sleep(wait)
+            with contextlib.suppress(Exception):
+                conn.close()
+            try:
+                conn = connect()
+            except Exception:
+                continue
+
+    raise RuntimeError(f"не удалось записать пачку после {DB_RETRIES} попыток")
+
+
+def _write_once(conn, docs: list[dict[str, Any]], fp_limit: int) -> dict[str, int]:
+    """Одна попытка записи; счётчики возвращаются только при успехе."""
+    added = duplicates = fingerprints = 0
+
+    with conn.cursor() as cur:
+        cur.executemany(
+            """INSERT INTO documents (ext_id, source, title, doi, year, lang, journal,
+                                      abstract, url, authors, indexed_at)
+               VALUES (%s,%s,%s,%s,%s,%s,%s,%s,%s,'[]'::json, now())
+               ON CONFLICT (ext_id) DO NOTHING""",
+            [
+                (
+                    d["ext_id"], d["source"], (d.get("title") or "")[:1000], d.get("doi"),
+                    d.get("year"), d.get("lang"), (d.get("journal") or None),
+                    (d.get("text") or "")[:2000], d.get("url"),
+                )
+                for d in docs
+            ],
+        )
+
+        cur.execute(
+            "SELECT id, ext_id FROM documents WHERE ext_id = ANY(%s)",
+            ([d["ext_id"] for d in docs],),
+        )
+        id_by_ext = {ext: doc_id for doc_id, ext in cur.fetchall()}
+
+        buf = io.StringIO()
+        for d in docs:
+            doc_id = id_by_ext.get(d["ext_id"])
+            if doc_id is None:
+                continue
+            # Уже с отпечатками — значит документ залит прошлым прогоном
+            cur.execute("SELECT 1 FROM fingerprints WHERE doc_id = %s LIMIT 1", (doc_id,))
+            if cur.fetchone():
+                duplicates += 1
+                continue
+
+            hashes = sample_evenly(winnow_ordered(d.get("text") or ""), fp_limit)
+            if not hashes:
+                continue
+            for pos, h in enumerate(hashes):
+                buf.write(f"{doc_id}\t{h}\t{pos}\n")
+            fingerprints += len(hashes)
+            added += 1
+
+        buf.seek(0)
+        if added:
+            cur.copy_from(buf, "fingerprints", columns=("doc_id", "hash_value", "position"))
+
+    conn.commit()
+    return {"added": added, "duplicates": duplicates, "fingerprints": fingerprints}

services/worker-indexer/app/celery_app.py

@@ -26,5 +26,12 @@ celery_app.conf.update(
     },
     task_acks_late=True,
     task_reject_on_worker_lost=True,
+    # Один неподтверждённый месседж на процесс пула. При acks_late=True всё
+    # предвыбранное висит unacked, а RabbitMQ рвёт канал по consumer_timeout
+    # (1800с) с момента ДОСТАВКИ, а не начала выполнения. С дефолтным префетчем
+    # (4×concurrency) массовая заливка — сотни долгих run_parser в очереди —
+    # гарантированно роняет воркер на задачах, которые ещё даже не начинались,
+    # и он уходит в краш-луп на передоставленных сообщениях (docs/DR-HA.md §6).
+    worker_prefetch_multiplier=1,
     result_expires=86400,
 )

services/worker-indexer/app/config.py

@@ -59,6 +59,28 @@ class Settings(BaseSettings):
     FULL_TEXT_MIN_CHARS: int = 500  # Минимум символов, иначе считаем извлечение неудачным
     EMBED_BATCH_SIZE: int = 64  # Размер пачки документов для диспатча эмбеддингов
 
+    # Сколько документов массового источника пишется одной транзакцией.
+    # Больше — меньше накладных расходов, но длиннее транзакция: 500 статей по
+    # 2000 отпечатков это миллион строк за раз, и на таком объёме соединение
+    # обрывалось. 150 — компромисс, проверенный на заливке Википедии.
+    BULK_WRITE_BATCH: int = 150
+
+    # Бюджет времени одного прогона index.run_parser. RabbitMQ рвёт канал
+    # consumer'а, не сделавшего ack за consumer_timeout (по умолчанию 1800с):
+    # воркер падает, сообщение передоставляется, таск начинается заново —
+    # бесконечный краш-луп (docs/DR-HA.md §6). Прогон закругляется раньше и
+    # честно помечается partial: остаток дозаливается повторным запуском.
+    PARSER_TIME_BUDGET_S: float = 1500.0
+
+    # Автоматически добавлять проверенные работы студентов в базу для сравнения
+    # (как в коммерческих системах — Антиплагиат.ру/Turnitin ловят списывание у
+    # предыдущих потоков именно так). Выключено по умолчанию: без ручной
+    # модерации студент, перепроверивший тот же файл дважды, получал 100%
+    # "плагиата" — против собственной же более ранней загрузки. L1/L2/L3 теперь
+    # и так исключают source=user_submission из сравнения, так что включать это
+    # обратно есть смысл только вместе с реальной защитой от self/cross-match.
+    AUTO_APPROVE_SUBMISSIONS: bool = False
+
     # App
     ENVIRONMENT: str = "development"
     DEBUG: bool = False

services/worker-indexer/app/db.py

@@ -1,9 +1,11 @@
-"""Синхронное подключение к PostgreSQL и MinIO для индексер-воркера."""
+"""Синхронное подключение к PostgreSQL, MinIO и Redis для индексер-воркера."""
 
 import logging
 from collections.abc import Generator
 from contextlib import contextmanager
+from datetime import UTC, datetime
 
+import redis
 from minio import Minio
 from sqlalchemy import create_engine
 from sqlalchemy.orm import Session, sessionmaker
@@ -65,3 +67,47 @@ def update_task_status(task_id: str, status: str, error: str | None = None) -> N
             if error:
                 task.error = error
             session.commit()
+
+
+_redis_client: redis.Redis | None = None
+
+
+def get_redis() -> redis.Redis:
+    """Получить или создать sync Redis клиент (тот же Redis, что и у API —
+    там считаются rate-limit'ы, ключи вида rl:{user_id}:{action}:{period})."""
+    global _redis_client
+    if _redis_client is None:
+        _redis_client = redis.Redis.from_url(settings.REDIS_URL, decode_responses=True)
+    return _redis_client
+
+
+def refund_plagiarism_quota(task_id: str) -> None:
+    """Вернуть месячную квоту проверок плагиата владельцу задачи.
+
+    Вызывается, когда задача провалилась ДО начала реальной проверки (битый
+    файл, не тот формат) — API списывает квоту синхронно при загрузке файла,
+    заранее, не дожидаясь, распознается ли он вообще. Без возврата пользователь
+    терял бы месячный лимит (у free — 1 в месяц) за одну неудачную попытку с
+    неправильным файлом. Ключ и формат периода — как в
+    api/app/core/rate_limiter.py (rl:{user_id}:plagiarism:{YYYY-MM}), чтобы
+    декремент попадал в тот же счётчик, что инкрементил API.
+    """
+    from app.models import Task
+
+    try:
+        with db_session() as session:
+            task = session.get(Task, task_id)
+            if task is None:
+                return
+            user_id = task.user_id
+
+        period = datetime.now(UTC).strftime("%Y-%m")
+        key = f"rl:{user_id}:plagiarism:{period}"
+        r = get_redis()
+        current = r.get(key)
+        if current and int(current) > 0:
+            r.decr(key)
+            logger.info(f"Квота plagiarism возвращена пользователю {user_id} (задача {task_id!r})")
+    except Exception as e:
+        # Невозврат квоты — не повод валить обработку ошибки задачи
+        logger.warning(f"Не удалось вернуть квоту для задачи {task_id!r}: {e}")

services/worker-indexer/app/extractors/pdf.py

@@ -23,6 +23,12 @@ def extract_text_from_pdf(data: bytes) -> str:
     """
     import fitz  # PyMuPDF
 
+    # Частый случай: файл с расширением .pdf, но внутри — HTML/другое (например,
+    # сохранённая веб-страница). Даём понятное сообщение, а не сырую ошибку MuPDF
+    # вида "code=7: no objects found", которая ничего не скажет пользователю.
+    if not data.startswith(b"%PDF-"):
+        raise ValueError("Файл повреждён или не является PDF-документом")
+
     try:
         doc = fitz.open(stream=data, filetype="pdf")
     except Exception as e:

services/worker-indexer/app/models/__init__.py

@@ -2,7 +2,7 @@
 
 from datetime import datetime
 
-from sqlalchemy import JSON, BigInteger, ForeignKey, Integer, String, Text, func
+from sqlalchemy import JSON, BigInteger, Boolean, ForeignKey, Integer, String, Text, func
 from sqlalchemy.orm import DeclarativeBase, Mapped, mapped_column
 
 
@@ -77,9 +77,36 @@ class ParseSource(Base):
     last_error: Mapped[str | None] = mapped_column(Text, nullable=True)
     last_run_at: Mapped[datetime | None] = mapped_column(nullable=True)
     docs_added: Mapped[int] = mapped_column(default=0)
+    last_run_id: Mapped[int | None] = mapped_column(nullable=True)
+    resume_token: Mapped[str | None] = mapped_column(Text, nullable=True)
     created_at: Mapped[datetime] = mapped_column(server_default=func.now())
 
 
+class ParseRun(Base):
+    """Прогон парсинга: счётчики прогресса и журнал (пишет run_parser)."""
+
+    __tablename__ = "parse_runs"
+    id: Mapped[int] = mapped_column(Integer, primary_key=True)
+    source_id: Mapped[int] = mapped_column(ForeignKey("parse_sources.id"))
+    celery_task_id: Mapped[str | None] = mapped_column(String(64), nullable=True)
+    status: Mapped[str] = mapped_column(String(20), default="queued")
+    stage: Mapped[str] = mapped_column(String(20), default="queued")
+    target: Mapped[int] = mapped_column(default=0)
+    fetched: Mapped[int] = mapped_column(default=0)
+    processed: Mapped[int] = mapped_column(default=0)
+    added: Mapped[int] = mapped_column(default=0)
+    duplicates: Mapped[int] = mapped_column(default=0)
+    skipped: Mapped[int] = mapped_column(default=0)
+    failed: Mapped[int] = mapped_column(default=0)
+    cancel_requested: Mapped[bool] = mapped_column(Boolean, default=False)
+    error: Mapped[str | None] = mapped_column(Text, nullable=True)
+    log: Mapped[list | None] = mapped_column(JSON, default=list)
+    started_at: Mapped[datetime] = mapped_column(server_default=func.now())
+    run_started_at: Mapped[datetime | None] = mapped_column(nullable=True)
+    heartbeat_at: Mapped[datetime | None] = mapped_column(nullable=True)
+    finished_at: Mapped[datetime | None] = mapped_column(nullable=True)
+
+
 class StagedWork(Base):
     __tablename__ = "staged_works"
     id: Mapped[int] = mapped_column(Integer, primary_key=True)
@@ -100,4 +127,13 @@ class StagedWork(Base):
     created_at: Mapped[datetime] = mapped_column(server_default=func.now())
 
 
-__all__ = ["Base", "User", "Task", "Document", "Fingerprint", "ParseSource", "StagedWork"]
+__all__ = [
+    "Base",
+    "User",
+    "Task",
+    "Document",
+    "Fingerprint",
+    "ParseSource",
+    "ParseRun",
+    "StagedWork",
+]

services/worker-indexer/app/progress.py

@@ -0,0 +1,124 @@
+"""Счётчики прогресса прогона парсинга — чистая логика, без БД и Celery.
+
+Отделено от tasks/index.py по той же причине, что и staging.py: здесь живут
+решения, которые легко ломаются молча (как часто писать в БД, когда пора
+закругляться по бюджету времени, сколько строк журнала хранить) — их надо
+тестировать изолированно, без RabbitMQ/PostgreSQL.
+
+Бюджет времени — не оптимизация, а защита: RabbitMQ рвёт канал consumer'а,
+не сделавшего ack за `consumer_timeout` (по умолчанию 1800с), Celery-процесс
+падает, сообщение передоставляется и таск начинается заново — бесконечный
+краш-луп, который уже дважды съедал весь пул воркера (см. docs/DR-HA.md §6).
+Поэтому прогон сам останавливается раньше дедлайна и честно помечается
+`partial`, а не доводит воркер до падения.
+"""
+
+import time
+from collections.abc import Callable
+from datetime import UTC, datetime
+from typing import Any
+
+# Значения по умолчанию: бюджет заметно меньше consumer_timeout (1800с),
+# чтобы после остановки успеть дописать статус в БД и сдаться брокеру.
+DEFAULT_BUDGET_S = 1500.0
+DEFAULT_FLUSH_INTERVAL_S = 2.0
+LOG_TAIL_LIMIT = 200
+
+
+class RunProgress:
+    """Состояние одного прогона: счётчики, журнал, тайминги.
+
+    Воркер дёргает `count_*`/`log`, а по `should_flush()` сбрасывает
+    `snapshot()` в таблицу parse_runs.
+    """
+
+    def __init__(
+        self,
+        target: int,
+        budget_s: float = DEFAULT_BUDGET_S,
+        flush_interval_s: float = DEFAULT_FLUSH_INTERVAL_S,
+        log_limit: int = LOG_TAIL_LIMIT,
+        clock: Callable[[], float] = time.monotonic,
+    ) -> None:
+        self.target = max(0, target)
+        self.budget_s = budget_s
+        self.flush_interval_s = flush_interval_s
+        self.log_limit = log_limit
+        self._clock = clock
+        self._started = clock()
+        self._last_flush = self._started
+
+        self.stage = "queued"
+        self.fetched = 0
+        self.processed = 0
+        self.added = 0
+        self.duplicates = 0
+        self.skipped = 0
+        self.failed = 0
+        self.entries: list[dict[str, Any]] = []
+
+    # ── тайминги ──────────────────────────────────────────────────────────────
+    @property
+    def elapsed(self) -> float:
+        return self._clock() - self._started
+
+    @property
+    def over_budget(self) -> bool:
+        """Пора закругляться, пока брокер не оборвал канал."""
+        return self.elapsed >= self.budget_s
+
+    def should_flush(self) -> bool:
+        """Прошло ли достаточно времени с прошлой записи в БД."""
+        return (self._clock() - self._last_flush) >= self.flush_interval_s
+
+    def mark_flushed(self) -> None:
+        self._last_flush = self._clock()
+
+    # ── счётчики ──────────────────────────────────────────────────────────────
+    def count_fetched(self, total: int) -> None:
+        """Сколько сырых документов получено от источника (нарастающим итогом)."""
+        self.fetched = total
+
+    def count_result(self, status: str) -> None:
+        """Учесть результат обработки одного документа.
+
+        indexed / duplicate / skipped (мусор от источника: нет title или
+        ext_id) считаются отдельно от failed — иначе панель отладки показывала
+        бы тысячи «ошибок» там, где источник просто отдал неполные записи.
+        """
+        self.processed += 1
+        if status == "indexed":
+            self.added += 1
+        elif status == "duplicate":
+            self.duplicates += 1
+        elif status == "skipped":
+            self.skipped += 1
+        else:
+            self.failed += 1
+
+    # ── журнал ────────────────────────────────────────────────────────────────
+    def log(self, level: str, msg: str) -> None:
+        """Добавить запись журнала, храня только хвост последних log_limit строк."""
+        self.entries.append({
+            "ts": datetime.now(UTC).isoformat(timespec="seconds"),
+            "elapsed": round(self.elapsed, 1),
+            "level": level,
+            "msg": msg[:500],
+        })
+        if len(self.entries) > self.log_limit:
+            del self.entries[: len(self.entries) - self.log_limit]
+
+    # ── выгрузка ──────────────────────────────────────────────────────────────
+    def snapshot(self) -> dict[str, Any]:
+        """Поля для UPDATE parse_runs."""
+        return {
+            "stage": self.stage,
+            "target": self.target,
+            "fetched": self.fetched,
+            "processed": self.processed,
+            "added": self.added,
+            "duplicates": self.duplicates,
+            "skipped": self.skipped,
+            "failed": self.failed,
+            "log": list(self.entries),
+        }

services/worker-indexer/app/staging.py

@@ -0,0 +1,40 @@
+"""Преобразование StagedWork → doc_data для add_document — чистая логика.
+
+Формат идентичен ручному одобрению в админке (POST /admin/staging/{id}/approve),
+чтобы автоматический путь (auto_approve_submission) и ручной давали одинаковый
+результат. Без зависимости от SQLAlchemy/Celery/MinIO — принимает любой объект с
+нужными атрибутами (StagedWork ORM или эквивалент), тестируется изолированно.
+"""
+
+from typing import Any, Protocol
+
+
+class StagedWorkLike(Protocol):
+    id: int
+    title: str | None
+    filename: str | None
+    authors: list | None
+    year: int | None
+    lang: str | None
+
+
+def staged_work_to_doc_data(sw: StagedWorkLike, full_text: str) -> dict[str, Any]:
+    """Собрать doc_data для index.add_document из записи StagedWork.
+
+    Args:
+        sw: StagedWork (или объект с теми же атрибутами)
+        full_text: извлечённый текст работы (уже прочитан из MinIO)
+
+    Returns:
+        dict в формате, который ожидает add_document (source, ext_id, title, ...)
+    """
+    return {
+        "source": "user_submission",
+        "ext_id": f"staged:{sw.id}",
+        "title": sw.title or sw.filename or f"Работа #{sw.id}",
+        "authors": sw.authors or [],
+        "year": sw.year,
+        "lang": sw.lang,
+        "abstract": full_text[:2000],
+        "full_text": full_text,
+    }

services/worker-indexer/app/tasks/index.py

@@ -1,22 +1,24 @@
 """Celery задачи индексации документов и проверки плагиата (уровни 1-2)."""
 
+import contextlib
 import io
-from datetime import UTC
+from datetime import UTC, datetime
 from pathlib import Path
 from typing import Any
 
 from celery.utils.log import get_task_logger
-from sqlalchemy import func, select
+from sqlalchemy import func, select, update
 from sqlalchemy.exc import IntegrityError
 
 from app.algorithms.minhash import add_to_lsh, find_similar
-from app.algorithms.winnowing import winnow
+from app.algorithms.winnowing import sample_evenly, winnow, winnow_ordered
 from app.celery_app import celery_app
 from app.config import settings
-from app.db import db_session, get_minio, update_task_status
+from app.db import db_session, get_minio, refund_plagiarism_quota, update_task_status
 from app.extractors.docx import extract_text_from_docx, extract_text_from_txt
 from app.extractors.pdf import extract_text_from_pdf
 from app.fragments import split_into_fragments
+from app.staging import staged_work_to_doc_data
 
 logger = get_task_logger(__name__)
 
@@ -107,13 +109,20 @@ def extract_and_check(
                     continue
                 frag_hashes = list(frag_fp)
 
-                # Источник, разделяющий больше всего отпечатков с этим фрагментом
+                # Источник, разделяющий больше всего отпечатков с этим фрагментом.
+                # user_submission исключены: это чужие непубличные загрузки (и
+                # свои же прошлые прогоны того же файла) — сравнение с ними даёт
+                # ложные 100%-совпадения, а не реальный плагиат из источника.
                 row = session.execute(
                     select(
                         Fingerprint.doc_id,
                         func.count(Fingerprint.id).label("cnt"),
                     )
-                    .where(Fingerprint.hash_value.in_(frag_hashes))
+                    .join(Document, Document.id == Fingerprint.doc_id)
+                    .where(
+                        Fingerprint.hash_value.in_(frag_hashes),
+                        Document.source != "user_submission",
+                    )
                     .group_by(Fingerprint.doc_id)
                     .order_by(func.count(Fingerprint.id).desc())
                     .limit(1)
@@ -163,7 +172,7 @@ def extract_and_check(
                     try:
                         doc_id = int(key.split(":")[-1])
                         doc = session.get(Document, doc_id)
-                        if not doc:
+                        if not doc or doc.source == "user_submission":
                             continue
 
                         level2_matches.append({
@@ -201,6 +210,16 @@ def extract_and_check(
             "level2": len(level2_matches),
         }
 
+    except ValueError as exc:
+        # Детерминированная ошибка (битый файл, не тот формат, пустой текст) —
+        # повтор не поможет: результат будет тем же на 2-й и 3-й попытке. Не
+        # ретраим (быстрее фидбек юзеру) и возвращаем месячную квоту — реальная
+        # проверка так и не началась, списывать не за что.
+        logger.warning(f"Задача {task_id!r}: не удалось обработать файл: {exc}")
+        update_task_status(task_id, "failed", str(exc))
+        refund_plagiarism_quota(task_id)
+        return {"task_id": task_id, "status": "failed", "error": str(exc)}
+
     except Exception as exc:
         logger.error(f"Ошибка при обработке задачи {task_id!r}: {exc}", exc_info=True)
         update_task_status(task_id, "failed", str(exc))
@@ -266,8 +285,9 @@ def add_document(doc_data: dict[str, Any], dispatch_embed: bool = True) -> dict[
         # Вычислить fingerprints
         text = doc_data.get("full_text") or doc_data.get("abstract", "") or ""
         if text:
-            fp = winnow(text)
-            fingerprints_to_add = list(fp)[: settings.MAX_FINGERPRINTS_PER_DOC]
+            fingerprints_to_add = sample_evenly(
+                winnow_ordered(text), settings.MAX_FINGERPRINTS_PER_DOC
+            )
             for i, hash_val in enumerate(fingerprints_to_add):
                 session.add(Fingerprint(doc_id=doc_id, hash_value=hash_val, position=i))
 
@@ -314,8 +334,12 @@ def add_document(doc_data: dict[str, Any], dispatch_embed: bool = True) -> dict[
             queue="queue.gpu",
         )
 
-    # Обогащение полным текстом: скачать PDF по url и пересчитать fingerprints
-    if settings.FETCH_FULL_TEXT and doc_data.get("url"):
+    # Обогащение полным текстом: скачать PDF по url и пересчитать fingerprints.
+    # Если full_text уже есть (например, OCR-фрагмент из ответа поиска
+    # КиберЛенинки) — не дублируем запрос: страница статьи там HTML, а не PDF,
+    # enrich_full_text гарантированно ничего не найдёт, только зря нагрузит
+    # источник (и получит 503 при массовой заливке).
+    if settings.FETCH_FULL_TEXT and doc_data.get("url") and not doc_data.get("full_text"):
         celery_app.send_task(
             "index.enrich_full_text",
             args=[doc_id, doc_data["url"]],
@@ -325,6 +349,53 @@ def add_document(doc_data: dict[str, Any], dispatch_embed: bool = True) -> dict[
     return {"status": "indexed", "doc_id": doc_id}
 
 
+def store_full_text(doc_id: int, text: str) -> dict[str, Any]:
+    """Сохранить полный текст документа и переиндексировать его по нему.
+
+    Общая часть для всех путей получения полного текста: скачанный PDF
+    (enrich_full_text) и текст, пришедший прямо из API источника (бэкфилл PMC —
+    scripts/ops/). Провизорные fingerprints, посчитанные по аннотации,
+    заменяются на посчитанные по полному тексту — ради этого всё и делается:
+    L1 начинает видеть тело статьи, а не только её краткое описание.
+
+    Args:
+        doc_id: документ в PostgreSQL
+        text: полный текст статьи
+
+    Returns:
+        dict со статусом, объёмом текста и числом отпечатков
+    """
+    from sqlalchemy import delete
+
+    from app.models import Document, Fingerprint
+
+    minio = get_minio()
+    key = f"corpus/{doc_id}.txt"
+    data = text.encode("utf-8")
+    minio.put_object(
+        settings.MINIO_BUCKET_DOCS, key, io.BytesIO(data), length=len(data),
+        content_type="text/plain; charset=utf-8",
+    )
+
+    hashes = sample_evenly(winnow_ordered(text), settings.MAX_FINGERPRINTS_PER_DOC)
+
+    with db_session() as session:
+        doc = session.get(Document, doc_id)
+        if doc is None:
+            return {"status": "doc_gone", "doc_id": doc_id}
+        doc.minio_key = key
+        session.execute(delete(Fingerprint).where(Fingerprint.doc_id == doc_id))
+        for i, hash_val in enumerate(hashes):
+            session.add(Fingerprint(doc_id=doc_id, hash_value=hash_val, position=i))
+        session.commit()
+
+    # MinHash LSH (L2) тоже должен считаться по полному тексту
+    add_to_lsh(f"doc:{doc_id}", text)
+
+    logger.info(f"store_full_text: doc={doc_id} {len(text)} симв., fingerprints={len(hashes)}")
+    return {"status": "ok", "doc_id": doc_id, "chars": len(text), "fingerprints": len(hashes)}
+
+
 @celery_app.task(
     name="index.enrich_full_text",
     bind=True,
@@ -344,50 +415,66 @@ def enrich_full_text(self, doc_id: int, url: str) -> dict[str, Any]:
     Недоступный/не-PDF источник — не ошибка: возвращаем no_fulltext.
     """
     from app.fulltext import fetch_full_text
-    from app.models import Document, Fingerprint
 
     text = fetch_full_text(url)
     if not text:
         return {"status": "no_fulltext", "doc_id": doc_id}
 
-    # Сохранить полный текст в MinIO
     try:
-        minio = get_minio()
-        key = f"corpus/{doc_id}.txt"
-        data = text.encode("utf-8")
-        minio.put_object(
-            settings.MINIO_BUCKET_DOCS, key, io.BytesIO(data), length=len(data),
-            content_type="text/plain; charset=utf-8",
-        )
+        return store_full_text(doc_id, text)
     except Exception as exc:
-        logger.error(f"enrich_full_text: не удалось сохранить текст в MinIO для {doc_id}: {exc}")
+        logger.error(f"enrich_full_text: не удалось сохранить текст для {doc_id}: {exc}")
         raise self.retry(exc=exc, countdown=120) from exc
 
-    # Пересчитать fingerprints по полному тексту
-    doc_fp = winnow(text)
-    hashes = list(doc_fp)[: settings.MAX_FINGERPRINTS_PER_DOC]
 
-    from sqlalchemy import delete
+@celery_app.task(
+    name="index.auto_approve_submission",
+    bind=True,
+    max_retries=2,
+    default_retry_delay=60,
+)
+def auto_approve_submission(self, task_id: str) -> dict[str, Any]:
+    """Автоматически добавить проверенную работу студента в базу для сравнения.
+
+    Вызывается из gpu.check_plagiarism ПОСЛЕ сохранения результата проверки —
+    так работа не сматчится сама с собой. Идемпотентно: пропускает, если
+    StagedWork не 'pending' (уже одобрена/отклонена вручную или повторный вызов)
+    или если AUTO_APPROVE_SUBMISSIONS выключен настройкой — тогда работа так и
+    остаётся ждать ручного решения в админке.
+    """
+    from app.models import StagedWork
+
+    if not settings.AUTO_APPROVE_SUBMISSIONS:
+        return {"status": "skipped", "reason": "auto-approve выключен настройкой"}
 
     with db_session() as session:
-        doc = session.get(Document, doc_id)
-        if doc is None:
-            return {"status": "doc_gone", "doc_id": doc_id}
-        doc.minio_key = key
-        # Удалить провизорные fingerprints и записать новые
-        session.execute(delete(Fingerprint).where(Fingerprint.doc_id == doc_id))
-        for i, hash_val in enumerate(hashes):
-            session.add(Fingerprint(doc_id=doc_id, hash_value=hash_val, position=i))
+        sw = session.execute(
+            select(StagedWork).where(StagedWork.task_id == task_id)
+        ).scalar_one_or_none()
+        if sw is None:
+            return {"status": "skipped", "reason": "StagedWork не найден"}
+        if sw.status != "pending":
+            return {"status": "skipped", "reason": f"уже {sw.status}"}
+
+        full_text = ""
+        if sw.text_key:
+            try:
+                minio = get_minio()
+                obj = minio.get_object(settings.MINIO_BUCKET_STAGING, sw.text_key)
+                full_text = obj.read().decode("utf-8", errors="replace")
+            except Exception as e:
+                logger.warning(f"auto_approve_submission: не прочитан текст {task_id!r}: {e}")
+                return {"status": "error", "reason": str(e)}
+
+        doc_data = staged_work_to_doc_data(sw, full_text)
+        sw.status = "approved"
+        sw.reviewed_by = None  # None = одобрено автоматически, не человеком
+        sw.reviewed_at = datetime.now(UTC)
         session.commit()
 
-    # Обновить MinHash LSH по полному тексту
-    add_to_lsh(f"doc:{doc_id}", text)
-
-    logger.info(
-        f"enrich_full_text: doc={doc_id} полный текст {len(text)} симв., "
-        f"fingerprints={len(hashes)}"
-    )
-    return {"status": "ok", "doc_id": doc_id, "chars": len(text), "fingerprints": len(hashes)}
+    result = add_document(doc_data, dispatch_embed=True)
+    logger.info(f"auto_approve_submission: задача {task_id!r} → {result}")
+    return result
 
 
 def _stage_work(
@@ -445,19 +532,289 @@ def _stage_work(
         logger.warning(f"Не удалось добавить работу {task_id!r} в отстойник: {e}")
 
 
-@celery_app.task(name="index.run_parser")
-def run_parser(source_id: int) -> dict[str, Any]:
-    """Запустить парсинг источника и наполнить базу документов.
+def _last_pmc_key() -> str | None:
+    """Ключ бакета после последней залитой статьи PMC — старт листинга.
 
-    Переиспользует парсеры из scripts/parsers (BaseParser.run) и
-    задачу add_document для каждого полученного документа.
+    Бакет отдаётся в лексикографическом порядке ключей, и ext_id вида
+    `pmc:PMC10000000` соответствует ключу `PMC10000000.1`. Берём максимальный
+    залитый и продолжаем после него.
     """
-    import sys
-    from datetime import datetime
+    from sqlalchemy import text as sql_text
 
+    with db_session() as session:
+        row = session.execute(sql_text(
+            "SELECT max(ext_id) FROM documents WHERE ext_id LIKE 'pmc:PMC%'"
+        )).first()
+    if not row or not row[0]:
+        return None
+    return row[0].split(":", 1)[1] + ".1"
+
+
+def _parser_for(source_type: str, cfg: dict[str, Any]) -> tuple[Any, dict[str, Any]]:
+    """Инстанс парсера и совместимые с его fetch() аргументы по типу источника."""
+    limit = cfg["limit"]
+    query = cfg.get("query") or ""
+
+    if source_type == "openalex":
+        from openalex import OpenAlexParser as P
+        kwargs = {
+            "query": query,
+            "limit": limit,
+            "lang": cfg.get("lang"),
+            "year_from": cfg.get("year_from"),
+            "year_to": cfg.get("year_to"),
+            "open_access_only": settings.INGEST_OPEN_ACCESS_ONLY,
+        }
+    elif source_type == "cyberleninka":
+        from cyberleninka import CyberLeninkaParser as P
+        kwargs = {"query": query, "limit": limit}
+    elif source_type == "arxiv":
+        from arxiv import ArxivParser as P
+        kwargs = {"query": query, "limit": limit, "year_from": cfg.get("year_from")}
+    elif source_type == "pmc":
+        from pmc import PMCParser as P
+        kwargs = {
+            "query": query,
+            "limit": limit,
+            "year_from": cfg.get("year_from"),
+            "year_to": cfg.get("year_to"),
+        }
+    elif source_type == "wikipedia_ru":
+        # Массовый источник: позиция — байтовое смещение в multistream-дампе.
+        # Раньше хранился номер статьи, и каждый прогон перечитывал дамп с
+        # начала: на 20 тысячах это стоило 6 минут из 25, дальше росло линейно
+        from wikipedia_ru import WikipediaRuParser as P
+        kwargs = {
+            "limit": limit,
+            "dump_path": query or None,     # query = путь к дампу, если задан
+            "start_offset": int(cfg.get("resume_token") or 0),
+        }
+    elif source_type == "core":
+        # Массовый источник: позиция — "год:смещение". Выборка режется по
+        # годам, потому что offset у CORE упирается в 100 000 (см. core.py)
+        from core import COREParser as P
+        kwargs = {
+            "limit": limit,
+            "query": query,
+            "year_from": cfg.get("year_from"),
+            "year_to": cfg.get("year_to"),
+            "resume_token": cfg.get("resume_token"),
+        }
+    elif source_type == "pmc_bulk":
+        from pmc_bulk import PMCBulkParser as P
+        kwargs = {
+            "limit": limit,
+            "resume_token": cfg.get("resume_token"),
+            # Токена ещё нет (первый прогон после ручных заливок) — начинаем
+            # после последней уже залитой статьи, иначе листинг часами
+            # перемалывает существующие как дубли
+            "start_after": None if cfg.get("resume_token") else _last_pmc_key(),
+        }
+    else:
+        raise ValueError(f"неизвестный тип источника: {source_type}")
+
+    return P(), kwargs
+
+
+def _ingest_one_by_one(parser: Any, raw_docs: Any, prog: Any, run_id: int) -> tuple[bool, bool]:
+    """Обычный путь: документ за документом через add_document.
+
+    Подходит источникам, отдающим сотни статей: работает ORM-логика с
+    дедупликацией, индексацией в Elasticsearch и обогащением полным текстом.
+
+    Returns:
+        (отменён, исчерпан бюджет времени)
+    """
+    cancelled = exhausted = False
+
+    prog.stage = "index"
+    prog.count_fetched(len(raw_docs))
+    prog.log("info", f"получено {len(raw_docs)} документов, индексация")
+    _write_run(run_id, **prog.snapshot())
+
+    # Эмбеддинги диспатчим пачками, а не по одному документу: так worker-gpu
+    # кодирует батч разом и переписывает FAISS-индекс на диск раз в N добавлений,
+    # а не на каждый документ.
+    embed_batch: list[int] = []
+    batch_size = settings.EMBED_BATCH_SIZE
+
+    def _flush_embed() -> None:
+        if embed_batch:
+            celery_app.send_task(
+                "gpu.embed_documents", args=[list(embed_batch)], queue="queue.gpu"
+            )
+            embed_batch.clear()
+
+    for raw in raw_docs:
+        if not cancelled and prog.over_budget:
+            exhausted = True
+            prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан на индексации")
+        if cancelled or exhausted:
+            break
+        try:
+            doc = parser.transform(raw)
+            if not (doc and doc.get("title") and doc.get("ext_id")):
+                prog.count_result("skipped")
+                continue
+            result = add_document(doc, dispatch_embed=False)
+            prog.count_result(result.get("status", "error"))
+            if result.get("status") == "indexed":
+                embed_batch.append(result["doc_id"])
+                if len(embed_batch) >= batch_size:
+                    _flush_embed()
+        except Exception as e:
+            prog.count_result("error")
+            prog.log("warning", f"документ пропущен: {e}")
+            logger.warning(f"run_parser: ошибка документа: {e}")
+
+        if prog.should_flush():
+            cancelled = _write_run(run_id, **prog.snapshot())
+            prog.mark_flushed()
+            if cancelled:
+                prog.log("warning", "отмена по запросу из админки")
+
+    _flush_embed()
+    return cancelled, exhausted
+
+
+def _ingest_bulk(
+    parser: Any, raw_docs: Any, prog: Any, run_id: int, source_id: int
+) -> tuple[bool, bool]:
+    """Массовый путь: статьи приходят потоком и пишутся пачками через COPY.
+
+    Отличия от обычного пути и почему они нужны:
+    - парсер отдаёт генератор, поэтому счётчик «получено» растёт по ходу дела,
+      а не известен заранее;
+    - запись идёт пакетно (bulk_writer), иначе миллионы отпечатков занимают
+      недели вместо суток;
+    - позиция продолжения сохраняется в источнике, чтобы следующий прогон
+      начинал с места остановки, а не перечитывал дамп с начала.
+
+    Эмбеддинги здесь не диспатчатся: они считаются заметно медленнее заливки и
+    делали бы её узким местом. Векторы досчитываются отдельно —
+    `scripts/ops/reembed_missing.py`.
+
+    Returns:
+        (отменён, исчерпан бюджет времени)
+    """
+    from app.bulk_writer import connect, write_batch
     from app.models import ParseSource
 
-    # Парсеры лежат в /parsers (скопированы в образ)
+    cancelled = exhausted = False
+    prog.stage = "index"
+    prog.log("info", "массовый источник: запись пачками")
+    _write_run(run_id, **prog.snapshot())
+
+    conn = connect()
+    batch: list[dict[str, Any]] = []
+    resume_token: str | None = None
+    batch_size = settings.BULK_WRITE_BATCH
+
+    def save_resume() -> None:
+        """Запомнить позицию в источнике — с неё продолжит следующий прогон."""
+        if resume_token is None:
+            return
+        with db_session() as session:
+            src = session.get(ParseSource, source_id)
+            if src:
+                src.resume_token = str(resume_token)
+                session.commit()
+
+    def flush() -> bool:
+        """Записать накопленное; True — попросили остановиться."""
+        nonlocal conn, batch
+        if not batch:
+            return False
+        conn, counts = write_batch(conn, batch, settings.MAX_FINGERPRINTS_PER_DOC)
+        for _ in range(counts["added"]):
+            prog.count_result("indexed")
+        for _ in range(counts["duplicates"]):
+            prog.count_result("duplicate")
+        batch = []
+        save_resume()
+        stop = _write_run(run_id, **prog.snapshot())
+        prog.mark_flushed()
+        return stop
+
+    try:
+        for raw in raw_docs:
+            if prog.over_budget:
+                exhausted = True
+                prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан")
+                break
+            try:
+                doc = parser.transform(raw)
+            except Exception as e:
+                prog.count_result("error")
+                logger.warning(f"run_parser bulk: ошибка документа: {e}")
+                continue
+
+            if not (doc and doc.get("ext_id") and doc.get("text")):
+                prog.count_result("skipped")
+                continue
+
+            # Позиция продолжения: у Википедии — номер статьи в дампе,
+            # у PMC — токен страницы бакета
+            resume_token = doc.get("dump_offset") or doc.get("resume_token") or resume_token
+            batch.append(doc)
+            prog.count_fetched(prog.fetched + 1)
+
+            if len(batch) >= batch_size and flush():
+                cancelled = True
+                prog.log("warning", "отмена по запросу из админки")
+                break
+
+        if not cancelled and flush():
+            cancelled = True
+    finally:
+        with contextlib.suppress(Exception):
+            conn.close()
+
+    return cancelled, exhausted
+
+
+def _write_run(run_id: int, **fields: Any) -> bool:
+    """Записать прогресс прогона и вернуть True, если запрошена отмена.
+
+    Отмена кооперативная: админка ставит cancel_requested, воркер узнаёт о ней
+    на ближайшем тике прогресса и останавливается сам. Так прогон завершается
+    с осмысленным статусом и не оставляет источник висеть в running (что было
+    бы при жёстком revoke уже начатого таска).
+    """
+    from app.models import ParseRun
+
+    with db_session() as session:
+        row = session.execute(
+            update(ParseRun)
+            .where(ParseRun.id == run_id)
+            .values(heartbeat_at=datetime.now(UTC), **fields)
+            .returning(ParseRun.cancel_requested)
+        ).first()
+    return bool(row and row[0])
+
+
+@celery_app.task(name="index.run_parser", bind=True)
+def run_parser(self, source_id: int, run_id: int | None = None) -> dict[str, Any]:
+    """Запустить парсинг источника и наполнить базу документов.
+
+    Переиспользует парсеры из scripts/parsers и задачу add_document для
+    каждого полученного документа. Ход заливки пишется в parse_runs (шкала
+    загрузки и журнал в админке); прогон можно отменить из админки и он сам
+    закругляется по бюджету времени, не доводя воркер до падения по
+    consumer_timeout RabbitMQ (см. app/progress.py).
+
+    Args:
+        source_id: ID источника в parse_sources
+        run_id: ID заранее созданной строки parse_runs (её создаёт админка,
+            чтобы прогон был виден в очереди ещё до старта). Без него строка
+            создаётся здесь — для запусков из скриптов.
+    """
+    import sys
+
+    from app.models import ParseRun, ParseSource
+    from app.progress import RunProgress
+
+    # Парсеры лежат в /parsers (bind-mount scripts/parsers, см. compose)
     if "/parsers" not in sys.path:
         sys.path.insert(0, "/parsers")
 
@@ -472,81 +829,170 @@ def run_parser(source_id: int) -> dict[str, Any]:
             "year_from": src.year_from,
             "year_to": src.year_to,
             "limit": src.limit,
+            # Массовые источники продолжают с сохранённой позиции
+            "resume_token": src.resume_token,
         }
         src.last_status = "running"
+        src.last_error = None
+        src.last_run_at = datetime.now(UTC)
+
+        if run_id is None:
+            run = ParseRun(source_id=source_id, status="running", stage="fetch")
+            session.add(run)
+            session.flush()
+            run_id = run.id
+        src.last_run_id = run_id
         session.commit()
 
-    added = 0
+    prog = RunProgress(target=cfg["limit"], budget_s=settings.PARSER_TIME_BUDGET_S)
+    prog.stage = "fetch"
+    prog.log("info", f"старт: {cfg['source_type']} q={cfg.get('query') or '—'} limit={cfg['limit']}")
+    _write_run(
+        run_id,
+        status="running",
+        celery_task_id=self.request.id,
+        error=None,
+        # Отдельно от started_at (постановка в очередь): при массовом запуске
+        # между ними часы ожидания, и без этой отметки «длительность прогона»
+        # в отладке показывала очередь, а не работу
+        run_started_at=datetime.now(UTC),
+        **prog.snapshot(),
+    )
+
+    cancelled = False
+    exhausted = False  # остановлены бюджетом времени, а не концом выдачи
     error_msg = None
+
     try:
-        # Выбрать парсер по типу и собрать совместимые с его fetch() аргументы
-        stype = cfg["source_type"]
-        if stype == "openalex":
-            from openalex import OpenAlexParser as P
-            fetch_kwargs = {
-                "query": cfg.get("query") or "",
-                "limit": cfg["limit"],
-                "lang": cfg.get("lang"),
-                "year_from": cfg.get("year_from"),
-                "year_to": cfg.get("year_to"),
-                "open_access_only": settings.INGEST_OPEN_ACCESS_ONLY,
-            }
-        elif stype == "cyberleninka":
-            from cyberleninka import CyberLeninkaParser as P
-            fetch_kwargs = {"query": cfg.get("query") or "", "limit": cfg["limit"]}
-        elif stype == "arxiv":
-            from arxiv import ArxivParser as P
-            fetch_kwargs = {
-                "query": cfg.get("query") or "",
-                "limit": cfg["limit"],
-                "year_from": cfg.get("year_from"),
-            }
-        else:
-            raise ValueError(f"неизвестный тип источника: {stype}")
+        parser, fetch_kwargs = _parser_for(cfg["source_type"], cfg)
+
+        def on_fetch_progress(fetched: int) -> bool:
+            """Тик прогресса выборки; False — парсеру пора остановиться."""
+            nonlocal cancelled, exhausted
+            prog.count_fetched(fetched)
+            if prog.over_budget:
+                exhausted = True
+                prog.log("warning", f"бюджет времени {prog.budget_s:.0f}с исчерпан на выборке")
+                return False
+            if prog.should_flush():
+                if _write_run(run_id, **prog.snapshot()):
+                    cancelled = True
+                    prog.log("warning", "отмена по запросу из админки")
+                    return False
+                prog.mark_flushed()
+            return True
 
-        parser = P()
         # fetch+transform без записи в JSONL — работаем in-memory
-        raw_docs = parser.fetch(**fetch_kwargs)
+        raw_docs = parser.fetch(**fetch_kwargs, progress_cb=on_fetch_progress)
 
-        # Эмбеддинги диспатчим пачками, а не по одному документу: так worker-gpu
-        # кодирует батч разом и переписывает FAISS-индекс на диск раз в N добавлений,
-        # а не на каждый документ.
-        embed_batch: list[int] = []
-        batch_size = settings.EMBED_BATCH_SIZE
-
-        def _flush_embed() -> None:
-            if embed_batch:
-                celery_app.send_task(
-                    "gpu.embed_documents", args=[list(embed_batch)], queue="queue.gpu"
-                )
-                embed_batch.clear()
-
-        for raw in raw_docs:
-            try:
-                doc = parser.transform(raw)
-                if not (doc and doc.get("title") and doc.get("ext_id")):
-                    continue
-                result = add_document(doc, dispatch_embed=False)
-                if result.get("status") == "indexed":
-                    added += 1
-                    embed_batch.append(result["doc_id"])
-                    if len(embed_batch) >= batch_size:
-                        _flush_embed()
-            except Exception as e:
-                logger.warning(f"run_parser: ошибка документа: {e}")
-
-        _flush_embed()
+        if getattr(parser, "bulk", False):
+            # Массовые источники (дамп Википедии, бакет PMC) отдают генератор:
+            # миллионы статей нельзя ни держать в памяти, ни писать по одной
+            # через ORM — для них отдельный путь с пакетной записью
+            cancelled, exhausted = _ingest_bulk(parser, raw_docs, prog, run_id, source_id)
+        else:
+            cancelled, exhausted = _ingest_one_by_one(parser, raw_docs, prog, run_id)
     except Exception as e:
         error_msg = str(e)[:500]
+        prog.log("error", f"прогон упал: {error_msg}")
         logger.error(f"run_parser source={source_id} ошибка: {e}", exc_info=True)
 
+    if error_msg:
+        status = "error"
+    elif cancelled:
+        status = "cancelled"
+    elif exhausted:
+        status = "partial"
+    else:
+        status = "done"
+
+    prog.stage = "finished"
+    prog.log(
+        "info" if status in ("done", "partial") else "warning",
+        f"итог: {status}, добавлено {prog.added}, дублей {prog.duplicates}, "
+        f"ошибок {prog.failed}, за {prog.elapsed:.0f}с",
+    )
+    _write_run(
+        run_id,
+        status=status,
+        error=error_msg,
+        finished_at=datetime.now(UTC),
+        **prog.snapshot(),
+    )
+
     with db_session() as session:
         src = session.get(ParseSource, source_id)
         if src:
-            src.last_status = "error" if error_msg else "done"
+            src.last_status = status
             src.last_error = error_msg
-            src.docs_added = (src.docs_added or 0) + added
+            src.docs_added = (src.docs_added or 0) + prog.added
             src.last_run_at = datetime.now(UTC)
             session.commit()
 
-    return {"status": "error" if error_msg else "done", "added": added, "error": error_msg}
+    return {
+        "status": status,
+        "run_id": run_id,
+        "added": prog.added,
+        "duplicates": prog.duplicates,
+        "failed": prog.failed,
+        "error": error_msg,
+    }
+
+
+@celery_app.task(name="index.ingest_upload", bind=True, max_retries=2, default_retry_delay=60)
+def ingest_upload(
+    self,
+    minio_key: str,
+    filename: str,
+    meta: dict[str, Any] | None = None,
+) -> dict[str, Any]:
+    """Добавить загруженный админом файл в базу документов (корпус для сравнения).
+
+    Это не проверка плагиата: файл сразу становится источником, с которым
+    сравниваются работы студентов. Текст извлекается тем же кодом, что и в
+    extract_and_check, дальше — обычный add_document (дедуп, fingerprints,
+    LSH, Elasticsearch, эмбеддинги).
+    """
+    meta = meta or {}
+    try:
+        minio = get_minio()
+        response = minio.get_object(settings.MINIO_BUCKET_DOCS, minio_key)
+        file_data = response.read()
+        response.close()
+        response.release_conn()
+
+        ext = Path(filename).suffix.lower()
+        if ext == ".pdf":
+            text = extract_text_from_pdf(file_data)
+        elif ext == ".docx":
+            text = extract_text_from_docx(file_data)
+        else:
+            text = extract_text_from_txt(file_data)
+
+        if not text.strip():
+            raise ValueError("не удалось извлечь текст")
+    except ValueError as exc:
+        logger.warning(f"ingest_upload {minio_key}: {exc}")
+        return {"status": "failed", "minio_key": minio_key, "error": str(exc)}
+    except Exception as exc:
+        logger.error(f"ingest_upload {minio_key}: {exc}", exc_info=True)
+        raise self.retry(exc=exc, countdown=60) from exc
+
+    doc_data = {
+        "source": meta.get("source") or "manual_upload",
+        # Ключ MinIO уникален (UUID в имени) — годится как ext_id для дедупа
+        "ext_id": f"upload:{minio_key}",
+        "title": meta.get("title") or Path(filename).stem,
+        "authors": meta.get("authors") or [],
+        "year": meta.get("year"),
+        "lang": meta.get("lang"),
+        "abstract": text[:2000],
+        "full_text": text,
+        "minio_key": minio_key,
+    }
+    result = add_document(doc_data)
+    logger.info(
+        f"ingest_upload: {filename!r} → {result.get('status')} "
+        f"(doc_id={result.get('doc_id')}, {len(text)} симв.)"
+    )
+    return {"status": result.get("status"), "doc_id": result.get("doc_id"), "filename": filename}

services/worker-indexer/requirements-test.txt

@@ -6,3 +6,4 @@ xxhash==3.4.1
 datasketch==1.6.5
 numpy==1.26.4
 pydantic-settings==2.2.1
+PyMuPDF==1.24.0

services/worker-indexer/requirements.txt

@@ -12,3 +12,4 @@ langdetect==1.0.9
 beautifulsoup4==4.12.3  # парсер CyberLeninka: детали статьи (fetch_article_details)
 pydantic-settings==2.2.1
 httpx==0.27.0
+socksio==1.0.0  # SOCKS5-прокси для httpx (CORE блокирует запросы из РФ, см. scripts/parsers/core.py)

services/worker-indexer/tests/test_extractors_pdf.py

@@ -0,0 +1,41 @@
+"""Юнит-тесты извлечения текста из PDF (app.extractors.pdf)."""
+
+import pytest
+from app.extractors.pdf import extract_text_from_pdf
+
+
+def _minimal_pdf_bytes(text: str) -> bytes:
+    """Собрать валидный однострочный PDF с заданным текстом через сам PyMuPDF."""
+    import fitz
+
+    doc = fitz.open()
+    page = doc.new_page()
+    page.insert_text((72, 72), text)
+    data = doc.tobytes()
+    doc.close()
+    return data
+
+
+def test_extracts_text_from_valid_pdf():
+    # ASCII — встроенный шрифт PyMuPDF не рендерит кириллицу без явного указания
+    # шрифта с поддержкой юникода; для проверки самой логики извлечения не важно.
+    text = extract_text_from_pdf(_minimal_pdf_bytes("Hello, world"))
+    assert "Hello, world" in text
+
+
+def test_non_pdf_content_raises_friendly_error():
+    # Частый реальный случай: файл с расширением .pdf, а внутри — HTML
+    html = b"<!DOCTYPE html><html><body>not a pdf</body></html>"
+    with pytest.raises(ValueError, match="не является PDF"):
+        extract_text_from_pdf(html)
+
+
+def test_empty_bytes_raises_friendly_error():
+    with pytest.raises(ValueError, match="не является PDF"):
+        extract_text_from_pdf(b"")
+
+
+def test_truncated_pdf_header_only_raises():
+    # Начинается как PDF (проходит magic-byte проверку), но структуры внутри нет
+    with pytest.raises(ValueError):
+        extract_text_from_pdf(b"%PDF-1.4\n" + b"garbage" * 20)