.gitignore

@@ -133,6 +133,8 @@ Thumbs.db
 # Project specific
 data/models/
 data/vectors/*.npz
+*.bak
+*.tar.gz
 
 # Keep data directories
 !data/models/.gitkeep

Dockerfile

@@ -14,9 +14,9 @@ RUN apt-get update && apt-get install -y --no-install-recommends \
 # Копируем зависимости
 COPY requirements.txt .
 
-# Устанавливаем зависимости
+# Устанавливаем зависимости (CPU-only torch для контейнеров без GPU)
-# --no-cache-dir для уменьшения размера образа
+RUN pip install --no-cache-dir torch --index-url https://download.pytorch.org/whl/cpu \
-RUN pip install --no-cache-dir -r requirements.txt
+    && pip install --no-cache-dir -r requirements.txt
 
 # Копируем код приложения
 COPY app/ ./app/

app/api/auth.py

@@ -24,14 +24,14 @@ async def verify_api_key(
 ) -> bool:
     """
     Проверяет API ключ из заголовка запроса.
-    
+
     Args:
         api_key: Ключ из заголовка X-API-Key
         settings: Настройки приложения
-        
+
     Returns:
         True если авторизация успешна
-        
+
     Raises:
         HTTPException: Если ключ неверный или отсутствует
     """
@@ -47,7 +47,7 @@ async def verify_api_key(
                 status_code=status.HTTP_500_INTERNAL_SERVER_ERROR,
                 detail="API ключ не настроен на сервере",
             )
-    
+
     # Проверяем ключ
     if api_key is None:
         logger.warning("Запрос без API ключа")
@@ -56,14 +56,14 @@ async def verify_api_key(
             detail="API ключ не предоставлен. Используйте заголовок X-API-Key",
             headers={"WWW-Authenticate": "ApiKey"},
         )
-    
+
     if api_key != settings.api_key:
         logger.warning("Неверный API ключ")
         raise HTTPException(
             status_code=status.HTTP_403_FORBIDDEN,
             detail="Неверный API ключ",
         )
-    
+
     return True
 
 

app/api/routes.py

@@ -24,7 +24,12 @@ from app.schemas import (
     ScoreRequest,
     ScoreResponse,
     ScoringParamsResponse,
+    SimilarPostItem,
+    SimilarRequest,
+    SimilarResponse,
     StatsResponse,
+    SubmittedRequest,
+    SubmittedResponse,
     UpdateScoringParamsRequest,
     VectorStoreStats,
     WarmupResponse,
@@ -49,6 +54,7 @@ RAGServiceDep = Annotated[RAGService, Depends(get_service)]
 # Health Check
 # =============================================================================
 
+
 @router.get(
     "/health",
     response_model=HealthResponse,
@@ -58,7 +64,7 @@ RAGServiceDep = Annotated[RAGService, Depends(get_service)]
 async def health_check(service: RAGServiceDep, _auth: AuthDep) -> HealthResponse:
     """
     Проверяет состояние сервиса.
-    
+
     Returns:
         HealthResponse: Статус сервиса
     """
@@ -73,6 +79,7 @@ async def health_check(service: RAGServiceDep, _auth: AuthDep) -> HealthResponse
 # Scoring
 # =============================================================================
 
+
 @router.post(
     "/score",
     response_model=ScoreResponse,
@@ -86,55 +93,55 @@ async def health_check(service: RAGServiceDep, _auth: AuthDep) -> HealthResponse
     tags=["scoring"],
 )
 async def calculate_score(
-    request: ScoreRequest, 
+    request: ScoreRequest,
     service: RAGServiceDep,
     _auth: AuthDep,
 ) -> ScoreResponse:
     """
     Рассчитывает скор для текста поста.
-    
+
     Args:
         request: Запрос с текстом
         service: RAG сервис
-        
+
     Returns:
         ScoreResponse: Результат скоринга
-        
+
     Raises:
         HTTPException: При ошибке расчета
     """
     try:
         result = await service.calculate_score(request.text)
         response_dict = result.to_dict()
-        
+
         return ScoreResponse(
             rag_score=response_dict["rag_score"],
             rag_confidence=response_dict["rag_confidence"],
             rag_score_pos_only=response_dict["rag_score_pos_only"],
             meta=ScoreMetadata(**response_dict["meta"]),
         )
-        
+
     except TextTooShortError as e:
         logger.warning(f"Текст слишком короткий: {e}")
         raise HTTPException(
             status_code=status.HTTP_400_BAD_REQUEST,
             detail={"detail": str(e), "error_type": "TextTooShortError"},
         )
-        
+
     except InsufficientExamplesError as e:
         logger.warning(f"Недостаточно примеров: {e}")
         raise HTTPException(
             status_code=status.HTTP_400_BAD_REQUEST,
             detail={"detail": str(e), "error_type": "InsufficientExamplesError"},
         )
-        
+
     except ModelNotLoadedError as e:
         logger.error(f"Модель не загружена: {e}")
         raise HTTPException(
             status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
             detail={"detail": str(e), "error_type": "ModelNotLoadedError"},
         )
-        
+
     except ScoringError as e:
         logger.error(f"Ошибка скоринга: {e}")
         raise HTTPException(
@@ -147,6 +154,7 @@ async def calculate_score(
 # Examples
 # =============================================================================
 
+
 @router.post(
     "/examples/positive",
     response_model=ExampleResponse,
@@ -159,27 +167,27 @@ async def calculate_score(
     tags=["examples"],
 )
 async def add_positive_example(
-    request: ExampleRequest, 
+    request: ExampleRequest,
     service: RAGServiceDep,
     _auth: AuthDep,
     x_test_mode: str | None = Header(default=None, alias="X-Test-Mode"),
 ) -> ExampleResponse:
     """
     Добавляет текст как положительный пример (опубликованный пост).
-    
+
     При наличии заголовка X-Test-Mode: true пример НЕ сохраняется (тестовый режим).
-    
+
     Args:
         request: Запрос с текстом
         service: RAG сервис
         x_test_mode: Заголовок тестового режима
-        
+
     Returns:
         ExampleResponse: Результат добавления
     """
     # Тестовый режим — не сохраняем примеры
     is_test = x_test_mode and x_test_mode.lower() == "true"
-    
+
     if is_test:
         logger.info("Тестовый режим: положительный пример НЕ сохранён")
         return ExampleResponse(
@@ -188,22 +196,22 @@ async def add_positive_example(
             positive_count=service.vector_store.positive_count,
             negative_count=service.vector_store.negative_count,
         )
-    
+
     try:
         added = await service.add_positive_example(request.text)
-        
+
         if added:
             message = "Положительный пример добавлен"
         else:
             message = "Пример не добавлен (дубликат или слишком короткий текст)"
-        
+
         return ExampleResponse(
             success=added,
             message=message,
             positive_count=service.vector_store.positive_count,
             negative_count=service.vector_store.negative_count,
         )
-        
+
     except ModelNotLoadedError as e:
         logger.error(f"Модель не загружена: {e}")
         raise HTTPException(
@@ -224,27 +232,27 @@ async def add_positive_example(
     tags=["examples"],
 )
 async def add_negative_example(
-    request: ExampleRequest, 
+    request: ExampleRequest,
     service: RAGServiceDep,
     _auth: AuthDep,
     x_test_mode: str | None = Header(default=None, alias="X-Test-Mode"),
 ) -> ExampleResponse:
     """
     Добавляет текст как отрицательный пример (отклоненный пост).
-    
+
     При наличии заголовка X-Test-Mode: true пример НЕ сохраняется (тестовый режим).
-    
+
     Args:
         request: Запрос с текстом
         service: RAG сервис
         x_test_mode: Заголовок тестового режима
-        
+
     Returns:
         ExampleResponse: Результат добавления
     """
     # Тестовый режим — не сохраняем примеры
     is_test = x_test_mode and x_test_mode.lower() == "true"
-    
+
     if is_test:
         logger.info("Тестовый режим: отрицательный пример НЕ сохранён")
         return ExampleResponse(
@@ -253,22 +261,128 @@ async def add_negative_example(
             positive_count=service.vector_store.positive_count,
             negative_count=service.vector_store.negative_count,
         )
-    
+
     try:
         added = await service.add_negative_example(request.text)
-        
+
         if added:
             message = "Отрицательный пример добавлен"
         else:
             message = "Пример не добавлен (дубликат или слишком короткий текст)"
-        
+
         return ExampleResponse(
             success=added,
             message=message,
             positive_count=service.vector_store.positive_count,
             negative_count=service.vector_store.negative_count,
         )
-        
+
+    except ModelNotLoadedError as e:
+        logger.error(f"Модель не загружена: {e}")
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail={"detail": str(e), "error_type": "ModelNotLoadedError"},
+        )
+
+
+# =============================================================================
+# Similar & Submitted
+# =============================================================================
+
+
+@router.post(
+    "/similar",
+    response_model=SimilarResponse,
+    responses={
+        400: {"model": ErrorResponse, "description": "Ошибка в запросе"},
+        401: {"model": ErrorResponse, "description": "Не авторизован"},
+        403: {"model": ErrorResponse, "description": "Доступ запрещён"},
+        503: {"model": ErrorResponse, "description": "Сервис недоступен"},
+    },
+    summary="Поиск похожих постов",
+    tags=["similar"],
+)
+async def find_similar_posts(
+    request: SimilarRequest,
+    service: RAGServiceDep,
+    _auth: AuthDep,
+) -> SimilarResponse:
+    """
+    Ищет похожие submitted-посты за последние N часов.
+
+    Args:
+        request: Запрос с текстом, threshold и hours
+        service: RAG сервис
+
+    Returns:
+        SimilarResponse: Список похожих постов
+    """
+    try:
+        similar = await service.find_similar_posts(
+            text=request.text,
+            threshold=request.threshold,
+            hours=request.hours,
+        )
+        return SimilarResponse(
+            similar_count=len(similar),
+            similar_posts=[SimilarPostItem(**item) for item in similar],
+        )
+    except TextTooShortError as e:
+        logger.warning(f"Текст слишком короткий: {e}")
+        raise HTTPException(
+            status_code=status.HTTP_400_BAD_REQUEST,
+            detail={"detail": str(e), "error_type": "TextTooShortError"},
+        )
+    except ModelNotLoadedError as e:
+        logger.error(f"Модель не загружена: {e}")
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail={"detail": str(e), "error_type": "ModelNotLoadedError"},
+        )
+
+
+@router.post(
+    "/submitted",
+    response_model=SubmittedResponse,
+    responses={
+        400: {"model": ErrorResponse, "description": "Ошибка в запросе"},
+        401: {"model": ErrorResponse, "description": "Не авторизован"},
+        403: {"model": ErrorResponse, "description": "Доступ запрещён"},
+        503: {"model": ErrorResponse, "description": "Сервис недоступен"},
+    },
+    summary="Добавить submitted-пост",
+    tags=["submitted"],
+)
+async def add_submitted_post(
+    request: SubmittedRequest,
+    service: RAGServiceDep,
+    _auth: AuthDep,
+) -> SubmittedResponse:
+    """
+    Добавляет submitted-пост в коллекцию для индексации ботом.
+
+    Args:
+        request: Запрос с текстом, post_id и rag_score
+        service: RAG сервис
+
+    Returns:
+        SubmittedResponse: Результат добавления
+    """
+    try:
+        added = await service.add_submitted_post(
+            text=request.text,
+            post_id=request.post_id,
+            rag_score=request.rag_score,
+        )
+        if added:
+            message = "Submitted-пост добавлен"
+        else:
+            message = "Пост не добавлен (дубликат или слишком короткий текст)"
+        return SubmittedResponse(
+            success=added,
+            message=message,
+            submitted_count=service.vector_store.submitted_count,
+        )
     except ModelNotLoadedError as e:
         logger.error(f"Модель не загружена: {e}")
         raise HTTPException(
@@ -281,6 +395,7 @@ async def add_negative_example(
 # Stats & Warmup
 # =============================================================================
 
+
 @router.get(
     "/stats",
     response_model=StatsResponse,
@@ -294,15 +409,15 @@ async def add_negative_example(
 async def get_stats(service: RAGServiceDep, _auth: AuthDep) -> StatsResponse:
     """
     Возвращает статистику сервиса.
-    
+
     Args:
         service: RAG сервис
-        
+
     Returns:
         StatsResponse: Статистика
     """
     stats = service.get_stats()
-    
+
     return StatsResponse(
         model_name=stats["model_name"],
         model_loaded=stats["model_loaded"],
@@ -325,15 +440,15 @@ async def get_stats(service: RAGServiceDep, _auth: AuthDep) -> StatsResponse:
 async def warmup(service: RAGServiceDep, _auth: AuthDep) -> WarmupResponse:
     """
     Прогревает модель (загружает если не загружена).
-    
+
     Args:
         service: RAG сервис
-        
+
     Returns:
         WarmupResponse: Результат прогрева
     """
     success = await service.warmup()
-    
+
     if success:
         message = "Модель успешно загружена"
     else:
@@ -342,7 +457,7 @@ async def warmup(service: RAGServiceDep, _auth: AuthDep) -> WarmupResponse:
             status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
             detail={"detail": message, "error_type": "ModelNotLoadedError"},
         )
-    
+
     return WarmupResponse(
         success=success,
         model_loaded=service.is_model_loaded,
@@ -354,6 +469,7 @@ async def warmup(service: RAGServiceDep, _auth: AuthDep) -> WarmupResponse:
 # Scoring Parameters
 # =============================================================================
 
+
 @router.get(
     "/scoring/params",
     response_model=ScoringParamsResponse,
@@ -370,10 +486,10 @@ async def get_scoring_params(
 ) -> ScoringParamsResponse:
     """
     Возвращает текущие параметры формулы расчета score.
-    
+
     Args:
         service: RAG сервис
-        
+
     Returns:
         ScoringParamsResponse: Текущие параметры формулы
     """
@@ -399,17 +515,17 @@ async def update_scoring_params(
 ) -> ScoringParamsResponse:
     """
     Обновляет параметры формулы расчета score.
-    
+
     Можно обновить один или несколько параметров одновременно.
     Параметры, которые не указаны, остаются без изменений.
-    
+
     Args:
         request: Запрос с новыми параметрами
         service: RAG сервис
-        
+
     Returns:
         ScoringParamsResponse: Обновленные параметры формулы
-        
+
     Raises:
         HTTPException: При невалидных значениях параметров
     """

app/config.py

@@ -5,82 +5,69 @@
 import os
 import secrets
 from dataclasses import dataclass, field
-from typing import Optional
 
 
 @dataclass
 class Settings:
     """
     Настройки RAG сервиса.
-    
+
     Все параметры загружаются из переменных окружения.
     """
-    
+
     # Модель
     model_name: str = field(
         default_factory=lambda: os.getenv("RAG_MODEL", "sentence-transformers/all-MiniLM-L12-v2")
     )
-    cache_dir: str = field(
+    cache_dir: str = field(default_factory=lambda: os.getenv("RAG_CACHE_DIR", "data/models"))
-        default_factory=lambda: os.getenv("RAG_CACHE_DIR", "data/models")
+
-    )
-    
     # VectorStore
     vectors_path: str = field(
         default_factory=lambda: os.getenv("RAG_VECTORS_PATH", "data/vectors/vectors.npz")
     )
-    max_examples: int = field(
+    max_examples: int = field(default_factory=lambda: int(os.getenv("RAG_MAX_EXAMPLES", "10000")))
-        default_factory=lambda: int(os.getenv("RAG_MAX_EXAMPLES", "10000"))
+    max_submitted: int = field(default_factory=lambda: int(os.getenv("RAG_MAX_SUBMITTED", "5000")))
+    submitted_path: str = field(
+        default_factory=lambda: os.getenv("RAG_SUBMITTED_PATH", "data/vectors/submitted.npz")
     )
     score_multiplier: float = field(
         default_factory=lambda: float(os.getenv("RAG_SCORE_MULTIPLIER", "5.0"))
     )
-    
+
     # Батч-обработка
-    batch_size: int = field(
+    batch_size: int = field(default_factory=lambda: int(os.getenv("RAG_BATCH_SIZE", "16")))
-        default_factory=lambda: int(os.getenv("RAG_BATCH_SIZE", "16"))
+
-    )
-    
     # Минимальная длина текста
-    min_text_length: int = field(
+    min_text_length: int = field(default_factory=lambda: int(os.getenv("RAG_MIN_TEXT_LENGTH", "3")))
-        default_factory=lambda: int(os.getenv("RAG_MIN_TEXT_LENGTH", "3"))
+
-    )
-    
     # API настройки
-    api_host: str = field(
+    api_host: str = field(default_factory=lambda: os.getenv("RAG_API_HOST", "0.0.0.0"))
-        default_factory=lambda: os.getenv("RAG_API_HOST", "0.0.0.0")
+    api_port: int = field(default_factory=lambda: int(os.getenv("RAG_API_PORT", "8000")))
-    )
+
-    api_port: int = field(
-        default_factory=lambda: int(os.getenv("RAG_API_PORT", "8000"))
-    )
-    
     # Безопасность
     # API ключ для авторизации (обязателен в продакшене!)
-    api_key: Optional[str] = field(
+    api_key: str | None = field(default_factory=lambda: os.getenv("RAG_API_KEY"))
-        default_factory=lambda: os.getenv("RAG_API_KEY")
-    )
     # Разрешить запросы без ключа (только для разработки)
     allow_no_auth: bool = field(
         default_factory=lambda: os.getenv("RAG_ALLOW_NO_AUTH", "false").lower() == "true"
     )
-    
+
     # Логирование
-    log_level: str = field(
+    log_level: str = field(default_factory=lambda: os.getenv("LOG_LEVEL", "INFO"))
-        default_factory=lambda: os.getenv("LOG_LEVEL", "INFO")
+
-    )
-    
     # Автосохранение (интервал в секундах, 0 = отключено)
     autosave_interval: int = field(
         default_factory=lambda: int(os.getenv("RAG_AUTOSAVE_INTERVAL", "600"))  # 10 минут
     )
-    
+
     # Размерность векторов (384 для all-MiniLM-L12-v2)
     vector_dim: int = 384
-    
+
     @property
     def is_auth_required(self) -> bool:
         """Проверяет, требуется ли авторизация."""
         return self.api_key is not None and not self.allow_no_auth
-    
+
     @staticmethod
     def generate_api_key() -> str:
         """Генерирует случайный API ключ."""
@@ -88,13 +75,13 @@ class Settings:
 
 
 # Глобальный экземпляр настроек
-_settings: Optional[Settings] = None
+_settings: Settings | None = None
 
 
 def get_settings() -> Settings:
     """
     Возвращает глобальный экземпляр настроек.
-    
+
     Returns:
         Settings: Настройки приложения
     """

app/exceptions.py

@@ -5,29 +5,35 @@
 
 class RAGServiceError(Exception):
     """Базовое исключение для ошибок RAG сервиса."""
+
     pass
 
 
 class ModelNotLoadedError(RAGServiceError):
     """Модель не загружена или недоступна."""
+
     pass
 
 
 class VectorStoreError(RAGServiceError):
     """Ошибка при работе с хранилищем векторов."""
+
     pass
 
 
 class InsufficientExamplesError(RAGServiceError):
     """Недостаточно примеров для расчета скора."""
+
     pass
 
 
 class TextTooShortError(RAGServiceError):
     """Текст слишком короткий для векторизации."""
+
     pass
 
 
 class ScoringError(RAGServiceError):
     """Ошибка при расчете скора."""
+
     pass

app/main.py

@@ -7,8 +7,8 @@ FastAPI приложение Embedding сервиса.
 import asyncio
 import logging
 import sys
+from collections.abc import AsyncGenerator
 from contextlib import asynccontextmanager
-from typing import AsyncGenerator, Optional
 
 from fastapi import FastAPI
 from fastapi.middleware.cors import CORSMiddleware
@@ -18,11 +18,12 @@ from app.api.routes import router
 from app.config import get_settings
 from app.services.rag_service import RAGService, get_rag_service
 
+
 # Настройка логирования
 def setup_logging() -> None:
     """Настраивает логирование для приложения."""
     settings = get_settings()
-    
+
     logging.basicConfig(
         level=getattr(logging, settings.log_level.upper()),
         format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
@@ -30,7 +31,7 @@ def setup_logging() -> None:
             logging.StreamHandler(sys.stdout),
         ],
     )
-    
+
     # Уменьшаем логи от библиотек
     logging.getLogger("transformers").setLevel(logging.WARNING)
     logging.getLogger("torch").setLevel(logging.WARNING)
@@ -40,33 +41,40 @@ def setup_logging() -> None:
 logger = logging.getLogger(__name__)
 
 # Глобальная задача автосохранения
-_autosave_task: Optional[asyncio.Task] = None
+_autosave_task: asyncio.Task | None = None
 
 
 async def autosave_loop(service: RAGService, interval: int) -> None:
     """
     Фоновая задача для периодического сохранения векторов.
-    
+
     Args:
         service: RAG сервис
         interval: Интервал сохранения в секундах
     """
     logger.info(f"Автосохранение запущено (интервал: {interval} сек)")
-    
+
     while True:
         try:
             await asyncio.sleep(interval)
-            
+
             # Сохраняем только если есть данные
-            if service.vector_store.total_count > 0:
+            has_examples = service.vector_store.total_count > 0
+            has_submitted = service.vector_store.submitted_count > 0
+            if has_examples or has_submitted:
                 service.save_vectors()
-                logger.info(
+                parts = []
-                    f"Автосохранение: сохранено {service.vector_store.positive_count} pos, "
+                if has_examples:
-                    f"{service.vector_store.negative_count} neg"
+                    parts.append(
-                )
+                        f"{service.vector_store.positive_count} pos, "
+                        f"{service.vector_store.negative_count} neg"
+                    )
+                if has_submitted:
+                    parts.append(f"{service.vector_store.submitted_count} submitted")
+                logger.info(f"Автосохранение: сохранено {', '.join(parts)}")
             else:
                 logger.debug("Автосохранение: нет данных для сохранения")
-                
+
         except asyncio.CancelledError:
             logger.info("Автосохранение остановлено")
             break
@@ -79,43 +87,41 @@ async def autosave_loop(service: RAGService, interval: int) -> None:
 async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
     """
     Lifespan контекст для FastAPI.
-    
+
     При запуске:
     - Настраивает логирование
     - Прогревает модель (опционально)
-    
+
     При остановке:
     - Сохраняет векторы на диск
     """
     global _autosave_task
-    
+
     setup_logging()
     logger.info(f"Embedding Service v{__version__} запускается...")
-    
+
     settings = get_settings()
     logger.info(f"Настройки: model={settings.model_name}, vectors_path={settings.vectors_path}")
-    
+
     # Получаем сервис (создается singleton)
     service = get_rag_service()
-    
+
     # Запускаем автосохранение если включено
     if settings.autosave_interval > 0:
-        _autosave_task = asyncio.create_task(
+        _autosave_task = asyncio.create_task(autosave_loop(service, settings.autosave_interval))
-            autosave_loop(service, settings.autosave_interval)
-        )
         logger.info(f"Автосохранение включено: каждые {settings.autosave_interval} сек")
     else:
         logger.info("Автосохранение отключено")
-    
+
     # Прогреваем модель при запуске (опционально)
     # Можно раскомментировать если нужен автопрогрев
     # logger.info("Прогрев модели при запуске...")
     # await service.warmup()
-    
+
     logger.info("Embedding Service готов к работе")
-    
+
     yield
-    
+
     # Останавливаем автосохранение
     if _autosave_task and not _autosave_task.done():
         _autosave_task.cancel()
@@ -123,7 +129,7 @@ async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
             await _autosave_task
         except asyncio.CancelledError:
             pass
-    
+
     # При остановке сохраняем векторы
     logger.info("Embedding Service останавливается, финальное сохранение векторов...")
     try:
@@ -131,7 +137,7 @@ async def lifespan(app: FastAPI) -> AsyncGenerator[None, None]:
         logger.info("Векторы сохранены")
     except Exception as e:
         logger.error(f"Ошибка сохранения векторов: {e}")
-    
+
     logger.info("Embedding Service остановлен")
 
 
@@ -176,19 +182,21 @@ app.add_middleware(
     allow_headers=["*"],
 )
 
+
 # Простой healthcheck endpoint без авторизации (для Docker healthcheck)
 @app.get("/health")
 async def simple_health_check():
     """Простая проверка здоровья без авторизации (для Docker healthcheck)."""
     return {"status": "ok"}
 
+
 # Подключение роутов
 app.include_router(router, prefix="/api/v1")
 
 
 if __name__ == "__main__":
     import uvicorn
-    
+
     settings = get_settings()
     uvicorn.run(
         "app.main:app",

app/schemas.py

@@ -2,36 +2,66 @@
 Pydantic схемы для API Embedding сервиса.
 """
 
-from typing import Any, Dict, Optional
-
 from pydantic import BaseModel, Field
 
-
 # =============================================================================
 # Запросы
 # =============================================================================
 
+
 class ScoreRequest(BaseModel):
     """Запрос на расчет скора."""
+
     text: str = Field(..., min_length=1, description="Текст поста для оценки")
-    
+
     model_config = {
-        "json_schema_extra": {
+        "json_schema_extra": {"example": {"text": "Это пример текста поста для оценки скоринга"}}
-            "example": {
-                "text": "Это пример текста поста для оценки скоринга"
-            }
-        }
     }
 
 
 class ExampleRequest(BaseModel):
     """Запрос на добавление примера."""
+
     text: str = Field(..., min_length=1, description="Текст примера")
-    
+
+    model_config = {
+        "json_schema_extra": {"example": {"text": "Это пример опубликованного/отклоненного поста"}}
+    }
+
+
+class SimilarRequest(BaseModel):
+    """Запрос на поиск похожих постов."""
+
+    text: str = Field(..., min_length=1, description="Текст для поиска похожих")
+    threshold: float = Field(
+        default=0.9, ge=0.0, le=1.0, description="Минимальный порог similarity"
+    )
+    hours: int = Field(default=24, ge=1, le=168, description="Количество часов для фильтрации")
+
     model_config = {
         "json_schema_extra": {
             "example": {
-                "text": "Это пример опубликованного/отклоненного поста"
+                "text": "Текст поста для поиска похожих",
+                "threshold": 0.9,
+                "hours": 24,
+            }
+        }
+    }
+
+
+class SubmittedRequest(BaseModel):
+    """Запрос на добавление submitted-поста."""
+
+    text: str = Field(..., min_length=1, description="Текст поста")
+    post_id: int | None = None
+    rag_score: float | None = None
+
+    model_config = {
+        "json_schema_extra": {
+            "example": {
+                "text": "Текст submitted-поста",
+                "post_id": 12345,
+                "rag_score": 0.85,
             }
         }
     }
@@ -41,8 +71,10 @@ class ExampleRequest(BaseModel):
 # Ответы
 # =============================================================================
 
+
 class ScoreMetadata(BaseModel):
     """Метаданные результата скоринга."""
+
     positive_examples: int = Field(..., description="Количество положительных примеров")
     negative_examples: int = Field(..., description="Количество отрицательных примеров")
     model: str = Field(..., description="Название модели")
@@ -51,11 +83,14 @@ class ScoreMetadata(BaseModel):
 
 class ScoreResponse(BaseModel):
     """Ответ с результатом скоринга."""
+
     rag_score: float = Field(..., ge=0.0, le=1.0, description="Основной скор (neg/pos формула)")
     rag_confidence: float = Field(..., ge=0.0, le=1.0, description="Уверенность в оценке")
-    rag_score_pos_only: float = Field(..., ge=0.0, le=1.0, description="Скор только по положительным примерам")
+    rag_score_pos_only: float = Field(
+        ..., ge=0.0, le=1.0, description="Скор только по положительным примерам"
+    )
     meta: ScoreMetadata = Field(..., description="Метаданные")
-    
+
     model_config = {
         "json_schema_extra": {
             "example": {
@@ -66,8 +101,8 @@ class ScoreResponse(BaseModel):
                     "positive_examples": 500,
                     "negative_examples": 350,
                     "model": "sentence-transformers/all-MiniLM-L12-v2",
-                    "timestamp": 1706270000
+                    "timestamp": 1706270000,
-                }
+                },
             }
         }
     }
@@ -75,18 +110,71 @@ class ScoreResponse(BaseModel):
 
 class ExampleResponse(BaseModel):
     """Ответ на добавление примера."""
+
     success: bool = Field(..., description="Успешность добавления")
     message: str = Field(..., description="Сообщение о результате")
     positive_count: int = Field(..., description="Текущее количество положительных примеров")
     negative_count: int = Field(..., description="Текущее количество отрицательных примеров")
-    
+
     model_config = {
         "json_schema_extra": {
             "example": {
                 "success": True,
                 "message": "Положительный пример добавлен",
                 "positive_count": 501,
-                "negative_count": 350
+                "negative_count": 350,
+            }
+        }
+    }
+
+
+class SimilarPostItem(BaseModel):
+    """Элемент похожего поста."""
+
+    similarity: float = Field(..., description="Косинусное сходство")
+    created_at: int = Field(..., description="Unix timestamp создания")
+    post_id: int | None = None
+    text: str = Field(..., description="Текст поста")
+    rag_score: float | None = None
+
+
+class SimilarResponse(BaseModel):
+    """Ответ с похожими постами."""
+
+    similar_count: int = Field(..., description="Количество найденных похожих постов")
+    similar_posts: list[SimilarPostItem] = Field(..., description="Список похожих постов")
+
+    model_config = {
+        "json_schema_extra": {
+            "example": {
+                "similar_count": 2,
+                "similar_posts": [
+                    {
+                        "similarity": 0.95,
+                        "created_at": 1706270000,
+                        "post_id": 123,
+                        "text": "Похожий пост",
+                        "rag_score": 0.85,
+                    }
+                ],
+            }
+        }
+    }
+
+
+class SubmittedResponse(BaseModel):
+    """Ответ на добавление submitted-поста."""
+
+    success: bool = Field(..., description="Успешность добавления")
+    message: str = Field(..., description="Сообщение о результате")
+    submitted_count: int = Field(..., description="Текущее количество submitted-постов")
+
+    model_config = {
+        "json_schema_extra": {
+            "example": {
+                "success": True,
+                "message": "Submitted-пост добавлен",
+                "submitted_count": 42,
             }
         }
     }
@@ -94,20 +182,24 @@ class ExampleResponse(BaseModel):
 
 class VectorStoreStats(BaseModel):
     """Статистика хранилища векторов."""
+
     positive_count: int = Field(..., description="Количество положительных примеров")
     negative_count: int = Field(..., description="Количество отрицательных примеров")
     total_count: int = Field(..., description="Общее количество примеров")
+    submitted_count: int = Field(default=0, description="Количество submitted-постов")
     vector_dim: int = Field(..., description="Размерность векторов")
     max_examples: int = Field(..., description="Максимальное количество примеров")
+    max_submitted: int = Field(default=5000, description="Максимальное количество submitted-постов")
 
 
 class StatsResponse(BaseModel):
     """Ответ со статистикой сервиса."""
+
     model_name: str = Field(..., description="Название модели")
     model_loaded: bool = Field(..., description="Загружена ли модель")
-    device: Optional[str] = Field(None, description="Устройство (cpu/cuda)")
+    device: str | None = Field(None, description="Устройство (cpu/cuda)")
     vector_store: VectorStoreStats = Field(..., description="Статистика хранилища векторов")
-    
+
     model_config = {
         "json_schema_extra": {
             "example": {
@@ -119,8 +211,8 @@ class StatsResponse(BaseModel):
                     "negative_count": 350,
                     "total_count": 850,
                     "vector_dim": 384,
-                    "max_examples": 10000
+                    "max_examples": 10000,
-                }
+                },
             }
         }
     }
@@ -128,16 +220,17 @@ class StatsResponse(BaseModel):
 
 class WarmupResponse(BaseModel):
     """Ответ на прогрев модели."""
+
     success: bool = Field(..., description="Успешность загрузки")
     model_loaded: bool = Field(..., description="Загружена ли модель")
     message: str = Field(..., description="Сообщение о результате")
-    
+
     model_config = {
         "json_schema_extra": {
             "example": {
                 "success": True,
                 "model_loaded": True,
-                "message": "Модель успешно загружена"
+                "message": "Модель успешно загружена",
             }
         }
     }
@@ -145,14 +238,15 @@ class WarmupResponse(BaseModel):
 
 class ErrorResponse(BaseModel):
     """Ответ с ошибкой."""
+
     detail: str = Field(..., description="Описание ошибки")
     error_type: str = Field(..., description="Тип ошибки")
-    
+
     model_config = {
         "json_schema_extra": {
             "example": {
                 "detail": "Недостаточно примеров для расчета скора",
-                "error_type": "InsufficientExamplesError"
+                "error_type": "InsufficientExamplesError",
             }
         }
     }
@@ -160,23 +254,21 @@ class ErrorResponse(BaseModel):
 
 class HealthResponse(BaseModel):
     """Ответ проверки здоровья сервиса."""
+
     status: str = Field(..., description="Статус сервиса")
     model_loaded: bool = Field(..., description="Загружена ли модель")
     version: str = Field(..., description="Версия сервиса")
-    
+
     model_config = {
         "json_schema_extra": {
-            "example": {
+            "example": {"status": "healthy", "model_loaded": True, "version": "0.1.0"}
-                "status": "healthy",
-                "model_loaded": True,
-                "version": "0.1.0"
-            }
         }
     }
 
 
 class ScoringParamsResponse(BaseModel):
     """Ответ с текущими параметрами формулы расчета score."""
+
     score_multiplier: float = Field(
         ...,
         description=(
@@ -185,7 +277,7 @@ class ScoringParamsResponse(BaseModel):
             "где diff = avg_pos - avg_neg (разница средних сходств топ-k примеров). "
             "Чем больше значение, тем сильнее влияние разницы между положительными и отрицательными примерами на итоговый score. "
             "Рекомендуемое значение: 5.0"
-        )
+        ),
     )
     k: int = Field(
         ...,
@@ -195,22 +287,16 @@ class ScoringParamsResponse(BaseModel):
             "и вычисляет среднее косинусное сходство. "
             "Меньшее значение k делает алгоритм более чувствительным к различиям, но может быть менее стабильным. "
             "Рекомендуемое значение: 3"
-        )
+        ),
     )
-    
+
-    model_config = {
+    model_config = {"json_schema_extra": {"example": {"score_multiplier": 5.0, "k": 3}}}
-        "json_schema_extra": {
-            "example": {
-                "score_multiplier": 5.0,
-                "k": 3
-            }
-        }
-    }
 
 
 class UpdateScoringParamsRequest(BaseModel):
     """Запрос на обновление параметров формулы расчета score."""
-    score_multiplier: Optional[float] = Field(
+
+    score_multiplier: float | None = Field(
         None,
         gt=0,
         description=(
@@ -219,9 +305,9 @@ class UpdateScoringParamsRequest(BaseModel):
             "где diff = avg_pos - avg_neg (разница средних сходств топ-k примеров). "
             "Чем больше значение, тем сильнее влияние разницы между положительными и отрицательными примерами на итоговый score. "
             "Должен быть > 0. Рекомендуемое значение: 5.0"
-        )
+        ),
     )
-    k: Optional[int] = Field(
+    k: int | None = Field(
         None,
         ge=1,
         description=(
@@ -230,14 +316,7 @@ class UpdateScoringParamsRequest(BaseModel):
             "и вычисляет среднее косинусное сходство. "
             "Меньшее значение k делает алгоритм более чувствительным к различиям, но может быть менее стабильным. "
             "Должно быть >= 1. Рекомендуемое значение: 3"
-        )
+        ),
     )
-    
+
-    model_config = {
+    model_config = {"json_schema_extra": {"example": {"score_multiplier": 5.0, "k": 3}}}
-        "json_schema_extra": {
-            "example": {
-                "score_multiplier": 5.0,
-                "k": 3
-            }
-        }
-    }

app/services/rag_service.py

@@ -9,7 +9,7 @@ import asyncio
 import logging
 from dataclasses import dataclass, field
 from datetime import datetime
-from typing import Any, Dict, List, Optional
+from typing import Any
 
 import numpy as np
 
@@ -29,7 +29,7 @@ logger = logging.getLogger(__name__)
 class ScoringResult:
     """
     Результат оценки поста.
-    
+
     Attributes:
         score: Оценка от 0.0 до 1.0 (вероятность публикации)
         confidence: Уверенность в оценке
@@ -39,6 +39,7 @@ class ScoringResult:
         model: Название используемой модели
         timestamp: Время получения оценки
     """
+
     score: float
     confidence: float
     score_pos_only: float
@@ -46,8 +47,8 @@ class ScoringResult:
     negative_examples: int
     model: str
     timestamp: int = field(default_factory=lambda: int(datetime.now().timestamp()))
-    
+
-    def to_dict(self) -> Dict[str, Any]:
+    def to_dict(self) -> dict[str, Any]:
         """Преобразует результат в словарь."""
         return {
             "rag_score": round(self.score, 4),
@@ -58,31 +59,31 @@ class ScoringResult:
                 "negative_examples": self.negative_examples,
                 "model": self.model,
                 "timestamp": self.timestamp,
-            }
+            },
         }
 
 
 class RAGService:
     """
     RAG сервис для оценки постов на основе векторного сходства.
-    
+
     Использует sentence-transformers для создания эмбеддингов текста и сравнивает
     их с эталонными примерами (опубликованные vs отклоненные посты).
-    
+
     Attributes:
         model_name: Название модели HuggingFace
         vector_store: Хранилище векторов
         min_text_length: Минимальная длина текста для обработки
     """
-    
+
     def __init__(
         self,
-        settings: Optional[Settings] = None,
+        settings: Settings | None = None,
-        vector_store: Optional[VectorStore] = None,
+        vector_store: VectorStore | None = None,
     ):
         """
         Инициализация RAG сервиса.
-        
+
         Args:
             settings: Настройки сервиса (берутся из get_settings() если не переданы)
             vector_store: Хранилище векторов (создается автоматически если не передано)
@@ -91,96 +92,102 @@ class RAGService:
         self.model_name = self._settings.model_name
         self.cache_dir = self._settings.cache_dir
         self.min_text_length = self._settings.min_text_length
-        
+
         # Модель загружается лениво
         self._model = None
         self._device = None
         self._model_loaded = False
-        
+
         # Хранилище векторов
         self.vector_store = vector_store or VectorStore(
             vector_dim=self._settings.vector_dim,
             max_examples=self._settings.max_examples,
+            max_submitted=self._settings.max_submitted,
             storage_path=self._settings.vectors_path,
+            submitted_path=self._settings.submitted_path,
             score_multiplier=self._settings.score_multiplier,
             k=3,  # Фиксированное значение k для топ-k ближайших примеров
         )
-        
+
         logger.info(f"RAGService инициализирован (model={self.model_name})")
-    
+
     @property
     def is_model_loaded(self) -> bool:
         """Проверяет, загружена ли модель."""
         return self._model_loaded
-    
+
     async def load_model(self) -> None:
         """
         Загружает модель и токенизатор.
-        
+
         Выполняется асинхронно в отдельном потоке чтобы не блокировать event loop.
         """
         if self._model_loaded:
             return
-        
+
         logger.info(f"RAGService: Загрузка модели {self.model_name}...")
-        
+
         try:
             # Загрузка в отдельном потоке
             loop = asyncio.get_event_loop()
             await loop.run_in_executor(None, self._load_model_sync)
-            
+
             self._model_loaded = True
             logger.info(f"RAGService: Модель {self.model_name} успешно загружена")
-            
+
         except Exception as e:
             logger.error(f"RAGService: Ошибка загрузки модели: {e}")
             raise ModelNotLoadedError(f"Не удалось загрузить модель {self.model_name}: {e}")
-    
+
     def _load_model_sync(self) -> None:
         """Синхронная загрузка модели (вызывается в executor)."""
         logger.info("RAGService: Начало _load_model_sync, импорт sentence_transformers...")
-        from sentence_transformers import SentenceTransformer
         import torch
-        
+        from sentence_transformers import SentenceTransformer
+
         # Определяем устройство
         self._device = "cuda" if torch.cuda.is_available() else "cpu"
         logger.info(f"RAGService: Устройство определено: {self._device}")
-        
+
         # Загружаем модель SentenceTransformer
-        logger.info(f"RAGService: Загрузка модели из {self.model_name} (это может занять несколько минут)...")
+        logger.info(
+            f"RAGService: Загрузка модели из {self.model_name} (это может занять несколько минут)..."
+        )
         self._model = SentenceTransformer(
             self.model_name,
             cache_folder=self.cache_dir,
             device=self._device,
         )
         logger.info(f"RAGService: Модель готова на устройстве: {self._device}")
-    
+
     def _get_embedding_sync(self, text: str) -> np.ndarray:
         """
         Получает эмбеддинг текста (синхронно).
-        
+
         Использует SentenceTransformer для получения нормализованного эмбеддинга.
-        
+
         Args:
             text: Текст для векторизации
-            
+
         Returns:
             Numpy массив с эмбеддингом (384 измерений для all-MiniLM-L12-v2)
         """
         # SentenceTransformer автоматически нормализует эмбеддинги
         embedding = self._model.encode(text, convert_to_numpy=True, normalize_embeddings=True)
         return embedding.flatten()
-    
+
-    def _get_embeddings_batch_sync(self, texts: List[str], batch_size: int = 16) -> List[np.ndarray]:
+    def _get_embeddings_batch_sync(
+        self, texts: list[str], batch_size: int = 16
+    ) -> list[np.ndarray]:
         """
         Получает эмбеддинги для батча текстов (синхронно).
-        
+
         Обрабатывает тексты пачками для эффективного использования GPU/CPU.
-        
+
         Args:
             texts: Список текстов для векторизации
             batch_size: Размер батча
-            
+
         Returns:
             Список numpy массивов с эмбеддингами
         """
@@ -192,32 +199,34 @@ class RAGService:
             normalize_embeddings=True,
             show_progress_bar=False,
         )
-        
+
         # Преобразуем в список отдельных массивов
         return [emb.flatten() for emb in embeddings]
-    
+
-    async def get_embeddings_batch(self, texts: List[str], batch_size: Optional[int] = None) -> List[np.ndarray]:
+    async def get_embeddings_batch(
+        self, texts: list[str], batch_size: int | None = None
+    ) -> list[np.ndarray]:
         """
         Получает эмбеддинги для батча текстов (асинхронно).
-        
+
         Args:
             texts: Список текстов для векторизации
             batch_size: Размер батча (берется из настроек если не указан)
-            
+
         Returns:
             Список numpy массивов с эмбеддингами
         """
         if not self._model_loaded:
             await self.load_model()
-        
+
         if not self._model_loaded:
             raise ModelNotLoadedError("Модель не загружена")
-        
+
         batch_size = batch_size or self._settings.batch_size
-        
+
         # Очищаем тексты
         clean_texts = [self._clean_text(text) for text in texts]
-        
+
         # Выполняем батч-обработку в thread pool
         loop = asyncio.get_event_loop()
         embeddings = await loop.run_in_executor(
@@ -226,71 +235,67 @@ class RAGService:
             clean_texts,
             batch_size,
         )
-        
+
         return embeddings
-    
+
     async def get_embedding(self, text: str) -> np.ndarray:
         """
         Получает эмбеддинг текста (асинхронно).
-        
+
         Args:
             text: Текст для векторизации
-            
+
         Returns:
             Numpy массив с эмбеддингом
-            
+
         Raises:
             ModelNotLoadedError: Если модель не загружена
             TextTooShortError: Если текст слишком короткий
         """
         if not self._model_loaded:
             await self.load_model()
-        
+
         if not self._model_loaded:
             raise ModelNotLoadedError("Модель не загружена")
-        
+
         # Очищаем текст
         clean_text = self._clean_text(text)
-        
+
         if len(clean_text) < self.min_text_length:
             raise TextTooShortError(
                 f"Текст слишком короткий (минимум {self.min_text_length} символов)"
             )
-        
+
         # Выполняем в отдельном потоке
         loop = asyncio.get_event_loop()
-        embedding = await loop.run_in_executor(
+        embedding = await loop.run_in_executor(None, self._get_embedding_sync, clean_text)
-            None, 
+
-            self._get_embedding_sync, 
-            clean_text
-        )
-        
         return embedding
-    
+
     def _clean_text(self, text: str) -> str:
         """Очищает текст от лишних символов."""
         if not text:
             return ""
-        
+
         # Удаляем лишние пробелы и переносы строк
         clean = " ".join(text.split())
-        
+
         # Удаляем служебные символы (например "^" для helper сообщений)
         if clean == "^":
             return ""
-        
+
         return clean.strip()
-    
+
     async def calculate_score(self, text: str) -> ScoringResult:
         """
         Рассчитывает скор для текста поста.
-        
+
         Args:
             text: Текст поста для оценки
-            
+
         Returns:
             ScoringResult с оценкой
-            
+
         Raises:
             ScoringError: При ошибке расчета
             InsufficientExamplesError: Если недостаточно примеров
@@ -299,16 +304,17 @@ class RAGService:
         try:
             # Получаем эмбеддинг текста
             embedding = await self.get_embedding(text)
-            
+
             # Логируем первые элементы вектора для отладки
             logger.debug(
-                f"RAGService: embedding[:3]={embedding[:3].tolist()}, "
+                f"RAGService: embedding[:3]={embedding[:3].tolist()}, text_preview='{text[:30]}'"
-                f"text_preview='{text[:30]}'"
             )
-            
+
             # Рассчитываем скор через VectorStore
-            score, confidence, score_pos_only = self.vector_store.calculate_similarity_score(embedding)
+            score, confidence, score_pos_only = self.vector_store.calculate_similarity_score(
-            
+                embedding
+            )
+
             return ScoringResult(
                 score=score,
                 confidence=confidence,
@@ -317,22 +323,22 @@ class RAGService:
                 negative_examples=self.vector_store.negative_count,
                 model=self.model_name,
             )
-            
+
         except (InsufficientExamplesError, TextTooShortError):
             # Пробрасываем ожидаемые исключения
             raise
-            
+
         except Exception as e:
             logger.error(f"RAGService: Ошибка расчета скора: {e}")
             raise ScoringError(f"Ошибка расчета скора: {e}")
-    
+
     async def add_positive_example(self, text: str) -> bool:
         """
         Добавляет текст как положительный пример (опубликованный пост).
-        
+
         Args:
             text: Текст опубликованного поста
-            
+
         Returns:
             True если пример добавлен, False если дубликат/короткий текст
         """
@@ -341,32 +347,32 @@ class RAGService:
             if len(clean_text) < self.min_text_length:
                 logger.debug("RAGService: Текст слишком короткий для примера, пропускаем")
                 return False
-            
+
             # Получаем эмбеддинг
             embedding = await self.get_embedding(clean_text)
-            
+
             # Вычисляем хеш для дедупликации
             text_hash = VectorStore.compute_text_hash(clean_text)
-            
+
             # Добавляем в хранилище
             added = self.vector_store.add_positive(embedding, text_hash)
-            
+
             if added:
                 logger.info("RAGService: Добавлен положительный пример")
-            
+
             return added
-                
+
         except Exception as e:
             logger.error(f"RAGService: Ошибка добавления положительного примера: {e}")
             return False
-    
+
     async def add_negative_example(self, text: str) -> bool:
         """
         Добавляет текст как отрицательный пример (отклоненный пост).
-        
+
         Args:
             text: Текст отклоненного поста
-            
+
         Returns:
             True если пример добавлен, False если дубликат/короткий текст
         """
@@ -375,29 +381,102 @@ class RAGService:
             if len(clean_text) < self.min_text_length:
                 logger.debug("RAGService: Текст слишком короткий для примера, пропускаем")
                 return False
-            
+
             # Получаем эмбеддинг
             embedding = await self.get_embedding(clean_text)
-            
+
             # Вычисляем хеш для дедупликации
             text_hash = VectorStore.compute_text_hash(clean_text)
-            
+
             # Добавляем в хранилище
             added = self.vector_store.add_negative(embedding, text_hash)
-            
+
             if added:
                 logger.info("RAGService: Добавлен отрицательный пример")
-            
+
             return added
-                
+
         except Exception as e:
             logger.error(f"RAGService: Ошибка добавления отрицательного примера: {e}")
             return False
-    
+
+    async def add_submitted_post(
+        self,
+        text: str,
+        post_id: int | None = None,
+        rag_score: float | None = None,
+    ) -> bool:
+        """
+        Добавляет submitted-пост в коллекцию для индексации.
+
+        Args:
+            text: Текст поста
+            post_id: ID поста (опционально)
+            rag_score: RAG скор поста (опционально)
+
+        Returns:
+            True если добавлен, False если дубликат/короткий текст
+        """
+        try:
+            clean_text = self._clean_text(text)
+            if len(clean_text) < self.min_text_length:
+                logger.debug("RAGService: Текст слишком короткий для submitted, пропускаем")
+                return False
+
+            embedding = await self.get_embedding(clean_text)
+            text_hash = VectorStore.compute_text_hash(clean_text)
+            created_at = int(datetime.now().timestamp())
+
+            added = self.vector_store.add_submitted(
+                vector=embedding,
+                text_hash=text_hash,
+                created_at=created_at,
+                post_id=post_id,
+                text=clean_text,
+                rag_score=rag_score,
+            )
+
+            if added:
+                logger.info("RAGService: Добавлен submitted-пост")
+
+            return added
+
+        except Exception as e:
+            logger.error(f"RAGService: Ошибка добавления submitted-поста: {e}")
+            return False
+
+    async def find_similar_posts(
+        self,
+        text: str,
+        threshold: float = 0.9,
+        hours: int = 24,
+    ) -> list[dict[str, Any]]:
+        """
+        Ищет похожие submitted-посты за последние N часов.
+
+        Args:
+            text: Текст для поиска
+            threshold: Минимальный порог similarity (0.0 - 1.0)
+            hours: Количество часов для фильтрации
+
+        Returns:
+            Список dict с полями: similarity, created_at, post_id, text, rag_score
+        """
+        try:
+            embedding = await self.get_embedding(text)
+            return self.vector_store.find_similar_submitted(
+                vector=embedding,
+                threshold=threshold,
+                hours=hours,
+            )
+        except Exception as e:
+            logger.error(f"RAGService: Ошибка поиска похожих постов: {e}")
+            return []
+
     async def warmup(self) -> bool:
         """
         Прогревает модель (загружает если не загружена).
-        
+
         Returns:
             True если модель загружена успешно
         """
@@ -407,13 +486,15 @@ class RAGService:
         except Exception as e:
             logger.error(f"RAGService: Ошибка прогрева модели: {e}")
             return False
-    
+
     def save_vectors(self) -> None:
-        """Сохраняет векторы на диск."""
+        """Сохраняет векторы на диск (включая submitted)."""
         if self.vector_store.storage_path:
             self.vector_store.save_to_disk()
-    
+        if self.vector_store.submitted_path:
-    def get_stats(self) -> Dict[str, Any]:
+            self.vector_store.save_submitted_to_disk()
+
+    def get_stats(self) -> dict[str, Any]:
         """Возвращает статистику сервиса."""
         return {
             "model_name": self.model_name,
@@ -424,13 +505,13 @@ class RAGService:
 
 
 # Глобальный экземпляр сервиса (singleton)
-_rag_service: Optional[RAGService] = None
+_rag_service: RAGService | None = None
 
 
 def get_rag_service() -> RAGService:
     """
     Возвращает глобальный экземпляр RAG сервиса.
-    
+
     Returns:
         RAGService: Экземпляр сервиса
     """

app/storage/vector_store.py

@@ -9,8 +9,9 @@ import hashlib
 import logging
 import os
 import threading
+import time
 from pathlib import Path
-from typing import List, Optional, Tuple
+from typing import Any
 
 import numpy as np
 
@@ -22,89 +23,109 @@ logger = logging.getLogger(__name__)
 class VectorStore:
     """
     In-memory хранилище векторов для RAG.
-    
+
     Хранит отдельно положительные (опубликованные) и отрицательные (отклоненные)
     примеры. Использует косинусное сходство для расчета скора.
-    
+
     Attributes:
         vector_dim: Размерность векторов (384 для all-MiniLM-L12-v2)
         max_examples: Максимальное количество примеров каждого типа
     """
-    
+
     def __init__(
         self,
         vector_dim: int = 384,
         max_examples: int = 10000,
-        storage_path: Optional[str] = None,
+        max_submitted: int = 5000,
+        storage_path: str | None = None,
+        submitted_path: str | None = None,
         score_multiplier: float = 5.0,
         k: int = 3,
     ):
         """
         Инициализация хранилища.
-        
+
         Args:
             vector_dim: Размерность векторов
             max_examples: Максимальное количество примеров каждого типа
+            max_submitted: Максимальное количество submitted-постов
             storage_path: Путь для сохранения/загрузки векторов (опционально)
+            submitted_path: Путь для сохранения/загрузки submitted-постов (опционально)
             score_multiplier: Множитель для масштабирования разницы в скорах
             k: Количество ближайших примеров для расчета среднего сходства
         """
         self.vector_dim = vector_dim
         self.max_examples = max_examples
+        self.max_submitted = max_submitted
         self.storage_path = storage_path
+        self.submitted_path = submitted_path
         self.score_multiplier = score_multiplier
         self.k = k
-        
+
         # Инициализируем пустые массивы
         # Используем список для динамического добавления, потом конвертируем в numpy
         self._positive_vectors: list = []
         self._negative_vectors: list = []
         self._positive_hashes: list = []  # Хеши текстов для дедупликации
         self._negative_hashes: list = []
-        
+
+        # Submitted-посты (третья коллекция)
+        self._submitted_vectors: list = []
+        self._submitted_hashes: list = []
+        self._submitted_created_at: list = []  # Unix timestamps
+        self._submitted_post_ids: list = []
+        self._submitted_texts: list = []
+        self._submitted_rag_scores: list = []
+
         # Lock для потокобезопасности
         self._lock = threading.Lock()
-        
+
         # Пытаемся загрузить сохраненные векторы
-        # Всегда вызываем _load_from_disk если есть storage_path - он сам решит что загружать
         if storage_path:
             self._load_from_disk()
-    
+        if submitted_path:
+            self._load_submitted_from_disk()
+
     @property
     def positive_count(self) -> int:
         """Количество положительных примеров."""
         return len(self._positive_vectors)
-    
+
     @property
     def negative_count(self) -> int:
         """Количество отрицательных примеров."""
         return len(self._negative_vectors)
-    
+
     @property
     def total_count(self) -> int:
         """Общее количество примеров."""
         return self.positive_count + self.negative_count
-    
+
+    @property
+    def submitted_count(self) -> int:
+        """Количество submitted-постов."""
+        return len(self._submitted_vectors)
+
     @staticmethod
     def compute_text_hash(text: str) -> str:
         """Вычисляет хеш текста для дедупликации."""
-        return hashlib.md5(text.encode('utf-8')).hexdigest()
+        return hashlib.md5(text.encode("utf-8")).hexdigest()
-    
+
     def _normalize_vector(self, vector: np.ndarray) -> np.ndarray:
         """Нормализует вектор для косинусного сходства."""
         norm = np.linalg.norm(vector)
         if norm == 0:
             return vector
         return vector / norm
-    
+
-    def add_positive(self, vector: np.ndarray, text_hash: Optional[str] = None) -> bool:
+    def add_positive(self, vector: np.ndarray, text_hash: str | None = None) -> bool:
         """
         Добавляет положительный пример (опубликованный пост).
-        
+
         Args:
             vector: Векторное представление текста
             text_hash: Хеш текста для дедупликации (опционально)
-            
+
         Returns:
             True если добавлен, False если дубликат или превышен лимит
         """
@@ -113,71 +134,73 @@ class VectorStore:
             if text_hash and text_hash in self._positive_hashes:
                 logger.debug("VectorStore: Пропуск дубликата положительного примера")
                 return False
-            
+
             # Проверяем лимит
             if len(self._positive_vectors) >= self.max_examples:
                 # Удаляем самый старый пример (FIFO)
                 self._positive_vectors.pop(0)
                 self._positive_hashes.pop(0)
                 logger.debug("VectorStore: Удален старый положительный пример (лимит)")
-            
+
             # Нормализуем и добавляем
             normalized = self._normalize_vector(vector)
             self._positive_vectors.append(normalized)
             if text_hash:
                 self._positive_hashes.append(text_hash)
-            
+
-            logger.info(f"VectorStore: Добавлен положительный пример (всего: {self.positive_count})")
+            logger.info(
+                f"VectorStore: Добавлен положительный пример (всего: {self.positive_count})"
+            )
             return True
-    
+
     def add_positive_batch(
-        self, 
+        self, vectors: list[np.ndarray], text_hashes: list[str] | None = None
-        vectors: List[np.ndarray], 
-        text_hashes: Optional[List[str]] = None
     ) -> int:
         """
         Добавляет батч положительных примеров.
-        
+
         Args:
             vectors: Список векторов
             text_hashes: Список хешей текстов для дедупликации
-            
+
         Returns:
             Количество добавленных примеров
         """
         if text_hashes is None:
             text_hashes = [None] * len(vectors)
-        
+
         added = 0
         with self._lock:
             for vector, text_hash in zip(vectors, text_hashes):
                 # Проверяем дубликат по хешу
                 if text_hash and text_hash in self._positive_hashes:
                     continue
-                
+
                 # Проверяем лимит
                 if len(self._positive_vectors) >= self.max_examples:
                     self._positive_vectors.pop(0)
                     self._positive_hashes.pop(0)
-                
+
                 # Нормализуем и добавляем
                 normalized = self._normalize_vector(vector)
                 self._positive_vectors.append(normalized)
                 if text_hash:
                     self._positive_hashes.append(text_hash)
                 added += 1
-        
+
-        logger.info(f"VectorStore: Добавлено {added} положительных примеров батчем (всего: {self.positive_count})")
+        logger.info(
+            f"VectorStore: Добавлено {added} положительных примеров батчем (всего: {self.positive_count})"
+        )
         return added
-    
+
-    def add_negative(self, vector: np.ndarray, text_hash: Optional[str] = None) -> bool:
+    def add_negative(self, vector: np.ndarray, text_hash: str | None = None) -> bool:
         """
         Добавляет отрицательный пример (отклоненный пост).
-        
+
         Args:
             vector: Векторное представление текста
             text_hash: Хеш текста для дедупликации (опционально)
-            
+
         Returns:
             True если добавлен, False если дубликат или превышен лимит
         """
@@ -186,112 +209,208 @@ class VectorStore:
             if text_hash and text_hash in self._negative_hashes:
                 logger.debug("VectorStore: Пропуск дубликата отрицательного примера")
                 return False
-            
+
             # Проверяем лимит
             if len(self._negative_vectors) >= self.max_examples:
                 # Удаляем самый старый пример (FIFO)
                 self._negative_vectors.pop(0)
                 self._negative_hashes.pop(0)
                 logger.debug("VectorStore: Удален старый отрицательный пример (лимит)")
-            
+
             # Нормализуем и добавляем
             normalized = self._normalize_vector(vector)
             self._negative_vectors.append(normalized)
             if text_hash:
                 self._negative_hashes.append(text_hash)
-            
+
-            logger.info(f"VectorStore: Добавлен отрицательный пример (всего: {self.negative_count})")
+            logger.info(
+                f"VectorStore: Добавлен отрицательный пример (всего: {self.negative_count})"
+            )
             return True
-    
+
     def add_negative_batch(
-        self, 
+        self, vectors: list[np.ndarray], text_hashes: list[str] | None = None
-        vectors: List[np.ndarray], 
-        text_hashes: Optional[List[str]] = None
     ) -> int:
         """
         Добавляет батч отрицательных примеров.
-        
+
         Args:
             vectors: Список векторов
             text_hashes: Список хешей текстов для дедупликации
-            
+
         Returns:
             Количество добавленных примеров
         """
         if text_hashes is None:
             text_hashes = [None] * len(vectors)
-        
+
         added = 0
         with self._lock:
             for vector, text_hash in zip(vectors, text_hashes):
                 # Проверяем дубликат по хешу
                 if text_hash and text_hash in self._negative_hashes:
                     continue
-                
+
                 # Проверяем лимит
                 if len(self._negative_vectors) >= self.max_examples:
                     self._negative_vectors.pop(0)
                     self._negative_hashes.pop(0)
-                
+
                 # Нормализуем и добавляем
                 normalized = self._normalize_vector(vector)
                 self._negative_vectors.append(normalized)
                 if text_hash:
                     self._negative_hashes.append(text_hash)
                 added += 1
-        
+
-        logger.info(f"VectorStore: Добавлено {added} отрицательных примеров батчем (всего: {self.negative_count})")
+        logger.info(
+            f"VectorStore: Добавлено {added} отрицательных примеров батчем (всего: {self.negative_count})"
+        )
         return added
-    
+
-    def calculate_similarity_score(self, vector: np.ndarray) -> Tuple[float, float, float]:
+    def add_submitted(
+        self,
+        vector: np.ndarray,
+        text_hash: str,
+        created_at: int,
+        post_id: int | None = None,
+        text: str = "",
+        rag_score: float | None = None,
+    ) -> bool:
+        """
+        Добавляет submitted-пост в коллекцию.
+
+        Args:
+            vector: Векторное представление текста
+            text_hash: Хеш текста для дедупликации
+            created_at: Unix timestamp создания
+            post_id: ID поста (опционально)
+            text: Текст поста
+            rag_score: RAG скор поста (опционально)
+
+        Returns:
+            True если добавлен, False если дубликат
+        """
+        with self._lock:
+            if text_hash in self._submitted_hashes:
+                logger.debug("VectorStore: Пропуск дубликата submitted-поста")
+                return False
+
+            if len(self._submitted_vectors) >= self.max_submitted:
+                self._submitted_vectors.pop(0)
+                self._submitted_hashes.pop(0)
+                self._submitted_created_at.pop(0)
+                self._submitted_post_ids.pop(0)
+                self._submitted_texts.pop(0)
+                self._submitted_rag_scores.pop(0)
+                logger.debug("VectorStore: Удален старый submitted-пост (лимит)")
+
+            normalized = self._normalize_vector(vector)
+            self._submitted_vectors.append(normalized)
+            self._submitted_hashes.append(text_hash)
+            self._submitted_created_at.append(created_at)
+            self._submitted_post_ids.append(post_id)
+            self._submitted_texts.append(text)
+            self._submitted_rag_scores.append(rag_score)
+
+            logger.info(f"VectorStore: Добавлен submitted-пост (всего: {self.submitted_count})")
+            return True
+
+    def find_similar_submitted(
+        self,
+        vector: np.ndarray,
+        threshold: float,
+        hours: int,
+    ) -> list[dict[str, Any]]:
+        """
+        Ищет похожие submitted-посты за последние N часов.
+
+        Args:
+            vector: Векторное представление запроса
+            threshold: Минимальный порог similarity (0.0 - 1.0)
+            hours: Количество часов для фильтрации (created_at >= now - hours*3600)
+
+        Returns:
+            Список dict с полями: similarity, created_at, post_id, text, rag_score
+        """
+        with self._lock:
+            if self.submitted_count == 0:
+                return []
+
+            now = int(time.time())
+            cutoff = now - hours * 3600
+
+            normalized = self._normalize_vector(vector)
+            submitted_matrix = np.array(self._submitted_vectors)
+            similarities = np.dot(submitted_matrix, normalized)
+
+            results: list[dict[str, Any]] = []
+            for i, sim in enumerate(similarities):
+                if float(sim) < threshold:
+                    continue
+                created_at = self._submitted_created_at[i]
+                if created_at < cutoff:
+                    continue
+                results.append(
+                    {
+                        "similarity": float(sim),
+                        "created_at": created_at,
+                        "post_id": self._submitted_post_ids[i],
+                        "text": self._submitted_texts[i],
+                        "rag_score": self._submitted_rag_scores[i],
+                    }
+                )
+
+            return sorted(results, key=lambda x: x["similarity"], reverse=True)
+
+    def calculate_similarity_score(self, vector: np.ndarray) -> tuple[float, float, float]:
         """
         Рассчитывает скор на основе сходства с примерами.
-        
+
         Алгоритм:
         1. Вычисляем косинусное сходство со всеми примерами
         2. Используем топ-k ближайших примеров для более чувствительной оценки
         3. Сравниваем топ-k положительных с топ-k отрицательными
-        
+
         Args:
             vector: Векторное представление нового поста
-            
+
         Returns:
             Tuple (score, confidence, score_pos_only):
             - score: Оценка от 0.0 до 1.0 (neg/pos формула)
             - confidence: Уверенность (зависит от количества примеров)
             - score_pos_only: Оценка только по положительным примерам
-            
+
         Raises:
             InsufficientExamplesError: Если недостаточно примеров
         """
         with self._lock:
             if self.positive_count == 0:
-                raise InsufficientExamplesError(
+                raise InsufficientExamplesError("Нет положительных примеров для сравнения")
-                    "Нет положительных примеров для сравнения"
+
-                )
-            
             # Нормализуем входной вектор
-            normalized = self._normalize_vector(vector)
+            normalized = self._normalize_vector(np.asarray(vector).flatten())
-            
+
             # Конвертируем в numpy массивы для быстрых вычислений
-            pos_matrix = np.array(self._positive_vectors)
+            # Используем vstack для гарантии одинаковой формы (совместимость со старым npz)
-            
+            pos_matrix = np.vstack([np.asarray(v).flatten() for v in self._positive_vectors])
+
             # Косинусное сходство с положительными примерами
             # Для нормализованных векторов это просто скалярное произведение
             pos_similarities = np.dot(pos_matrix, normalized)
-            
+
             # Косинусное сходство с отрицательными примерами
             if self.negative_count > 0:
-                neg_matrix = np.array(self._negative_vectors)
+                neg_matrix = np.vstack([np.asarray(v).flatten() for v in self._negative_vectors])
                 neg_similarities = np.dot(neg_matrix, normalized)
             else:
                 neg_similarities = np.array([])
-            
+
             # Используем топ-k ближайших примеров для расчета среднего сходства
             k_pos = min(self.k, len(pos_similarities))
             top_k_pos = np.sort(pos_similarities)[-k_pos:]
             avg_pos = float(np.mean(top_k_pos))
-            
+
             # Для отрицательных: если их меньше k, берем все, иначе топ-k
             if len(neg_similarities) > 0:
                 k_neg = min(self.k, len(neg_similarities))
@@ -300,11 +419,11 @@ class VectorStore:
             else:
                 # Если нет отрицательных примеров, используем нейтральное значение
                 avg_neg = avg_pos  # Нейтральный скор = 0.5
-            
+
             # Формула расчета score: (diff * scale + 1) / 2, переводим из [-1, 1] в [0, 1]
             diff = avg_pos - avg_neg
             score_neg_pos = np.clip((diff * self.score_multiplier + 1) / 2, 0.0, 1.0)
-            
+
             # === Вариант 2: pos only (только положительные, топ-k ближайших) ===
             # Берём топ-5 ближайших положительных примеров
             top_5_k = min(5, len(pos_similarities))
@@ -312,20 +431,20 @@ class VectorStore:
             # Нормализуем: 0.85 -> 0.0, 0.95 -> 1.0 (типичный диапазон для BERT)
             score_pos_only = (top_5_sim - 0.85) / 0.10
             score_pos_only = max(0.0, min(1.0, score_pos_only))
-            
+
             # Основной скор — neg/pos
             score = score_neg_pos
-            
+
             # Confidence зависит от количества примеров (100% при 1000 примерах)
             total_examples = self.positive_count + self.negative_count
             confidence = min(1.0, total_examples / 1000)
-            
+
             # Дополнительная диагностическая информация
             pos_mean = float(np.mean(pos_similarities))
             pos_std = float(np.std(pos_similarities))
             pos_min = float(np.min(pos_similarities))
             pos_max = float(np.max(pos_similarities))
-            
+
             if len(neg_similarities) > 0:
                 neg_mean = float(np.mean(neg_similarities))
                 neg_std = float(np.std(neg_similarities))
@@ -333,7 +452,7 @@ class VectorStore:
                 neg_max = float(np.max(neg_similarities))
             else:
                 neg_mean = neg_std = neg_min = neg_max = 0.0
-            
+
             logger.info(
                 f"VectorStore: k={self.k}, k_pos={k_pos}, k_neg={k_neg if len(neg_similarities) > 0 else 0}, "
                 f"avg_pos={avg_pos:.4f}, avg_neg={avg_neg:.4f}, "
@@ -342,58 +461,145 @@ class VectorStore:
                 f"pos_mean={pos_mean:.4f}±{pos_std:.4f}[{pos_min:.4f}-{pos_max:.4f}], "
                 f"neg_mean={neg_mean:.4f}±{neg_std:.4f}[{neg_min:.4f}-{neg_max:.4f}]"
             )
-            
+
             return score, confidence, score_pos_only
-    
+
-    def save_to_disk(self, path: Optional[str] = None) -> None:
+    def save_to_disk(self, path: str | None = None) -> None:
         """
         Сохраняет векторы на диск.
-        
+
         Args:
             path: Путь для сохранения (если не указан, используется storage_path)
         """
         save_path = path or self.storage_path
         if not save_path:
             raise VectorStoreError("Путь для сохранения не указан")
-        
+
         with self._lock:
             # Создаем директорию если нужно
             Path(save_path).parent.mkdir(parents=True, exist_ok=True)
-            
+
             # Сохраняем в npz формате
             np.savez_compressed(
                 save_path,
-                positive_vectors=np.array(self._positive_vectors) if self._positive_vectors else np.array([]),
+                positive_vectors=np.array(self._positive_vectors)
-                negative_vectors=np.array(self._negative_vectors) if self._negative_vectors else np.array([]),
+                if self._positive_vectors
+                else np.array([]),
+                negative_vectors=np.array(self._negative_vectors)
+                if self._negative_vectors
+                else np.array([]),
                 positive_hashes=np.array(self._positive_hashes, dtype=object),
                 negative_hashes=np.array(self._negative_hashes, dtype=object),
                 vector_dim=self.vector_dim,
                 max_examples=self.max_examples,
             )
-            
+
             logger.info(
                 f"VectorStore: Сохранено на диск ({self.positive_count} pos, "
                 f"{self.negative_count} neg): {save_path}"
             )
-    
+
+    def save_submitted_to_disk(self, path: str | None = None) -> None:
+        """
+        Сохраняет submitted-коллекцию на диск.
+
+        Args:
+            path: Путь для сохранения (если не указан, используется submitted_path)
+        """
+        save_path = path or self.submitted_path
+        if not save_path:
+            raise VectorStoreError("Путь для сохранения submitted не указан")
+
+        with self._lock:
+            Path(save_path).parent.mkdir(parents=True, exist_ok=True)
+
+            np.savez_compressed(
+                save_path,
+                vectors=np.array(self._submitted_vectors)
+                if self._submitted_vectors
+                else np.array([]),
+                hashes=np.array(self._submitted_hashes, dtype=object),
+                created_at=np.array(self._submitted_created_at)
+                if self._submitted_created_at
+                else np.array([]),
+                post_ids=np.array(self._submitted_post_ids, dtype=object),
+                texts=np.array(self._submitted_texts, dtype=object),
+                rag_scores=np.array(self._submitted_rag_scores, dtype=object),
+            )
+
+            logger.info(f"VectorStore: Сохранено submitted ({self.submitted_count}): {save_path}")
+
+    def _load_submitted_from_disk(self) -> None:
+        """Загружает submitted-коллекцию с диска."""
+        if not self.submitted_path or not os.path.exists(self.submitted_path):
+            return
+
+        try:
+            with self._lock:
+                data = np.load(self.submitted_path, allow_pickle=True)
+
+                vectors = data.get("vectors", np.array([]))
+                if vectors.size > 0:
+                    if len(vectors.shape) == 2:
+                        self._submitted_vectors = [
+                            self._normalize_vector(np.array(v)) for v in vectors
+                        ]
+                    elif len(vectors.shape) == 1:
+                        self._submitted_vectors = [self._normalize_vector(np.array(vectors))]
+                    else:
+                        self._submitted_vectors = []
+                else:
+                    self._submitted_vectors = []
+
+                hashes = data.get("hashes", np.array([]))
+                self._submitted_hashes = list(hashes) if hashes.size > 0 else []
+
+                created_at = data.get("created_at", np.array([]))
+                self._submitted_created_at = list(created_at) if created_at.size > 0 else []
+
+                post_ids = data.get("post_ids", np.array([]))
+                self._submitted_post_ids = list(post_ids) if post_ids.size > 0 else []
+
+                texts = data.get("texts", np.array([]))
+                self._submitted_texts = list(texts) if texts.size > 0 else []
+
+                rag_scores = data.get("rag_scores", np.array([]))
+                self._submitted_rag_scores = list(rag_scores) if rag_scores.size > 0 else []
+
+                # Выравниваем длины (на случай поврежденных данных)
+                n = len(self._submitted_vectors)
+                self._submitted_hashes = self._submitted_hashes[:n]
+                self._submitted_created_at = self._submitted_created_at[:n]
+                self._submitted_post_ids = self._submitted_post_ids[:n]
+                self._submitted_texts = self._submitted_texts[:n]
+                self._submitted_rag_scores = self._submitted_rag_scores[:n]
+
+                logger.info(
+                    f"VectorStore: Загружено submitted ({self.submitted_count}): {self.submitted_path}"
+                )
+        except Exception as e:
+            logger.error(f"VectorStore: Ошибка загрузки submitted с диска: {e}")
+
     def _load_from_disk(self) -> None:
         """Загружает векторы с диска."""
         if not self.storage_path:
             return
-        
+
         try:
             with self._lock:
                 storage_dir = Path(self.storage_path).parent
                 positive_npy = storage_dir / "positive_embeddings.npy"
                 negative_npy = storage_dir / "negative_embeddings.npy"
-                
+
                 # Отладочное логирование
-                logger.info(f"VectorStore: Проверка путей - storage_dir={storage_dir}, positive_npy={positive_npy}, exists={positive_npy.exists()}, negative_npy={negative_npy}, exists={negative_npy.exists()}")
+                logger.info(
-                
+                    f"VectorStore: Проверка путей - storage_dir={storage_dir}, positive_npy={positive_npy}, exists={positive_npy.exists()}, negative_npy={negative_npy}, exists={negative_npy.exists()}"
+                )
+
                 # Проверяем наличие отдельных .npy файлов
                 if positive_npy.exists() or negative_npy.exists():
                     logger.info("VectorStore: Обнаружены отдельные .npy файлы, загружаем их...")
-                    
+
                     # Загружаем положительные векторы
                     if positive_npy.exists():
                         pos_vectors = np.load(positive_npy, allow_pickle=False)
@@ -406,10 +612,14 @@ class VectorStore:
                                 # Один вектор [dim]
                                 self._positive_vectors = [pos_vectors]
                             else:
-                                logger.warning(f"VectorStore: Неожиданная размерность positive_embeddings.npy: {pos_vectors.shape}")
+                                logger.warning(
+                                    f"VectorStore: Неожиданная размерность positive_embeddings.npy: {pos_vectors.shape}"
+                                )
                                 self._positive_vectors = []
-                            logger.info(f"VectorStore: Загружено {len(self._positive_vectors)} положительных векторов из {positive_npy}")
+                            logger.info(
-                    
+                                f"VectorStore: Загружено {len(self._positive_vectors)} положительных векторов из {positive_npy}"
+                            )
+
                     # Загружаем отрицательные векторы
                     if negative_npy.exists():
                         neg_vectors = np.load(negative_npy, allow_pickle=False)
@@ -422,52 +632,62 @@ class VectorStore:
                                 # Один вектор [dim]
                                 self._negative_vectors = [neg_vectors]
                             else:
-                                logger.warning(f"VectorStore: Неожиданная размерность negative_embeddings.npy: {neg_vectors.shape}")
+                                logger.warning(
+                                    f"VectorStore: Неожиданная размерность negative_embeddings.npy: {neg_vectors.shape}"
+                                )
                                 self._negative_vectors = []
-                            logger.info(f"VectorStore: Загружено {len(self._negative_vectors)} отрицательных векторов из {negative_npy}")
+                            logger.info(
-                    
+                                f"VectorStore: Загружено {len(self._negative_vectors)} отрицательных векторов из {negative_npy}"
+                            )
+
                     # Нормализуем загруженные векторы
-                    self._positive_vectors = [self._normalize_vector(np.array(v)) for v in self._positive_vectors]
+                    self._positive_vectors = [
-                    self._negative_vectors = [self._normalize_vector(np.array(v)) for v in self._negative_vectors]
+                        self._normalize_vector(np.array(v)) for v in self._positive_vectors
-                    
+                    ]
+                    self._negative_vectors = [
+                        self._normalize_vector(np.array(v)) for v in self._negative_vectors
+                    ]
+
                     logger.info(
                         f"VectorStore: Загружено с диска из .npy файлов ({self.positive_count} pos, "
                         f"{self.negative_count} neg)"
                     )
                     return
-                
+
                 # Если отдельных .npy файлов нет, пытаемся загрузить из старого формата .npz
                 if os.path.exists(self.storage_path):
-                    logger.info(f"VectorStore: Загружаем из старого формата .npz: {self.storage_path}")
+                    logger.info(
+                        f"VectorStore: Загружаем из старого формата .npz: {self.storage_path}"
+                    )
                     data = np.load(self.storage_path, allow_pickle=True)
-                    
+
                     # Загружаем векторы
-                    pos_vectors = data.get('positive_vectors', np.array([]))
+                    pos_vectors = data.get("positive_vectors", np.array([]))
-                    neg_vectors = data.get('negative_vectors', np.array([]))
+                    neg_vectors = data.get("negative_vectors", np.array([]))
-                    
+
                     if pos_vectors.size > 0:
                         self._positive_vectors = list(pos_vectors)
                     if neg_vectors.size > 0:
                         self._negative_vectors = list(neg_vectors)
-                    
+
                     # Загружаем хеши
-                    pos_hashes = data.get('positive_hashes', np.array([]))
+                    pos_hashes = data.get("positive_hashes", np.array([]))
-                    neg_hashes = data.get('negative_hashes', np.array([]))
+                    neg_hashes = data.get("negative_hashes", np.array([]))
-                    
+
                     if pos_hashes.size > 0:
                         self._positive_hashes = list(pos_hashes)
                     if neg_hashes.size > 0:
                         self._negative_hashes = list(neg_hashes)
-                    
+
                     logger.info(
                         f"VectorStore: Загружено с диска ({self.positive_count} pos, "
                         f"{self.negative_count} neg): {self.storage_path}"
                     )
-                
+
         except Exception as e:
             logger.error(f"VectorStore: Ошибка загрузки с диска: {e}")
             # Продолжаем с пустым хранилищем
-    
+
     def clear(self) -> None:
         """Очищает все векторы."""
         with self._lock:
@@ -475,40 +695,48 @@ class VectorStore:
             self._negative_vectors.clear()
             self._positive_hashes.clear()
             self._negative_hashes.clear()
+            self._submitted_vectors.clear()
+            self._submitted_hashes.clear()
+            self._submitted_created_at.clear()
+            self._submitted_post_ids.clear()
+            self._submitted_texts.clear()
+            self._submitted_rag_scores.clear()
             logger.info("VectorStore: Хранилище очищено")
-    
+
     def get_stats(self) -> dict:
         """Возвращает статистику хранилища."""
         return {
             "positive_count": self.positive_count,
             "negative_count": self.negative_count,
             "total_count": self.total_count,
+            "submitted_count": self.submitted_count,
             "vector_dim": self.vector_dim,
             "max_examples": self.max_examples,
+            "max_submitted": self.max_submitted,
         }
-    
+
     def get_scoring_params(self) -> dict:
         """Возвращает текущие параметры формулы расчета score."""
         return {
             "score_multiplier": self.score_multiplier,
             "k": self.k,
         }
-    
+
     def update_scoring_params(
         self,
-        score_multiplier: Optional[float] = None,
+        score_multiplier: float | None = None,
-        k: Optional[int] = None,
+        k: int | None = None,
     ) -> dict:
         """
         Обновляет параметры формулы расчета score.
-        
+
         Args:
             score_multiplier: Множитель для масштабирования разницы (должен быть > 0)
             k: Количество ближайших примеров для расчета среднего (должно быть >= 1)
-            
+
         Returns:
             dict: Обновленные параметры
-            
+
         Raises:
             ValueError: При невалидных значениях
         """
@@ -517,15 +745,15 @@ class VectorStore:
                 if score_multiplier <= 0:
                     raise ValueError("score_multiplier должен быть > 0")
                 self.score_multiplier = score_multiplier
-            
+
             if k is not None:
                 if k < 1:
                     raise ValueError("k должен быть >= 1")
                 self.k = k
-            
+
             logger.info(
                 f"VectorStore: Параметры формулы обновлены: "
                 f"score_multiplier={self.score_multiplier}, k={self.k}"
             )
-            
+
             return self.get_scoring_params()

docker-compose.yml

@@ -20,6 +20,8 @@ services:
       - RAG_CACHE_DIR=/app/data/models
       - RAG_VECTORS_PATH=/app/data/vectors/vectors.npz
       - RAG_MAX_EXAMPLES=${RAG_MAX_EXAMPLES:-10000}
+      - RAG_MAX_SUBMITTED=${RAG_MAX_SUBMITTED:-5000}
+      - RAG_SUBMITTED_PATH=/app/data/vectors/submitted.npz
       - RAG_SCORE_MULTIPLIER=${RAG_SCORE_MULTIPLIER:-5.0}
       - RAG_BATCH_SIZE=${RAG_BATCH_SIZE:-16}
       - RAG_MIN_TEXT_LENGTH=${RAG_MIN_TEXT_LENGTH:-3}

env.example

@@ -7,6 +7,8 @@ RAG_CACHE_DIR=data/models
 # VectorStore
 RAG_VECTORS_PATH=data/vectors/vectors.npz
 RAG_MAX_EXAMPLES=10000
+RAG_MAX_SUBMITTED=5000
+RAG_SUBMITTED_PATH=data/vectors/submitted.npz
 RAG_SCORE_MULTIPLIER=5.0
 
 # Батч-обработка

tests/conftest.py

@@ -0,0 +1,16 @@
+"""
+Pytest fixtures для RAG сервиса.
+"""
+
+import os
+
+import pytest
+
+
+@pytest.fixture(autouse=True)
+def allow_no_auth():
+    """Разрешает запросы без API ключа в тестах."""
+    os.environ["RAG_ALLOW_NO_AUTH"] = "true"
+    yield
+    if "RAG_ALLOW_NO_AUTH" in os.environ:
+        del os.environ["RAG_ALLOW_NO_AUTH"]

tests/test_api_similar_submitted.py

@@ -0,0 +1,169 @@
+"""
+Тесты API endpoints /similar и /submitted.
+"""
+
+from unittest.mock import AsyncMock, MagicMock
+
+import pytest
+from fastapi.testclient import TestClient
+
+from app.main import app
+
+
+@pytest.fixture
+def mock_rag_service():
+    """Mock RAGService для тестов API без загрузки модели."""
+    service = MagicMock()
+    service.is_model_loaded = True
+    service.vector_store.submitted_count = 0
+    return service
+
+
+@pytest.fixture
+def client(mock_rag_service):
+    """TestClient с переопределённым RAG сервисом."""
+    from app.api.routes import get_service
+
+    def override_get_service():
+        return mock_rag_service
+
+    app.dependency_overrides[get_service] = override_get_service
+    # get_rag_service используется при создании сервиса - get_service вызывает get_rag_service
+    # Смотрю routes: get_service возвращает get_rag_service(). Значит override get_service достаточно.
+    with TestClient(app) as c:
+        yield c
+    app.dependency_overrides.clear()
+
+
+def test_similar_endpoint(client, mock_rag_service):
+    """POST /api/v1/similar возвращает похожие посты."""
+    mock_rag_service.find_similar_posts = AsyncMock(
+        return_value=[
+            {
+                "similarity": 0.95,
+                "created_at": 1706270000,
+                "post_id": 123,
+                "text": "Похожий пост",
+                "rag_score": 0.85,
+            }
+        ]
+    )
+
+    response = client.post(
+        "/api/v1/similar",
+        json={"text": "Текст для поиска", "threshold": 0.9, "hours": 24},
+    )
+
+    assert response.status_code == 200
+    data = response.json()
+    assert data["similar_count"] == 1
+    assert len(data["similar_posts"]) == 1
+    assert data["similar_posts"][0]["similarity"] == 0.95
+    assert data["similar_posts"][0]["post_id"] == 123
+    assert data["similar_posts"][0]["text"] == "Похожий пост"
+    assert data["similar_posts"][0]["rag_score"] == 0.85
+
+
+def test_similar_endpoint_empty(client, mock_rag_service):
+    """POST /api/v1/similar с пустым результатом."""
+    mock_rag_service.find_similar_posts = AsyncMock(return_value=[])
+
+    response = client.post(
+        "/api/v1/similar",
+        json={"text": "Уникальный текст", "threshold": 0.99, "hours": 1},
+    )
+
+    assert response.status_code == 200
+    assert response.json()["similar_count"] == 0
+    assert response.json()["similar_posts"] == []
+
+
+def test_similar_endpoint_default_params(client, mock_rag_service):
+    """POST /api/v1/similar с дефолтными параметрами."""
+    mock_rag_service.find_similar_posts = AsyncMock(return_value=[])
+
+    response = client.post(
+        "/api/v1/similar",
+        json={"text": "Текст"},
+    )
+
+    assert response.status_code == 200
+    mock_rag_service.find_similar_posts.assert_called_once_with(
+        text="Текст",
+        threshold=0.9,
+        hours=24,
+    )
+
+
+def test_submitted_endpoint_success(client, mock_rag_service):
+    """POST /api/v1/submitted успешно добавляет пост."""
+    mock_rag_service.add_submitted_post = AsyncMock(return_value=True)
+    mock_rag_service.vector_store.submitted_count = 5
+
+    response = client.post(
+        "/api/v1/submitted",
+        json={"text": "Новый пост", "post_id": 42, "rag_score": 0.8},
+    )
+
+    assert response.status_code == 200
+    data = response.json()
+    assert data["success"] is True
+    assert "добавлен" in data["message"].lower()
+    assert data["submitted_count"] == 5
+    mock_rag_service.add_submitted_post.assert_called_once_with(
+        text="Новый пост",
+        post_id=42,
+        rag_score=0.8,
+    )
+
+
+def test_submitted_endpoint_duplicate(client, mock_rag_service):
+    """POST /api/v1/submitted при дубликате возвращает success=False."""
+    mock_rag_service.add_submitted_post = AsyncMock(return_value=False)
+    mock_rag_service.vector_store.submitted_count = 10
+
+    response = client.post(
+        "/api/v1/submitted",
+        json={"text": "Дубликат поста"},
+    )
+
+    assert response.status_code == 200
+    data = response.json()
+    assert data["success"] is False
+    assert data["submitted_count"] == 10
+
+
+def test_submitted_endpoint_optional_fields(client, mock_rag_service):
+    """POST /api/v1/submitted с только текстом (post_id, rag_score опциональны)."""
+    mock_rag_service.add_submitted_post = AsyncMock(return_value=True)
+    mock_rag_service.vector_store.submitted_count = 1
+
+    response = client.post(
+        "/api/v1/submitted",
+        json={"text": "Только текст"},
+    )
+
+    assert response.status_code == 200
+    mock_rag_service.add_submitted_post.assert_called_once_with(
+        text="Только текст",
+        post_id=None,
+        rag_score=None,
+    )
+
+
+def test_similar_validation_empty_text(client):
+    """POST /api/v1/similar с пустым текстом возвращает 422."""
+    response = client.post(
+        "/api/v1/similar",
+        json={"text": "", "threshold": 0.9, "hours": 24},
+    )
+    assert response.status_code == 422
+
+
+def test_submitted_validation_empty_text(client):
+    """POST /api/v1/submitted с пустым текстом возвращает 422."""
+    response = client.post(
+        "/api/v1/submitted",
+        json={"text": ""},
+    )
+    assert response.status_code == 422

tests/test_vector_store_submitted.py

@@ -0,0 +1,212 @@
+"""
+Тесты для submitted-коллекции VectorStore.
+"""
+
+import numpy as np
+import pytest
+
+from app.storage.vector_store import VectorStore
+
+
+@pytest.fixture
+def vector_store(tmp_path):
+    """VectorStore с временным путём для submitted."""
+    return VectorStore(
+        vector_dim=4,
+        max_examples=10,
+        max_submitted=5,
+        storage_path=None,
+        submitted_path=str(tmp_path / "submitted.npz"),
+    )
+
+
+@pytest.fixture
+def sample_vector():
+    """Нормализованный вектор для тестов."""
+    v = np.array([1.0, 0.0, 0.0, 0.0], dtype=np.float32)
+    return v / np.linalg.norm(v)
+
+
+def test_add_submitted(vector_store, sample_vector):
+    """Добавление submitted-поста."""
+    added = vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="abc123",
+        created_at=1000,
+        post_id=42,
+        text="Test post",
+        rag_score=0.85,
+    )
+    assert added is True
+    assert vector_store.submitted_count == 1
+
+
+def test_add_submitted_duplicate(vector_store, sample_vector):
+    """Дубликат по хешу не добавляется."""
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="same_hash",
+        created_at=1000,
+        text="First",
+    )
+    added = vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="same_hash",
+        created_at=2000,
+        text="Second",
+    )
+    assert added is False
+    assert vector_store.submitted_count == 1
+
+
+def test_add_submitted_fifo(vector_store, sample_vector):
+    """При превышении max_submitted удаляется самый старый (FIFO)."""
+    for i in range(7):
+        v = np.array(
+            [float(i + 1), 0.0, 0.0, 0.0], dtype=np.float32
+        )  # i+1 чтобы избежать нулевого вектора
+        v = v / np.linalg.norm(v)
+        vector_store.add_submitted(
+            vector=v,
+            text_hash=f"hash_{i}",
+            created_at=1000 + i,
+            post_id=i,
+            text=f"Post {i}",
+        )
+    assert vector_store.submitted_count == 5  # max_submitted
+    # Должны остаться посты 2, 3, 4, 5, 6 (удалены 0, 1)
+    post_ids = vector_store._submitted_post_ids
+    assert 0 not in post_ids
+    assert 1 not in post_ids
+    assert 2 in post_ids
+
+
+def test_find_similar_submitted_empty(vector_store, sample_vector):
+    """Поиск в пустой коллекции возвращает пустой список."""
+    result = vector_store.find_similar_submitted(
+        vector=sample_vector,
+        threshold=0.5,
+        hours=24,
+    )
+    assert result == []
+
+
+def test_find_similar_submitted(vector_store, sample_vector):
+    """Поиск похожих постов с фильтром по времени и threshold."""
+    import time
+
+    now = int(time.time())
+    # Похожий вектор
+    similar_v = np.array([0.99, 0.01, 0.0, 0.0], dtype=np.float32)
+    similar_v = similar_v / np.linalg.norm(similar_v)
+    # Непохожий вектор
+    different_v = np.array([0.0, 1.0, 0.0, 0.0], dtype=np.float32)
+    different_v = different_v / np.linalg.norm(different_v)
+
+    vector_store.add_submitted(
+        vector=similar_v,
+        text_hash="similar",
+        created_at=now - 3600,  # 1 час назад
+        post_id=1,
+        text="Similar post",
+        rag_score=0.9,
+    )
+    vector_store.add_submitted(
+        vector=different_v,
+        text_hash="different",
+        created_at=now - 3600,
+        post_id=2,
+        text="Different post",
+        rag_score=0.5,
+    )
+
+    result = vector_store.find_similar_submitted(
+        vector=sample_vector,
+        threshold=0.9,
+        hours=24,
+    )
+    assert len(result) == 1
+    assert result[0]["post_id"] == 1
+    assert result[0]["text"] == "Similar post"
+    assert result[0]["similarity"] >= 0.9
+
+
+def test_find_similar_submitted_time_filter(vector_store, sample_vector):
+    """Фильтр по hours исключает старые посты."""
+    import time
+
+    now = int(time.time())
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="old",
+        created_at=now - 48 * 3600,  # 48 часов назад
+        post_id=1,
+        text="Old post",
+    )
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="recent",
+        created_at=now - 3600,  # 1 час назад
+        post_id=2,
+        text="Recent post",
+    )
+
+    result = vector_store.find_similar_submitted(
+        vector=sample_vector,
+        threshold=0.5,
+        hours=24,
+    )
+    assert len(result) == 1
+    assert result[0]["post_id"] == 2
+
+
+def test_submitted_persistence(vector_store, sample_vector, tmp_path):
+    """Сохранение и загрузка submitted-коллекции."""
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="persist",
+        created_at=12345,
+        post_id=999,
+        text="Persisted post",
+        rag_score=0.77,
+    )
+    vector_store.save_submitted_to_disk()
+
+    # Новый store загружает данные
+    store2 = VectorStore(
+        vector_dim=4,
+        max_submitted=5,
+        storage_path=None,
+        submitted_path=str(tmp_path / "submitted.npz"),
+    )
+    assert store2.submitted_count == 1
+    assert store2._submitted_post_ids[0] == 999
+    assert store2._submitted_texts[0] == "Persisted post"
+    assert store2._submitted_rag_scores[0] == 0.77
+
+
+def test_get_stats_includes_submitted(vector_store, sample_vector):
+    """get_stats включает submitted_count и max_submitted."""
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="stat",
+        created_at=1000,
+        text="For stats",
+    )
+    stats = vector_store.get_stats()
+    assert "submitted_count" in stats
+    assert stats["submitted_count"] == 1
+    assert "max_submitted" in stats
+    assert stats["max_submitted"] == 5
+
+
+def test_clear_submitted(vector_store, sample_vector):
+    """clear() очищает submitted-коллекцию."""
+    vector_store.add_submitted(
+        vector=sample_vector,
+        text_hash="clear",
+        created_at=1000,
+        text="To clear",
+    )
+    vector_store.clear()
+    assert vector_store.submitted_count == 0