feat: интеграция ML-скоринга с использованием RAG и DeepSeek

- Обновлен Dockerfile для установки необходимых зависимостей.
- Добавлены новые переменные окружения для настройки ML-скоринга в env.example.
- Реализованы методы для получения и обновления ML-скоров в AsyncBotDB и PostRepository.
- Обновлены обработчики публикации постов для интеграции ML-скоринга.
- Добавлен новый обработчик для получения статистики ML-скоринга в админ-панели.
- Обновлены функции для форматирования сообщений с учетом ML-скоров.

helper_bot/handlers/admin/admin_handlers.py

@@ -16,6 +16,7 @@ from helper_bot.keyboards.keyboards import (create_keyboard_for_approve_ban,
                                             create_keyboard_for_ban_reason,
                                             create_keyboard_with_pagination,
                                             get_reply_keyboard_admin)
+from helper_bot.utils.base_dependency_factory import get_global_instance
 # Local imports - metrics
 from helper_bot.utils.metrics import db_query_time, track_errors, track_time
 from logs.custom_logger import logger
@@ -137,6 +138,69 @@ async def get_banned_users(
         await handle_admin_error(message, e, state, "get_banned_users")
 
 
+@admin_router.message(
+    ChatTypeFilter(chat_type=["private"]),
+    StateFilter("ADMIN"),
+    F.text == '📊 ML Статистика'
+)
+@track_time("get_ml_stats", "admin_handlers")
+@track_errors("admin_handlers", "get_ml_stats")
+async def get_ml_stats(
+    message: types.Message, 
+    state: FSMContext,
+    **kwargs
+    ):
+    """Получение статистики ML-скоринга"""
+    try:
+        logger.info(f"Запрос ML статистики от пользователя: {message.from_user.full_name}")
+        
+        bdf = get_global_instance()
+        scoring_manager = bdf.get_scoring_manager()
+        
+        if not scoring_manager:
+            await message.answer("📊 ML Scoring отключен\n\nДля включения установите RAG_ENABLED=true или DEEPSEEK_ENABLED=true в .env")
+            return
+        
+        stats = scoring_manager.get_stats()
+        
+        # Формируем текст статистики
+        lines = ["📊 <b>ML Scoring Статистика</b>\n"]
+        
+        # RAG статистика
+        if "rag" in stats:
+            rag = stats["rag"]
+            lines.append("🤖 <b>RAG (ruBERT):</b>")
+            lines.append(f"  • Статус: {'✅ Включен' if rag.get('enabled') else '❌ Отключен'}")
+            lines.append(f"  • Модель: {rag.get('model_name', 'N/A')}")
+            lines.append(f"  • Модель загружена: {'✅' if rag.get('model_loaded') else '❌'}")
+            
+            vs = rag.get("vector_store", {})
+            lines.append(f"  • Положительных примеров: {vs.get('positive_count', 0)}")
+            lines.append(f"  • Отрицательных примеров: {vs.get('negative_count', 0)}")
+            lines.append(f"  • Всего примеров: {vs.get('total_count', 0)}")
+            lines.append(f"  • Макс. примеров: {vs.get('max_examples', 'N/A')}")
+            lines.append("")
+        
+        # DeepSeek статистика
+        if "deepseek" in stats:
+            ds = stats["deepseek"]
+            lines.append("🔮 <b>DeepSeek API:</b>")
+            lines.append(f"  • Статус: {'✅ Включен' if ds.get('enabled') else '❌ Отключен'}")
+            lines.append(f"  • Модель: {ds.get('model', 'N/A')}")
+            lines.append(f"  • Таймаут: {ds.get('timeout', 'N/A')}с")
+            lines.append("")
+        
+        # Если ничего не включено
+        if "rag" not in stats and "deepseek" not in stats:
+            lines.append("⚠️ Ни один сервис не настроен")
+        
+        await message.answer("\n".join(lines), parse_mode="HTML")
+        
+    except Exception as e:
+        logger.error(f"Ошибка получения ML статистики: {e}")
+        await message.answer(f"❌ Ошибка получения статистики: {str(e)}")
+
+
 # ============================================================================
 # ХЕНДЛЕРЫ ПРОЦЕССА БАНА
 # ============================================================================