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/main.py

@@ -78,6 +78,22 @@ async def start_bot(bdf):
     
     await bot.delete_webhook(drop_pending_updates=True)
     
+    # Загружаем примеры для RAG из базы данных
+    scoring_manager = bdf.get_scoring_manager()
+    if scoring_manager and scoring_manager.rag_service and scoring_manager.rag_service.is_enabled:
+        try:
+            db = bdf.get_db()
+            positive_texts = await db.get_approved_posts_texts(limit=5000)
+            negative_texts = await db.get_declined_posts_texts(limit=5000)
+            
+            if positive_texts or negative_texts:
+                await scoring_manager.load_examples_from_db(positive_texts, negative_texts)
+                logging.info(f"RAG: Загружено {len(positive_texts)} положительных и {len(negative_texts)} отрицательных примеров")
+            else:
+                logging.warning("RAG: Нет примеров в базе данных для загрузки")
+        except Exception as e:
+            logging.error(f"Ошибка загрузки примеров для RAG: {e}")
+    
     # Запускаем HTTP сервер для метрик параллельно с ботом
     metrics_host = bdf.settings.get('Metrics', {}).get('host', '0.0.0.0')
     metrics_port = bdf.settings.get('Metrics', {}).get('port', 8080)