refactor: обновление системы ML-скоринга и переход на RAG API

- Обновлен Dockerfile для использования Alpine вместо Slim, улучшая размер образа.
- Удален устаревший RAGService и добавлен RagApiClient для работы с внешним RAG API.
- Обновлены переменные окружения в env.example для настройки нового RAG API.
- Обновлен ScoringManager для интеграции с RagApiClient.
- Упрощена структура проекта, удалены ненужные файлы и зависимости, связанные с векторным хранилищем.
- Обновлены обработчики и функции для работы с новым API, включая получение статистики и обработку ошибок.

.cursor/rules/error-handling.md

@@ -110,12 +110,63 @@ logger.error(f"Критическая ошибка: {e}", exc_info=True)
 
 ### Уровни логирования
 
-- `logger.debug()` - отладочная информация
-- `logger.info()` - информационные сообщения о работе
-- `logger.warning()` - предупреждения о потенциальных проблемах
-- `logger.error()` - ошибки, требующие внимания
+- `logger.debug()` - отладочная информация (детали выполнения, промежуточные значения, HTTP запросы(не используется в проекте))
+- `logger.info()` - информационные сообщения о работе (успешные операции, важные события)
+- `logger.warning()` - предупреждения о потенциальных проблемах (некритичные ошибки, таймауты)
+- `logger.error()` - ошибки, требующие внимания (исключения, сбои)
 - `logger.critical()` - критические ошибки
 
+### Паттерн логирования в сервисах
+
+При работе с внешними API и сервисами используйте следующий паттерн:
+
+```python
+from logs.custom_logger import logger
+
+class ApiClient:
+    async def calculate_score(self, text: str) -> Score:
+        # Логируем начало операции (debug)
+        logger.debug(f"ApiClient: Отправка запроса на расчет скора (text_preview='{text[:50]}')")
+        
+        try:
+            response = await self._client.post(url, json=data)
+            
+            # Логируем статус ответа (debug)
+            logger.debug(f"ApiClient: Получен ответ (status={response.status_code})")
+            
+            # Обрабатываем ответ
+            if response.status_code == 200:
+                result = response.json()
+                # Логируем успешный результат (info)
+                logger.info(f"ApiClient: Скор успешно получен (score={result['score']:.4f})")
+                return result
+            else:
+                # Логируем ошибку (error)
+                logger.error(f"ApiClient: Ошибка API (status={response.status_code})")
+                raise ApiError(f"Ошибка API: {response.status_code}")
+                
+        except httpx.TimeoutException:
+            # Логируем таймаут (error)
+            logger.error(f"ApiClient: Таймаут запроса (>{timeout}с)")
+            raise
+        except httpx.RequestError as e:
+            # Логируем ошибку подключения (error)
+            logger.error(f"ApiClient: Ошибка подключения: {e}")
+            raise
+        except Exception as e:
+            # Логируем неожиданные ошибки (error)
+            logger.error(f"ApiClient: Неожиданная ошибка: {e}", exc_info=True)
+            raise
+```
+
+**Принципы:**
+- `logger.debug()` - для деталей выполнения (URL, параметры запроса, статус ответа)
+- `logger.info()` - для успешных операций с важными результатами
+- `logger.warning()` - для некритичных проблем (валидация, таймауты в неважных операциях)
+- `logger.error()` - для всех ошибок перед пробросом исключения
+- Всегда логируйте ошибки перед `raise`
+- Используйте `exc_info=True` для критических ошибок
+
 ## Метрики ошибок
 
 Декоратор `@track_errors` автоматически отслеживает ошибки: