docs: aggiorna CLAUDE.md e README secondari per rispecchiare architettura attuale

Rimuove riferimenti a Stage 1/Stage 2, md_optimizer.py, fix_chunks.py, --skip-optimize, _clean.md e _content_list_v2.json (tutti obsoleti). Aggiorna pipeline diagram, comandi, tabella architettura e input MinerU. Co-Authored-By: Claude Sonnet 4.6 <noreply@anthropic.com>
2026-06-04 14:39:12 +02:00
parent 70eed10cb6
commit 450c6d5784
3 changed files with 21 additions and 27 deletions
@@ -16,12 +16,12 @@ This file provides guidance to Claude Code (claude.ai/code) when working with co

 ## Missione

-Pipeline RAG su documenti accademici. La conversione PDF → Markdown è delegata a **MinerU** (tool esterno). Questo repository si occupa solo di: pulizia Markdown, chunking, vettorizzazione e retrieval/generazione.
+Pipeline RAG su documenti accademici. La conversione PDF → Markdown è delegata a **MinerU** (tool esterno). Questo repository si occupa solo di: chunking, vettorizzazione e retrieval/generazione.

 ```
-MinerU (esterno) → sources/<stem>/auto/
+MinerU (esterno) → sources/<stem>_output/auto/<stem>.md
                        ↓
-                   chunker.py   (Stage 1: _clean.md  +  Stage 2: chunks.json)
+                   chunker.py   (chunks.json)
                        ↓
                   ingest.py    (embedding → ChromaDB)
                        ↓
@@ -34,7 +34,7 @@ MinerU (esterno) → sources/<stem>/auto/

 - **Venv:** Usa `.venv/bin/python`. Mai `pip`/`python` di sistema.
 - **Niente LLM nella pipeline:** chunking e pulizia devono essere rule-based e riproducibili.
- **Input immutabile:** Non modificare mai i file originali in `sources/<stem>/auto/`. Il `chunker.py` scrive solo `_clean.md` (prodotto derivato) nella stessa cartella e `chunks.json` in `chunks/<stem>/`.
+- **Input immutabile:** Non modificare mai i file in `sources/`. Il `chunker.py` scrive solo in `chunks/<stem>/`.

 ---

@@ -43,11 +43,8 @@ MinerU (esterno) → sources/<stem>/auto/
 MinerU produce una cartella per ogni documento. Posizionarla in `sources/`:

 ```
-sources/<stem>/auto/<stem>_content_list_v2.json  ← struttura ricca (tipo, livello, bbox)  [RICHIESTO]
-sources/<stem>/auto/<stem>_model.json            ← label di layout (doc_title, abstract…) [RACCOMANDATO]
-sources/<stem>/auto/<stem>.md                    ← Markdown grezzo (non usato dalla pipeline)
-sources/<stem>/auto/<stem>_middle.json           ← dati intermedi (non usato)
-sources/<stem>/auto/images/                      ← immagini estratte
+sources/<stem>_output/auto/<stem>.md        ← Markdown strutturato (input della pipeline)
+sources/<stem>_output/auto/images/          ← immagini estratte
 ```

 `<stem>` = nome del documento, usato in tutti i comandi come identificatore.
@@ -60,18 +57,13 @@ sources/<stem>/auto/images/                      ← immagini estratte
 # Setup
 python -m venv .venv && source .venv/bin/activate && pip install -r requirements.txt

-# Chunking unificato: Stage 1 (_clean.md) + Stage 2 (chunks.json)
+# Chunking
 .venv/bin/python chunks/chunker.py --stem <stem>
 .venv/bin/python chunks/chunker.py                         # tutti gli stem in sources/
-.venv/bin/python chunks/chunker.py --stem <stem> --force   # rigenera tutto
-.venv/bin/python chunks/chunker.py --stem <stem> --skip-optimize  # salta Stage 1
+.venv/bin/python chunks/chunker.py --stem <stem> --force   # rigenera anche se già presente

-# Solo Stage 1 (se serve rigenerare solo il _clean.md)
-.venv/bin/python chunks/md_optimizer.py --stem <stem> --force
-
-# Verifica e correzione chunk
+# Verifica qualità chunk
 .venv/bin/python chunks/verify_chunks.py --stem <stem>
-.venv/bin/python chunks/fix_chunks.py --stem <stem>

 # Vettorizzazione (richiede Ollama attivo)
 .venv/bin/python ingestion/ingest.py --stem <stem>
@@ -90,15 +82,19 @@ python -m venv .venv && source .venv/bin/activate && pip install -r requirements

 | File | Responsabilità |
 |------|---------------|
-| `chunker.py` | Entry point unificato: chiama `md_optimizer` (Stage 1) poi esegue il chunking (Stage 2) |
-| `md_optimizer.py` | Modulo Stage 1: `_content_list_v2.json` + `_model.json` → `<stem>_clean.md` |
-| `config.py` | Tutti i parametri: `MAX_CHARS`, `MIN_CHARS`, `OVERLAP_SENTENCES`, `FRONTMATTER_HEADINGS`, `SOMMARIO_PATTERNS`, label sets model.json |
+| `chunker.py` | Legge `<stem>.md`, produce `chunks.json` con regole deterministiche |
+| `config.py` | Parametri: `MAX_CHARS`, `MIN_CHARS`, `CONTEXT_DEPTH`, `SKIP_HEADINGS`, `ATOMIC_TYPES` |
 | `verify_chunks.py` | Verifica qualità chunk (lunghezze, frasi spezzate, prefissi) |
-| `fix_chunks.py` | Correzioni post-chunking (merge incompleti, split lunghi) |

-`md_optimizer.py` è generico rispetto al documento: usa le strutture comuni di tutti gli output MinerU (`_content_list_v2.json` e `_model.json`) senza dipendere da pattern testuali lingua-specifici. I parametri documento-specifici (es. `FRONTMATTER_HEADINGS` per documenti italiani) sono in `config.py`.
+Regole applicate dal chunker:
+- 1 paragrafo = 1 chunk; paragrafi di sezioni diverse non si mescolano
+- Split a confine di frase se il paragrafo supera `MAX_CHARS`
+- Frasi spezzate tra paragrafi consecutivi vengono ri-fuse automaticamente
+- Paragrafi brevi (< `MIN_CHARS`) vengono accorpati al successivo (stesso contesto)
+- Sezioni in `SKIP_HEADINGS` saltate completamente; contenuto pre-heading saltato se `SKIP_PRE_HEADING=True`
+- Tabelle, liste e code block sono blocchi atomici

-Output: `chunks/<stem>/chunks.json`, `chunks/<stem>/meta.json`, `chunks/<stem>/report.json`
+Output: `chunks/<stem>/chunks.json`, `chunks/<stem>/meta.json`

 ### Vettorizzazione — `ingestion/ingest.py`

@@ -117,7 +113,6 @@ Legge `chunks/<stem>/chunks.json`, genera embedding via Ollama (`EMBED_MODEL`),
 ```
 chunks/<stem>/chunks.json
 chunks/<stem>/meta.json
-chunks/<stem>/report.json
 chroma_db/<stem>/             ← collection ChromaDB
 ```

@@ -126,4 +121,3 @@ chroma_db/<stem>/             ← collection ChromaDB
 ## Skills custom

 - `/prepare-md <path|stem>` — corregge il Markdown MinerU: sillabazione, artefatti, header malformati, gerarchia incoerente. Opera su una copia, non sull'originale.
- `/post-chunk` — verifica e perfeziona i chunk prima della vettorizzazione.
@@ -43,7 +43,7 @@ EMBED_MODEL = "nomic-embed-text"   # ← cambia qui
 # Vettorizza un singolo documento
 .venv/bin/python ingestion/ingest.py --stem <nome>

-# Vettorizza tutti i documenti trovati in step-6/
+# Vettorizza tutti i documenti trovati in chunks/
 .venv/bin/python ingestion/ingest.py

 # Sovrascrive una collection già esistente
@@ -1,6 +1,6 @@
 # Ollama — Verifica Ambiente

-Prima di procedere con la vettorizzazione (step 8) devi avere installato:
+Prima di procedere con la vettorizzazione devi avere installato:

 - **Ollama** — server locale per LLM e embedding
 - un **modello di embedding** (es. `qwen3-embedding:0.6b`, `bge-m3`)