davide
dabad93131
step4-review: aggiunge 6 check con grep/python eseguibili (sillabazione, righe orfane, frasi spezzate, header sospetti, sezioni vuote, gerarchia); carica revision_log e structure_profile per contesto immediato. step6-fix: aggiunge Passo 0 di ri-verifica fresca, mostra last_text dei chunk problematici, exit immediato su verdict=ok, delta chunk pre/post.
121 lines
3.9 KiB
Markdown
121 lines
3.9 KiB
Markdown
---
|
||
description: Verifica i chunk di step 5, mostra i problemi, propone e applica le fix tramite fix_chunks.py con ri-verifica automatica finale.
|
||
allowed-tools: Read Bash Grep
|
||
argument-hint: <stem>
|
||
---
|
||
|
||
## Passo 0 — Verifica fresca (sempre)
|
||
|
||
Esegui sempre `verify_chunks.py` per avere un report aggiornato (non fidarti di un report.json preesistente):
|
||
|
||
```bash
|
||
source .venv/bin/activate && python step-6/verify_chunks.py --stem $ARGUMENTS
|
||
```
|
||
|
||
---
|
||
|
||
Leggi il report appena generato:
|
||
|
||
!`python3 -c "
|
||
import json, sys
|
||
try:
|
||
r = json.load(open('step-6/$ARGUMENTS/report.json'))
|
||
v = r.get('verdict','?')
|
||
s = r.get('stats', {})
|
||
t = r.get('thresholds', {})
|
||
print(f'Verdict: {v}')
|
||
print(f'Totale chunk: {s.get(\"total\",\"?\")} | OK: {s.get(\"ok\",\"?\")}')
|
||
print(f'Min: {s.get(\"min_chars\",\"?\")} char Max: {s.get(\"max_chars\",\"?\")} char Media: {s.get(\"avg_chars\",\"?\")} char')
|
||
print(f'Soglie: MIN={t.get(\"min_chars\",200)} MAX={t.get(\"max_chars\",800)}')
|
||
bl = r.get('blockers', {})
|
||
wa = r.get('warnings', {})
|
||
for cat, label in [('empty','Vuoti'), ('no_prefix','Senza prefisso'), ('incomplete','Frasi spezzate')]:
|
||
items = bl.get(cat, [])
|
||
if items:
|
||
print(f' 🔴 {label}: {len(items)}')
|
||
for c in items[:3]:
|
||
print(f' [{c[\"chunk_id\"]}] {c[\"n_chars\"]} char → {c[\"last_text\"][-60:]!r}')
|
||
for cat, label in [('too_short','Troppo corti'), ('too_long','Troppo lunghi')]:
|
||
items = wa.get(cat, [])
|
||
if items:
|
||
print(f' 🟡 {label}: {len(items)}')
|
||
for c in items[:3]:
|
||
print(f' [{c[\"chunk_id\"]}] {c[\"n_chars\"]} char')
|
||
except Exception as e: print(f'ERRORE lettura report: {e}')
|
||
" 2>/dev/null`
|
||
|
||
---
|
||
|
||
## Se verdict == "ok"
|
||
|
||
✅ Nessun problema. Comunica:
|
||
|
||
```
|
||
✅ Chunk puliti — procedi con la vettorizzazione:
|
||
python step-8/ingest.py --stem $ARGUMENTS
|
||
```
|
||
|
||
Fermati qui. Non eseguire nessun altro passo.
|
||
|
||
---
|
||
|
||
## Se verdict == "warnings_only" o "blocked"
|
||
|
||
### Passo 1 — Dry-run
|
||
|
||
```bash
|
||
source .venv/bin/activate && python step-6/fix_chunks.py --stem $ARGUMENTS --dry-run
|
||
```
|
||
|
||
Spiega in italiano ogni operazione pianificata:
|
||
- **rimuovi chunk vuoti** — chunk privi di testo, non contribuiscono al retrieval
|
||
- **aggiungi prefisso** — il prefisso `[sezione > titolo]` fornisce contesto all'embedding; senza, il chunk è semanticamente decontestualizzato
|
||
- **fondi incompleti** — frase spezzata a metà: il chunk corrente e il successivo formano una frase unica
|
||
- **fondi troppo corti** — chunk sotto MIN_CHARS: troppo brevi per portare informazione semantica utile
|
||
- **spezza troppo lunghi** — chunk sopra MAX_CHARS×1.5: troppo densi, degradano la precision del retrieval
|
||
|
||
Se ci sono solo 🟡 (nessun 🔴), informa che si può procedere anche senza fix e chiedi la preferenza.
|
||
|
||
### Passo 2 — Conferma
|
||
|
||
Chiedi: **"Applico le correzioni?"**
|
||
|
||
Applica solo su risposta affermativa esplicita.
|
||
|
||
### Passo 3 — Applica
|
||
|
||
```bash
|
||
source .venv/bin/activate && python step-6/fix_chunks.py --stem $ARGUMENTS
|
||
```
|
||
|
||
### Passo 4 — Ri-verifica automatica
|
||
|
||
```bash
|
||
source .venv/bin/activate && python step-6/verify_chunks.py --stem $ARGUMENTS
|
||
```
|
||
|
||
Leggi il nuovo `step-6/$ARGUMENTS/report.json` e riporta:
|
||
- Nuovo verdict
|
||
- Delta chunk (N prima → N dopo)
|
||
- Problemi residui se presenti
|
||
|
||
### Passo 5 — Conclusione
|
||
|
||
Se verdict finale è `ok` o `warnings_only` senza 🔴:
|
||
|
||
```
|
||
✅ Chunk pronti in step-6/$ARGUMENTS/chunks.json
|
||
Procedi con la vettorizzazione:
|
||
python step-8/ingest.py --stem $ARGUMENTS
|
||
```
|
||
|
||
Se rimangono 🔴 dopo il fix (raro — testo non spezzabile o struttura anomala):
|
||
|
||
```
|
||
🔴 X problemi residui non risolvibili automaticamente.
|
||
Torna a step-4/$ARGUMENTS/clean.md e correggi manualmente le sezioni indicate,
|
||
poi riesegui nell'ordine:
|
||
python step-5/chunker.py --stem $ARGUMENTS --force
|
||
python step-6/verify_chunks.py --stem $ARGUMENTS
|
||
```
|