first commit

rag/vector_store.py

@@ -96,27 +96,53 @@ class QdrantVectorStore:
         limit: int = 5,
         score_threshold: float | None = None,
         sensor_uuid: str | None = None,
+        kb_name: str | None = None,
     ) -> list[dict]:
         """
         جستجوی شباهت بر اساس query vector.
         از query_points استفاده می‌کند (qdrant-client >= 2.0).
         sensor_uuid: اجباری — فقط chunks مربوط به این سنسور یا __global__ برگردانده می‌شود.
+        kb_name: اختیاری — فیلتر بر اساس پایگاه دانش (chat/irrigation/fertilization).
+                 اگر مشخص شود، فقط chunks همان KB و __all__ برگردانده می‌شود.
         """
-        query_filter = None
+        must_conditions = []
+
         if sensor_uuid:
-            query_filter = qmodels.Filter(
-                should=[
-                    qmodels.FieldCondition(
-                        key="sensor_uuid",
-                        match=qmodels.MatchValue(value=sensor_uuid),
-                    ),
-                    qmodels.FieldCondition(
-                        key="sensor_uuid",
-                        match=qmodels.MatchValue(value="__global__"),
-                    ),
-                ]
+            must_conditions.append(
+                qmodels.Filter(
+                    should=[
+                        qmodels.FieldCondition(
+                            key="sensor_uuid",
+                            match=qmodels.MatchValue(value=sensor_uuid),
+                        ),
+                        qmodels.FieldCondition(
+                            key="sensor_uuid",
+                            match=qmodels.MatchValue(value="__global__"),
+                        ),
+                    ]
+                )
             )
 
+        if kb_name:
+            must_conditions.append(
+                qmodels.Filter(
+                    should=[
+                        qmodels.FieldCondition(
+                            key="kb_name",
+                            match=qmodels.MatchValue(value=kb_name),
+                        ),
+                        qmodels.FieldCondition(
+                            key="kb_name",
+                            match=qmodels.MatchValue(value="__all__"),
+                        ),
+                    ]
+                )
+            )
+
+        query_filter = None
+        if must_conditions:
+            query_filter = qmodels.Filter(must=must_conditions)
+
         response = self.client.query_points(
             collection_name=self.qdrant.collection_name,
             query=query_vector,