690524:1919 ADR-028-228-migration #04
This commit is contained in:
@@ -120,37 +120,37 @@ Best practice — follow when possible:
|
||||
|
||||
Spec priority: **`06-Decision-Records`** > **`05-Engineering-Guidelines`** > others
|
||||
|
||||
| Document | Path | Status | Use When |
|
||||
| ------------------------------ | --------------------------------------------------------------------------- | --------- | --------------------------------------------------------------------------------- |
|
||||
| **Glossary** | `specs/00-overview/00-02-glossary.md` | — | Verify domain terminology |
|
||||
| **Schema Tables** | `specs/03-Data-and-Storage/lcbp3-v1.9.0-schema-02-tables.sql` | — | Before writing any query |
|
||||
| **Data Dictionary** | `specs/03-Data-and-Storage/03-01-data-dictionary.md` | — | Field meanings + business rules |
|
||||
| **RBAC Matrix** | `specs/01-requirements/01-02-business-rules/01-02-01-rbac-matrix.md` | — | Permission levels + roles |
|
||||
| **Edge Cases** | `specs/01-Requirements/01-06-edge-cases-and-rules.md` | — | Prevent bugs in flows |
|
||||
| **ADR-001 Workflow Engine** | `specs/06-Decision-Records/ADR-001-unified-workflow-engine.md` | ✅ Active | DSL-based workflow implementation |
|
||||
| **ADR-002 Doc Numbering** | `specs/06-Decision-Records/ADR-002-document-numbering-strategy.md` | ✅ Active | Document number generation + locking |
|
||||
| **ADR-007 Error Handling** | `specs/06-Decision-Records/ADR-007-error-handling-strategy.md` | ✅ Active | Error patterns & recovery |
|
||||
| **ADR-008 Notifications** | `specs/06-Decision-Records/ADR-008-email-notification-strategy.md` | ✅ Active | BullMQ + multi-channel notification |
|
||||
| **ADR-009 DB Migration** | `specs/06-Decision-Records/ADR-009-database-migration-strategy.md` | ✅ Active | Schema changes — edit SQL directly |
|
||||
| **ADR-016 Security** | `specs/06-Decision-Records/ADR-016-security-authentication.md` | ✅ Active | Auth, RBAC, file upload security |
|
||||
| **ADR-015 Release Strategy** | `specs/06-Decision-Records/ADR-015-deployment-infrastructure.md` | ✅ Active | Blue-Green deployment + release gates |
|
||||
| **ADR-019 UUID** | `specs/06-Decision-Records/ADR-019-hybrid-identifier-strategy.md` | ✅ Active | UUID-related work |
|
||||
| **ADR-021 Workflow Context** | `specs/06-Decision-Records/ADR-021-workflow-context.md` | ✅ Active | Integrated workflow & step attachments |
|
||||
| **ADR-023 AI Architecture** | `specs/06-Decision-Records/ADR-023-unified-ai-architecture.md` | ✅ Active | Unified AI boundaries and pipeline (base architecture) |
|
||||
| **ADR-023A AI Model Rev.** | `specs/06-Decision-Records/ADR-023A-unified-ai-architecture.md` | ✅ Active | 2-Model stack (gemma4:e4b Q8_0), BullMQ 2-queue, RAG embed scope, OCR auto-detect |
|
||||
| **ADR-024 Intent Class.** | `specs/06-Decision-Records/ADR-024-intent-classification-strategy.md` | ✅ Active | Hybrid Pattern→LLM Fallback; ai_intent_patterns DB; Redis cache 5 min |
|
||||
| **ADR-025 AI Tool Layer** | `specs/06-Decision-Records/ADR-025-ai-tool-layer-architecture.md` | ✅ Active | Server-side Tool dispatch; CASL-guarded bridge; ToolResult uses publicId only |
|
||||
| **ADR-026 Chat UI** | `specs/06-Decision-Records/ADR-026-document-chat-ui-pattern.md` | ✅ Active | Side-panel Document Chat UI; useAiChat() hook; streaming response support |
|
||||
| **ADR-027 AI Admin Console** | `specs/06-Decision-Records/ADR-027-ai-admin-console-and-dynamic-control.md` | ✅ Active | Admin Panel + dynamic model/prompt/intent control without redeploy |
|
||||
| **ADR-028 Migration Refactor** | `specs/06-Decision-Records/ADR-028-migration-architecture-refactor.md` | ✅ Active | Staging Queue & post-migration cleanup |
|
||||
| **Backend Guidelines** | `specs/05-Engineering-Guidelines/05-02-backend-guidelines.md` | — | NestJS patterns |
|
||||
| **Frontend Guidelines** | `specs/05-Engineering-Guidelines/05-03-frontend-guidelines.md` | — | Next.js patterns |
|
||||
| **Testing Strategy** | `specs/05-Engineering-Guidelines/05-04-testing-strategy.md` | — | Coverage goals |
|
||||
| **Git Conventions** | `specs/05-Engineering-Guidelines/05-05-git-conventions.md` | — | Commit/branch naming |
|
||||
| **Code Snippets** | `specs/05-Engineering-Guidelines/05-06-code-snippets.md` | — | Reusable patterns |
|
||||
| **i18n Guidelines** | `specs/05-Engineering-Guidelines/05-08-i18n-guidelines.md` | — | Localization rules |
|
||||
| **Release Policy** | `specs/04-Infrastructure-OPS/04-08-release-management-policy.md` | — | Before deploy/hotfix |
|
||||
| **UAT Criteria** | `specs/01-Requirements/01-05-acceptance-criteria.md` | — | Feature completeness |
|
||||
| Document | Path | Status | Use When |
|
||||
| ------------------------------ | --------------------------------------------------------------------------- | --------- | ----------------------------------------------------------------------------- |
|
||||
| **Glossary** | `specs/00-overview/00-02-glossary.md` | — | Verify domain terminology |
|
||||
| **Schema Tables** | `specs/03-Data-and-Storage/lcbp3-v1.9.0-schema-02-tables.sql` | — | Before writing any query |
|
||||
| **Data Dictionary** | `specs/03-Data-and-Storage/03-01-data-dictionary.md` | — | Field meanings + business rules |
|
||||
| **RBAC Matrix** | `specs/01-requirements/01-02-business-rules/01-02-01-rbac-matrix.md` | — | Permission levels + roles |
|
||||
| **Edge Cases** | `specs/01-Requirements/01-06-edge-cases-and-rules.md` | — | Prevent bugs in flows |
|
||||
| **ADR-001 Workflow Engine** | `specs/06-Decision-Records/ADR-001-unified-workflow-engine.md` | ✅ Active | DSL-based workflow implementation |
|
||||
| **ADR-002 Doc Numbering** | `specs/06-Decision-Records/ADR-002-document-numbering-strategy.md` | ✅ Active | Document number generation + locking |
|
||||
| **ADR-007 Error Handling** | `specs/06-Decision-Records/ADR-007-error-handling-strategy.md` | ✅ Active | Error patterns & recovery |
|
||||
| **ADR-008 Notifications** | `specs/06-Decision-Records/ADR-008-email-notification-strategy.md` | ✅ Active | BullMQ + multi-channel notification |
|
||||
| **ADR-009 DB Migration** | `specs/06-Decision-Records/ADR-009-database-migration-strategy.md` | ✅ Active | Schema changes — edit SQL directly |
|
||||
| **ADR-016 Security** | `specs/06-Decision-Records/ADR-016-security-authentication.md` | ✅ Active | Auth, RBAC, file upload security |
|
||||
| **ADR-015 Release Strategy** | `specs/06-Decision-Records/ADR-015-deployment-infrastructure.md` | ✅ Active | Blue-Green deployment + release gates |
|
||||
| **ADR-019 UUID** | `specs/06-Decision-Records/ADR-019-hybrid-identifier-strategy.md` | ✅ Active | UUID-related work |
|
||||
| **ADR-021 Workflow Context** | `specs/06-Decision-Records/ADR-021-workflow-context.md` | ✅ Active | Integrated workflow & step attachments |
|
||||
| **ADR-023 AI Architecture** | `specs/06-Decision-Records/ADR-023-unified-ai-architecture.md` | ✅ Active | Unified AI boundaries and pipeline (base architecture) |
|
||||
| **ADR-023A AI Model Rev.** | `specs/06-Decision-Records/ADR-023A-unified-ai-architecture.md` | ✅ Active | 2-Model stack (gemma4:e2b), BullMQ 2-queue, RAG embed scope, OCR auto-detect |
|
||||
| **ADR-024 Intent Class.** | `specs/06-Decision-Records/ADR-024-intent-classification-strategy.md` | ✅ Active | Hybrid Pattern→LLM Fallback; ai_intent_patterns DB; Redis cache 5 min |
|
||||
| **ADR-025 AI Tool Layer** | `specs/06-Decision-Records/ADR-025-ai-tool-layer-architecture.md` | ✅ Active | Server-side Tool dispatch; CASL-guarded bridge; ToolResult uses publicId only |
|
||||
| **ADR-026 Chat UI** | `specs/06-Decision-Records/ADR-026-document-chat-ui-pattern.md` | ✅ Active | Side-panel Document Chat UI; useAiChat() hook; streaming response support |
|
||||
| **ADR-027 AI Admin Console** | `specs/06-Decision-Records/ADR-027-ai-admin-console-and-dynamic-control.md` | ✅ Active | Admin Panel + dynamic model/prompt/intent control without redeploy |
|
||||
| **ADR-028 Migration Refactor** | `specs/06-Decision-Records/ADR-028-migration-architecture-refactor.md` | ✅ Active | Staging Queue & post-migration cleanup |
|
||||
| **Backend Guidelines** | `specs/05-Engineering-Guidelines/05-02-backend-guidelines.md` | — | NestJS patterns |
|
||||
| **Frontend Guidelines** | `specs/05-Engineering-Guidelines/05-03-frontend-guidelines.md` | — | Next.js patterns |
|
||||
| **Testing Strategy** | `specs/05-Engineering-Guidelines/05-04-testing-strategy.md` | — | Coverage goals |
|
||||
| **Git Conventions** | `specs/05-Engineering-Guidelines/05-05-git-conventions.md` | — | Commit/branch naming |
|
||||
| **Code Snippets** | `specs/05-Engineering-Guidelines/05-06-code-snippets.md` | — | Reusable patterns |
|
||||
| **i18n Guidelines** | `specs/05-Engineering-Guidelines/05-08-i18n-guidelines.md` | — | Localization rules |
|
||||
| **Release Policy** | `specs/04-Infrastructure-OPS/04-08-release-management-policy.md` | — | Before deploy/hotfix |
|
||||
| **UAT Criteria** | `specs/01-Requirements/01-05-acceptance-criteria.md` | — | Feature completeness |
|
||||
|
||||
---
|
||||
|
||||
@@ -265,7 +265,7 @@ Read `specs/05-Engineering-Guidelines/05-07-hybrid-uuid-implementation-plan.md`
|
||||
5. **Password:** bcrypt 12 salt rounds, min 8 chars, rotate every 90 days
|
||||
6. **Rate Limiting:** `ThrottlerGuard` on all auth endpoints
|
||||
7. **File Upload:** Whitelist PDF/DWG/DOCX/XLSX/ZIP, max 50MB, ClamAV scan
|
||||
8. **AI Isolation (ADR-023/023A):** Ollama on Admin Desktop ONLY — NO direct DB/storage access; 2-model stack `gemma4:e4b Q8_0` + `nomic-embed-text`; all inference via BullMQ (`ai-realtime` / `ai-batch`)
|
||||
8. **AI Isolation (ADR-023/023A):** Ollama on Admin Desktop ONLY — NO direct DB/storage access; 2-model stack `gemma4:e2b` + `nomic-embed-text`; all inference via BullMQ (`ai-realtime` / `ai-batch`)
|
||||
9. **Error Handling (ADR-007):** Use layered error classification with user-friendly messages
|
||||
10. **AI Integration (ADR-023/023A):** RFA-First approach; n8n orchestrates Migration Phase only via DMS API — never calls Ollama directly; `QdrantService.search()` requires `projectPublicId` as mandatory param
|
||||
|
||||
@@ -427,7 +427,7 @@ Full glossary: `specs/00-overview/00-02-glossary.md`
|
||||
|
||||
**For AI Runtime Layer (ADR-024/025/026/027):**
|
||||
|
||||
- ADR-024: Pattern Layer first (ai_intent_patterns DB + Redis cache 5 min) → LLM Fallback (gemma4:e4b, semaphore max=3)
|
||||
- ADR-024: Pattern Layer first (ai_intent_patterns DB + Redis cache 5 min) → LLM Fallback (gemma4:e2b, semaphore max=3)
|
||||
- ADR-025: Tool Registry dispatch — AI Gateway → Tool → Business Service; ToolResult DTO must use publicId only
|
||||
- ADR-026: useAiChat() hook + side-panel UI; streaming response via SSE; TanStack Query cache
|
||||
- ADR-027: Admin Console — dynamic model/prompt/intent control; CASL-guarded admin-only endpoints
|
||||
@@ -549,7 +549,7 @@ When user asks about... check these files:
|
||||
- [ ] **Qdrant Multi-tenancy:** `projectPublicId` filter enforced
|
||||
- [ ] **Human-in-the-loop:** AI outputs validated before use
|
||||
- [ ] **Audit Logging:** All AI interactions logged to `ai_audit_logs`
|
||||
- [ ] **2-Model Stack:** gemma4:e4b Q8_0 + nomic-embed-text verified
|
||||
- [ ] **2-Model Stack:** gemma4:e2b + nomic-embed-text verified
|
||||
|
||||
**Performance & Complex Logic:**
|
||||
|
||||
@@ -606,7 +606,7 @@ This file is a **quick reference**. For detailed information:
|
||||
| 1.9.6 | 2026-05-22 | Added ADR-024/025/026/027/028 to Key Spec Files table; Tier 3 expanded with AI Runtime Layer + Migration Pipeline tiers; Specialized Work section updated with ADR-024~028 patterns; 6 new Context-Aware Triggers; bumped Last synced date | Windsurf AI |
|
||||
| 1.9.5 | 2026-05-18 | **Grill-with-Docs Session:** Domain terminology clarified (Correspondence = all doc types), Tier 3: SPECIALIZED WORK added, Context-Aware Triggers with Status column, Tier-specific Final Checklists | Windsurf AI |
|
||||
| 1.9.4 | 2026-05-16 | Added ADR-015 Release Strategy to Key Spec Files table (Blue-Green deployment + release gates) | Human Dev |
|
||||
| 1.9.3 | 2026-05-15 | ADR-023A: Model revision — gemma4:9b+Typhoon→gemma4:e4b Q8_0 (2-model stack), BullMQ 2-queue split, RAG full-doc embed, OCR auto-detect, n8n→DMS API boundary, QdrantService multi-tenancy contract | Windsurf AI |
|
||||
| 1.9.3 | 2026-05-15 | ADR-023A: Model revision — gemma4:9b+Typhoon→gemma4:e2b (2-model stack), BullMQ 2-queue split, RAG full-doc embed, OCR auto-detect, n8n→DMS API boundary, QdrantService multi-tenancy contract | Windsurf AI |
|
||||
| 1.9.2 | 2026-05-14 | Consolidated legacy AI ADRs (017, 017B, 018, 020, 022) into master ADR-023: Unified AI Architecture | Antigravity AI |
|
||||
| 1.9.1 | 2026-05-13 | Added `bugfix` workflow and skill (migrated and improved from `docs/bugfix.md`) | Windsurf AI |
|
||||
| 1.9.0 | 2026-05-03 | Integrated Global TypeScript Coding Standards (Headers, JSDoc, Thai comments, Single Export, No blank lines) | Windsurf AI |
|
||||
|
||||
@@ -50,10 +50,10 @@ AI_N8N_AUTH_TOKEN=change-me-service-token
|
||||
QDRANT_URL=http://localhost:6333
|
||||
|
||||
# Ollama (Admin Desktop Desk-5439 — ADR-018 AI boundary)
|
||||
OLLAMA_MODEL_MAIN=gemma4:e4b
|
||||
OLLAMA_MODEL_MAIN=gemma4:e2b
|
||||
OLLAMA_MODEL_EMBED=nomic-embed-text
|
||||
OLLAMA_EMBED_MODEL=nomic-embed-text
|
||||
OLLAMA_RAG_MODEL=gemma4:e4b
|
||||
OLLAMA_RAG_MODEL=gemma4:e2b
|
||||
OLLAMA_URL=http://192.168.10.8:11434
|
||||
|
||||
# Qdrant (ADR-023A)
|
||||
|
||||
@@ -1,6 +1,7 @@
|
||||
// File: src/modules/ai/ai-migration-checkpoint.service.ts
|
||||
// Change Log:
|
||||
// - 2026-05-23: สร้าง service จัดการ Migration Checkpoint, Queue และ Error log ผ่าน API (ADR-023A)
|
||||
// - 2026-05-24: เพิ่มฟังก์ชันค้นหาและแปลง UUID เป็นตัวเลข ID จริงใน upsertQueueRecord เพื่อป้องกันการเขียนทับด้วย undefined
|
||||
|
||||
import { Injectable, Logger } from '@nestjs/common';
|
||||
import { InjectRepository } from '@nestjs/typeorm';
|
||||
@@ -102,7 +103,19 @@ export class AiMigrationCheckpointService {
|
||||
|
||||
record.batchId = dto.batchId;
|
||||
record.originalFileName = dto.documentNumber;
|
||||
record.tempAttachmentId = dto.tempAttachmentId ?? undefined;
|
||||
if (dto.tempAttachmentId) {
|
||||
if (typeof dto.tempAttachmentId === 'number') {
|
||||
record.tempAttachmentId = dto.tempAttachmentId;
|
||||
} else {
|
||||
const rows = await this.dataSource.manager.query<{ id: number }[]>(
|
||||
'SELECT id FROM attachments WHERE uuid = ? LIMIT 1',
|
||||
[dto.tempAttachmentId]
|
||||
);
|
||||
if (rows && rows.length > 0) {
|
||||
record.tempAttachmentId = rows[0].id;
|
||||
}
|
||||
}
|
||||
}
|
||||
record.confidenceScore = dto.confidence ?? undefined;
|
||||
record.status =
|
||||
dto.status === 'PENDING_REVIEW'
|
||||
|
||||
@@ -1,6 +1,7 @@
|
||||
// File: src/modules/ai/dto/migration-checkpoint.dto.ts
|
||||
// Change Log:
|
||||
// - 2026-05-23: สร้าง DTOs สำหรับ Migration Checkpoint API endpoints (ADR-023A)
|
||||
// - 2026-05-24: ปรับปรุงประเภทข้อมูล tempAttachmentId ใน MigrationQueueRecordDto ให้รับได้ทั้ง string (UUID) และ number
|
||||
|
||||
import {
|
||||
IsEnum,
|
||||
@@ -47,9 +48,8 @@ export class MigrationQueueRecordDto {
|
||||
@IsOptional()
|
||||
originalSubject?: string;
|
||||
|
||||
@IsNumber()
|
||||
@IsOptional()
|
||||
tempAttachmentId?: number;
|
||||
tempAttachmentId?: string | number;
|
||||
|
||||
@IsNumber()
|
||||
@Min(0)
|
||||
|
||||
@@ -120,7 +120,7 @@ const CONFIG = {
|
||||
|
||||
// Ollama Settings
|
||||
OLLAMA_HOST: 'http://192.168.20.100:11434',
|
||||
OLLAMA_MODEL: 'gemma4:e4b', // ห้ามเปลี่ยน — กำหนดโดย ADR-023A
|
||||
OLLAMA_MODEL: 'gemma4:e2b', // ห้ามเปลี่ยน — กำหนดโดย ADR-023A
|
||||
EMBED_MODEL: 'nomic-embed-text', // สำหรับ Embedding เท่านั้น
|
||||
// ไม่มี FALLBACK model — BullMQ concurrency=1 จัดการ GPU usage
|
||||
|
||||
@@ -338,7 +338,7 @@ mysql -h <DB_HOST> -u migration_bot -p lcbp3_production < lcbp3-v1.8.0-migration
|
||||
- Submit: `POST /api/ai/jobs` พร้อม `temp_attachment_id`, `document_number`, `title`, `existing_tags`, `system_categories`
|
||||
- Response: `{ "jobId": "<uuid>" }`
|
||||
- Poll: `GET /api/ai/jobs/{{jobId}}` ทุก 5 วินาที จน `status = "completed"` (timeout 120 วินาที)
|
||||
- AI inference ใช้ `gemma4:e4b Q8_0` ผ่าน BullMQ Worker — System/User Prompt อยู่ใน Backend NestJS ไม่ใช่ใน n8n
|
||||
- AI inference ใช้ `gemma4:e2b` ผ่าน BullMQ Worker — System/User Prompt อยู่ใน Backend NestJS ไม่ใช่ใน n8n
|
||||
|
||||
### Node 5: Parse & Validate
|
||||
|
||||
|
||||
File diff suppressed because it is too large
Load Diff
@@ -20,28 +20,28 @@
|
||||
},
|
||||
"options": {}
|
||||
},
|
||||
"id": "4609ab68-f7e4-4800-ad39-19ce32de60d0",
|
||||
"id": "a0346819-4e97-4208-99c8-e4f958d652fe",
|
||||
"name": "Form Trigger",
|
||||
"type": "n8n-nodes-base.formTrigger",
|
||||
"typeVersion": 2.2,
|
||||
"position": [
|
||||
31024,
|
||||
13504
|
||||
-9280,
|
||||
4400
|
||||
],
|
||||
"webhookId": "e164a362-0c6b-4243-a5ad-b325aa943f4f",
|
||||
"webhookId": "dd44ab55-df6b-4f3b-a740-6a993ca7ded0",
|
||||
"notes": "เปิด URL เพื่อตั้งค่าก่อนรัน"
|
||||
},
|
||||
{
|
||||
"parameters": {
|
||||
"jsCode": "// ============================================\n// CONFIGURATION v2.0 — ADR-023A Compliant\n// n8n เรียกแค่ DMS Backend API เท่านั้น — ห้ามเรียก Ollama โดยตรง\n// ============================================\nconst formData = $('Form Trigger').first()?.json || {};\nconst batchSizeInput = parseInt(String(formData['Batch Size'] || '0'));\nconst excelFileInput = String(formData['Excel File Path'] || '').trim();\nconst jwtTokenInput = 'Bearer eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ1c2VybmFtZSI6Im1pZ3JhdGlvbl9ib3QiLCJzdWIiOjUsInNjb3BlIjoiR2xvYmFsIiwiaWF0IjoxNzc5NTQwNDk4LCJleHAiOjQ5MzUzMDA0OTh9.TZVzG8u4Cyz8hi0cU3eGaeXinKWKHN3HtYnDcS5p_5I';\nconst resolvedExcelFile = excelFileInput || '/home/node/.n8n-files/staging_ai/C22024.xlsx';\n\n// Validate Excel file path to prevent path traversal\nif (resolvedExcelFile.includes('..') || resolvedExcelFile.includes('~')) {\n throw new Error('Invalid Excel file path: path traversal detected');\n}\n\nif (!jwtTokenInput || !jwtTokenInput.startsWith('Bearer ')) {\n throw new Error('JWT Token is required and must start with \"Bearer \"');\n}\n\nconst BATCH_ID = (() => {\n // ใช้ Excel filename เป็น BATCH_ID เพื่อให้ checkpoint ทำงานถูกต้อง\n // เปลี่ยน Excel file = BATCH_ID ใหม่ = เริ่มใหม่ (ปลอดภัย)\n // ใช้ Excel file เดิม = BATCH_ID เดิม = resume ได้\n const filename = resolvedExcelFile.split('/').pop().split('\\\\').pop();\n const baseName = filename.replace(/\\.xlsx?$/i, '');\n return baseName + '-MIGRATION';\n})();\n\nconst CONFIG = {\n // Backend Settings\n BACKEND_URL: 'https://backend.np-dms.work',\n MIGRATION_TOKEN: jwtTokenInput,\n\n // Batch Settings\n BATCH_SIZE: batchSizeInput > 0 ? batchSizeInput : 10,\n BATCH_ID: BATCH_ID,\n DELAY_MS: 20000,\n\n // AI Job Settings (ADR-023A)\n AI_JOB_POLL_INTERVAL_MS: 5000,\n AI_JOB_TIMEOUT_MS: 120000,\n\n // Confidence Thresholds\n CONFIDENCE_HIGH: 0.85,\n CONFIDENCE_LOW: 0.60,\n\n // Paths (Container paths — ต้องตรงกับ volume mount ใน docker-compose)\n EXCEL_FILE: resolvedExcelFile,\n SOURCE_PDF_DIR: '/home/node/.n8n-files/staging_ai',\n LOG_PATH: '/home/node/.n8n-files/migration_logs',\n};\n\nreturn [{ json: { config: CONFIG } }];"
|
||||
"jsCode": "// ============================================\n// CONFIGURATION v2.0 — ADR-023A Compliant\n// n8n เรียกแค่ DMS Backend API เท่านั้น — ห้ามเรียก Ollama โดยตรง\n// ============================================\nconst formData = $('Form Trigger').first()?.json || {};\nconst batchSizeInput = parseInt(String(formData['Batch Size'] || '0'));\nconst excelFileInput = String(formData['Excel File Path'] || '').trim();\nconst jwtTokenInput = 'Bearer eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ1c2VybmFtZSI6Im1pZ3JhdGlvbl9ib3QiLCJzdWIiOjUsInNjb3BlIjoiR2xvYmFsIiwiaWF0IjoxNzc5NTQwNDk4LCJleHAiOjQ5MzUzMDA0OTh9.TZVzG8u4Cyz8hi0cU3eGaeXinKWKHN3HtYnDcS5p_5I';\nconst resolvedExcelFile = excelFileInput || '/home/node/.n8n-files/staging_ai/C22024.xlsx';\n\n// Validate Excel file path to prevent path traversal\nif (resolvedExcelFile.includes('..') || resolvedExcelFile.includes('~')) {\n throw new Error('Invalid Excel file path: path traversal detected');\n}\n\nif (!jwtTokenInput || !jwtTokenInput.startsWith('Bearer ')) {\n throw new Error('JWT Token is required and must start with \"Bearer \"');\n}\n\nconst BATCH_ID = (() => {\n // ใช้ Excel filename เป็น BATCH_ID เพื่อให้ checkpoint ทำงานถูกต้อง\n // เปลี่ยน Excel file = BATCH_ID ใหม่ = เริ่มใหม่ (ปลอดภัย)\n // ใช้ Excel file เดิม = BATCH_ID เดิม = resume ได้\n const filename = resolvedExcelFile.split('/').pop().split('\\\\').pop();\n const baseName = filename.replace(/\\.xlsx?$/i, '');\n return baseName + '-MIGRATION';\n})();\n\nconst CONFIG = {\n // Backend Settings\n BACKEND_URL: 'http://backend:3000',\n MIGRATION_TOKEN: jwtTokenInput,\n\n // Batch Settings\n BATCH_SIZE: batchSizeInput > 0 ? batchSizeInput : 10,\n BATCH_ID: BATCH_ID,\n DELAY_MS: 60000,\n\n // AI Job Settings (ADR-023A)\n AI_JOB_POLL_INTERVAL_MS: 5000,\n AI_JOB_TIMEOUT_MS: 120000,\n\n // Confidence Thresholds\n CONFIDENCE_HIGH: 0.85,\n CONFIDENCE_LOW: 0.60,\n\n // Paths (Container paths — ต้องตรงกับ volume mount ใน docker-compose)\n EXCEL_FILE: resolvedExcelFile,\n SOURCE_PDF_DIR: '/home/node/.n8n-files/staging_ai/Incoming/08C.2/2567',\n LOG_PATH: '/home/node/.n8n-files/migration_logs',\n};\n\nreturn [{ json: { config: CONFIG } }];"
|
||||
},
|
||||
"id": "8f1d3378-cca6-48b6-99db-693e46ac81ef",
|
||||
"id": "65143f3f-b0ee-45e6-b0f9-bf57546b7482",
|
||||
"name": "Set Configuration",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
31216,
|
||||
13504
|
||||
-9088,
|
||||
4400
|
||||
],
|
||||
"notes": "กำหนดค่า Configuration ทั้งหมด — แก้ไขที่นี่เท่านั้น (ไม่มี Ollama config แล้ว)"
|
||||
},
|
||||
@@ -52,13 +52,13 @@
|
||||
"timeout": 5000
|
||||
}
|
||||
},
|
||||
"id": "60e81de6-e9b2-4bff-afcc-bef9d5b959b5",
|
||||
"id": "b6295d67-9a34-4550-8e96-096a59a88053",
|
||||
"name": "Check Backend Health",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
31392,
|
||||
13504
|
||||
-8912,
|
||||
4400
|
||||
],
|
||||
"notes": "ตรวจสอบ Backend พร้อมใช้งาน"
|
||||
},
|
||||
@@ -78,13 +78,13 @@
|
||||
"timeout": 5000
|
||||
}
|
||||
},
|
||||
"id": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
|
||||
"id": "92b9007e-9ad1-40f6-8e37-cec5113f6b30",
|
||||
"name": "Validate Token",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
31392,
|
||||
13696
|
||||
-8736,
|
||||
4400
|
||||
],
|
||||
"notes": "FR-010a: ตรวจสอบ MIGRATION_TOKEN ก่อนเริ่ม Batch"
|
||||
},
|
||||
@@ -104,13 +104,13 @@
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "6c6679b4-85f3-4c2c-ac8e-4281d6ae61f6",
|
||||
"id": "a9c11f42-b63b-412f-b919-88dbc7ab095e",
|
||||
"name": "Fetch Categories",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
31568,
|
||||
13504
|
||||
-9088,
|
||||
4592
|
||||
],
|
||||
"notes": "ดึง Categories จาก Backend"
|
||||
},
|
||||
@@ -130,13 +130,13 @@
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "98b9159a-f21d-4b33-9524-058a78ccfc93",
|
||||
"id": "108423e3-90de-49a3-b950-8f78cd231b84",
|
||||
"name": "Fetch Tags",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
31568,
|
||||
13696
|
||||
-8912,
|
||||
4592
|
||||
],
|
||||
"notes": "ดึง Tags ที่มีอยู่แล้วจาก Backend"
|
||||
},
|
||||
@@ -144,13 +144,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const fs = require('fs');\nconst config = $('Set Configuration').first().json.config;\n\ntry {\n if (!fs.existsSync(config.EXCEL_FILE)) {\n throw new Error(`Excel file not found at: ${config.EXCEL_FILE}`);\n }\n if (!fs.existsSync(config.SOURCE_PDF_DIR)) {\n throw new Error(`PDF Source directory not found at: ${config.SOURCE_PDF_DIR}`);\n }\n \n const files = fs.readdirSync(config.SOURCE_PDF_DIR);\n \n // Check write permission to log path\n fs.writeFileSync(`${config.LOG_PATH}/.preflight_ok`, new Date().toISOString());\n \n // Grab categories\n let categories = ['Correspondence','RFA','Drawing','Transmittal','Report','Other'];\n try {\n const upstreamData = $('Fetch Categories').first()?.json?.data;\n if (upstreamData && Array.isArray(upstreamData)) {\n categories = upstreamData.map(c => c.name || c.type || c);\n }\n } catch(e) {}\n \n // Grab existing tags\n let existingTags = [];\n try {\n const tagData = $('Fetch Tags').first()?.json?.data || [];\n existingTags = Array.isArray(tagData)\n ? tagData.map(t => ({ publicId: t.publicId, tagName: t.tag_name || t.name || '' })).filter(t => t.tagName && t.publicId)\n : [];\n } catch(e) {}\n \n return [{ json: { \n preflight_ok: true, \n pdf_count_in_source: files.length,\n excel_target: config.EXCEL_FILE,\n system_categories: categories,\n existing_tags: existingTags,\n timestamp: new Date().toISOString()\n }}];\n} catch (err) {\n throw new Error(`Pre-flight check failed: ${err.message}`);\n}"
|
||||
},
|
||||
"id": "910b13e2-994a-4fb6-bca1-637e1628c586",
|
||||
"id": "d8e2efec-7fb4-44c3-b544-0dc51dcfd3fc",
|
||||
"name": "File Mount Check",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
31744,
|
||||
13504
|
||||
-8736,
|
||||
4592
|
||||
],
|
||||
"notes": "ตรวจสอบ File System + รวบรวม master data สำหรับ AI payload"
|
||||
},
|
||||
@@ -159,13 +159,13 @@
|
||||
"fileSelector": "={{ $json.excel_target }}",
|
||||
"options": {}
|
||||
},
|
||||
"id": "063bcef1-791a-4923-a659-8b9a0ba3e336",
|
||||
"id": "c2a6ca17-aae8-4213-93ab-8179e1febfb3",
|
||||
"name": "Read Excel Binary",
|
||||
"type": "n8n-nodes-base.readWriteFile",
|
||||
"typeVersion": 1,
|
||||
"position": [
|
||||
31920,
|
||||
13504
|
||||
-9088,
|
||||
4784
|
||||
],
|
||||
"notes": "ดึงไฟล์ Excel ขึ้นมาไว้ในหน่วยความจำ"
|
||||
},
|
||||
@@ -173,13 +173,13 @@
|
||||
"parameters": {
|
||||
"options": {}
|
||||
},
|
||||
"id": "e07efdde-b9b1-402a-ba01-44175982749b",
|
||||
"id": "ebfdde99-92a1-4060-9867-2f330b13554f",
|
||||
"name": "Read Excel",
|
||||
"type": "n8n-nodes-base.spreadsheetFile",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
31920,
|
||||
13696
|
||||
-8912,
|
||||
4784
|
||||
],
|
||||
"notes": "แปลงข้อมูล Excel เป็น JSON Data"
|
||||
},
|
||||
@@ -196,19 +196,16 @@
|
||||
]
|
||||
},
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "a83f8598-72fd-4cc8-9d98-1ea3cb3b42df",
|
||||
"id": "9cf3971c-287a-42ab-9327-72e1a4d8011c",
|
||||
"name": "Read Checkpoint",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
32096,
|
||||
13504
|
||||
-8720,
|
||||
4784
|
||||
],
|
||||
"alwaysOutputData": true,
|
||||
"notes": "GET /api/ai/migration/checkpoint/:batchId — ADR-023A (ไม่ใช้ MySQL โดยตรง)"
|
||||
@@ -217,13 +214,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const cpJson = $input.first()?.json || {};\nconst startIndex = cpJson.data?.lastProcessedIndex ?? cpJson.lastProcessedIndex ?? cpJson.data?.last_processed_index ?? cpJson.last_processed_index ?? 0;\nconst config = $('Set Configuration').first().json.config;\n\nconst allItems = $('Read Excel').all().map(i => i.json);\nconst remaining = allItems.slice(startIndex);\nconst currentBatch = remaining.slice(0, config.BATCH_SIZE);\n\n// Exit condition: ไม่มี records เหลือ\nif (currentBatch.length === 0) {\n return [{ json: { batch_complete: true, total_processed: startIndex } }];\n}\n\nconst normalize = (str) => {\n if (!str) return '';\n return String(str).normalize('NFC').trim();\n};\n\nreturn currentBatch.map((item, i) => {\n const getVal = (possibleKeys) => {\n const exactMatch = possibleKeys.find(k => item[k] !== undefined);\n if (exactMatch) return item[exactMatch];\n const lowerTrimmedKeys = Object.keys(item).map(k => ({ original: k, parsed: k.toLowerCase().trim() }));\n for (const pk of possibleKeys) {\n const found = lowerTrimmedKeys.find(k => k.parsed === pk.toLowerCase().trim());\n if (found) return item[found.original];\n }\n return '';\n };\n\n const docNum = getVal(['document_number', 'correspondence_number', 'Document Number', 'Corr. No.']);\n const excelFileName = getVal(['File name', 'file_name', 'File Name', 'filename']);\n \n if (!excelFileName) {\n throw new Error(`Missing 'File name' column for row ${i + startIndex + 1}, document: ${docNum}`);\n }\n \n return {\n json: {\n batch_complete: false,\n document_number: normalize(docNum),\n title: normalize(getVal(['title', 'Title', 'Subject', 'subject'])),\n legacy_number: normalize(getVal(['legacy_number', 'Legacy Number', 'Response Doc.'])),\n excel_revision: getVal(['revision', 'Revision', 'rev']) || 1,\n original_index: startIndex + i,\n batch_id: config.BATCH_ID,\n file_name: normalize(excelFileName),\n issued_date: normalize(getVal(['issued_date', 'Issued_date', 'Issued Date', 'date', 'Date'])),\n received_date: normalize(getVal(['received_date', 'Received_date', 'Received Date'])),\n sender: normalize(getVal(['sender', 'Sender', 'From', 'from'])),\n receiver: normalize(getVal(['receiver', 'Receiver', 'To', 'to'])),\n }\n };\n});"
|
||||
},
|
||||
"id": "80845e32-c283-4e9f-af73-6339d675fb38",
|
||||
"id": "c101543e-a3a2-4538-a99c-0419df50948f",
|
||||
"name": "Process Batch + Encoding",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
32272,
|
||||
13504
|
||||
-8528,
|
||||
4400
|
||||
],
|
||||
"alwaysOutputData": true,
|
||||
"notes": "ตัด Batch + Normalize UTF-8 + Exit condition เมื่อ records หมด"
|
||||
@@ -232,13 +229,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const fs = require('fs');\nconst path = require('path');\nconst config = $('Set Configuration').first().json.config;\n\nconst items = $input.all();\nif (!items || items.length === 0) return [];\n\n// ตรวจสอบ exit condition\nif (items[0]?.json?.batch_complete === true) {\n return items;\n}\n\nconst validated = [];\nconst errors = [];\n\nfor (const item of items) {\n const fileName = item.json?.file_name;\n if (!fileName) {\n errors.push({ ...item, json: { ...item.json, file_valid: false, error: 'file_name is missing', error_type: 'MISSING_FILENAME' } });\n continue;\n }\n \n let safeName = path.basename(String(fileName)).normalize('NFC');\n if (!safeName.toLowerCase().endsWith('.pdf')) safeName += '.pdf';\n const filePath = path.resolve(config.SOURCE_PDF_DIR, safeName);\n \n if (!filePath.startsWith(path.resolve(config.SOURCE_PDF_DIR))) {\n errors.push({ ...item, json: { ...item.json, file_valid: false, error: 'Path traversal detected', error_type: 'SECURITY' } });\n continue;\n }\n \n try {\n if (fs.existsSync(filePath)) {\n const stats = fs.statSync(filePath);\n validated.push({ ...item, json: { ...item.json, file_valid: true, file_path: filePath, file_size: stats.size } });\n } else {\n errors.push({ ...item, json: { ...item.json, file_valid: false, error: `File not found: ${safeName}`, error_type: 'FILE_NOT_FOUND' } });\n }\n } catch (err) {\n errors.push({ ...item, json: { ...item.json, file_valid: false, error: err.message, error_type: 'FILE_ERROR' } });\n }\n}\n\nreturn [...validated, ...errors];"
|
||||
},
|
||||
"id": "2183d687-4708-4d77-a0a9-13ccf29baf69",
|
||||
"id": "282e1c8a-74b6-4ae7-a50b-3e2ff7b1558d",
|
||||
"name": "File Validator",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
32448,
|
||||
13504
|
||||
-8512,
|
||||
4800
|
||||
],
|
||||
"notes": "ตรวจสอบไฟล์ PDF ใน Directory"
|
||||
},
|
||||
@@ -247,13 +244,13 @@
|
||||
"fileSelector": "={{ $json.file_path }}",
|
||||
"options": {}
|
||||
},
|
||||
"id": "4fd3133e-39e1-4860-95c7-3e87ee43ed51",
|
||||
"id": "ab2d3ff8-9862-4a5c-a21d-5e04004d6a40",
|
||||
"name": "Read PDF File",
|
||||
"type": "n8n-nodes-base.readWriteFile",
|
||||
"typeVersion": 1,
|
||||
"position": [
|
||||
32624,
|
||||
13504
|
||||
-8288,
|
||||
4640
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "อ่าน PDF Binary เพื่อเตรียม Upload"
|
||||
@@ -287,34 +284,31 @@
|
||||
]
|
||||
},
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 60000
|
||||
"timeout": 300000
|
||||
}
|
||||
},
|
||||
"id": "b1c2d3e4-f5a6-7890-bcde-f12345678901",
|
||||
"id": "0346a124-aaf3-49de-9181-77cb5e80a4d3",
|
||||
"name": "Upload PDF to Backend",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.2,
|
||||
"position": [
|
||||
32800,
|
||||
13504
|
||||
-8080,
|
||||
4400
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "ADR-023A: อัพโหลด PDF เข้า Backend Temp Storage → รับ temp_attachment_id"
|
||||
},
|
||||
{
|
||||
"parameters": {
|
||||
"jsCode": "const config = $('Set Configuration').first().json.config;\nconst uploadResponse = $input.first()?.json || {};\nconst metaItem = $('File Validator').all()[$input.context?.itemIndex ?? 0]?.json || {};\nconst mountCheckData = $('File Mount Check').first()?.json || {};\n\nconst tempAttachmentPublicId = uploadResponse?.data?.publicId || uploadResponse?.publicId;\nconst tempAttachmentDbId = uploadResponse?.data?.id || uploadResponse?.id;\nif (!tempAttachmentPublicId) {\n throw new Error(`Upload failed — no temp_attachment_public_id returned for document: ${metaItem.document_number}`);\n}\n\n// สร้าง SubmitAiJobDto ตาม Backend DTO\nconst submitPayload = {\n type: 'migrate-document',\n payload: {\n tempAttachmentId: String(tempAttachmentPublicId),\n documentNumber: String(metaItem.document_number || ''),\n title: String(metaItem.title || ''),\n batchId: String(config.BATCH_ID),\n existingTags: mountCheckData.existing_tags || [],\n systemCategories: mountCheckData.system_categories || [],\n }\n};\n\n// Idempotency-Key: deterministic format ตาม FR-001a\nconst idempotencyKey = `${config.BATCH_ID}:${metaItem.document_number}`;\n\nreturn [{\n json: {\n ...metaItem,\n temp_attachment_public_id: tempAttachmentPublicId,\n temp_attachment_id: Number.isFinite(Number(tempAttachmentDbId)) ? Number(tempAttachmentDbId) : undefined,\n submit_payload: submitPayload,\n idempotency_key: idempotencyKey,\n }\n}];"
|
||||
"jsCode": "const config = $('Set Configuration').first().json.config;\nconst uploadResponse = $input.first()?.json || {};\nconst metaItem = $('File Validator').all()[$input.context?.itemIndex ?? 0]?.json || {};\nconst mountCheckData = $('File Mount Check').first()?.json || {};\n\n// Backend returns { data: { publicId, tempId, ... } } per ADR-019 (id is @Exclude'd)\nconst tempAttachmentPublicId = uploadResponse?.data?.publicId || uploadResponse?.publicId;\nif (!tempAttachmentPublicId) {\n throw new Error(`Upload failed — no temp_attachment_public_id returned. Upload response: ${JSON.stringify(uploadResponse)}`);\n}\n\n// Validate required fields per DTO\nconst docNumber = String(metaItem.document_number || '').trim();\nconst docTitle = String(metaItem.title || '').trim();\nif (!docNumber) {\n throw new Error(`document_number is empty for item: ${JSON.stringify(metaItem)}`);\n}\nif (!docTitle) {\n throw new Error(`title is empty for document: ${docNumber}`);\n}\n\n// Normalize existingTags to match TagOptionDto (tagName is required)\nconst existingTags = (mountCheckData.existing_tags || [])\n .filter(t => t.tagName && t.tagName.trim())\n .map(t => ({\n publicId: t.publicId || undefined,\n tagName: String(t.tagName).trim(),\n colorCode: t.colorCode || undefined,\n }));\n\n// สร้าง SubmitAiJobDto ตาม Backend DTO\nconst submitPayload = {\n type: 'migrate-document',\n payload: {\n tempAttachmentId: String(tempAttachmentPublicId),\n documentNumber: docNumber,\n title: docTitle,\n batchId: String(config.BATCH_ID),\n existingTags: existingTags,\n systemCategories: mountCheckData.system_categories || [],\n }\n};\n\n// Idempotency-Key: deterministic format ตาม FR-001a\nconst idempotencyKey = `${config.BATCH_ID}:${docNumber}`;\n\nreturn [{\n json: {\n ...metaItem,\n temp_attachment_public_id: tempAttachmentPublicId,\n submit_payload: submitPayload,\n idempotency_key: idempotencyKey,\n }\n}];"
|
||||
},
|
||||
"id": "c2d3e4f5-a6b7-8901-cdef-234567890123",
|
||||
"id": "1b7e6adb-b7e2-40dd-b472-3a5a79861bfb",
|
||||
"name": "Build AI Job Payload",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
32976,
|
||||
13504
|
||||
-7888,
|
||||
4304
|
||||
],
|
||||
"notes": "สร้าง SubmitAiJobDto payload + Idempotency-Key ตาม FR-001a"
|
||||
},
|
||||
@@ -339,19 +333,16 @@
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ $json.submit_payload }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 30000
|
||||
}
|
||||
},
|
||||
"id": "d3e4f5a6-b7c8-9012-defa-345678901234",
|
||||
"id": "f2a5ee75-cd14-4118-925d-43182735aa75",
|
||||
"name": "Submit AI Job",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
33152,
|
||||
13504
|
||||
-7744,
|
||||
4384
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "ADR-023A: POST /api/ai/jobs — Backend จัดการ Ollama ผ่าน BullMQ"
|
||||
@@ -360,13 +351,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "// Poll GET /api/ai/jobs/{jobId} ทุก 5 วินาที จน status = completed หรือ timeout 120 วินาที\nconst config = $('Set Configuration').first().json.config;\nconst submitResponse = $input.first()?.json || {};\nconst originalMeta = $('Build AI Job Payload').all()[$input.context?.itemIndex ?? 0]?.json || {};\n\nconst jobId = submitResponse?.jobId || submitResponse?.data?.jobId;\nif (!jobId) {\n // FR-010b: ถ้า 401 → mark TOKEN_EXPIRED\n if (submitResponse?.statusCode === 401 || submitResponse?.error?.status === 401) {\n throw new Error('TOKEN_EXPIRED: 401 Unauthorized — กรุณา renew MIGRATION_TOKEN แล้ว resume');\n }\n throw new Error(`Submit AI Job failed — no jobId returned for: ${originalMeta.document_number}`);\n}\n\nconst pollIntervalMs = config.AI_JOB_POLL_INTERVAL_MS || 5000;\nconst timeoutMs = config.AI_JOB_TIMEOUT_MS || 120000;\nconst startTime = Date.now();\n\nwhile (true) {\n if (Date.now() - startTime > timeoutMs) {\n throw new Error(`AI Job timeout after ${timeoutMs}ms for jobId: ${jobId}, document: ${originalMeta.document_number}`);\n }\n \n const statusResponse = await $helpers.httpRequest({\n method: 'GET',\n url: `${config.BACKEND_URL}/api/ai/jobs/${jobId}`,\n headers: { 'Authorization': config.MIGRATION_TOKEN },\n json: true\n });\n \n const status = statusResponse?.status || statusResponse?.data?.status;\n \n if (status === 'completed') {\n return [{\n json: {\n ...originalMeta,\n job_id: jobId,\n ai_result: statusResponse?.result || statusResponse?.data?.result || {},\n ai_status: 'completed',\n }\n }];\n }\n \n if (status === 'failed') {\n return [{\n json: {\n ...originalMeta,\n job_id: jobId,\n ai_status: 'failed',\n parse_error: `AI Job failed: ${JSON.stringify(statusResponse?.error || statusResponse?.data?.error || 'unknown')}`,\n error_type: 'AI_JOB_FAILED',\n route_index: 3\n }\n }];\n }\n \n // status = 'processing' — รอแล้ว poll ใหม่\n await new Promise(resolve => setTimeout(resolve, pollIntervalMs));\n}"
|
||||
},
|
||||
"id": "e4f5a6b7-c8d9-0123-efab-456789012345",
|
||||
"id": "f95bbb5f-6bde-4146-b577-8d824776029e",
|
||||
"name": "Poll AI Job Status",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
33328,
|
||||
13504
|
||||
-7552,
|
||||
4368
|
||||
],
|
||||
"notes": "Poll GET /api/ai/jobs/{jobId} ทุก 5 วินาที (timeout 120 วินาที)"
|
||||
},
|
||||
@@ -374,13 +365,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const config = $('Set Configuration').first().json.config;\nconst items = $input.all();\nconst results = [];\n\nconst CATEGORY_TO_TYPE_CODE = {\n 'Correspondence': 'LETTER',\n 'RFA': 'RFA',\n 'Transmittal': 'TRANSMITTAL',\n 'Drawing': 'OTHER',\n 'Report': 'OTHER',\n 'Other': 'OTHER',\n};\n\nfor (const item of items) {\n const data = item.json;\n \n // ถ้า poll ส่ง error กลับมาโดยตรง (route_index = 3)\n if (data.route_index === 3 || data.ai_status === 'failed') {\n results.push({ json: { ...data, route_index: 3 } });\n continue;\n }\n \n const ai = data.ai_result || {};\n \n if (!ai || typeof ai !== 'object') {\n results.push({ json: { ...data, parse_error: 'Empty or invalid ai_result', error_type: 'PARSE_ERROR', route_index: 3 } });\n continue;\n }\n \n // Enum Validation for Category\n const systemCategories = ['Correspondence','RFA','Drawing','Transmittal','Report','Other'];\n let finalCategory = ai.suggested_category || ai.category || 'Correspondence';\n if (!systemCategories.includes(finalCategory)) {\n finalCategory = String(data.document_number || '').includes('-RFA-') ? 'RFA' : 'Correspondence';\n }\n const typeCode = CATEGORY_TO_TYPE_CODE[finalCategory] || 'LETTER';\n \n // Tag normalization — is_new flag\n const suggestedTags = Array.isArray(ai.suggested_tags)\n ? ai.suggested_tags.map(t => ({\n tagName: String(t.tagName || t.tag_name || ''),\n publicId: t.publicId || t.public_id || undefined,\n isNew: Boolean(t.isNew ?? t.is_new ?? !t.publicId),\n colorCode: t.colorCode || t.color_code || 'default',\n })).filter(t => t.tagName)\n : [];\n \n const confidence = Number(ai.confidence || 0);\n \n const normalizedAi = {\n ...ai,\n suggested_category: finalCategory,\n type_code: typeCode,\n confidence,\n suggested_tags: suggestedTags,\n };\n \n let route_index;\n let review_reason = '';\n let reject_reason = '';\n \n if (confidence >= config.CONFIDENCE_HIGH && ai.is_valid !== false) {\n route_index = 0; // Auto Ready\n } else if (confidence >= config.CONFIDENCE_LOW) {\n route_index = 1; // Flagged\n review_reason = `Confidence ${confidence.toFixed(2)} < ${config.CONFIDENCE_HIGH}`;\n } else {\n route_index = 2; // Rejected\n reject_reason = ai.is_valid === false ? 'AI marked invalid' : `Confidence ${confidence.toFixed(2)} < ${config.CONFIDENCE_LOW}`;\n }\n \n results.push({\n json: {\n ...data,\n ai_result: normalizedAi,\n route_index,\n review_reason,\n reject_reason,\n }\n });\n}\n\nreturn results;"
|
||||
},
|
||||
"id": "6716162f-1129-4552-a05f-a08ac115fe10",
|
||||
"id": "6bdcd7fd-0a8a-4f21-91bd-ed5fcbda860c",
|
||||
"name": "Parse & Validate AI Response",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
33504,
|
||||
13504
|
||||
-7376,
|
||||
4368
|
||||
],
|
||||
"notes": "Parse AI result + Confidence routing prep + Tag normalization (isNew flag)"
|
||||
},
|
||||
@@ -488,13 +479,13 @@
|
||||
},
|
||||
"options": {}
|
||||
},
|
||||
"id": "65f0bb6c-496a-4409-8b88-3132866cf9a4",
|
||||
"id": "35ad90cd-bb71-44a6-8851-ae4ea6ed4747",
|
||||
"name": "Route by Confidence",
|
||||
"type": "n8n-nodes-base.switch",
|
||||
"typeVersion": 3.2,
|
||||
"position": [
|
||||
33680,
|
||||
13504
|
||||
-7216,
|
||||
4512
|
||||
]
|
||||
},
|
||||
{
|
||||
@@ -516,21 +507,18 @@
|
||||
},
|
||||
"sendBody": true,
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $json.batch_id, documentNumber: $json.document_number, subject: ($json.ai_result?.subject || $json.title), originalSubject: $json.title, tempAttachmentId: $json.temp_attachment_id === undefined ? undefined : Number($json.temp_attachment_id), confidence: $json.ai_result?.confidence, reviewReason: $json.review_reason || '', status: 'PENDING', aiResult: $json.ai_result, idempotencyKey: $json.batch_id + ':' + $json.document_number }) }}",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $json.batch_id, documentNumber: $json.document_number, subject: ($json.ai_result?.subject || $json.title), originalSubject: $json.title, tempAttachmentId: $json.temp_attachment_public_id === undefined ? undefined : $json.temp_attachment_public_id, confidence: $json.ai_result?.confidence, reviewReason: $json.review_reason || '', status: 'PENDING', aiResult: $json.ai_result, idempotencyKey: $json.batch_id + ':' + $json.document_number }) }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "c1bd4485-e58f-4270-892e-edda34c2e328",
|
||||
"id": "f26c6512-8f2d-4cca-a643-65ae7255c37a",
|
||||
"name": "Insert Review Queue (Auto)",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
33856,
|
||||
13312
|
||||
-6976,
|
||||
4496
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "POST /api/ai/migration/queue/record (PENDING) — ADR-023A"
|
||||
@@ -554,21 +542,18 @@
|
||||
},
|
||||
"sendBody": true,
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $json.batch_id, documentNumber: $json.document_number, subject: ($json.ai_result?.subject || $json.title), originalSubject: $json.title, tempAttachmentId: $json.temp_attachment_id === undefined ? undefined : Number($json.temp_attachment_id), confidence: $json.ai_result?.confidence, reviewReason: $json.review_reason || '', status: 'PENDING_REVIEW', aiResult: $json.ai_result, idempotencyKey: $json.batch_id + ':' + $json.document_number }) }}",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $json.batch_id, documentNumber: $json.document_number, subject: ($json.ai_result?.subject || $json.title), originalSubject: $json.title, tempAttachmentId: $json.temp_attachment_public_id === undefined ? undefined : $json.temp_attachment_public_id, confidence: $json.ai_result?.confidence, reviewReason: $json.review_reason || '', status: 'PENDING_REVIEW', aiResult: $json.ai_result, idempotencyKey: $json.batch_id + ':' + $json.document_number }) }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "f1a2b3c4-d5e6-7890-abcd-567890123456",
|
||||
"id": "b720ce71-d0f4-402a-9bd3-077cf1730977",
|
||||
"name": "Insert Review Queue (Flagged)",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
33856,
|
||||
13504
|
||||
-6944,
|
||||
4720
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "POST /api/ai/migration/queue/record (PENDING_REVIEW) — ADR-023A"
|
||||
@@ -577,13 +562,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const fs = require('fs');\nconst item = $input.first();\nconst config = $('Set Configuration').first().json.config;\n\nconst csvPath = `${config.LOG_PATH}/reject_log_${config.BATCH_ID}.csv`;\nconst header = 'timestamp,document_number,title,reject_reason,ai_confidence,job_id\\n';\nconst esc = (s) => `\"${String(s || '').replace(/\"/g, '\"\"')}\"`;\n\nif (!fs.existsSync(csvPath)) {\n fs.writeFileSync(csvPath, header, 'utf8');\n}\n\nconst line = [\n new Date().toISOString(),\n esc(item.json.document_number),\n esc(item.json.title),\n esc(item.json.reject_reason),\n item.json.ai_result?.confidence ?? 'N/A',\n esc(item.json.job_id || '')\n].join(',') + '\\n';\n\nfs.appendFileSync(csvPath, line, 'utf8');\n\nreturn [$input.first()];"
|
||||
},
|
||||
"id": "0bb3530f-02d5-44d0-ad94-c94d97d91b6a",
|
||||
"id": "6e83de99-1244-4478-9a33-e779cdb9504a",
|
||||
"name": "Log Reject to CSV",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
33856,
|
||||
13696
|
||||
-6944,
|
||||
4848
|
||||
],
|
||||
"notes": "บันทึกรายการที่ถูกปฏิเสธลง CSV"
|
||||
},
|
||||
@@ -591,13 +576,13 @@
|
||||
"parameters": {
|
||||
"jsCode": "const fs = require('fs');\nconst items = $input.all();\nconst config = $('Set Configuration').first().json.config;\n\nconst csvPath = `${config.LOG_PATH}/error_log_${config.BATCH_ID}.csv`;\nconst header = 'timestamp,document_number,error_type,error_message,job_id\\n';\nconst esc = (s) => `\"${String(s || '').replace(/\"/g, '\"\"')}\"`;\n\nif (!fs.existsSync(csvPath)) {\n fs.writeFileSync(csvPath, header, 'utf8');\n}\n\nfor (const item of items) {\n const line = [\n new Date().toISOString(),\n esc(item.json.document_number),\n esc(item.json.error_type || 'UNKNOWN'),\n esc(item.json.error || item.json.parse_error),\n esc(item.json.job_id || '')\n ].join(',') + '\\n';\n fs.appendFileSync(csvPath, line, 'utf8');\n}\n\nreturn items;"
|
||||
},
|
||||
"id": "8250dd88-ca81-45aa-93d8-480c9bcd6b14",
|
||||
"id": "511428dc-3aad-4de1-a9dc-9a87c791371e",
|
||||
"name": "Log Error to CSV",
|
||||
"type": "n8n-nodes-base.code",
|
||||
"typeVersion": 2,
|
||||
"position": [
|
||||
33856,
|
||||
13888
|
||||
-7936,
|
||||
4800
|
||||
],
|
||||
"notes": "บันทึก Error ลง CSV"
|
||||
},
|
||||
@@ -622,19 +607,16 @@
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $('Set Configuration').first().json.config.BATCH_ID, documentNumber: $json.document_number || 'WORKFLOW', errorType: $json.error_type || 'UNKNOWN', errorMessage: $json.error || $json.parse_error || $json.message || '', jobId: $json.job_id || '' }) }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "0f058ad0-3c09-4c9f-bdcf-503cd58ee395",
|
||||
"id": "7e8f3617-a6e4-4d40-922d-eb93ae91e690",
|
||||
"name": "Log Error to DB",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
34032,
|
||||
13888
|
||||
-7232,
|
||||
4944
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "POST /api/ai/migration/errors — ADR-023A"
|
||||
@@ -660,19 +642,16 @@
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $('Set Configuration').first().json.config.BATCH_ID, lastProcessedIndex: ($json.original_index || 0) + 1, status: 'RUNNING' }) }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "bb0e611b-db28-4266-ba40-3b5d534a16f7",
|
||||
"id": "9471990c-1abe-42f8-8062-bd68cb9ad985",
|
||||
"name": "Save Checkpoint",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
34032,
|
||||
13312
|
||||
-6784,
|
||||
4640
|
||||
],
|
||||
"onError": "continueErrorOutput",
|
||||
"notes": "POST /api/ai/migration/checkpoint — ADR-023A"
|
||||
@@ -682,13 +661,13 @@
|
||||
"amount": "={{$('Set Configuration').first().json.config.DELAY_MS / 1000}}",
|
||||
"unit": "seconds"
|
||||
},
|
||||
"id": "07c1c5d5-5ffc-4e3d-ab3e-4b62ad079388",
|
||||
"id": "fcf3e098-93f6-42ee-b930-aa0bc84d3ed7",
|
||||
"name": "Delay",
|
||||
"type": "n8n-nodes-base.wait",
|
||||
"typeVersion": 1,
|
||||
"position": [
|
||||
34208,
|
||||
13504
|
||||
-6640,
|
||||
4880
|
||||
],
|
||||
"webhookId": "38e97a99-4dcc-4b63-977a-a02945a1c369",
|
||||
"notes": "หน่วงเวลาระหว่าง Records"
|
||||
@@ -749,13 +728,13 @@
|
||||
},
|
||||
"options": {}
|
||||
},
|
||||
"id": "b1c2d3e4-f5a6-7890-bcde-f12345678902",
|
||||
"id": "e489d28d-37e8-4204-bba8-07a5226b1275",
|
||||
"name": "Check Batch Complete",
|
||||
"type": "n8n-nodes-base.switch",
|
||||
"typeVersion": 3.2,
|
||||
"position": [
|
||||
34384,
|
||||
13504
|
||||
-8512,
|
||||
4608
|
||||
]
|
||||
},
|
||||
{
|
||||
@@ -779,19 +758,16 @@
|
||||
"specifyBody": "json",
|
||||
"jsonBody": "={{ JSON.stringify({ batchId: $('Set Configuration').first().json.config.BATCH_ID, lastProcessedIndex: $json.total_processed, status: 'COMPLETED' }) }}",
|
||||
"options": {
|
||||
"retryOnFail": true,
|
||||
"maxTries": 3,
|
||||
"waitBetweenTries": 2000,
|
||||
"timeout": 10000
|
||||
}
|
||||
},
|
||||
"id": "9a8b7c6d-5e4f-3a2b-1c0d-9e8f7a6b5c4d",
|
||||
"id": "171b627f-3b00-4fbf-86b7-6076fdc29d19",
|
||||
"name": "Mark Batch Complete",
|
||||
"type": "n8n-nodes-base.httpRequest",
|
||||
"typeVersion": 4.1,
|
||||
"position": [
|
||||
34208,
|
||||
13696
|
||||
-8304,
|
||||
4400
|
||||
],
|
||||
"notes": "Update checkpoint status to COMPLETED when batch finishes"
|
||||
}
|
||||
@@ -1132,9 +1108,6 @@
|
||||
]
|
||||
]
|
||||
},
|
||||
"Mark Batch Complete": {
|
||||
"main": []
|
||||
},
|
||||
"Log Reject to CSV": {
|
||||
"main": [
|
||||
[
|
||||
@@ -1179,22 +1152,26 @@
|
||||
"active": false,
|
||||
"settings": {
|
||||
"executionOrder": "v1",
|
||||
"availableInMCP": false
|
||||
"binaryMode": "separate"
|
||||
},
|
||||
"versionId": "v2.0.0-adr023a-compliant",
|
||||
"versionId": "efadd20e-a46b-4354-8f75-ec1de215d065",
|
||||
"meta": {
|
||||
"templateCredsSetupCompleted": true,
|
||||
"instanceId": "9e70e47c1eaf3bac72f497ddfbde0983f840f7d0f059537f7e37dd70de18ecb7"
|
||||
},
|
||||
"id": "u7CLP05AyFb8Um0P",
|
||||
"id": "4LlPbAKU5BZLgiTg",
|
||||
"tags": [
|
||||
{
|
||||
"name": "migration",
|
||||
"createdAt": "2026-05-23"
|
||||
"updatedAt": "2026-05-23T12:26:47.389Z",
|
||||
"createdAt": "2026-05-23T12:26:47.389Z",
|
||||
"id": "jNSEtctPbU5leFPw",
|
||||
"name": "v2"
|
||||
},
|
||||
{
|
||||
"name": "v2",
|
||||
"createdAt": "2026-05-23"
|
||||
"updatedAt": "2026-05-23T12:26:47.393Z",
|
||||
"createdAt": "2026-05-23T12:26:47.393Z",
|
||||
"id": "mGZTyPfxbcsAuFpR",
|
||||
"name": "migration"
|
||||
}
|
||||
]
|
||||
}
|
||||
|
||||
@@ -1,4 +1,4 @@
|
||||
# ADR-023A: Unified AI Architecture — Model Revision (gemma4:e4b Q8_0, 2-Model Stack)
|
||||
# ADR-023A: Unified AI Architecture — Model Revision (gemma4:e2b, 2-Model Stack)
|
||||
|
||||
**Status:** Accepted
|
||||
**Date:** 2026-05-15
|
||||
@@ -14,7 +14,7 @@
|
||||
- [RAG Implementation Guide v1.1.2](../08-Tasks/ADR-022-Retrieval-Augmented-Generation/LCBP3-RAG-Implementation-Guide-v1.1.2.md)
|
||||
- [ADR-023: Unified AI Architecture (Base)](./ADR-023-unified-ai-architecture.md)
|
||||
|
||||
> **หมายเหตุ:** ADR-023A เป็นสำเนาอัปเดตของ ADR-023 v1.1 โดยปรับปรุงชุดโมเดล AI เพื่อให้ใช้งาน VRAM ≤ 8GB ได้อย่างมีเสถียรภาพ ลดจาก 3 โมเดล (gemma4:9b + Typhoon Local + nomic-embed-text) เหลือ 2 โมเดล (gemma4:e4b Q8_0 + nomic-embed-text) โดย gemma4:e4b ทำหน้าที่ครอบคลุมทั้ง General Inference และ OCR Post-processing/Extraction แทน Typhoon Local
|
||||
> **หมายเหตุ:** ADR-023A เป็นสำเนาอัปเดตของ ADR-023 v1.1 โดยปรับปรุงชุดโมเดล AI เพื่อให้ใช้งาน VRAM ≤ 8GB ได้อย่างมีเสถียรภาพ ลดจาก 3 โมเดล (gemma4:9b + Typhoon Local + nomic-embed-text) เหลือ 2 โมเดล (gemma4:e2b + nomic-embed-text) โดย gemma4:e2b ทำหน้าที่ครอบคลุมทั้ง General Inference และ OCR Post-processing/Extraction แทน Typhoon Local
|
||||
|
||||
---
|
||||
|
||||
@@ -79,32 +79,32 @@
|
||||
- ❌ Ollama ไม่สลับโมเดลได้ฉับพลัน หากโหลดพร้อมกัน VRAM เต็มแน่นอน
|
||||
- ❌ ต้องจัดการ Routing Logic (เลือกว่างานไหนใช้โมเดลไหน) เพิ่ม Complexity
|
||||
|
||||
### Option 4: Unified 2-Model Stack (gemma4:e4b Q8_0 + nomic-embed-text) ⭐ **SELECTED**
|
||||
### Option 4: Unified 2-Model Stack (gemma4:e2b + nomic-embed-text) ⭐ **SELECTED**
|
||||
|
||||
| โมเดล | ขนาด (VRAM โดยประมาณ) | หน้าที่ |
|
||||
|-------|----------------------|---------|
|
||||
| `gemma4:e4b Q8_0` | ~4.5GB | General Inference + OCR Post-processing + Extraction + RAG Q&A |
|
||||
| `gemma4:e2b` | ~2GB (Q4) | General Inference + OCR Post-processing + Extraction + RAG Q&A |
|
||||
| `nomic-embed-text` | ~0.3GB | Embedding 768-dim สำหรับ Qdrant |
|
||||
| **รวม** | **~4.8GB** | **เผื่อ headroom ~3.2GB สำหรับ KV Cache และ context window ขนาดใหญ่** |
|
||||
| **รวม** | **~2.3GB** | **เผื่อ headroom ~5.7GB สำหรับ KV Cache และ context window ขนาดใหญ่ (8K tokens)** |
|
||||
|
||||
**Pros:**
|
||||
- ✅ **VRAM ≤ 8GB อย่างมีเสถียรภาพ:** โมเดลทั้ง 2 โหลดพร้อมกันได้ มี headroom เพียงพอสำหรับ KV Cache ขนาดใหญ่
|
||||
- ✅ **Single Model ลด Routing Complexity:** gemma4:e4b ครอบคลุมทุก Use Case (OCR clean-up, Extraction, RAG, Classification) ผ่าน Prompt Engineering ที่แตกต่างกัน
|
||||
- ✅ **Single Model ลด Routing Complexity:** gemma4:e2b ครอบคลุมทุก Use Case (OCR clean-up, Extraction, RAG, Classification) ผ่าน Prompt Engineering ที่แตกต่างกัน
|
||||
- ✅ **BullMQ Sequential Queue:** การใช้โมเดลเดียวทำให้ Queue ทำงานได้ตรงไปตรงมา — ไม่มีปัญหา Worker ต้องสลับโมเดลระหว่างงาน
|
||||
- ✅ **GPU Overload Prevention ตาม ADR-023:** สอดคล้องกับนโยบายที่กำหนดไว้แต่เดิม
|
||||
- ✅ **gemma4:e4b Q8_0:** quantization Q8_0 รักษาความแม่นยำของ weights ใกล้เคียง FP16 มากที่สุด เหมาะกับงานที่ต้องการความละเอียดด้านภาษา
|
||||
- ✅ **gemma4:e2b Q4:** quantization Q4 ประหยัด VRAM มากที่สุด (~2GB) พร้อม context window 8K tokens ขนาดใหญ่
|
||||
|
||||
**Cons:**
|
||||
- ❌ ไม่มี Typhoon Local ซึ่งถูก Fine-tune มาสำหรับภาษาไทยโดยเฉพาะ — ต้องพึ่ง Prompt Engineering บน gemma4:e4b แทน
|
||||
- ❌ ไม่มี Typhoon Local ซึ่งถูก Fine-tune มาสำหรับภาษาไทยโดยเฉพาะ — ต้องพึ่ง Prompt Engineering บน gemma4:e2b แทน
|
||||
|
||||
---
|
||||
|
||||
## Decision Outcome
|
||||
|
||||
**Chosen Option:** Option 4 — Unified 2-Model Stack (gemma4:e4b Q8_0 + nomic-embed-text)
|
||||
**Chosen Option:** Option 4 — Unified 2-Model Stack (gemma4:e2b + nomic-embed-text)
|
||||
|
||||
### Rationale
|
||||
การลด Model Stack จาก 3 → 2 โมเดลช่วยให้ VRAM Budget ≤ 8GB อย่างมีเสถียรภาพ โดย gemma4:e4b Q8_0 สามารถทำหน้าที่แทน Typhoon Local ได้ผ่าน Prompt Engineering เนื่องจาก gemma4 architecture รองรับ Multimodal Context ได้ดี และ Q8_0 quantization รักษา quality ไว้ในระดับสูง BullMQ Sequential Queue ทำงานได้ตรงไปตรงมามากขึ้นเมื่อมีโมเดลเดียว ลด complexity ของ Job Routing
|
||||
การลด Model Stack จาก 3 → 2 โมเดลช่วยให้ VRAM Budget ≤ 8GB อย่างมีเสถียรภาพ โดย gemma4:e2b สามารถทำหน้าที่แทน Typhoon Local ได้ผ่าน Prompt Engineering เนื่องจาก gemma4 architecture รองรับ Multimodal Context ได้ดี และ Q4 quantization ประหยัด VRAM มากที่สุด BullMQ Sequential Queue ทำงานได้ตรงไปตรงมามากขึ้นเมื่อมีโมเดลเดียว ลด complexity ของ Job Routing
|
||||
|
||||
---
|
||||
|
||||
@@ -130,7 +130,7 @@ graph TB
|
||||
end
|
||||
|
||||
subgraph DESK["🖥️ Desk-5439 (AI Isolation Host)"]
|
||||
OLLAMA["Ollama\ngemma4:e4b Q8_0\n+ nomic-embed-text"]
|
||||
OLLAMA["Ollama\ngemma4:e2b\n+ nomic-embed-text"]
|
||||
QDRANT[Qdrant Vector Store]
|
||||
NLP[PaddleOCR + PyThaiNLP]
|
||||
end
|
||||
@@ -183,9 +183,9 @@ graph TB
|
||||
|
||||
| โมเดล | Role | VRAM (โดยประมาณ) | หมายเหตุ |
|
||||
|-------|------|-----------------|---------|
|
||||
| `gemma4:e4b Q8_0` | General Inference + OCR Post-processing + Extraction + RAG Q&A | ~4.0GB (weights) + ~0.2GB (KV Cache) | Q8_0 ≈ 4B × 8-bit = ~4.0GB; KV Cache ต่ำเพราะ input ≤ 3 หน้า (~2,000 tokens) |
|
||||
| `gemma4:e2b` | General Inference + OCR Post-processing + Extraction + RAG Q&A | ~2GB (Q4) + ~0.2GB (KV Cache) | Q4 quantization; Context window 8K tokens; Parameters 2.1B |
|
||||
| `nomic-embed-text` | Embedding 768-dim → Qdrant | ~0.3GB | สร้าง Semantic Vector สำหรับ Hybrid Search |
|
||||
| **รวม (peak)** | | **~4.5GB** | **เผื่อ headroom ~3.5GB — มั่นใจสูง เพราะ PDF input จำกัด ≤ 3 หน้า** |
|
||||
| **รวม (peak)** | | **~2.5GB** | **เผื่อ headroom ~5.5GB — มั่นใจสูง เพราะ context window ขนาดใหญ่ (8K tokens)** |
|
||||
|
||||
* **Orchestrator:** ใช้ **n8n** เป็นตัวควบคุม Flow **Migration Phase เท่านั้น** (trigger batch, monitor progress, handle retry ระดับ batch) — ห้าม n8n เรียก Ollama หรือ PaddleOCR โดยตรง
|
||||
* **Job Executor:** ทุก AI Inference (OCR, Extraction, Embedding, RAG) ต้องผ่าน **BullMQ บน NestJS เท่านั้น** — n8n call `POST /api/ai/jobs` เพื่อ queue job แล้ว poll ผลผ่าน `GET /api/ai/jobs/:jobId`
|
||||
@@ -202,10 +202,10 @@ Real-time Flow (User Upload):
|
||||
|
||||
> **เหตุผล:** การ inference ทั้งหมดผ่าน BullMQ ทำให้ RBAC, ADR-007 Error Handling และ `ai_audit_logs` ครอบคลุมทุก job โดยอัตโนมัติ — ถ้า n8n bypass BullMQ จะเกิด audit gap
|
||||
|
||||
* **LLM Engine:** ใช้ **Ollama** บน Desk-5439 รันโมเดล `gemma4:e4b Q8_0` สำหรับงานทั้งหมด ได้แก่ General Inference, OCR Post-processing, Metadata Extraction, Classification และ RAG Q&A
|
||||
* **LLM Engine:** ใช้ **Ollama** บน Desk-5439 รันโมเดล `gemma4:e2b` สำหรับงานทั้งหมด ได้แก่ General Inference, OCR Post-processing, Metadata Extraction, Classification และ RAG Q&A
|
||||
* **Embedding Model:** ใช้ `nomic-embed-text` รันผ่าน Ollama บน Desk-5439 สำหรับแปลงเวกเตอร์ 768-มิติ
|
||||
* **OCR & NLP:** ใช้ **PaddleOCR** สกัดข้อความจาก Scanned PDF และใช้ **PyThaiNLP** ตัดคำ/เตรียมข้อความภาษาไทย — ทั้งคู่รันบน Desk-5439
|
||||
* ❌ **Typhoon Local:** ไม่ใช้ — ถูกแทนที่โดย `gemma4:e4b Q8_0` เพื่อรักษา VRAM Budget
|
||||
* ❌ **Typhoon Local:** ไม่ใช้ — ถูกแทนที่โดย `gemma4:e2b` เพื่อรักษา VRAM Budget
|
||||
* ❌ **Typhoon Cloud API:** ไม่ใช้ — `rag/typhoon.service.ts` ต้องถูก Remove ออกจาก Codebase (Dead Code + Security Risk)
|
||||
|
||||
#### 2.2 BullMQ Queue Architecture (GPU Overload Prevention)
|
||||
@@ -231,8 +231,8 @@ Queue: ai-realtime (BullMQ)
|
||||
|
||||
| Job Type | โมเดลที่ใช้ | SLA Target |
|
||||
|----------|-----------|------------|
|
||||
| `rag-query` | `gemma4:e4b Q8_0` | p95 < 10s (นับตั้งแต่ dequeue) |
|
||||
| `ai-suggest` | `gemma4:e4b Q8_0` | p95 < 8s |
|
||||
| `rag-query` | `gemma4:e2b` | p95 < 10s (นับตั้งแต่ dequeue) |
|
||||
| `ai-suggest` | `gemma4:e2b` | p95 < 8s |
|
||||
|
||||
##### Queue 2: `ai-batch` (Background Processing)
|
||||
|
||||
@@ -246,8 +246,8 @@ Queue: ai-batch (BullMQ)
|
||||
|
||||
| Job Type | โมเดลที่ใช้ | Priority |
|
||||
|----------|-----------|---------|
|
||||
| `ocr-postprocess` | `gemma4:e4b Q8_0` | Normal |
|
||||
| `metadata-extract` | `gemma4:e4b Q8_0` | Normal |
|
||||
| `ocr-postprocess` | `gemma4:e2b` | Normal |
|
||||
| `metadata-extract` | `gemma4:e2b` | Normal |
|
||||
| `embed-document` | `nomic-embed-text` | Low |
|
||||
|
||||
> ⚠️ **GPU Constraint:** แม้จะแยก 2 Queue แต่ Ollama Worker บน Desk-5439 มี GPU เดียว — หาก `ai-realtime` และ `ai-batch` รัน Job พร้อมกัน VRAM อาจเต็ม ให้ตั้งค่า `ai-batch` pause อัตโนมัติเมื่อ `ai-realtime` มี active job (ผ่าน BullMQ Event hooks: `active` / `completed`)
|
||||
@@ -320,19 +320,19 @@ Queue: ai-batch (BullMQ)
|
||||
|
||||
#### 4.1 PDF Input Limit (Hard Constraint)
|
||||
|
||||
> **กฎ:** ส่ง PDF เข้า **gemma4:e4b Q8_0** ได้ **สูงสุด 3 หน้าแรกเท่านั้น** สำหรับงาน Summarization, Classification และ Tagging
|
||||
> **กฎ:** ส่ง PDF เข้า **gemma4:e2b** ได้ **สูงสุด 5 หน้าแรกเท่านั้น** สำหรับงาน Summarization, Classification และ Tagging (เพิ่มจาก 3 เพราะ context window 8K tokens)
|
||||
> ⚠️ **ข้อยกเว้น:** งาน `embed-document` (RAG) ใช้เอกสารทั้งฉบับ — ดู Section 5
|
||||
|
||||
**เหตุผล:**
|
||||
- หน้าปก + หน้าที่ 1–2 ของเอกสารวิศวกรรมมักมีข้อมูลหลักครบ (Document Title, Drawing No., Discipline, Project Code, Revision)
|
||||
- จำกัด KV Cache ที่ ~2,000 tokens → VRAM peak ≤ ~4.5GB ตามที่ออกแบบไว้
|
||||
- หน้าปก + หน้าที่ 1–4 ของเอกสารวิศวกรรมมักมีข้อมูลหลักครบ (Document Title, Drawing No., Discipline, Project Code, Revision)
|
||||
- Context window 8K tokens รองรับ ~5 หน้า → VRAM peak ≤ ~2.5GB ตามที่ออกแบบไว้
|
||||
- ป้องกัน Job ใช้เวลานานเกิน SLA
|
||||
|
||||
**Implementation Note:**
|
||||
```
|
||||
n8n PDF Pre-processor:
|
||||
extract_pages: [1, 2, 3] ← hard limit, ห้ามเปลี่ยนโดยไม่ review ADR
|
||||
fallback: ถ้า PDF < 3 หน้า → ใช้ทั้งหมด
|
||||
extract_pages: [1, 2, 3, 4, 5] ← hard limit, ห้ามเปลี่ยนโดยไม่ review ADR
|
||||
fallback: ถ้า PDF < 5 หน้า → ใช้ทั้งหมด
|
||||
```
|
||||
|
||||
#### 4.2 PDF Type Auto-Detection (OCR Routing)
|
||||
@@ -414,8 +414,8 @@ export class QdrantService {
|
||||
// ❌ ห้าม expose rawSearch() หรือ method ที่ไม่บังคับ filter
|
||||
}
|
||||
```
|
||||
* **LLM สำหรับ RAG Q&A:** ใช้ **Local Ollama (`gemma4:e4b Q8_0`)** บน Desk-5439 เท่านั้น — ไม่มี Cloud Fallback เนื่องจากเอกสารทั้งหมดจัดชั้นเป็น INTERNAL
|
||||
* **Context Window สำหรับ RAG:** ส่ง top-K chunks (K=5) เข้า gemma4:e4b ≈ 5 × 512 = ~2,560 tokens — อยู่ในขีดจำกัด VRAM
|
||||
* **LLM สำหรับ RAG Q&A:** ใช้ **Local Ollama (`gemma4:e2b`)** บน Desk-5439 เท่านั้น — ไม่มี Cloud Fallback เนื่องจากเอกสารทั้งหมดจัดชั้นเป็น INTERNAL
|
||||
* **Context Window สำหรับ RAG:** ส่ง top-K chunks (K=5) เข้า gemma4:e2b ≈ 5 × 512 = ~2,560 tokens — อยู่ในขีดจำกัด VRAM (8K tokens)
|
||||
* **Performance Target:** $p95 < 10s$ สำหรับการตอบคำถามผ่าน Local LLM (นับตั้งแต่ dequeue จาก `ai-realtime`)
|
||||
|
||||
### 6. `ai_audit_logs` — AI Development Feedback Log
|
||||
|
||||
@@ -228,7 +228,7 @@ AI Gateway (ADR-023A)
|
||||
└─→ RAG Pipeline ถ้าเป็น RAG_QUERY
|
||||
│
|
||||
▼
|
||||
Ollama (gemma4:e4b Q8_0)
|
||||
Ollama (gemma4:e2b)
|
||||
│
|
||||
▼
|
||||
Response → Stream/Chunk → UI
|
||||
|
||||
@@ -20,7 +20,7 @@
|
||||
- Webhook endpoint: `/webhook/ai-processing`
|
||||
- Environment variables: `N8N_BASIC_AUTH_USER`, `N8N_BASIC_AUTH_PASSWORD`
|
||||
- [ ] **Ollama Service:**
|
||||
- Pull model: `gemma4:e4b` (GPU optimized, higher accuracy)
|
||||
- Pull model: `gemma4:e2b` (GPU optimized, lower VRAM)
|
||||
- API endpoint: `http://localhost:11434`
|
||||
- Health check: `GET /api/tags`
|
||||
- Memory requirement: Minimum 8GB VRAM for 9B model
|
||||
|
||||
@@ -13,29 +13,29 @@
|
||||
- Backend: NestJS Module (IntentClassifierModule) พร้อม Service สำหรับ Pattern Matching และ LLM Fallback
|
||||
- Database: ตาราง `ai_intent_definitions` และ `ai_intent_patterns` (SQL Delta ตาม ADR-009)
|
||||
- Caching: Redis (TTL 5 นาที) สำหรับ Patterns
|
||||
- AI: Ollama gemma4:e4b Q8_0 บน Admin Desktop (Desk-5439) สำหรับ LLM Fallback
|
||||
- AI: Ollama gemma4:e2b บน Admin Desktop (Desk-5439) สำหรับ LLM Fallback
|
||||
- Frontend: Admin UI สำหรับจัดการ Intent และ Patterns + Test Console
|
||||
|
||||
---
|
||||
|
||||
## Technical Context
|
||||
|
||||
**Language/Version**: TypeScript 5.x (NestJS 11) + Next.js 16
|
||||
**Primary Dependencies**:
|
||||
**Language/Version**: TypeScript 5.x (NestJS 11) + Next.js 16
|
||||
**Primary Dependencies**:
|
||||
- Backend: NestJS, TypeORM, ioredis (Redis), axios (Ollama HTTP)
|
||||
- Frontend: React, TanStack Query, shadcn/ui components
|
||||
**Storage**: MariaDB 11.8 (Intent Definitions/Patterns), Redis (Cache), Ollama (LLM)
|
||||
**Testing**: Jest (Backend Unit/Integration), Vitest (Frontend Unit), Playwright (E2E)
|
||||
**Target Platform**: QNAP NAS (Docker), Admin Desktop (Ollama)
|
||||
**Project Type**: Web application (Backend + Frontend)
|
||||
**Performance Goals**:
|
||||
- Frontend: React, TanStack Query, shadcn/ui components
|
||||
**Storage**: MariaDB 11.8 (Intent Definitions/Patterns), Redis (Cache), Ollama (LLM)
|
||||
**Testing**: Jest (Backend Unit/Integration), Vitest (Frontend Unit), Playwright (E2E)
|
||||
**Target Platform**: QNAP NAS (Docker), Admin Desktop (Ollama)
|
||||
**Project Type**: Web application (Backend + Frontend)
|
||||
**Performance Goals**:
|
||||
- Pattern Match: < 10ms (cache hit), < 50ms (cache miss)
|
||||
- LLM Fallback: < 2000ms (รวม Pattern Check)
|
||||
**Constraints**:
|
||||
**Constraints**:
|
||||
- GPU Budget: RTX 2060 Super 8GB (ใช้ร่วมกับ RAG, OCR, Embedding)
|
||||
- LLM Semaphore: Max 3 concurrent calls
|
||||
- Bilingual Input: ไทย/อังกฤษปน + typo tolerance
|
||||
**Scale/Scope**:
|
||||
**Scale/Scope**:
|
||||
- 12 Intent Definitions (v1)
|
||||
- 50+ concurrent users
|
||||
- 70-80% Pattern Hit Rate target
|
||||
@@ -146,7 +146,7 @@ frontend/
|
||||
|
||||
**หัวข้อที่ต้อง Research**:
|
||||
1. Redis Cache Strategy สำหรับ Patterns (TTL + Invalidation)
|
||||
2. Ollama HTTP API Integration (gemma4:e4b Q8_0)
|
||||
2. Ollama HTTP API Integration (gemma4:e2b)
|
||||
3. Semaphore Pattern ใน NestJS (p-limit หรือ RxJS)
|
||||
4. Regex Validation ใน TypeORM/Class-Validator
|
||||
|
||||
|
||||
@@ -1,13 +1,13 @@
|
||||
# Quick Start: Intent Classification System
|
||||
|
||||
**Feature**: 224-intent-classification
|
||||
**Feature**: 224-intent-classification
|
||||
**Date**: 2026-05-19
|
||||
|
||||
---
|
||||
|
||||
## Prerequisites
|
||||
|
||||
- Ollama Server บน Admin Desktop (Desk-5439) พร้อม Model `gemma4:e4b`
|
||||
- Ollama Server บน Admin Desktop (Desk-5439) พร้อม Model `gemma4:e2b`
|
||||
- Redis Server พร้อมใช้งาน
|
||||
- Database Schema อัปเดตผ่าน SQL Delta
|
||||
|
||||
@@ -56,7 +56,7 @@ INSERT INTO ai_intent_definitions (intent_code, description_th, description_en,
|
||||
```env
|
||||
# Ollama Configuration
|
||||
OLLAMA_BASE_URL=http://192.168.10.10:11434
|
||||
OLLAMA_MODEL=gemma4:e4b
|
||||
OLLAMA_MODEL=gemma4:e2b
|
||||
OLLAMA_TIMEOUT_MS=5000
|
||||
|
||||
# Intent Classification
|
||||
|
||||
@@ -1,8 +1,8 @@
|
||||
# Feature Specification: Intent Classification System
|
||||
|
||||
**Feature Branch**: `224-intent-classification`
|
||||
**Created**: 2026-05-19
|
||||
**Status**: Draft
|
||||
**Feature Branch**: `224-intent-classification`
|
||||
**Created**: 2026-05-19
|
||||
**Status**: Draft
|
||||
**Input**: ADR-024 Intent Classification Strategy + CONTEXT.md AI Runtime Layer
|
||||
|
||||
---
|
||||
@@ -93,7 +93,7 @@
|
||||
- **FR-004**: ระบบต้องรองรับ Pattern Type 2 แบบ: `keyword` (case-insensitive includes) และ `regex` (RegExp.test)
|
||||
- **FR-005**: ระบบต้องมี Caching Layer ด้วย Redis (Key: `ai:intent:patterns:active`, TTL: 300 วินาที) เพื่อลดการ Query DB
|
||||
- **FR-006**: ระบบต้องทำ Pattern Matching ตามลำดับ Priority (ASC) — Pattern ที่มี priority ต่ำกว่าจะถูกตรวจสอบก่อน
|
||||
- **FR-007**: หากไม่มี Pattern Match → ระบบต้องเรียก LLM Fallback (Ollama gemma4:e4b Q8_0) แบบ Synchronous
|
||||
- **FR-007**: หากไม่มี Pattern Match → ระบบต้องเรียก LLM Fallback (Ollama gemma4:e2b) แบบ Synchronous
|
||||
- **FR-008**: LLM Fallback ต้องใช้ Semaphore จำกัด Concurrent Calls สูงสุด 3 รายการพร้อมกัน
|
||||
- **FR-009**: ระบบต้อง Validate Confidence Score จาก LLM และ Override เป็น `FALLBACK` หาก confidence < 0.4
|
||||
- **FR-010**: ระบบต้องบันทึกทุก Classification Request ลง `ai_audit_logs` โดยมีข้อมูล: input, output, method, latency, projectPublicId, userPublicId
|
||||
@@ -128,7 +128,7 @@
|
||||
|
||||
### Dependencies
|
||||
|
||||
- Ollama Server บน Admin Desktop (Desk-5439) พร้อม Model gemma4:e4b Q8_0
|
||||
- Ollama Server บน Admin Desktop (Desk-5439) พร้อม Model gemma4:e2b
|
||||
- Redis Cache Server พร้อมใช้งาน
|
||||
- Database Schema ตาราง `ai_intent_definitions` และ `ai_intent_patterns` (เพิ่มผ่าน SQL Delta)
|
||||
- AI Gateway Module ที่มีอยู่แล้ว (ADR-023A)
|
||||
|
||||
@@ -8,17 +8,17 @@
|
||||
|
||||
## Summary
|
||||
|
||||
Refactor migration architecture ให้สอดคล้องกับ ADR-023A: n8n เรียกผ่าน BullMQ แทน Ollama โดยตรง, ใช้ `gemma4:e4b Q8_0`, OCR ผ่าน PyMuPDF/PaddleOCR, สร้าง Backend endpoint `/api/ai/jobs`, SQL delta สำหรับ `tags`/`correspondence_tags`, และ Migration Review UI
|
||||
Refactor migration architecture ให้สอดคล้องกับ ADR-023A: n8n เรียกผ่าน BullMQ แทน Ollama โดยตรง, ใช้ `gemma4:e2b`, OCR ผ่าน PyMuPDF/PaddleOCR, สร้าง Backend endpoint `/api/ai/jobs`, SQL delta สำหรับ `tags`/`correspondence_tags`, และ Migration Review UI
|
||||
|
||||
## Technical Context
|
||||
|
||||
**Language/Version**: TypeScript 5.x, NestJS 10.x, Next.js 14.x
|
||||
**Primary Dependencies**: BullMQ, TypeORM, CASL, TanStack Query, Zod
|
||||
**Storage**: MariaDB (SQL delta via ADR-009), Qdrant (embedding), Redis (BullMQ)
|
||||
**Testing**: Jest (Backend), Vitest (Frontend)
|
||||
**Target Platform**: QNAP NAS (Backend + n8n), Admin Desktop Desk-5439 (Ollama + OCR Worker)
|
||||
**Performance Goals**: Fast Path OCR < 5s/file; Slow Path OCR < 60s/file; AI inference < 30s
|
||||
**Constraints**: VRAM peak ~4.3GB; BullMQ concurrency=1 (ai-batch); Token TTL ≤ 7 วัน
|
||||
**Language/Version**: TypeScript 5.x, NestJS 10.x, Next.js 14.x
|
||||
**Primary Dependencies**: BullMQ, TypeORM, CASL, TanStack Query, Zod
|
||||
**Storage**: MariaDB (SQL delta via ADR-009), Qdrant (embedding), Redis (BullMQ)
|
||||
**Testing**: Jest (Backend), Vitest (Frontend)
|
||||
**Target Platform**: QNAP NAS (Backend + n8n), Admin Desktop Desk-5439 (Ollama + OCR Worker)
|
||||
**Performance Goals**: Fast Path OCR < 5s/file; Slow Path OCR < 60s/file; AI inference < 30s
|
||||
**Constraints**: VRAM peak ~2.5GB; BullMQ concurrency=1 (ai-batch); Token TTL ≤ 7 วัน
|
||||
**Scale/Scope**: 20,000 PDF documents; ~3 วินาที/record → ~16.6 ชั่วโมงรวม
|
||||
|
||||
## Constitution Check
|
||||
@@ -31,7 +31,7 @@ Refactor migration architecture ให้สอดคล้องกับ ADR-0
|
||||
| ADR-008 | BullMQ สำหรับ background jobs | ✅ (ai-batch queue) |
|
||||
| ADR-023A | n8n → DMS API → BullMQ → Ollama (ห้าม direct) | ✅ |
|
||||
| ADR-007 | Layered error handling + user-friendly messages | ✅ |
|
||||
| ADR-023A | gemma4:e4b Q8_0 + nomic-embed-text เท่านั้น | ✅ |
|
||||
| ADR-023A | gemma4:e2b + nomic-embed-text เท่านั้น | ✅ |
|
||||
|
||||
## Project Structure
|
||||
|
||||
|
||||
@@ -109,7 +109,7 @@ DBA หรือ DevOps สร้างตาราง `tags` และ `corresp
|
||||
- **FR-001b**: Backend ต้อง double-check `import_transactions` (document_number + batch_id + status != FAILED) ก่อน enqueue BullMQ — ถ้าซ้ำ return 409 พร้อม `existingJobId` (defense-in-depth ต่างหากจาก Idempotency-Key)
|
||||
- **FR-002**: ระบบต้องมี endpoint `GET /api/ai/jobs/:jobId` สำหรับ polling status และรับ AI output
|
||||
- **FR-003**: BullMQ Worker ต้องรัน OCR auto-detect: PyMuPDF (extracted_chars > 100) หรือ PaddleOCR + PyThaiNLP
|
||||
- **FR-004**: AI inference ต้องใช้ `gemma4:e4b Q8_0` เท่านั้น ผ่าน Ollama บน Desk-5439 (ห้าม model อื่น)
|
||||
- **FR-004**: AI inference ต้องใช้ `gemma4:e2b` เท่านั้น ผ่าน Ollama บน Desk-5439 (ห้าม model อื่น)
|
||||
- **FR-005**: Temp files ต้องถูก auto-cleanup ใน 24 ชั่วโมง หลัง job `failed` หรือไม่มี commit (Scheduled BullMQ job)
|
||||
- **FR-005a**: Cleanup scheduler ต้อง exclude temp files ที่ถูก reference โดย `migration_review_queue.status = PENDING` — ห้ามลบ file ที่รออยู่ใน review queue
|
||||
- **FR-005b**: PENDING records ที่ไม่มี action ภายใน 30 วัน ต้อง auto-expire เป็น `EXPIRED` + cleanup temp file + แจ้ง Admin (BullMQ notification job)
|
||||
|
||||
@@ -39,7 +39,7 @@
|
||||
|
||||
- [x] T009 [US1] สร้าง BullMQ Worker `MigrateDocumentWorker` ใน `backend/src/modules/ai/workers/migrate-document.worker.ts` — Step 1: fetch temp file from StorageService
|
||||
- [x] T010 [P] [US1] เพิ่ม OCR routing logic ใน Worker — PyMuPDF Fast Path (chars > 100) หรือ PaddleOCR Slow Path — เรียกผ่าน OCR Service HTTP API (ไม่ใช่ direct Ollama)
|
||||
- [x] T011 [P] [US1] เพิ่ม gemma4:e4b inference ใน Worker — System Prompt + User Prompt สำหรับ metadata extraction + classification + tagging
|
||||
- [x] T011 [P] [US1] เพิ่ม gemma4:e2b inference ใน Worker — System Prompt + User Prompt สำหรับ metadata extraction + classification + tagging
|
||||
- [x] T012 [US1] เพิ่ม JSON validation + error handling ใน Worker (ADR-007) — ถ้า AI output ไม่ถูก format → mark job failed + log ใน `ai_audit_logs`
|
||||
- [x] T013 [US1] เพิ่ม `submitMigrationJob()` method ใน `backend/src/modules/ai/ai.service.ts` — (1) Idempotency-Key check; (2) double-check `import_transactions` (document_number + batch_id + status != FAILED) ก่อน enqueue → 409 พร้อม existingJobId ถ้าซ้ำ (FR-001b); (3) enqueue ไปยัง ai-batch queue
|
||||
- [x] T014 [US1] เพิ่ม `POST /api/ai/jobs` endpoint ใน `backend/src/modules/ai/ai.controller.ts` (JwtAuthGuard + CaslAbilityGuard + Idempotency-Key header validation)
|
||||
|
||||
@@ -9,7 +9,7 @@
|
||||
|
||||
### 1. `ai_audit_logs` (existing table — verify against schema)
|
||||
|
||||
ไม่มีการเพิ่ม column ใหม่ — ใช้ `model_name` column ที่มีอยู่แล้วบันทึก `gemma4:e4b` แทน `gemma4:9b`
|
||||
ไม่มีการเพิ่ม column ใหม่ — ใช้ `model_name` column ที่มีอยู่แล้วบันทึก `gemma4:e2b` แทน `gemma4:9b`
|
||||
|
||||
**Key fields (existing)**:
|
||||
```
|
||||
@@ -18,7 +18,7 @@ public_id BINARY(16) → UUIDv7
|
||||
document_id INT FK documents.id
|
||||
project_id INT FK projects.id
|
||||
job_type VARCHAR(50) -- 'classification', 'tagging', 'rag', 'embed'
|
||||
model_name VARCHAR(100) -- 'gemma4:e4b', 'nomic-embed-text'
|
||||
model_name VARCHAR(100) -- 'gemma4:e2b', 'nomic-embed-text'
|
||||
confidence_score DECIMAL(5,4) -- 0.0000 – 1.0000
|
||||
ai_suggestion_json JSON
|
||||
human_override_json JSON NULL
|
||||
@@ -127,7 +127,7 @@ interface AiRealtimeJobData {
|
||||
projectPublicId: string; // UUIDv7 — required
|
||||
userId: number; // INT internal ID (for audit only)
|
||||
payload: {
|
||||
// ai-suggest: { pdfPath: string; pages: 1-3 }
|
||||
// ai-suggest: { pdfPath: string; pages: 1-5 }
|
||||
// rag-query: { question: string; topK: number }
|
||||
};
|
||||
idempotencyKey: string;
|
||||
@@ -142,7 +142,7 @@ interface AiBatchJobData {
|
||||
projectPublicId: string; // UUIDv7 — required
|
||||
payload: {
|
||||
// ocr: { pdfPath: string }
|
||||
// extract-metadata: { textContent: string; maxPages: 3 }
|
||||
// extract-metadata: { textContent: string; maxPages: 5 }
|
||||
// embed-document: { pdfPath: string; chunkSize: 512; overlap: 64 }
|
||||
};
|
||||
batchId?: string; // สำหรับ Legacy Migration เท่านั้น
|
||||
|
||||
@@ -7,7 +7,7 @@
|
||||
|
||||
## Summary
|
||||
|
||||
Implement ADR-023A AI Architecture Revision: เปลี่ยน model stack จาก 3-model (gemma4:9b + Typhoon + nomic-embed-text) เป็น 2-model (gemma4:e4b Q8_0 + nomic-embed-text), แยก BullMQ เป็น 2 queues (`ai-realtime`/`ai-batch`), เพิ่ม OCR auto-detection, enforce multi-tenant QdrantService, implement Legacy Migration pipeline และ migration_review_queue, และลบ Typhoon Cloud API ออกจาก codebase ทั้งหมด
|
||||
Implement ADR-023A AI Architecture Revision: เปลี่ยน model stack จาก 3-model (gemma4:9b + Typhoon + nomic-embed-text) เป็น 2-model (gemma4:e2b + nomic-embed-text), แยก BullMQ เป็น 2 queues (`ai-realtime`/`ai-batch`), เพิ่ม OCR auto-detection, enforce multi-tenant QdrantService, implement Legacy Migration pipeline และ migration_review_queue, และลบ Typhoon Cloud API ออกจาก codebase ทั้งหมด
|
||||
|
||||
---
|
||||
|
||||
@@ -22,7 +22,7 @@ Implement ADR-023A AI Architecture Revision: เปลี่ยน model stack
|
||||
**Testing**: Jest (NestJS unit/integration)
|
||||
**Target Platform**: QNAP NAS (NestJS container) + Admin Desktop Desk-5439 (Ollama)
|
||||
**Performance Goals**: ai-suggest < 30s; rag-query < 10s (p95 dequeue-to-response)
|
||||
**Constraints**: VRAM ≤ 5GB peak, concurrency=1 per queue (prevent GPU overflow)
|
||||
**Constraints**: VRAM ≤ 3GB peak, concurrency=1 per queue (prevent GPU overflow)
|
||||
**Scale/Scope**: ~20,000 legacy docs (migration), ~50 new docs/day (production)
|
||||
|
||||
---
|
||||
@@ -82,7 +82,7 @@ backend/src/modules/ai/
|
||||
│ ├── ai-realtime.processor.ts # new: ai-realtime consumer
|
||||
│ └── ai-batch.processor.ts # new: ai-batch consumer (replaces existing)
|
||||
├── services/
|
||||
│ ├── ollama.service.ts # update: model → gemma4:e4b
|
||||
│ ├── ollama.service.ts # update: model → gemma4:e2b
|
||||
│ ├── qdrant.service.ts # update: enforce projectPublicId param
|
||||
│ ├── ocr.service.ts # new: OCR auto-detect + PaddleOCR routing
|
||||
│ ├── migration.service.ts # new: Legacy Migration pipeline
|
||||
@@ -123,7 +123,7 @@ Tasks: T001–T008
|
||||
|
||||
### Phase 1: Core AI Pipeline
|
||||
|
||||
**Goal**: OCR auto-detect, gemma4:e4b integration, ai-suggest + embed-document flows
|
||||
**Goal**: OCR auto-detect, gemma4:e2b integration, ai-suggest + embed-document flows
|
||||
|
||||
Tasks: T009–T022
|
||||
|
||||
|
||||
@@ -11,9 +11,9 @@
|
||||
|
||||
**Requirements:**
|
||||
- **OS**: Windows 10/11 หรือ Linux (Desk-5439)
|
||||
- **GPU**: NVIDIA GPU ที่รองรับ CUDA 11.8+ (VRAM ≥ 6GB แนะนำ)
|
||||
- **GPU**: NVIDIA GPU ที่รองรับ CUDA 11.8+ (VRAM ≥ 4GB แนะนำ)
|
||||
- **Ollama Version**: ≥ 0.5.0
|
||||
- **Models**: `gemma4:e2b` (Q4_K_M quantization) + `nomic-embed-text`
|
||||
- **Models**: `gemma4:e2b` (Q4 quantization) + `nomic-embed-text`
|
||||
|
||||
**Verification Steps:**
|
||||
|
||||
@@ -30,7 +30,7 @@ nvidia-smi
|
||||
ollama list
|
||||
# Expected output:
|
||||
# NAME ID SIZE MODIFIED
|
||||
# gemma4:e2b <hash> 2.4 GB <timestamp>
|
||||
# gemma4:e2b <hash> 2.0 GB <timestamp>
|
||||
# nomic-embed-text <hash> 274 MB <timestamp>
|
||||
|
||||
# 4. Test model inference (quick test)
|
||||
@@ -54,7 +54,7 @@ ollama pull nomic-embed-text
|
||||
|
||||
# Verify VRAM usage during inference
|
||||
nvidia-smi --query-gpu=memory.used --format=csv,noheader
|
||||
# Expected: < 5120 MB (5GB threshold per SC-003)
|
||||
# Expected: < 3072 MB (3GB threshold per SC-003)
|
||||
```
|
||||
|
||||
**Troubleshooting:**
|
||||
@@ -285,7 +285,7 @@ curl http://192.168.10.XX:8765/health
|
||||
### 7. GPU Resource Monitoring (Critical for SC-003)
|
||||
|
||||
**Requirements:**
|
||||
- **VRAM Limit**: ≤ 5GB peak (per SC-003)
|
||||
- **VRAM Limit**: ≤ 3GB peak (per SC-003)
|
||||
- **Concurrency**: 1 job per queue (enforced by BullMQ)
|
||||
|
||||
**Verification Commands:**
|
||||
@@ -303,12 +303,12 @@ nvidia-smi --query-gpu=timestamp,memory.used,utilization.gpu \
|
||||
```
|
||||
|
||||
**Expected Behavior:**
|
||||
- **ai-batch job**: VRAM peaks at ~2.5GB (gemma4:e2b Q4_K_M)
|
||||
- **ai-realtime job**: VRAM peaks at ~2.5GB (same model)
|
||||
- **ai-batch job**: VRAM peaks at ~2.0GB (gemma4:e2b Q4)
|
||||
- **ai-realtime job**: VRAM peaks at ~2.0GB (same model)
|
||||
- **No concurrent jobs**: ai-batch pauses when ai-realtime active (GPU protection)
|
||||
|
||||
**Troubleshooting:**
|
||||
- **VRAM overflow (>5GB)**: Reduce model quantization or increase GPU memory
|
||||
- **VRAM overflow (>3GB)**: Reduce model quantization or increase GPU memory
|
||||
- **GPU contention**: Verify BullMQ concurrency=1 enforcement
|
||||
- **Slow inference**: Check GPU utilization, consider faster model quantization
|
||||
|
||||
@@ -399,7 +399,7 @@ grep -r "typhoon" backend/src --include="*.ts"
|
||||
|
||||
# 2. Measure VRAM peak during job run (verify SC-003):
|
||||
nvidia-smi --query-gpu=memory.used --format=csv,noheader
|
||||
# Expected: value < 5120 MB (5GB threshold per SC-003)
|
||||
# Expected: value < 3072 MB (3GB threshold per SC-003)
|
||||
# Repeat during both ai-batch and ai-realtime jobs to verify peak
|
||||
```
|
||||
|
||||
|
||||
@@ -8,13 +8,13 @@
|
||||
|
||||
## Decision 1: Model Stack Reduction
|
||||
|
||||
- **Decision**: ใช้ 2-model stack: `gemma4:e4b Q8_0` + `nomic-embed-text` แทน 3-model stack เดิม
|
||||
- **Rationale**: VRAM budget RTX 2060 Super 8GB — 3-model stack (gemma4:9b + Typhoon + nomic-embed-text) ใช้ ~7.8GB ไม่มี headroom; 2-model stack ใช้ ~4.5GB peak มี headroom ~3.5GB
|
||||
- **Decision**: ใช้ 2-model stack: `gemma4:e2b` + `nomic-embed-text` แทน 3-model stack เดิม
|
||||
- **Rationale**: VRAM budget RTX 2060 Super 8GB — 3-model stack (gemma4:9b + Typhoon + nomic-embed-text) ใช้ ~7.8GB ไม่มี headroom; 2-model stack ใช้ ~2.5GB peak มี headroom ~5.5GB
|
||||
- **Alternatives considered**:
|
||||
- gemma4:9b + nomic-embed-text (ไม่มี Typhoon): ยังเกิน budget ~6.8GB
|
||||
- gemma4:e4b Q4_K_M (quantize ต่ำกว่า): ประหยัด VRAM มากกว่าแต่คุณภาพต่ำกว่า Q8_0
|
||||
- gemma4:e4b Q8_0: ใช้ VRAM ~4.5GB แต่ context window น้อยกว่า
|
||||
- ย้ายไปใช้ Cloud AI: ขัดกับ ADR-023 (INTERNAL data — ห้าม Cloud)
|
||||
- **VRAM Detail**: gemma4:e4b Q8_0 = ~4.0GB weights + ~0.2GB KV Cache (จำกัดโดย 3-page input limit) + nomic-embed-text ~0.3GB = **~4.5GB peak**
|
||||
- **VRAM Detail**: gemma4:e2b Q4 = ~2GB weights + ~0.2GB KV Cache (จำกัดโดย 5-page input limit) + nomic-embed-text ~0.3GB = **~2.5GB peak**
|
||||
|
||||
---
|
||||
|
||||
@@ -24,7 +24,7 @@
|
||||
- **Rationale**: Single queue ทำให้ RAG Q&A (interactive, p95 < 10s) ถูก block โดย OCR/Embed batch jobs (ไม่มี SLA); 2-queue ให้ priority separation โดยไม่เพิ่ม Worker ที่ทำให้ VRAM overflow
|
||||
- **Alternatives considered**:
|
||||
- Single queue + priority field: priority ใน BullMQ ไม่ป้องกัน long-running job ที่กำลังรันอยู่ block queue ถัดไป
|
||||
- 2 Queues + 2 Workers พร้อมกัน: VRAM overflow เมื่อทั้งคู่ใช้ gemma4:e4b พร้อมกัน
|
||||
- 2 Queues + 2 Workers พร้อมกัน: VRAM overflow เมื่อทั้งคู่ใช้ gemma4:e2b พร้อมกัน
|
||||
- **Implementation**: BullMQ `active` event บน `ai-realtime` → pause `ai-batch`; `completed`/`failed` → resume `ai-batch`
|
||||
|
||||
---
|
||||
@@ -72,7 +72,7 @@
|
||||
## Decision 7: Threshold Recalibration Policy
|
||||
|
||||
- **Decision**: ใช้ค่าเริ่มต้น 0.85/0.60 สำหรับ Migration Phase แรก แล้ว recalibrate หลัง 100-500 ฉบับแรก
|
||||
- **Rationale**: ค่าเดิมถูกกำหนดในยุค gemma4:9b — distribution อาจเปลี่ยนไปกับ gemma4:e4b; recalibrate จาก real data ดีกว่า hardcode ค่าใหม่โดยไม่มีข้อมูล
|
||||
- **Rationale**: ค่าเดิมถูกกำหนดในยุค gemma4:9b — distribution อาจเปลี่ยนไปกับ gemma4:e2b; recalibrate จาก real data ดีกว่า hardcode ค่าใหม่โดยไม่มีข้อมูล
|
||||
- **Trigger**: REJECTED rate > 30% หรือ Admin override rate > 40% → ปรับลด threshold
|
||||
|
||||
---
|
||||
@@ -81,6 +81,6 @@
|
||||
|
||||
| Assumption | Risk | Mitigation |
|
||||
|-----------|------|-----------|
|
||||
| gemma4:e4b Q8_0 รองรับภาษาไทยได้ดีเพียงพอ | HIGH — ไม่มีหลักฐานเชิงคุณภาพ | ทดสอบ 50-100 ฉบับก่อน Go-live; เตรียม Prompt Engineering ชดเชย |
|
||||
| 3-page limit เพียงพอสำหรับ metadata extraction | MEDIUM — บางเอกสารอาจมี title block หน้า 4+ | ตรวจสอบตัวอย่างเอกสาร 20 ฉบับก่อน implementation |
|
||||
| gemma4:e2b รองรับภาษาไทยได้ดีเพียงพอ | HIGH — ไม่มีหลักฐานเชิงคุณภาพ | ทดสอบ 50-100 ฉบับก่อน Go-live; เตรียม Prompt Engineering ชดเชย |
|
||||
| 5-page limit เพียงพอสำหรับ metadata extraction | MEDIUM — บางเอกสารอาจมี title block หน้า 6+ | ตรวจสอบตัวอย่างเอกสาร 20 ฉบับก่อน implementation |
|
||||
| RTX 2060 Super VRAM ใช้ได้ 8GB เต็ม | LOW — GPU อาจมี overhead จาก OS และ driver | monitor จริงด้วย `nvidia-smi` ระหว่าง UAT |
|
||||
|
||||
@@ -95,7 +95,7 @@ Admin สามารถดู AI Performance metrics จาก ai_audit_logs (c
|
||||
### Functional Requirements
|
||||
|
||||
- **FR-001**: ระบบ MUST ตรวจจับประเภท PDF (Digital vs Scanned) อัตโนมัติโดยใช้ `extracted_chars > OCR_CHAR_THRESHOLD` โดยไม่ให้ User เลือก
|
||||
- **FR-002**: ระบบ MUST ส่ง PDF เข้า gemma4:e4b สูงสุด 3 หน้าแรกเท่านั้น สำหรับงาน Classification และ Tagging
|
||||
- **FR-002**: ระบบ MUST ส่ง PDF เข้า gemma4:e2b สูงสุด 5 หน้าแรกเท่านั้น สำหรับงาน Classification และ Tagging
|
||||
- **FR-003**: ระบบ MUST ฝัง Vector จากเอกสารทั้งฉบับ (full-document chunking) สำหรับ RAG — ไม่จำกัด 3 หน้า
|
||||
- **FR-004**: AI Inference ทั้งหมด MUST ผ่าน BullMQ Worker บน NestJS — ห้าม n8n เรียก Ollama โดยตรง
|
||||
- **FR-005**: `QdrantService.search()` MUST รับ `projectPublicId: string` เป็น required parameter เสมอ
|
||||
@@ -129,7 +129,7 @@ Admin สามารถดู AI Performance metrics จาก ai_audit_logs (c
|
||||
|
||||
- **SC-001**: AI Suggestion ปรากฏบนฟอร์มภายใน 30 วินาที สำหรับ Digital PDF และ 90 วินาที สำหรับ Scanned PDF (p95)
|
||||
- **SC-002**: RAG Q&A ตอบกลับภายใน 10 วินาที (p95 นับจาก dequeue จาก `ai-realtime`)
|
||||
- **SC-003**: VRAM peak ไม่เกิน 5GB เมื่อรัน 2 models พร้อมกัน (gemma4:e4b + nomic-embed-text) — วัดด้วย `nvidia-smi --query-gpu=memory.used --format=csv,noheader` ระหว่าง job run (ดู verification ใน quickstart.md Scenario 6, QuizMe 2026-05-15)
|
||||
- **SC-003**: VRAM peak ไม่เกิน 3GB เมื่อรัน 2 models พร้อมกัน (gemma4:e2b + nomic-embed-text) — วัดด้วย `nvidia-smi --query-gpu=memory.used --format=csv,noheader` ระหว่าง job run (ดู verification ใน quickstart.md Scenario 6, QuizMe 2026-05-15)
|
||||
- **SC-004**: ไม่มี data leak ข้ามโครงการใน RAG — ทุก Qdrant query มี `project_public_id` filter (ตรวจสอบได้จาก query log)
|
||||
- **SC-005**: Legacy Migration Batch 20,000 ฉบับ ประมวลผลสำเร็จโดยไม่มี duplicate record (ตรวจสอบด้วย Idempotency-Key)
|
||||
- **SC-006**: admin_override_rate < 40% หลัง Calibration Phase (100-500 ฉบับแรก)
|
||||
@@ -140,7 +140,7 @@ Admin สามารถดู AI Performance metrics จาก ai_audit_logs (c
|
||||
|
||||
## Assumptions
|
||||
|
||||
- Desk-5439 พร้อมใช้งานและมี Ollama ที่ติดตั้ง `gemma4:e4b Q8_0` และ `nomic-embed-text` แล้ว
|
||||
- Desk-5439 พร้อมใช้งานและมี Ollama ที่ติดตั้ง `gemma4:e2b` และ `nomic-embed-text` แล้ว
|
||||
- Qdrant instance พร้อมใช้งานและ accessible จาก NestJS backend
|
||||
- n8n instance สามารถ call DMS API ผ่าน HTTP ได้
|
||||
- PaddleOCR ติดตั้งบน Desk-5439 พร้อมรองรับภาษาไทย
|
||||
@@ -150,7 +150,7 @@ Admin สามารถดู AI Performance metrics จาก ai_audit_logs (c
|
||||
## Clarifications
|
||||
|
||||
### Session 2026-05-15
|
||||
- Q: RAG embedding scope — embed ทั้งฉบับหรือแค่ 3 หน้า? → A: ทั้งฉบับ (chunked 512t/64t overlap) — 3-page limit ใช้เฉพาะ Classification/Tagging
|
||||
- Q: RAG embedding scope — embed ทั้งฉบับหรือแค่ 5 หน้า? → A: ทั้งฉบับ (chunked 512t/64t overlap) — 5-page limit ใช้เฉพาะ Classification/Tagging
|
||||
- Q: embed-document trigger timing → A: AUTO ทันทีหลัง commit (parallel กับ AI Suggestion), ไม่รอ Human confirm
|
||||
- Q: n8n role → A: n8n call DMS API เท่านั้น (`POST /api/ai/jobs`) — ไม่เรียก Ollama/Qdrant โดยตรง
|
||||
- Q: QdrantService enforcement → A: `projectPublicId: string` เป็น required param — ไม่มี optional fallback
|
||||
|
||||
+1
-1
@@ -193,7 +193,7 @@ specs/
|
||||
|
||||
5. **No `any` Types:** ไม่อนุญาตให้ใช้ `any` ในโค้ด พยายามใช้ Validation ผ่าน DTO / Zod แบบ Strongly-typed เสมอ — **Enforced ✅** (0 remaining in backend as of v1.9.0, ดูเทคนิคที่ `05-02-backend-guidelines.md`)
|
||||
|
||||
6. **AI Isolation (ADR-023/023A):** Ollama ต้องรันบน **Admin Desktop** (Desk-5439) เท่านั้น — ห้ามรันบน QNAP/Production Server ห้ามมี Direct DB Access โดยเด็ดขาด AI Output ต้องผ่าน Backend Validation ก่อน Write ทุกครั้ง ใช้ 2-Model Stack (gemma4:e4b Q8_0 + nomic-embed-text) + BullMQ 2-Queue (ai-realtime/ai-batch)
|
||||
6. **AI Isolation (ADR-023/023A):** Ollama ต้องรันบน **Admin Desktop** (Desk-5439) เท่านั้น — ห้ามรันบน QNAP/Production Server ห้ามมี Direct DB Access โดยเด็ดขาด AI Output ต้องผ่าน Backend Validation ก่อน Write ทุกครั้ง ใช้ 2-Model Stack (gemma4:e2b + nomic-embed-text) + BullMQ 2-Queue (ai-realtime/ai-batch)
|
||||
|
||||
7. **UAT Sign-off Required:** ห้าม Close UAT โดยไม่มี Acceptance Criteria ✅ ครบทุกข้อ — ดู `01-05-acceptance-criteria.md`
|
||||
|
||||
|
||||
Reference in New Issue
Block a user