Traducción automática

Esta página fue traducida automáticamente por IA y puede contener errores. Si algo no está claro, consulte la fuente en inglés.

Fuente en inglés · Reportar un problema de traducción

Pipeline de exportación¶

1. Pipeline de exportación en detalle¶

El pipeline completo de exportación de un solo hilo (cmd_export, export_cmd.py:42-86; la ruta por lotes cmd_batch reutiliza el mismo pipeline, batch_cmd.py:117-204). Funciones clave y números de línea entre corchetes:

flowchart TD
    START(["thread URL / UUID"]) --> IDX

    subgraph S1["① indexing (pre-step of index / batch)"]
        IDX["GraphQLClient.list_threads<br/>(graphql.py:51)<br/>LibraryThreadsRelayQuery first page 25 items<br/>LibraryRecentThreadsPaginationQuery pagination<br/>stop when endCursor is empty (graphql.py:81-85)"]
        IDX --> IDXO[("index/library_&lt;account&gt;.json<br/>cmd_index (index_cmd.py:17)")]
    end

    subgraph S2["② incremental planning (batch only)"]
        PLAN["plan_incremental pure function<br/>(hooks/incremental.py:36)<br/>sorted by lastUpdated desc, four-state classification:<br/>new / updated / done / expired"]
        PLAN --> ES{"neither full nor force?"}
        ES -->|"yes"| TRIM["trim the longest trailing done/expired run<br/>(early stop, incremental.py:83-86)"]
        ES -->|"no"| KEEP["return item by item (full-scan fallback)"]
    end

    subgraph S3["③ fetching (adapter.get_thread)"]
        GT["PerplexityAdapter.get_thread<br/>(adapter.py:58)"]
        GT --> PLAIN["ThreadFetcher.get_thread<br/>plain response (rest.py:59)<br/>GET /rest/thread/uuid<br/>entries + background_entries<br/>cursor pagination ≤20 pages, 3s between pages (rest.py:43-57)"]
        DM{"detect_mode<br/>(normalize.py:66)<br/>mode detection after parse_turn, see §4"}
        DM -->|"computer / deep-research / council / study"| BLK["ThreadFetcher.get_thread_blocks<br/>schematized response (rest.py:67)<br/>8 SCHEMATIZED_USE_CASES (rest.py:26)<br/>sleep blocks_delay=4s before fetching (adapter.py:28,88)"]
        DM -->|"search (all signals present)"| NOBLK["skip blocks<br/>(search is simple query+answer)"]
        DM -->|"all-signals-missing fallback (adapter.py:84-87)<br/>mode=search and no entry has display_model"| BLK
        BLK --> ANOM["scan_wf_anomalies<br/>log.warning on any non-COMPLETED workflow<br/>(parsers.py:646; call site adapter.py:131-134)"]
    end

    subgraph S4["④ in-memory parsing and assembly (before persistence)"]
        PT["parse_turn × N (parsers.py:173)<br/>steps / three-channel citation collection<br/>(entry.sources + FINAL.web_results<br/>+ WORKFLOW_ITEM_SOURCES)<br/>report_info / locked_reason into metadata"]
        EA["extract_answer (parsers.py:80)<br/>FINAL.answer JSON → plan.goals fallback"]
        BASE["Base Conversation assembled in memory<br/>raw responses retained on conv._plain / conv._blocks"]
        ATT["attach_workflow_blocks (parsers.py:231)<br/>wf_block attached to turns by entry uuid<br/>wf_status into turn.metadata"]
        STUB["attach_stub_workflows (parsers.py:470)<br/>stub-turn 10s time-window matching"]
        UNC["collect_unconsumed_background<br/>(parsers.py:491) attribution waterfall ③"]
        READY["Conversation ready for export<br/>(adapter.py:91-157)"]
        BASE -->|"other modes"| READY
        BASE -->|"computer/council only<br/>(adapter.py:150-157)"| ATT
        ATT --> STUB
        STUB -.-> UNC
        UNC --> READY
    end

    subgraph S5["⑤ asset preparation (before writer)"]
        ADL["adapter.get_assets (adapter.py:196)<br/>collect_downloadable_assets (parsers.py:696)<br/>same-name multi-version numbered v1..vN by created_at"]
        CDN["CloudFront signed-URL direct download<br/>AssetDownloader.download_all (assets.py:80)<br/>resolve_ext three-source extension resolution (assets.py:122)"]
    end

    subgraph S6["⑥ persistence (fs_writer.write_thread)"]
        WJ[("thread.json (fs_writer.py:224-253)<br/>+ interruptions registration collect_interruptions (parsers.py:535)<br/>+ answer_variants registration collect_answer_variants (parsers.py:589)")]
        RAW1[("raw_entries.json<br/>retained plain response (fs_writer.py:257-261)")]
        RAW2[("raw_blocks.json<br/>retained schematized response (fs_writer.py:262-266)<br/>absent when blocks were not fetched")]
        WM[("conversation.md compact version<br/>render_conversation (render.py:641)")]
        WT[("turns/turn_NNNN.md full version<br/>render_turn (render.py:596)")]
        WS[("sources.json + sources.md<br/>(fs_writer.py:270-278)")]
        WR[("report.md (fs_writer.py:308-316)<br/>adapter.get_report fallback when needed")]
        MF[("assets/assets_manifest.json<br/>versioned manifest (fs_writer.py:320-330)")]
    end

    IDX --> S2
    S2 -->|"per-thread new/updated"| S3
    PLAIN --> PT
    PT --> EA
    EA --> DM
    ANOM --> BASE
    NOBLK --> BASE
    READY --> ADL
    ADL --> CDN
    CDN --> WJ
    WJ --> RAW1
    WJ -. "when blocks fetched" .-> RAW2
    RAW1 --> WS
    RAW1 -. "offline re-runnable<br/>(re-render, see offline-operations.md §12)" .-> PT
    WS --> WM
    WM --> WT
    WT --> WR
    WR --> MF
    MF --> DONE(["state.mark_ok<br/>BatchState checkpoint (state.py:123)"])

Diseños clave:

Respuestas sin procesar retenidas para reproducción sin conexión: adapter.get_thread analiza y ensambla la conversación en memoria antes de que FilesystemWriter.write_thread se ejecute (adapter.py:58-157). Una escritura exitosa almacena thread.json primero y luego las respuestas de texto simple/bloques disponibles como raw_*.json (fs_writer.py:224-266); el análisis/renderizado puede volver a ejecutarse desde esos archivos sin acceso a la red.
Texto simple siempre obtenido; bloques por detección de modo: la búsqueda omite bloques (ahorra una solicitud); cuando todas las señales de detección fallan, la alternativa también obtiene (adapter.py:74-85 comentario y decisión: mejor obtener de más que dejar que raw_blocks.json desaparezca silenciosamente después de un cambio de campo en la plataforma).
Punto de análisis único: toda la extracción de campos se centraliza en parsers.py (_g analizadores de acceso seguro multinivel parsers.py:23, _loads tolerancia a fallos parsers.py:33, to_int clave de ordenación indulgente parsers.py:44) — las renovaciones del sitio solo necesitan cambiar un lugar.
El escritor es de solo lectura: el montaje de wf_block/stub_wfs/unconsumed_bgs ocurre en adapter.get_thread (adapter.py:150-157); FilesystemWriter no monta, solo consume (fs_writer.py:217 comentario).

2. Árbol de decisión de detección de modo (detect_mode)¶

La lógica de decisión completa de normalize.detect_mode (normalize.py:66-128). Cinco modos: computer / council / deep-research / study / search (la búsqueda es el valor predeterminado).

La señal de mayor prioridad es el campo autoritativo de la plataforma entry.search_mode (SEARCH_MODE_MAP, normalize.py:50-59): configuración de modelo oficial probada (GET /rest/models/config/v2) default_models.search=pplx_pro (UI "Mejor"), default_models.research=pplx_alpha (UI "Deep research"); los valores de search_mode se asignan uno a uno a los modos de conversación (verificación de archivo: 100+ hilos de entrada SEARCH + pplx_alpha son 100% search_mode=RESEARCH; 100+ hilos puros pplx_pro son todos SEARCH). Solo cuando search_mode está completamente ausente, se recurre a la cadena original de nombre de paso + display_model.

flowchart TD
    IN["Input: metadata + idx_thread + url<br/>+ turns + entries"] --> SMQ{"search_mode hit on any entry?<br/>(any over all entries, normalize.py:106-115)<br/>ASI→computer / AGENTIC_RESEARCH→council<br/>STUDY→study / RESEARCH→deep-research<br/>SEARCH/STUDIO→search"}
    SMQ -->|"hit"| MULTI{"multi-value conflict within thread?<br/>(mode switching, normalize.py:116-119)"}
    MULTI -->|"multiple values"| SPEC["take highest by specificity:<br/>computer &gt; council &gt; study<br/>&gt; deep-research &gt; search<br/>(_MODE_SPECIFICITY, normalize.py:63)<br/>+ log.warning"]
    MULTI -->|"single value"| SMCF{"conflict with downstream signals (step names/<br/>display_model)?<br/>(normalize.py:120-123)"}
    SPEC --> SMCF
    SMCF -->|"conflict"| SMWARN["log.warning recorded<br/>search_mode wins"]
    SMCF -->|"consistent or no downstream signal"| SMWIN["return the search_mode-mapped mode"]
    SMWARN --> SMWIN

    SMQ -->|"all absent"| Q1{"primary signal A: URL contains /computer/tasks/<br/>or metadata.mode == '4'<br/>or index mode ∈ ASI/COMPUTER?"}
    Q1 -->|"yes"| SM1["step_mode = computer"]
    Q1 -->|"no"| Q2{"primary signal B: a COUNCIL_RESEARCH step exists?"}
    Q2 -->|"yes"| SM2["step_mode = council"]
    Q2 -->|"no"| Q3{"primary signal C: a RESEARCH_ANSWER step exists?<br/>(content-based, not relying on Chinese labels)"}
    Q3 -->|"yes"| SM3["step_mode = deep-research"]
    Q3 -->|"no"| SM0["step_mode = (empty)"]

    SM1 --> DMS
    SM2 --> DMS
    SM3 --> DMS
    SM0 --> DMS

    subgraph DMS["fallback-chain redundant signal: display_model (DISPLAY_MODEL_MODE, normalize.py:32-37)"]
        DMQ{"display_model hit on any entry?<br/>(any over all entries, not just the first —<br/>the first entry of a mixed thread may not represent the whole)"}
        MAP["mapping table:<br/>pplx_agentic_research → council<br/>pplx_asi_opus → computer<br/>pplx_asi_opus_thinking → computer<br/>pplx_study → study"]
    end

    DMQ -->|"hit"| CF{"conflicts with step_mode?"}
    CF -->|"conflict"| WARN["log.warning records the conflict<br/>display_model wins"]
    CF -->|"consistent or step_mode empty"| DMWIN["return the display_model-mapped mode"]
    WARN --> DMWIN
    DMQ -->|"no hit"| FB{"step_mode non-empty?"}
    FB -->|"yes"| SMWIN2["return step_mode"]
    FB -->|"no"| SEARCH["return search (default)"]

Disciplina de detección (base probada):

pplx_alpha está deliberadamente ausente de la tabla de mapeo (normalize.py:15-31 comentario): es el modelo dedicado a RESEARCH (default_models.research; UI fija, sin selector) — es el objetivo que este clasificador debe detectar, no una señal de detección. La estadística anterior "121 hilos de búsqueda usaron pplx_alpha" eran en realidad muestras del propio error de juicio de este clasificador (sin la señal search_mode, las sesiones RESEARCH que carecían de un paso RESEARCH_ANSWER se juzgaron como búsqueda) — reevaluadas por search_mode y 124 hilos migrados.
search_mode gana en conflicto con señales posteriores: es el registro autoritativo de la plataforma del modo de conversación; los nombres de paso son los campos de superficie más propensos a cambios de la plataforma, display_model es solo una enumeración de la capa de modelo. Los conflictos siempre registran una advertencia (normalize.py:120-123).
El cambio de modo dentro de un hilo toma el de mayor especificidad: computer > council > study > deep-research > search (normalize.py:63, 116-119), con log.warning.
La ausencia total de señales no concluye búsqueda: recurre a la obtención de bloques a nivel de pipeline (adapter.py:84-87), asegurando que los datos esquematizados no desaparezcan silenciosamente debido a la deriva de campos.