mirror of
https://github.com/ThearchyHelios/AgentLab.git
synced 2026-11-15 06:51:59 +00:00
ThearchyHelios
5b4bd91476
为什么：问数据的答案要和已治理口径接起来（next-round 02 做法 2、3、9、10；总方案 X1、X2、X3、X12，拍板 L2、L4、L8）。
- 比对（ledger/match.py）：探索运行（chat、canvas、trial、personal_app）成功结束、封存完、有查询快照时，在 runner 封存之后和
notify_run 同一个位置放到后台；候选口径是每个工作流最新的已发布未退役版本里查库的调用工具节点（受管、已发布都算），按数据源
和表预筛；逐个用 match_template 比，schema 用查询当时冻结的表结构、列名取同一份快照里冻结的数据目录。每次运行限时 8 秒、在
线程里、同时最多 2 个；超时、快照被改过或读不出、SQL 解析不了照实记 skipped。启动时（run_manager.setup，和调度循环同一个开关）
补比最近 7 天封存了却没比过的运行，只读工件和版本表。
- 记法（ledger/store.py，拍板 L8）：内容寻址工件 kind=caliber_match（agentlab.caliber_match/1）+ run_append 的 sealed 方式追加
ledger.matched（core/events.py 登记）；工件里不放时间和工作流名，同一份封存再比一次哈希一样；meta 记 calibers / related / counts。
- 标签（ledger/labels.py）：单元格按查询的比对状态；指标要每个输入都等价于同一份口径同一版、绑定一致，式子按「哪个取数节点、
第几行、哪一列」换完和口径卡上的一字不差。caliber（how：independent 等价已证明；composed 助手选用留给第 3 波）/ related /
reasoning / unknown；整题判断附还缺的入口字段。
- 读（ledger/view.py）：GET /api/runs/{id}/ledger（ledger_api.runs_router，和证据同一道门），没比对过、能比的按需排上；证据
片段接口加 ledger 键（没比对过的运行没有这个键，返回一字不差）；报告导出的面板最上面多「口径」一步并写明「封存后比对，不在
封存范围内」。遮罩按读的那一刻重滤：绑定的值是这次运行查到过的遮罩值时不给值，差异条目和逐行对照走 _Shown。
- 来源链：POST /api/runs 加 origin_ref（只在 origin=chat 时收，服务端核对对话访问权和轮次归属，写进 Run.origin 和封存的
run.origin）；WorkflowIn 加 origin（run_id、conversation_id、turn_id，核对规则同 from-run）；报告导出和可验证报告下载各记一条
审计 report.exported。可验证报告列封存后追加的事件时给 ledger.matched 一句只有条数的说明。
- 统计（ledger/stats.py）：E1–E4 从工件、运行、查询快照、审计现算，GET /api/ledger/stats（搭建者）；E3 用 app/chat/questions
的聚类加按（数据源、normalize_sql 文本）的确定性重复；评测直接调 compute_stats（可点名 run_ids）。对账反馈、认证转化、按发布
的召回在后面几波，照实写没有数据。
测试：test_ledger_match.py（真跑探索运行：等价、相关、没有相关口径、写死的码值、非探索运行、超时、快照被改、解析失败、预筛、
指标两种、级别、只认最新版、补比）、test_ledger_api.py（账本接口、按需比、遮罩、证据片段、导出、审计、统计）、
test_run_origin_ref.py（origin_ref 与画布来源的核对）。
1369 lines
87 KiB
Python
1369 lines
87 KiB
Python
"""可验证报告的构建：把一次已封存运行的报告、证据和运行记录打成一个自包含的 HTML 文件。
|
||
|
||
拿到文件的人不连服务、不装任何东西，在浏览器里就能核对（verifier.js）：
|
||
|
||
- 事件：封存范围内（seq ≤ manifest_seq）的每一条都带 {seq, type, node_id, data_sha256}，data_sha256 是
|
||
sha256(canonical_json(data))，和 runner 封存时算 manifest_hash 用的是同一个算法，浏览器按同样的拼法重算
|
||
清单哈希、和封存哈希比。白名单里的事件另带服务端算好的规范字符串 canonical（逐字等于 canonical_json(data)），
|
||
浏览器先核它的哈希，再从里面读出报告文档、口径卡、查询快照的 id。其余事件只给哈希：工具返回、节点产出的
|
||
预览里可能有遮罩列的原值和提示词。口径卡、报告的节点完成事件在白名单里，可它们的预览就是卡上每个指标的值、报告正文：
|
||
卡只给 id 的（和报告引不引用无关）、文档只给 id 的，这两条也只给哈希（_card_shown）。
|
||
- 工件：每份报告文档（各报告节点最后一次自查记下的 doc_artifact）、它引用到的口径卡和查询快照，按原字节
|
||
base64 嵌入，浏览器重算 sha256 和 id 比。数据源设了遮罩的查询快照，能证明这条查询没碰遮罩列的（_untouched）照常
|
||
嵌入，别的不嵌内容、只给 id。口径卡上记着每个输入的值和代入式，有输入取自遮罩列（cell() 的格、Agent 字段、按位置
|
||
取的 vars.res.rows[0][2]，SQL 里改了名字的遮罩列也算，SQL 认不出结果里哪一列取自哪一列的整份快照的列都算）的整张卡
|
||
同样只给 id，认法和证据面板、推演同一个（recompute.input_origin）；有指标的值不给的（metric_word：值取自遮罩列的
|
||
一格、一行，整行、下标不是字面量的、转抄的上游口径卡在任何一次执行里有这类指标的也算，转抄的在指标依赖图上一次认，
|
||
recompute.masked_closure；遮罩列按这份文件宁可多遮的认法）、卡上记着的转抄来的值带遮罩的（_copies_masked）也一样；服务端
|
||
文件被改过的卡照样按卡上记的输入认，解析不出一张卡的整张只给 id。报告文档的证据目录收着上游口径卡的全部指标，现在的
|
||
报告撰写节点把值不给的写成「已遮罩」；还写着原值的老文档（升级前生成的，或者生成之后数据源才设的遮罩）整份只给 id、
|
||
不附带它引用的工件——哪些指标的值不给和写作目录同一个判断（metric_word 的 sure：只按确定取自遮罩列的认，由调用方按
|
||
证据面板的那一套认好交进来，api/evidence.py 的 certain_masks），SQL 认不准时没确定取自遮罩列的普通金额照常附带。
|
||
文档里写成「已遮罩」的指标所在的口径卡一律只给 id。随文件附带的口径卡，它记着的输入指向的查询快照也一并附上（遮罩
|
||
规则同上）：点开数字时看得到每个输入的 SQL 和被引用的行，引用链（④）按「已核对的口径卡的输入」认它们。只给 id 的
|
||
工件，服务端的文件和 id 对不上的另标 mismatch、解析不出来的另标 unparsable，核对页照实说（对不上的判不通过）。没被
|
||
报告引用、也没被附带的口径卡的输入引用的工件不嵌。
|
||
- 封存之后追加的事件（按需裁判、审批质询这类批注）单列：类型、序号、内容摘要，不进清单。
|
||
|
||
它只证明「内部一致」：数字、文档、运行记录彼此对得上，而且没被改过。真伪要拿页面上的封存哈希和系统里这次
|
||
运行的封存核对（GET /api/runs/{id}/verify）对照，页面上醒目地写着这一点。
|
||
|
||
已知局限，同样以服务端封存的清单哈希为准：
|
||
- 遮罩只减少暴露、不是安全边界。哪些列取自遮罩列按 SQL 和列名认，写法的长尾认不全（先给遮罩列起别名、外层再套没起别名的
|
||
表达式，+phone 这类认法本身漏掉的表达式，Postgres 给没起别名的表达式起的列名，视图、别的表里换了名字存着的遮罩列，
|
||
自己建的函数，数据整形取出来再赋给变量的号码）：取自它们的指标、快照在这份文件里照常附带，和证据面板、写作目录认法一致。
|
||
转抄上游口径卡的按整张卡认（转抄的那张卡在任何一次执行里有一个指标不给，转抄出来的就不给），宁可多挡
|
||
- 显示文字的核对（verifier.js 的 checkLayout）只看紧挨着数字头尾的字：白名单、易混字的名单只是兜底，排版和易混字的花样
|
||
数不完（「（单位：万元）」这类隔着几个字的说明、x10 这类写法认不出）。核对页总览有一项无法核对就不是绿的，并写明去系统里
|
||
核对封存；全部通过也只说明文件内部一致
|
||
|
||
主体是纯函数：不碰数据库，工件经 read 取原字节，数据源现在设的遮罩由调用方查好传进来（source_masks），每份查询快照
|
||
里确定取自遮罩列的列、这次运行查到过的遮罩值也一样（sure_columns、sure_secrets）。
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import base64
|
||
import hashlib
|
||
import html
|
||
import json
|
||
import logging
|
||
import re
|
||
from collections.abc import Callable, Iterable, Mapping, Sequence
|
||
from datetime import datetime
|
||
from functools import lru_cache
|
||
from pathlib import Path
|
||
from typing import Any
|
||
from urllib.parse import quote
|
||
|
||
from app.core.artifact_store import canonical_json, content_hash
|
||
from app.core.events import EventType
|
||
from app.engine.evidence import iter_units, query_entry_fields
|
||
from app.engine.masking import OPAQUE_SQL, SYSTEM_SCHEMAS, indirect_reads
|
||
from app.engine.merge_query import MERGE_SOURCE
|
||
from app.engine.recompute import (
|
||
CopyEdge,
|
||
Judged,
|
||
MetricLinks,
|
||
card_input,
|
||
carries_masked,
|
||
input_origin,
|
||
masked_closure,
|
||
)
|
||
from app.engine.schema import NodeType
|
||
from app.engine.toolcalls import QUERY_PREFIX
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
SCHEMA = "agentlab.bundle/1"
|
||
|
||
#: 不论哪个节点都带规范字符串的事件：运行开始（实际生效的运行参数）、报告自查（报告文档的 id）、
|
||
#: 口径卡升版处置、出具判定（档位）
|
||
_SHOWN_EVENTS = frozenset({EventType.RUN_STARTED, EventType.REPORT_CHECKED, EventType.CALIBER_UPGRADE,
|
||
EventType.ISSUANCE})
|
||
#: node.finished 带规范字符串的节点：报告（预览就是嵌进来的那份文档的正文，文档只给哈希的不带）、口径卡（指标集的 id
|
||
#: 记在台账里；卡上有值不给的指标、有输入取自遮罩列的不带，见 _card_shown）。成果节点在运行里没有带遮罩的快照时带
|
||
#: 目录条目的种类 → 嵌进来的工件种类。运行输入、检索、表和字段的条目不嵌：前者没有工件，后几样不在核对范围里
|
||
_CITED_KINDS = {"metric": "metric_set", "query": "query"}
|
||
|
||
#: 没挂在工作流上的运行（画布、问数据当场搭的）：老数据叫「临时图」，新的叫「未保存的工作流」，也可能是空的。
|
||
#: 和前端 lib/terms.ts 的 runName 同一个规则
|
||
UNSAVED_NAME = "未保存的工作流"
|
||
_UNSAVED_NAMES = frozenset({"", "临时图", UNSAVED_NAME})
|
||
FILE_SUFFIX = "-可验证报告.html"
|
||
#: 文件名里不能出现的字（Windows 最严，按它来）和控制字符
|
||
_BAD_FILENAME = re.compile(r'[\\/:*?"<>|\x00-\x1f\x7f]')
|
||
_NAME_MAX = 80
|
||
|
||
Reader = Callable[[str], "bytes | None"]
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 工件：原字节、解析、遮罩
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
class _Store:
|
||
"""这一次构建里读过的工件：原字节、解析出来的内容、查询快照带不带遮罩。每份只读一次盘。events 是封存范围内的
|
||
事件（认这次运行里查到过哪些遮罩值，seen）。
|
||
|
||
sure_columns、sure_secrets 由调用方按证据面板的那一套认好交进来（api/evidence.py 的 certain_masks）：每份查询快照里
|
||
确定取自遮罩列的结果列，和这次运行查到过的遮罩值（只收确定的那几列）。认老文档时指标的值给不给按它们认（metric_word
|
||
的 sure），和报告撰写节点的写作目录同一个口径；没交的（直接调用 build_bundle 的地方）按这份文件自己宁可多遮的认法。"""
|
||
|
||
def __init__(self, read: Reader, source_masks: Mapping[str, Any],
|
||
events: Sequence[tuple[int, str, str | None, Any]] = (), *,
|
||
sure_columns: Mapping[str, Iterable[str]] | None = None, sure_secrets: Any = None) -> None:
|
||
self._read = read
|
||
self._source_masks = source_masks
|
||
self._events = events
|
||
self._sure_columns = sure_columns
|
||
self._sure_secrets = sure_secrets
|
||
self._raw: dict[str, bytes | None] = {}
|
||
self._json: dict[str, Any] = {}
|
||
self._masked: dict[str, bool] = {}
|
||
self._hidden: dict[str, set[str]] = {}
|
||
self._seen: Any = None
|
||
self._graphs: dict[bool, _Graph] = {}
|
||
self._card_outputs: dict[str, dict[str, str]] = {}
|
||
self._docs: dict[str, bool] = {}
|
||
self._sources: dict[str, str] | None = None
|
||
self._runs: dict[str, list[str]] | None = None
|
||
self._owners: dict[str, str] = {}
|
||
|
||
def raw(self, artifact: str) -> bytes | None:
|
||
if artifact not in self._raw:
|
||
try:
|
||
data = self._read(artifact)
|
||
except (OSError, ValueError):
|
||
data = None
|
||
self._raw[artifact] = data if isinstance(data, (bytes, bytearray)) else None
|
||
return self._raw[artifact]
|
||
|
||
def content(self, artifact: str) -> Any:
|
||
"""解析出来的内容，读不出来、不是 JSON 的是 None。不看哈希：被改过的快照也要知道它记的遮罩。"""
|
||
if artifact not in self._json:
|
||
raw = self.raw(artifact)
|
||
try:
|
||
self._json[artifact] = json.loads(raw) if raw is not None else None
|
||
except ValueError:
|
||
self._json[artifact] = None
|
||
return self._json[artifact]
|
||
|
||
def intact(self, artifact: str) -> bool:
|
||
raw = self.raw(artifact)
|
||
return raw is not None and content_hash(bytes(raw)) == artifact
|
||
|
||
def masked(self, artifact: str) -> bool:
|
||
"""这份查询快照算不算带遮罩（整份不随文件附带、只给 id）：查询当时记下了遮罩列（mask_columns），或者它的数据源
|
||
现在设了遮罩（合并查询看它合并的那几个数据源），而且证明不了这条查询没碰遮罩列（_untouched）。比证据面板粗：
|
||
面板只遮那几列，这里要么原字节整份附带、要么只给 id——拿掉几格哈希就对不上了；文件会离开系统，遮罩只减少暴露，
|
||
宁可多挡。读不出来的快照不知道带没带遮罩，按带遮罩算；服务端的文件和 id 对不上的，里面的 SQL、列名都不可信，
|
||
也按带遮罩算。"""
|
||
if artifact not in self._masked:
|
||
self._masked[artifact] = _snapshot_masked(self.content(artifact), self._source_masks,
|
||
intact=self.intact(artifact), seen=self.seen)
|
||
return self._masked[artifact]
|
||
|
||
def hidden(self, artifact: str) -> set[str]:
|
||
"""一份读得出来的查询快照里值取自遮罩列的列（小写）：查询当时记下的、数据源现在设的遮罩列，加上 SQL 里给它们
|
||
改了名字的；SQL 认不出结果里哪一列取自哪一列的（解析不了的也算），整份的列（_derived_columns）。"""
|
||
if artifact not in self._hidden:
|
||
content = self.content(artifact)
|
||
base = _snapshot_hidden(content, self._source_masks) if isinstance(content, dict) else set()
|
||
self._hidden[artifact] = _derived_columns(content, base) if base else set()
|
||
return self._hidden[artifact]
|
||
|
||
def sure(self, artifact: str) -> set[str]:
|
||
"""一份读得出来的查询快照里确定取自遮罩列的列（小写），调用方交进来的（sure_columns，和报告撰写节点的写作目录同一个
|
||
口径）。没交、或者这份不在里面的，按 hidden 宁可多遮：认不准就当它取自遮罩列。"""
|
||
found = self._sure_columns.get(artifact) if self._sure_columns is not None else None
|
||
return {str(c).lower() for c in found} if found is not None else self.hidden(artifact)
|
||
|
||
def sure_seen(self) -> Any:
|
||
"""这次运行查到过的遮罩值，只收确定取自遮罩列的那几列（调用方交进来的 sure_secrets，同证据面板的 run_secrets）。
|
||
没交 sure_columns 的按 seen。"""
|
||
return self._sure_secrets if self._sure_columns is not None else self.seen()
|
||
|
||
def seen(self) -> Any:
|
||
"""这次运行里查到过的遮罩值（inquiry._Secrets，只用按值认得出的写法：够长的数、两个字以上的文字）：封存范围内
|
||
每份查询快照里值取自遮罩列的那几列（hidden）的格子。模型拿在遮罩查询里看到的号码去查别的表时，SQL 里没写遮罩列，
|
||
字面量却就是号码（_untouched）。认不出哪一列取自哪一列的快照（整行摊开的画像查询）整份的格子都算：同一次运行里
|
||
别的查询的字面量碰上其中哪个值，也只给哈希（宁可多挡）。这次运行里没查到过的（提问人写进问题的、别的运行里看到的）
|
||
认不出。只收一次。"""
|
||
if self._seen is None:
|
||
from app.engine.inquiry import _Secrets # inquiry 导入了 engine.nodes 里的模块：用到时再导入
|
||
|
||
seen = _Secrets()
|
||
for artifact in _run_queries(self._events, self):
|
||
content = self.content(artifact)
|
||
if isinstance(content, dict) and (hidden := self.hidden(artifact)):
|
||
seen.add(content, hidden)
|
||
self._seen = seen
|
||
return self._seen
|
||
|
||
def card_masked(self, artifact: str, events: Sequence[tuple[int, str, str | None, Any]]) -> bool:
|
||
"""这张口径卡算不算带遮罩：卡上有一个输入取自遮罩列，或者遮没遮核对不了。卡上记着每个输入的值（cell() 取的格、
|
||
Agent 字段、按位置取的 vars.res.rows[0][2]）和代入式，整张卡不随文件附带——没法只拿掉几个值，拿掉了哈希就对不上。
|
||
|
||
认哪个输入取自哪份查询结果的哪几列，和证据面板、推演同一个认法（recompute.input_origin）；按位置取的一格顺着
|
||
取值链从写变量的节点在口径卡算这一次之前的产出起走。那几列算不算遮罩列，除了列名对上的，SQL 里给遮罩列起了别名、
|
||
套了函数、经子查询或 WITH 转了一道的也算（hidden，同质询、双盲复算的认法）；SQL 认不出结果里哪一列取自哪一列的
|
||
（解析不了、列名表、整行引用这类，快照本身因此只给哈希），整份快照的列都算，两条路的判断一致。核对不了的宁可多挡：
|
||
快照读不出来、取值链上的产出读不出来、那份结果没存快照只带着数据源名、定位里没写列。认得出、可结果既没带快照的 id
|
||
也没带数据源名的（数据整形改过形状）认不出出处，不算。
|
||
|
||
卡本身按解析出来的内容认，不看哈希（同 content）：服务端的文件被改过，嵌进页面的照样是这份原字节，卡上记着的号码
|
||
也照样在里面。读得出字节、解析不出一张卡的（截断的 JSON、不是对象）认不出有哪些输入，整张按带遮罩算，和读不出来的
|
||
快照按带遮罩算（_snapshot_masked）是同一个道理。字节都读不出来的卡本来就不嵌（只给 id、标缺失），这里不管。"""
|
||
key = f"card:{artifact}"
|
||
if key not in self._masked:
|
||
card = self.content(artifact)
|
||
if not isinstance(card, dict):
|
||
self._masked[key] = self.raw(artifact) is not None
|
||
return self._masked[key]
|
||
output = self._outputs_of(artifact, events)
|
||
metrics = [metric for metric in card.get("metrics") or [] if isinstance(metric, dict)]
|
||
items = [item for metric in metrics for item in metric.get("inputs") or [] if isinstance(item, dict)]
|
||
# 另按指标认：值不给的指标（metric_word，遮罩列宁可多遮的那一套）——按位置取的整行、下标不是字面量的一格，整份
|
||
# 结果里带着遮罩列、值里就是号码的，转抄上游口径卡里这类指标的，上面只认字面量下标一格的那一套认不出，卡上记着的
|
||
# 值照样是号码。转抄来的输入另看一遍（_copies_masked）：卡上记着转抄来的值本身，指标的值照给时它也可能是号码
|
||
self._masked[key] = any(self._input_masked(item, output) for item in items) \
|
||
or any(self.metric_word(artifact, metric, events) is not None or self._copies_masked(artifact, metric)
|
||
for metric in metrics)
|
||
return self._masked[key]
|
||
|
||
def _copies_masked(self, card: str, metric: dict[str, Any]) -> bool:
|
||
"""卡上这个指标转抄来的输入带不带遮罩（metric_word 认过之后才看得到）：转抄的那张卡有指标不给（哪种写法都一样，
|
||
recompute.CopyEdge.card）、读到的上游指标核对不了，卡上记着的就是转抄来的值（嵌在下标里、指标的值照给时也一样）；
|
||
整张卡、清单文字转抄、读到的产出里有指标核对不了的（table_unverified），记着的值（清单文字逐条写着「指标（名称）
|
||
= 值」）里有这次运行查到过的遮罩值才算，记成「[3 项]」这种大概的不算。"""
|
||
judged = self._graph(False).judged.get(_metric_key(card, metric, self.content(card)))
|
||
if judged is None:
|
||
return False
|
||
values = {str(i.get("path")): i.get("value") for i in metric.get("inputs") or [] if isinstance(i, dict)}
|
||
for path, (kind, _, _) in judged.copied.items():
|
||
if kind in ("masked", "unverified"):
|
||
return True
|
||
if kind is not None and carries_masked(values.get(path), self.seen()):
|
||
return True
|
||
return False
|
||
|
||
def metric_word(self, card: str, metric: dict[str, Any], events: Sequence[tuple[int, str, str | None, Any]], *,
|
||
sure: bool = False) -> str | None:
|
||
"""口径卡 card 上一个指标的值给不给：None 照给；"masked" 不给（值取自遮罩列的一格、一行，或者整份结果里带着遮罩列、
|
||
值里就有这次运行查到过的遮罩值）；"unverified" 遮没遮核对不了。和证据面板指标步骤的值同一个判断（api/evidence.py
|
||
的 _metric_masks，by_value=False：输入的出处按 recompute.input_origin 的 wide 认，转抄上游口径卡的按那张卡在依赖图上
|
||
认，recompute.masked_closure，最后交给 recompute.withheld_value）。只按出处认：认不出出处的输入（写死的
|
||
目标、数据整形算出来的数）值碰巧等于遮罩列里的某一格，不因此算——不然普通报告里的这种指标在文件里也核对不了，
|
||
老文档也整份只给哈希。
|
||
|
||
遮罩列两种认法：
|
||
- 默认（认口径卡能不能随文件附带，card_masked）：按这份文件自己的认法宁可多遮（hidden：SQL 认不准时整份的列都算；
|
||
快照读不出来、和 id 对不上的，按它的数据源现在设的遮罩），遮罩值用 seen。卡上记着输入的值，附带了就带出去了
|
||
- sure（认老文档，doc_withheld）：只按确定取自遮罩列的认（sure，调用方按写作目录的口径认好交进来），遮罩值用
|
||
sure_seen。和报告撰写节点写作时认的一样：现在的报告撰写节点照给的普通指标，老文档里写着它也照常附带
|
||
|
||
依赖图按 (指标集工件, 指标在卡上的位置) 认指标，两种认法各一张、构建里认过的记下来：卡转抄卡、循环里每一次执行都
|
||
转抄上一次的产出时，每个指标只认一次，和追了几层无关。转抄的保守规则按整张卡认（recompute.CopyEdge.card）：转抄的
|
||
那张卡在封存范围内的任何一次执行里有一个指标不给，转抄出来的就不给，同写作目录。"""
|
||
key = _metric_key(card, metric, self.content(card))
|
||
graph = self._graph(sure)
|
||
if key not in graph.judged:
|
||
fresh = self._build(graph, key, card, metric, events, sure)
|
||
graph.judged.update(masked_closure({k: graph.links[k] for k in fresh}, graph.judged,
|
||
self.sure_seen if sure else self.seen))
|
||
return graph.judged[key].word
|
||
|
||
def _graph(self, sure: bool) -> "_Graph":
|
||
if sure not in self._graphs:
|
||
self._graphs[sure] = _Graph()
|
||
return self._graphs[sure]
|
||
|
||
def _build(self, graph: "_Graph", key: Any, card: str, metric: dict[str, Any],
|
||
events: Sequence[tuple[int, str, str | None, Any]], sure: bool) -> list[Any]:
|
||
"""认好 key 和顺着转抄的边够得着、还没认过的指标（转抄以外的输入），交回这一批新认的键，同 api/evidence.py 的
|
||
_CopyGraph._build。转抄一张卡时它在封存范围内每一次执行的每个指标都放进来（_executions）；上游的指标按上游那张卡
|
||
那一次执行之前的产出认（_card_outputs）；卡上没记输入的指标不放。"""
|
||
fresh: list[Any] = []
|
||
todo = [(key, card, metric, self._owner(card))]
|
||
while todo:
|
||
key, art, item_metric, owner = todo.pop()
|
||
if key in graph.links:
|
||
continue
|
||
output = self._outputs_of(art, events)
|
||
links = MetricLinks(item_metric, card=owner)
|
||
for item in item_metric.get("inputs") or []:
|
||
if not isinstance(item, dict):
|
||
continue
|
||
path = str(item.get("path"))
|
||
copied = card_input(item, output)
|
||
if copied is not None:
|
||
upstream: list[Any] = []
|
||
# 转抄的是哪张卡：按读到的产出上记着的指标集认（经数据整形赋给变量的也认得出），认不出的按取值链上的节点
|
||
owner = copied.node_id
|
||
if copied.card is not None:
|
||
up_card = str(copied.card.get("artifact") or "")
|
||
owner = self._owner(up_card) or copied.node_id
|
||
for index in copied.picked:
|
||
up_metric = copied.card["metrics"][index]
|
||
if isinstance(up_metric, dict) and up_metric.get("inputs"):
|
||
up = (up_card or ("node", copied.node_id, id(copied.card)), index)
|
||
upstream.append(up)
|
||
todo.append((up, up_card, up_metric, owner))
|
||
for run_art in self._executions(owner):
|
||
content = self.content(run_art)
|
||
metrics = content.get("metrics") if isinstance(content, dict) else None
|
||
for index, up_metric in enumerate(metrics if isinstance(metrics, list) else []):
|
||
if isinstance(up_metric, dict) and up_metric.get("inputs"):
|
||
todo.append(((run_art, index), run_art, up_metric, owner))
|
||
links.copies.append(CopyEdge(path, tuple(upstream), copied.whole, copied.unreadable, card=owner))
|
||
continue
|
||
kind = self._input_kind(item, output, sure=sure)
|
||
if kind is not None:
|
||
links.direct[path] = (kind, ())
|
||
graph.links[key] = links
|
||
fresh.append(key)
|
||
return fresh
|
||
|
||
def _executions(self, node_id: str) -> list[str]:
|
||
"""口径卡 node_id 在封存范围内每一次执行的指标集工件（node.finished 台账里的 metric_set 条目），按先后。转抄的保守
|
||
规则按整张卡、每一次执行认（recompute.CopyEdge.card）。按解析出来的内容认、不看哈希（同 card_masked）：被改过的文件
|
||
只会多认出不给的指标；读到的那一次产出读不出来另有 CardInput.unreadable 兜着。"""
|
||
self._index_runs()
|
||
return (self._runs or {}).get(str(node_id or ""), [])
|
||
|
||
def _owner(self, card: str) -> str | None:
|
||
"""指标集工件 card 是哪张口径卡（节点 id）的产出，按封存范围内的台账认；认不出的是 None。"""
|
||
self._index_runs()
|
||
return self._owners.get(card)
|
||
|
||
def _index_runs(self) -> None:
|
||
if self._runs is not None:
|
||
return
|
||
runs: dict[str, list[str]] = {}
|
||
for _, etype, node_id, data in self._events:
|
||
if etype != EventType.NODE_FINISHED or not node_id or not isinstance(data, dict):
|
||
continue
|
||
for entry in data.get("evidence") or []:
|
||
if isinstance(entry, dict) and entry.get("kind") == "metric_set" \
|
||
and isinstance(entry.get("artifact"), str) and entry["artifact"]:
|
||
runs.setdefault(str(node_id), []).append(entry["artifact"])
|
||
self._owners.setdefault(entry["artifact"], str(node_id))
|
||
self._runs = {node_id: list(dict.fromkeys(found)) for node_id, found in runs.items()}
|
||
|
||
def _outputs_of(self, card: str, events: Sequence[tuple[int, str, str | None, Any]]) -> Callable[[Any], Any]:
|
||
"""口径卡 card 那一次执行之前每个节点的产出（_card_outputs）：节点 id → 读出来的内容，读不出来、和 id 对不上的是
|
||
None。同一张卡只找一次。"""
|
||
if card not in self._card_outputs:
|
||
self._card_outputs[card] = _card_outputs(events, card)
|
||
outputs = self._card_outputs[card]
|
||
|
||
def output(node_id: Any) -> Any:
|
||
found = outputs.get(str(node_id or ""))
|
||
return self.content(found) if found and self.intact(found) else None
|
||
|
||
return output
|
||
|
||
def _input_kind(self, item: dict[str, Any], output: Callable[[Any], Any], *, sure: bool = False) -> str | None:
|
||
"""一个输入（转抄上游口径卡的除外）不给值的原因，同 api/evidence.py 的 _InputMasks.check：取自遮罩列的一格、一行是
|
||
"masked"，整份结果是 "table"（它不一定把哪一格带进指标，指标的值另按值认），遮没遮核对不了的是 "unverified"
|
||
（取值链上的产出读不出来、快照读不出来、结果没存快照只带着数据源名），给值的、认不出出处的（常量、运行输入、数据
|
||
整形算出来的一格）是 None。"""
|
||
origin = input_origin(item, output, wide=True)
|
||
if origin is None:
|
||
return None
|
||
if origin.unverified is not None:
|
||
return "unverified"
|
||
used = list(dict.fromkeys(origin.columns))
|
||
if not used:
|
||
return None
|
||
readable = bool(origin.artifact) and self.intact(str(origin.artifact)) \
|
||
and isinstance(self.content(str(origin.artifact)), dict)
|
||
if readable:
|
||
hidden = self.sure(str(origin.artifact)) if sure else self.hidden(str(origin.artifact))
|
||
else:
|
||
# 读不出来、和 id 对不上的快照：查询当时记下的遮罩在快照里，只能按它的数据源现在设的认
|
||
source = origin.source or (self.query_source(origin.artifact) if origin.artifact else None)
|
||
now = self._source_masks.get(str(source or ""))
|
||
hidden = {str(c).lower() for c in now} if isinstance(now, (list, tuple, set, frozenset)) else set()
|
||
if any(c.lower() in hidden for c in used):
|
||
return "table" if origin.table else "masked"
|
||
if (origin.artifact and not readable) or (not origin.artifact and origin.source):
|
||
return "table" if origin.table else "unverified"
|
||
return None
|
||
|
||
def query_source(self, artifact: str) -> str | None:
|
||
"""一份查询快照的数据源名，按封存范围内的事件认（_query_sources）：快照读不出来时认它的数据源现在设的遮罩。"""
|
||
if self._sources is None:
|
||
self._sources = _query_sources(self._events)
|
||
return self._sources.get(artifact)
|
||
|
||
def doc_withheld(self, doc_id: str) -> bool:
|
||
"""这份报告文档的证据目录里还带着值不给的指标的原值：升级前的报告撰写节点生成的老文档（或者生成之后数据源才设的
|
||
遮罩），目录收着上游口径卡的全部指标（没被引用的也收），值、渲染、标签原样写着，正文引用了的话正文里也是。整份只给
|
||
哈希、不嵌入，它的正文也不随节点完成事件带出去。现在的报告撰写节点把这些指标写成「已遮罩」、记 masked
|
||
（evidence.withhold_metrics），不算。
|
||
|
||
哪些指标的值不给按 metric_word 的 sure 认，只算「不给」（"masked"）的，和写作时报告撰写节点认的一样：SQL 认不准、
|
||
整份遮的快照里没确定取自遮罩列的普通金额，现在的报告撰写节点照给，老文档里写着它也照常附带。遮没遮核对不了的、
|
||
目录里的口径卡读不出来或找不到这个指标的，按值认：值就是这次运行查到过的遮罩值才算（sure_seen）。按解析出来的内容认，
|
||
不看哈希（同 card_masked）：服务端的文件被改过，嵌进页面的照样是这份原字节。"""
|
||
if doc_id not in self._docs:
|
||
self._docs[doc_id] = bool(self.withheld_aliases(self.content(doc_id)))
|
||
return self._docs[doc_id]
|
||
|
||
def withheld_aliases(self, doc: Any) -> frozenset[str]:
|
||
"""这份文档的证据目录里还带着原值、值却不给的那几个指标（目录里的别名），认法见 doc_withheld。"""
|
||
catalog = doc.get("catalog") if isinstance(doc, dict) else None
|
||
if not isinstance(catalog, dict):
|
||
return frozenset()
|
||
return frozenset(str(alias) for alias, entry in catalog.items()
|
||
if isinstance(entry, dict) and entry.get("kind") == "metric" and not entry.get("masked")
|
||
and entry.get("value") is not None and self._carries_withheld(entry))
|
||
|
||
def _carries_withheld(self, entry: dict[str, Any]) -> bool:
|
||
artifact = entry.get("artifact")
|
||
card = self.content(artifact) if isinstance(artifact, str) and artifact else None
|
||
wanted = (entry.get("locator") or {}).get("metric") if isinstance(entry.get("locator"), dict) else None
|
||
metric = next((m for m in card.get("metrics") or [] if isinstance(m, dict) and m.get("id") == wanted), None) \
|
||
if isinstance(card, dict) else None
|
||
word = self.metric_word(str(artifact), metric, self._events, sure=True) if metric is not None else "unverified"
|
||
return word == "masked" or (word == "unverified" and carries_masked(entry.get("value"), self.sure_seen()))
|
||
|
||
def _input_masked(self, item: dict[str, Any], output: Callable[[Any], Any]) -> bool:
|
||
origin = input_origin(item, output)
|
||
if origin is None:
|
||
return False
|
||
if origin.unverified is not None:
|
||
return True
|
||
if origin.artifact is None:
|
||
return origin.source is not None # 没存快照：查询当时记下的遮罩无从核对
|
||
content = self.content(origin.artifact)
|
||
if not self.intact(origin.artifact) or not isinstance(content, dict):
|
||
return True
|
||
if not origin.columns:
|
||
return self.masked(origin.artifact)
|
||
hidden = self.hidden(origin.artifact)
|
||
return any(c.lower() in hidden for c in origin.columns)
|
||
|
||
|
||
class _Graph:
|
||
"""一种认法下这次构建认过的指标依赖图（_Store.metric_word）：键 → 转抄以外的输入和转抄的边（MetricLinks）、认出来的
|
||
结论（Judged）。"""
|
||
|
||
def __init__(self) -> None:
|
||
self.links: dict[Any, MetricLinks] = {}
|
||
self.judged: dict[Any, Judged] = {}
|
||
|
||
|
||
def _metric_key(card: str, metric: dict[str, Any], content: Any) -> Any:
|
||
"""一个指标在依赖图上的键：(指标集工件, 指标在卡上的位置)，转抄的边按同样的键指到上游；不是这张卡上的那个指标对象的
|
||
（调用方另取来的）按对象本身认，不和别的指标混在一起，同 api/evidence.py 的 _metric_key。"""
|
||
metrics = content.get("metrics") if isinstance(content, dict) and isinstance(content.get("metrics"), list) else []
|
||
index = next((i for i, m in enumerate(metrics) if m is metric), None)
|
||
return (card, index) if index is not None and card else ("metric", id(metric))
|
||
|
||
|
||
def _snapshot_masked(content: Any, source_masks: Mapping[str, Any], *, intact: bool,
|
||
seen: Callable[[], Any] | None = None) -> bool:
|
||
if not isinstance(content, dict):
|
||
return True
|
||
recorded = content.get("mask_columns")
|
||
sources = content.get("sources") if content.get("source") == MERGE_SOURCE else [content.get("source")]
|
||
if not (isinstance(recorded, list) and any(isinstance(c, str) and c.strip() for c in recorded)) \
|
||
and not any(source_masks.get(str(name or "")) for name in sources or []):
|
||
return False
|
||
return not (intact and _untouched(content, _snapshot_hidden(content, source_masks), seen))
|
||
|
||
|
||
def _snapshot_hidden(content: dict[str, Any], source_masks: Mapping[str, Any]) -> set[str]:
|
||
"""一份读得出来的快照要遮的列（小写）：查询当时记下的，加上它的数据源（合并查询看它合并的那几个）现在设的。"""
|
||
recorded = content.get("mask_columns")
|
||
hidden = {c.lower() for c in recorded if isinstance(c, str)} if isinstance(recorded, list) else set()
|
||
sources = content.get("sources") if content.get("source") == MERGE_SOURCE else [content.get("source")]
|
||
for name in sources if isinstance(sources, list) else []:
|
||
now = source_masks.get(str(name or ""))
|
||
hidden |= {str(c).lower() for c in now} if isinstance(now, (list, tuple, set, frozenset)) else set()
|
||
return hidden
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 设了遮罩的数据源上的查询：能不能证明没碰遮罩列
|
||
# --------------------------------------------------------------------------
|
||
|
||
#: 数据源查询工具（tools/datasource.py）落的查询快照里会有的键。有别的键的（比如核查 agent 在查询时就把遮罩列换成
|
||
#: 「已遮罩」、另记下了遮了哪些列）不知道它记着什么，照现有规则只给 id
|
||
_QUERY_KEYS = frozenset({"columns", "rows", "row_count", "truncated", "elapsed_ms", "sql", "column_types", "source",
|
||
"checks", "schema_artifact", "mask_columns", "data_version"})
|
||
#: 导出时只知道数据源设的遮罩、不知道是哪种库：SQL 按每种支持的库的读法各解析一遍（None 是 sqlglot 的通用读法），
|
||
#: 至少一种读得通，读得通的每一种都要过关
|
||
_READINGS = (None, "sqlite", "mysql", "postgres", "oracle")
|
||
#: 语法树和数据库实际执行的对不上的写法（MySQL 会执行的注释、Postgres 的 U&"…"），不点列名也读得出表里内容的写法（表名、
|
||
#: SQL 写在字符串里交给函数，按页按文件读的原始数据，统计信息、会话记录里存着值的）：和核查 agent 的工具边界共用一份名单
|
||
#: （engine/masking.py 的 OPAQUE_SQL、indirect_reads），这里另把系统 schema 整个算上（只决定附不附快照，宁可多挡）。SQL
|
||
#: 原文里出现就按碰了遮罩列算，写在字符串里的也算
|
||
_OPAQUE_SQL = OPAQUE_SQL
|
||
_INDIRECT_READS = indirect_reads(*SYSTEM_SCHEMAS)
|
||
#: Postgres 的函数记法（m.to_jsonb 就是 to_jsonb(m)）下能把一整行交出来的内置函数（_whole_row）：只收一个参数、收得下
|
||
#: 整行（record、anyelement、"any" 这类），交回的值里带着整行。汇总函数也能这么写：any_value、*_agg 交回整行，max、min
|
||
#: 交回最大、最小的那一整行。照 PG 18 的 pg_proc 逐个对过：只交回个数、大小、类型、哈希的不算，这么写会报错的（伪类型的
|
||
#: 输出函数、要成对参数的 json_build_object、要 WITHIN GROUP 的 mode）也不算；扩展里的只认 hstore，自己建的函数这里不知道
|
||
_ROW_FUNCTIONS = frozenset({"to_json", "to_jsonb", "row_to_json", "hstore", "quote_literal", "quote_nullable",
|
||
"concat", "json_build_array", "jsonb_build_array", "record_out", "record_send",
|
||
"array_agg", "json_agg", "jsonb_agg", "json_agg_strict", "jsonb_agg_strict", "any_value",
|
||
"max", "min"})
|
||
|
||
|
||
def _untouched(snapshot: dict[str, Any], hidden: set[str], seen: Callable[[], Any] | None = None) -> bool:
|
||
"""数据源设了遮罩的一份查询快照，能不能证明这条查询没碰遮罩列（快照里不会有遮罩值）。全部满足才算，能证明的照常
|
||
随文件附带：
|
||
- 认得这份快照：数据源查询工具落的那种（不是合并查询，没有不认识的键），SQL、列名、行都在；
|
||
- 结果的列名对不上遮罩列（按数据库交回的列名，不论大小写）；
|
||
- SQL 原文里没写到遮罩列，条件里、COUNT 里也不行：SQL 随快照一起附带，WHERE phone = '…' 的字面量就是遮罩值；
|
||
FROM 里的表函数吃进遮罩列时（unnest(ARRAY[phone])），它交出的列取自哪一列也认不出。这一条比「按 SQL 认不出结果列
|
||
取自遮罩列」更严，有意的：COUNT(DISTINCT phone) 这类结果里没有号码的也只给哈希。连字符串、注释里写到的也算（宁可
|
||
多挡）；
|
||
- 没有语法树认不准的写法（_OPAQUE_SQL），也没有不点列名也读得出表里内容的写法（_INDIRECT_READS）；
|
||
- SQL 解析得了；字面量里没写着这次运行里查到过的遮罩值（seen，_quotes）；每种读得通的读法下，没有认不出结果里哪一列
|
||
取自哪一列的写法（_stray_columns：列名表、整行引用、可能展开出遮罩列的 *），按 SQL 认遮罩列的那一套
|
||
（inquiry._derived_hidden，双盲复算、审批质询用的同一个）也认不出哪个结果列取自遮罩列。SQL 里没写到遮罩列时它本来
|
||
就认不出，这一条是同一套认法的第二道关，那一套以后认得更多时跟着收紧。
|
||
判断过程出错按碰了算。和证据面板一样只按列名认遮罩：视图、别的表里换了名字存着的遮罩列，自己建的函数，都认不出
|
||
（遮罩只减少暴露，不是安全边界）。hidden 是要遮的列（小写，_snapshot_hidden）；seen 交回这次运行里查到过的遮罩值
|
||
（_Store.seen）。"""
|
||
names = {name.strip() for name in hidden if name.strip()}
|
||
sql, columns = snapshot.get("sql"), snapshot.get("columns")
|
||
if not names or snapshot.get("source") == MERGE_SOURCE or not set(snapshot) <= _QUERY_KEYS \
|
||
or not isinstance(sql, str) or not sql.strip() or not isinstance(snapshot.get("rows"), list) \
|
||
or not isinstance(columns, list) or not all(isinstance(c, str) for c in columns):
|
||
return False
|
||
result = {c.strip().lower() for c in columns}
|
||
if result & names or _writes_any(sql, names) or _OPAQUE_SQL.search(sql) or _INDIRECT_READS.search(sql):
|
||
return False
|
||
try:
|
||
from app.data.sql_semantics import _parse, _read
|
||
from app.engine.inquiry import _derived_hidden # inquiry 导入了 engine.nodes 里的模块：用到时再导入
|
||
|
||
readings = [(kind, tree) for kind in _READINGS for tree in [_parse(sql, _read(kind))[0]] if tree is not None]
|
||
if not readings or (seen is not None and _quotes([tree for _, tree in readings], seen())):
|
||
return False
|
||
return not any(
|
||
_stray_columns(tree) or result & {c.lower() for c in _derived_hidden(dict(snapshot), set(names), kind)[0]}
|
||
for kind, tree in readings)
|
||
except Exception: # noqa: BLE001 - 解析器、认遮罩列的那一套出了意外：按碰了遮罩列算（宁可多挡）
|
||
logger.warning("可验证报告：判断查询快照有没有碰遮罩列时出错，按碰了处理", exc_info=True)
|
||
return False
|
||
|
||
|
||
def _derived_columns(snapshot: dict[str, Any], base: set[str]) -> set[str]:
|
||
"""一份快照里值取自遮罩列的结果列（小写）：遮罩列本身（base），加上 SQL 里给它们起别名、套函数、经子查询或 WITH
|
||
转一道得来的（inquiry._derived_hidden，质询、双盲复算同一个认法）。SQL 按每种读得通的读法各认一遍、合起来。认不出
|
||
结果里哪一列取自哪一列的，整份的列都算：每种读法都解析不了、没有 SQL 的，语法树认不准、不点列名也读得出表里内容的
|
||
写法（_OPAQUE_SQL、_INDIRECT_READS），以及哪一种读法下有列名表、整行引用、不照原名展开的 *、吃进遮罩列的表函数的
|
||
（_renamed）——快照本身因此只给哈希，口径卡上取自它的值也一样。解析不了的不退回那一套：它解析不了时只看 SQL 里写没
|
||
写着遮罩列，没写就只认遮罩列本身，卡上取自整行的值认不出。合并查询照那一套的办法不看 SQL（它记着自己的来历）。
|
||
出错时整份的列都算（宁可多挡）。"""
|
||
columns = snapshot.get("columns")
|
||
every = set(base) | ({str(c).lower() for c in columns} if isinstance(columns, list) else set())
|
||
try:
|
||
from app.data.sql_semantics import _parse, _read
|
||
from app.engine.inquiry import _derived_hidden
|
||
|
||
if snapshot.get("source") == MERGE_SOURCE:
|
||
return set(base) | {c.lower() for c in _derived_hidden(dict(snapshot), set(base), None)[0]}
|
||
sql = snapshot.get("sql")
|
||
if not isinstance(sql, str) or _OPAQUE_SQL.search(sql) or _INDIRECT_READS.search(sql):
|
||
return every
|
||
readings = [(kind, tree) for kind in _READINGS for tree in [_parse(sql, _read(kind))[0]] if tree is not None]
|
||
if not readings:
|
||
return every
|
||
out = set(base)
|
||
for kind, tree in readings:
|
||
found, names = _derived_hidden(dict(snapshot), set(base), kind)
|
||
if _renamed(tree, {n.lower() for n in names}):
|
||
return every
|
||
out |= {c.lower() for c in found}
|
||
return out
|
||
except Exception: # noqa: BLE001 - 认遮罩列的那一套出了意外：整份的列都按遮罩算
|
||
logger.warning("可验证报告：按 SQL 认改了名字的遮罩列时出错，整份快照的列都按遮罩处理", exc_info=True)
|
||
return every
|
||
|
||
|
||
def _writes_any(sql: str, names: Iterable[str]) -> bool:
|
||
"""SQL 原文里有没有写到这些名字：不论大小写，前后不是字母、数字、下划线（引号、括号、点都算隔开）。"""
|
||
return any(re.search(rf"(?<![0-9A-Za-z_]){re.escape(n)}(?![0-9A-Za-z_])", sql, re.I) for n in names if n)
|
||
|
||
|
||
def _quotes(trees: Iterable[Any], secrets: Any) -> bool:
|
||
"""SQL 的字面量（'…'、数、$$…$$、E'…'、N'…'、U&'…'，MySQL 读法下的 "…"）里有没有写着按值认得出的遮罩值（secrets
|
||
是 inquiry._Secrets）。只看字面量：守卫已经去掉了注释；表名、列名碰巧和哪个值一样不算（整行摊开的画像查询把列名
|
||
当值交了出来，那些列名会出现在别的 SQL 里）。trees 是各种读法解析出来的语法树，字面量合起来看。"""
|
||
from sqlglot import exp
|
||
|
||
kinds = (exp.Literal, exp.RawString, exp.National, exp.UnicodeString, exp.ByteString)
|
||
texts = {node.this for tree in trees for node in tree.walk()
|
||
if isinstance(node, kinds) and isinstance(node.this, str)}
|
||
for text in texts:
|
||
pattern = secrets.pattern(text)
|
||
if pattern is not None and pattern.search(text):
|
||
return True
|
||
return False
|
||
|
||
|
||
def _stray_columns(tree: Any) -> bool:
|
||
"""语法树里有没有认不出结果里哪一列取自哪一列的写法。有的话，就算 SQL 里没写到遮罩列、结果的列名也对不上，结果里
|
||
照样可能是遮罩列的值：
|
||
- 列名表、整行引用（_listed_or_whole）；
|
||
- 可能展开出遮罩列的 *：展开了数据源里的表（隔着几层派生来源也算，_star_reaches），又不是只按名字往外传的那几种
|
||
（_contained）。COUNT(*) 只数个数，不算。"""
|
||
if _listed_or_whole(tree):
|
||
return True
|
||
memo: dict[int, bool] = {}
|
||
return any(_star_reaches(node, memo) and not _contained(node) for node in _stars(tree))
|
||
|
||
|
||
def _renamed(tree: Any, names: set[str]) -> bool:
|
||
"""结果里可能有遮罩列的值、列名却和 SQL 里认得出的名字对不上的写法（口径卡按列名认遮罩列，这几种认不出）：
|
||
- 列名表、整行引用（_listed_or_whole）；
|
||
- 不照原名展开的 *：UNION 这类里按位置对上第一支列名的，套在表达式、标量子查询里装进一列的。最外层直接写的 *、
|
||
只按名字往外传的（_contained）照原名展开，遮罩列在结果里还叫原来的名字；
|
||
- FROM、JOIN 里的表函数（UNNEST、ROWS FROM 这类，_table_function）吃进了遮罩列（names：SQL 里指代遮罩列的名字，
|
||
小写）：它交出的列叫什么、装着什么，SQL 里看不出。"""
|
||
from sqlglot import exp
|
||
|
||
if _listed_or_whole(tree) or any(not (_contained(node) or _outermost(node)) for node in _stars(tree)):
|
||
return True
|
||
return any(_table_function(source) and names & {c.name.lower() for c in source.find_all(exp.Column)}
|
||
for select in tree.find_all(exp.Select) for source in _sources(select))
|
||
|
||
|
||
def _listed_or_whole(tree: Any) -> bool:
|
||
"""有没有列名表（members AS m(a, b, c)、(…) AS t(a, b)、WITH t(a, b)：按位置给列改了名），或者整行引用
|
||
（Postgres 的 SELECT m、to_json(m)，_whole_row：一整行装进一列）。"""
|
||
from sqlglot import exp
|
||
|
||
return any(alias.columns for alias in tree.find_all(exp.TableAlias)) \
|
||
or any(_whole_row(column) for column in tree.find_all(exp.Column))
|
||
|
||
|
||
def _sources(select: Any) -> list[Any]:
|
||
"""一条 SELECT 的 FROM、JOIN 里的来源节点。括号括起来的一组连接（(members m JOIN orders o ON …)）摊开，里面每个
|
||
来源也算：组里的表函数看得见组里前面的来源，外层也看得见组里的名字（组写了别名时 Postgres 外层只认别名，这里宁可
|
||
多认）。"""
|
||
from_ = select.args.get("from_")
|
||
pending = ([from_.this] if from_ is not None and from_.this is not None else []) \
|
||
+ [join.this for join in select.args.get("joins") or [] if join.this is not None]
|
||
out: list[Any] = []
|
||
while pending:
|
||
source = pending.pop(0)
|
||
out.append(source)
|
||
head = _join_group(source)
|
||
if head is not None:
|
||
if head is not source:
|
||
out.append(head)
|
||
pending[:0] = [join.this for join in head.args["joins"] if join.this is not None]
|
||
return out
|
||
|
||
|
||
def _join_group(source: Any) -> Any:
|
||
"""括号括起来的一组连接里打头的那个来源（语法树里是一层括号包着一张带 joins 的表）；别的来源是 None。"""
|
||
from sqlglot import exp
|
||
|
||
node = source
|
||
while isinstance(node, exp.Subquery):
|
||
node = node.this
|
||
return node if isinstance(node, exp.Table) and node.args.get("joins") else None
|
||
|
||
|
||
def _derived(source: Any) -> Any:
|
||
"""FROM、JOIN 里的一个来源是派生来源（子查询、LATERAL、指向 WITH 里一段的名字）时，它的那块查询；数据源里的表、表函数、
|
||
VALUES 这类是 None（有哪些列、装着什么，SQL 里看不出）。"""
|
||
from sqlglot import exp
|
||
|
||
from app.data.sql_semantics import _visible_ctes
|
||
|
||
node = source.this if isinstance(source, exp.Lateral) else source
|
||
if isinstance(node, exp.Table):
|
||
if node.args.get("db") or node.args.get("catalog") or not isinstance(node.this, exp.Identifier):
|
||
return None
|
||
cte = _visible_ctes(node).get(node.name.lower())
|
||
if cte is None:
|
||
return None
|
||
node = cte.this
|
||
while isinstance(node, exp.Subquery):
|
||
node = node.this
|
||
return node if isinstance(node, (exp.Select, exp.SetOperation)) else None
|
||
|
||
|
||
def _table_function(source: Any) -> bool:
|
||
"""FROM、JOIN 里的一个来源是不是表函数这类（函数调用、UNNEST、ROWS FROM、VALUES，写没写 LATERAL 都一样）：既不是
|
||
数据源里的表，也不是派生来源。"""
|
||
from sqlglot import exp
|
||
|
||
if (isinstance(source, exp.Table) and isinstance(source.this, exp.Identifier)) or _join_group(source) is not None:
|
||
return False
|
||
return _derived(source) is None
|
||
|
||
|
||
def _leaves(block: Any) -> list[Any]:
|
||
"""一块查询的每一支，按先后：UNION 这类摊开，套在外面的括号去掉。"""
|
||
from sqlglot import exp
|
||
|
||
if isinstance(block, exp.Subquery):
|
||
return _leaves(block.this)
|
||
if isinstance(block, exp.SetOperation):
|
||
return _leaves(block.this) + _leaves(block.expression)
|
||
return [block]
|
||
|
||
|
||
def _whole_row(column: Any) -> bool:
|
||
"""一个名字是不是整行引用（Postgres 的 SELECT m、to_json(m)，函数记法的 m.to_jsonb：一整行装进一列）。
|
||
|
||
没写表名的，Postgres 先按列认：所在 SELECT 的派生来源明写出了叫这个名字的列，就是那一列；不然对上它看得见的某个来源
|
||
的名字（别名、表名、WITH 里的一段）就算。名字写在 FROM、JOIN 里的表函数的参数里时，只有排在这个表函数前面的派生
|
||
来源算数：它看不见后面的来源，(SELECT 1 AS m) s 排在后面，m 还是整行（_holder）。写了表名的，列名是 _ROW_FUNCTIONS
|
||
里的、表名对上看得见的来源才算，同样先按列认：那个来源是明写出了这一列的派生来源，t.max 就是那一列，不是 max(t)。
|
||
看得见的是所在 SELECT 和外层 SELECT 的 FROM、JOIN 里的来源。FROM、JOIN 里的表函数（UNNEST、ROWS FROM 这类）和
|
||
LATERAL 看得见同一层的来源：Postgres 的函数不写 LATERAL 也看得见（逗号、CROSS JOIN、JOIN … ON TRUE 都一样），整行
|
||
交给 jsonb_each_text 这类就一列列竖着摊开了；括号括起来的一组连接按同一层算（_sources 摊开）。FROM、JOIN 里的子查询
|
||
不写 LATERAL 看不见，WITH 里的一段也看不见。数据源里的表有哪些列这里不知道：碰巧和表、别名同名的列，碰巧叫 max、min
|
||
这类名字的列也算（宁可多挡）。"""
|
||
from sqlglot import exp
|
||
|
||
select = column.find_ancestor(exp.Select)
|
||
if isinstance(column.this, exp.Star) or not column.name or select is None:
|
||
return False
|
||
if column.table:
|
||
if column.name.lower() not in _ROW_FUNCTIONS:
|
||
return False
|
||
name, field = column.table.lower(), column.name.lower()
|
||
else:
|
||
name, field = column.name.lower(), None
|
||
sources = _sources(select)
|
||
if any(_names_column(_derived(source), name) for source in sources[:_holder(column, select, sources)]):
|
||
return False
|
||
child, node = column, column.parent
|
||
while node is not None:
|
||
# FROM、JOIN 里真的子查询（括号里是一条查询，不是一组连接）看不见同一层，WITH 里的一段也看不见
|
||
subquery = isinstance(child.this, exp.Subquery) and _derived(child.this) is not None
|
||
sees = child.arg_key != "with_" and not (child.arg_key in ("from_", "joins") and subquery)
|
||
found = [source for source in _sources(node) if (source.alias_or_name or "").lower() == name] \
|
||
if isinstance(node, exp.Select) and sees else []
|
||
if found:
|
||
return field is None or not any(_names_column(_derived(source), field) for source in found)
|
||
child, node = node, node.parent
|
||
return False
|
||
|
||
|
||
def _holder(column: Any, select: Any, sources: list[Any]) -> int | None:
|
||
"""名字写在所在 SELECT 的哪一个表函数（_table_function）的参数里：交回它在 sources 里的位置；写在选出项、条件、
|
||
ON 里的是 None（同一层的来源都看得见）。"""
|
||
places = {id(source): place for place, source in enumerate(sources) if _table_function(source)}
|
||
node = column.parent
|
||
while node is not None and node is not select:
|
||
if id(node) in places:
|
||
return places[id(node)]
|
||
node = node.parent
|
||
return None
|
||
|
||
|
||
def _names_column(block: Any, name: str) -> bool:
|
||
"""一个派生来源（_derived 交回的那块查询，None 是数据源里的表这类）明写出了叫这个名字的列：第一支的选出项里起了
|
||
这个别名、或者直接写着这一列（* 不算，展开出哪些列这里看不出）。"""
|
||
from sqlglot import exp
|
||
|
||
first = _leaves(block)[0] if block is not None else None
|
||
return isinstance(first, exp.Select) and any(
|
||
isinstance(item, (exp.Alias, exp.Column)) and not isinstance(item.this, exp.Star)
|
||
and item.alias_or_name.lower() == name for item in first.expressions)
|
||
|
||
|
||
def _stars(tree: Any) -> list[Any]:
|
||
"""语法树里的 *（t.* 取包着它的 Column），COUNT(*)、COUNT(t.*) 不算：只数个数。"""
|
||
from sqlglot import exp
|
||
|
||
nodes = [star.parent if isinstance(star.parent, exp.Column) else star for star in tree.find_all(exp.Star)]
|
||
return [node for node in nodes if not isinstance(node.parent, exp.Count)]
|
||
|
||
|
||
def _star_reaches(node: Any, memo: dict[int, bool]) -> bool:
|
||
"""这个 *（t.* 是 Column 包着的 *）展开了数据源里的表没有：t.* 看 FROM、JOIN 里叫 t 的那一个来源，单独的 * 看所在
|
||
SELECT 的全部来源。数据源里的表、表函数、VALUES 这类来源都算展开了；派生来源看它每一支选出项里的 * 展开了没有
|
||
（隔几层都一样）。t 对不上任何来源（外层的别名）、找不到所在的 SELECT，按展开了算。"""
|
||
from sqlglot import exp
|
||
|
||
select = node.find_ancestor(exp.Select)
|
||
if select is None:
|
||
return True
|
||
sources = _sources(select)
|
||
if isinstance(node, exp.Column):
|
||
sources = [s for s in sources if (s.alias_or_name or "").lower() == node.table.lower()]
|
||
if not sources:
|
||
return True
|
||
for source in sources:
|
||
block = _derived(source)
|
||
if block is None:
|
||
return True
|
||
if id(block) not in memo:
|
||
# 先记成展开了：递归的 WITH 绕回自己时按展开了算
|
||
memo[id(block)] = True
|
||
memo[id(block)] = any(not isinstance(leaf, exp.Select) or any(
|
||
_star_reaches(star, memo) for item in leaf.expressions for star in _stars(item))
|
||
for leaf in _leaves(block))
|
||
if memo[id(block)]:
|
||
return True
|
||
return False
|
||
|
||
|
||
def _contained(node: Any) -> bool:
|
||
"""展开出来的列只按名字往外传的 *：它就是一条 SELECT 的选出项本身（不套在表达式里），这条 SELECT 不在 UNION 这类
|
||
里，而且是 FROM / JOIN 里的派生来源、LATERAL、WITH 里的一段，或者 EXISTS / IN 里的子查询（只决定有没有、在不在）。
|
||
派生来源的列外层只能按名字取（取到遮罩列，名字就写在 SQL 里），或者再用一个 * 展开（那个 * 照样要过这一关），
|
||
或者整行交出去（整行引用另认，_whole_row）。最外层的 *（结果就是它展开的列）、UNION 里的、标量子查询里的都不算。"""
|
||
from sqlglot import exp
|
||
|
||
select = node.parent
|
||
if not isinstance(select, exp.Select) or node.arg_key != "expressions":
|
||
return False
|
||
outer = select
|
||
while isinstance(outer.parent, exp.Subquery):
|
||
outer = outer.parent
|
||
parent = outer.parent
|
||
if isinstance(parent, (exp.CTE, exp.Lateral, exp.Exists)):
|
||
return True
|
||
if isinstance(parent, (exp.From, exp.Join)):
|
||
return outer is not select
|
||
return isinstance(parent, exp.In) and outer.arg_key == "query"
|
||
|
||
|
||
def _outermost(node: Any) -> bool:
|
||
"""这个 * 是不是最外层那条 SELECT 的选出项本身（不套在表达式里，这条 SELECT 也不在 UNION 这类里）：展开的列照原来
|
||
的名字落进结果。"""
|
||
from sqlglot import exp
|
||
|
||
select = node.parent
|
||
if not isinstance(select, exp.Select) or node.arg_key != "expressions":
|
||
return False
|
||
outer = select
|
||
while isinstance(outer.parent, exp.Subquery):
|
||
outer = outer.parent
|
||
return outer.parent is None
|
||
|
||
|
||
def _card_outputs(events: Sequence[tuple[int, str, str | None, Any]], card: str) -> dict[str, str]:
|
||
"""算出这份指标集的那一次口径卡执行开始之前，每个节点最后一次的产出工件：卡上 vars.*、nodes.* 取到的就是它们
|
||
（和证据接口 api/evidence._card_outputs 同一个认法）。认不出是哪一次执行时取封存范围内每个节点最后一次的产出。"""
|
||
found = next(((seq, node_id) for seq, etype, node_id, data in events
|
||
if etype == EventType.NODE_FINISHED and isinstance(data, dict)
|
||
and any(isinstance(e, dict) and e.get("kind") == "metric_set" and e.get("artifact") == card
|
||
for e in data.get("evidence") or [])), None)
|
||
bound = None
|
||
if found is not None:
|
||
bound = max((seq for seq, etype, node_id, _ in events
|
||
if etype == EventType.NODE_STARTED and node_id == found[1] and seq < found[0]), default=found[0])
|
||
out: dict[str, str] = {}
|
||
for seq, etype, node_id, data in events:
|
||
if bound is not None and seq >= bound:
|
||
break
|
||
if etype == EventType.NODE_FINISHED and node_id and isinstance(data, dict) and data.get("artifact"):
|
||
out[node_id] = str(data["artifact"])
|
||
return out
|
||
|
||
|
||
def _query_sources(events: Iterable[tuple[int, str, str | None, Any]]) -> dict[str, str]:
|
||
"""封存范围内每份查询快照的数据源名：节点台账 query 条目记下的 source，数据源查询工具（db_query__<数据源>）交回的
|
||
快照按工具名认。快照读不出来时按它认数据源现在设的遮罩（同证据面板按台账认的 sealed.queries）。"""
|
||
out: dict[str, str] = {}
|
||
for _, etype, _, data in events:
|
||
if not isinstance(data, dict):
|
||
continue
|
||
if etype == EventType.TOOL_END and isinstance(data.get("query_artifact"), str):
|
||
tool = str(data.get("tool") or "")
|
||
if tool.startswith(QUERY_PREFIX) and tool[len(QUERY_PREFIX):]:
|
||
out.setdefault(data["query_artifact"], tool[len(QUERY_PREFIX):])
|
||
elif etype == EventType.NODE_FINISHED:
|
||
for entry in data.get("evidence") or []:
|
||
if isinstance(entry, dict) and entry.get("kind") == "query" and entry.get("artifact") \
|
||
and isinstance(entry.get("source"), str) and entry["source"]:
|
||
out[str(entry["artifact"])] = entry["source"]
|
||
return out
|
||
|
||
|
||
def _query_artifacts(events: Iterable[tuple[int, str, str | None, Any]]) -> list[str]:
|
||
"""封存范围内交回过的查询快照：tool.end / merge.end 的 query_artifact，节点台账里的 query 条目。"""
|
||
out: list[str] = []
|
||
for _, etype, _, data in events:
|
||
if not isinstance(data, dict):
|
||
continue
|
||
if etype in (EventType.TOOL_END, EventType.MERGE_END) and isinstance(data.get("query_artifact"), str):
|
||
out.append(data["query_artifact"])
|
||
elif etype == EventType.NODE_FINISHED:
|
||
out += [str(e["artifact"]) for e in data.get("evidence") or []
|
||
if isinstance(e, dict) and e.get("kind") == "query" and e.get("artifact")]
|
||
return list(dict.fromkeys(a for a in out if a))
|
||
|
||
|
||
_UNSEEN = object()
|
||
|
||
|
||
def _query_returned(data: Mapping[str, Any], store: _Store) -> tuple[str, str | None]:
|
||
"""一次数据源查询（db_query__ 工具的 tool.end）交回了什么：("snapshot", 查询快照 id)；("none", None) 没交回数据
|
||
（查询失败、SQL 被拒的那句原话）；认不出来是 ("unknown", None)。
|
||
|
||
新运行在 query_artifact 里直接记了快照 id。没记的有三种：查询没成功；升级前的运行（证据台账之前，tool.end 只有
|
||
工具快照，查询快照的 id 嵌在工具快照记下的返回里，照证据接口 _legacy_pool 的办法认）；协作团队成员的查询（连工具
|
||
快照都不落，只能看事件里的预览，长一点的返回被截断，解析不了）。"""
|
||
artifact = data.get("query_artifact")
|
||
if isinstance(artifact, str) and artifact:
|
||
return "snapshot", artifact
|
||
returned: Any = _UNSEEN
|
||
snapshot = data.get("artifact")
|
||
# 工具快照要哈希对得上、记的是同一个工具：被改过的不能拿来说这次查询没有遮罩
|
||
if isinstance(snapshot, str) and snapshot and store.intact(snapshot):
|
||
content = store.content(snapshot)
|
||
if isinstance(content, dict) and content.get("tool") == data.get("tool") and "result" in content:
|
||
returned = content["result"]
|
||
if returned is _UNSEEN:
|
||
preview = data.get("preview")
|
||
if not isinstance(preview, str):
|
||
return "unknown", None
|
||
returned = preview
|
||
if preview.startswith('"'):
|
||
# 调用工具节点的预览是把返回值再 json.dumps 一遍（文本外面套了一层引号），截断了就剥不开
|
||
try:
|
||
returned = json.loads(preview)
|
||
except ValueError:
|
||
return "unknown", None
|
||
fields = query_entry_fields(returned)
|
||
if fields:
|
||
return "snapshot", str(fields["artifact"])
|
||
# 数据源工具成功时交回的是 JSON 对象；不是对象的是一句原话，对象里没有 rows 的是报错
|
||
if isinstance(returned, str) and not returned.lstrip().startswith("{"):
|
||
return "none", None
|
||
if isinstance(returned, dict) and "rows" not in returned:
|
||
return "none", None
|
||
return "unknown", None
|
||
|
||
|
||
def _run_queries(events: Sequence[tuple[int, str, str | None, Any]], store: _Store) -> list[str]:
|
||
"""封存范围内查到过的查询快照：_query_artifacts 之外，升级前的运行从工具快照、预览里认出来的（_query_returned）。"""
|
||
out = _query_artifacts(events)
|
||
for _, etype, _, data in events:
|
||
if etype == EventType.TOOL_END and isinstance(data, dict) \
|
||
and str(data.get("tool") or "").startswith(QUERY_PREFIX):
|
||
artifact = _query_returned(data, store)[1]
|
||
if artifact:
|
||
out.append(artifact)
|
||
return list(dict.fromkeys(out))
|
||
|
||
|
||
def _masked_run(events: Sequence[tuple[int, str, str | None, Any]], store: _Store, cited: Iterable[str],
|
||
source_masks: Mapping[str, Any]) -> bool:
|
||
"""运行里有没有哪次查询的结果可能带着遮罩列。有的话，成果节点和运行结束事件的预览可能直接带出查询结果，只给哈希。
|
||
|
||
宁严勿宽：封存范围内每一次数据源查询都要对得上一份没有遮罩的查询快照，或者确实没交回数据，才算没有。数据源
|
||
现在设了遮罩的，按工具名就知道，不必去认快照；认不出查了什么的，按带遮罩算。"""
|
||
known = [*_query_artifacts(events), *cited]
|
||
for _, etype, _, data in events:
|
||
if etype != EventType.TOOL_END or not isinstance(data, dict):
|
||
continue
|
||
tool = str(data.get("tool") or "")
|
||
if not tool.startswith(QUERY_PREFIX):
|
||
continue
|
||
if source_masks.get(tool[len(QUERY_PREFIX):]):
|
||
return True
|
||
kind, artifact = _query_returned(data, store)
|
||
if kind == "unknown":
|
||
return True
|
||
if artifact:
|
||
known.append(artifact)
|
||
return any(store.masked(a) for a in dict.fromkeys(known))
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 报告文档和它引用到的工件
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
def _report_events(events: Iterable[tuple[int, str, str | None, Any]]) -> list[dict[str, Any]]:
|
||
"""每个报告节点最后一次自查记下的文档，按第一次出现的顺序。和证据接口（api/evidence._reports）同一个认法：
|
||
报告重写过的，认最后一次。"""
|
||
latest: dict[str, dict[str, Any]] = {}
|
||
for seq, etype, node_id, data in events:
|
||
if etype == EventType.REPORT_CHECKED and node_id and isinstance(data, dict) and data.get("doc_artifact"):
|
||
latest[node_id] = {"node_id": node_id, "doc_artifact": str(data["doc_artifact"]), "seq": seq}
|
||
return list(latest.values())
|
||
|
||
|
||
def _cited_artifacts(doc: dict[str, Any]) -> list[tuple[str, str, str | None]]:
|
||
"""报告正文引用到的口径卡和查询快照：(工件 id, 种类, 来源节点)，按正文顺序、去重。
|
||
|
||
看每个解析成功的引用（行内的数字、单元格，句末的 [[see:]]）在文档目录里指向的条目：指标条目指向口径卡，
|
||
查询条目指向快照。整表在组装时已经展开成每格一个单元格引用，不用另看。"""
|
||
catalog = doc.get("catalog") if isinstance(doc.get("catalog"), dict) else {}
|
||
out: list[tuple[str, str, str | None]] = []
|
||
for _, unit in iter_units(doc):
|
||
if not isinstance(unit, dict):
|
||
continue
|
||
cites = [s.get("cite") for s in unit.get("segments") or [] if isinstance(s, dict)]
|
||
for cite in [*cites, *(unit.get("see") or [])]:
|
||
if not isinstance(cite, dict) or cite.get("status") != "resolved":
|
||
continue
|
||
entry = catalog.get(cite.get("alias"))
|
||
kind = _CITED_KINDS.get(entry.get("kind")) if isinstance(entry, dict) else None
|
||
if kind and isinstance(entry.get("artifact"), str) and entry["artifact"]:
|
||
owner = entry.get("node_id")
|
||
out.append((entry["artifact"], kind, str(owner) if owner else None))
|
||
return list(dict.fromkeys(out))
|
||
|
||
|
||
def _card_input_queries(card: Any) -> list[tuple[str, str | None]]:
|
||
"""口径卡记着的输入引用的查询快照：(工件 id, 输入来自的节点)，按先后、按工件去重。
|
||
|
||
只认 cell() 取的格、Agent 交来的字段这两类带着定位的输入（nodes.*、input.* 的取值不走查询快照）。
|
||
卡是调用方确认过随文件附带的那份（遮罩的、文件不在的不进来）：出处面板据此展示每个输入的 SQL 和被引用的行。"""
|
||
out: list[tuple[str, str | None]] = []
|
||
seen: set[str] = set()
|
||
if not isinstance(card, dict):
|
||
return out
|
||
for metric in card.get("metrics") or []:
|
||
if not isinstance(metric, dict):
|
||
continue
|
||
for item in metric.get("inputs") or []:
|
||
if not isinstance(item, dict) or item.get("via") not in ("tool_cell", "agent_field"):
|
||
continue
|
||
artifact = item.get("artifact")
|
||
if not isinstance(artifact, str) or not artifact or artifact in seen:
|
||
continue
|
||
seen.add(artifact)
|
||
owner = item.get("node_id")
|
||
out.append((artifact, str(owner) if owner else None))
|
||
return out
|
||
|
||
|
||
def withheld_metric_aliases(doc: Any, *, read: Reader, events: Sequence[tuple[int, str, str | None, Any]] = (),
|
||
source_masks: Mapping[str, Any] | None = None,
|
||
sure_columns: Mapping[str, Iterable[str]] | None = None,
|
||
sure_secrets: Any = None) -> frozenset[str]:
|
||
"""报告文档的证据目录里还带着原值、值却不该给的指标（目录里的别名）：可验证报告据此把老文档整份只给哈希
|
||
（_Store.doc_withheld），报告导出成 HTML（api/evidence.export_report_html）据此把引用它们的片段写成「已遮罩」——两样
|
||
都要拿给系统外的人，同一个判断。参数同 build_bundle：events 是封存范围内的事件，sure_columns、sure_secrets 由调用方按
|
||
api/evidence.py 的 certain_masks 认好交进来。"""
|
||
store = _Store(read, source_masks or {}, events, sure_columns=sure_columns, sure_secrets=sure_secrets)
|
||
return store.withheld_aliases(doc)
|
||
|
||
|
||
class _Artifacts:
|
||
"""嵌进页面的工件清单，按先后：报告文档在前，接着是它引用到的。同一份只列一次。events 是封存范围内的事件
|
||
（认口径卡带不带遮罩时找写变量的节点当时的产出）。"""
|
||
|
||
def __init__(self, store: _Store, events: Sequence[tuple[int, str, str | None, Any]] = ()) -> None:
|
||
self.store = store
|
||
self.events = events
|
||
self.items: list[dict[str, Any]] = []
|
||
self._by_id: dict[str, dict[str, Any]] = {}
|
||
self._seen: set[str] = set()
|
||
|
||
def add(self, artifact: str, kind: str, node_id: str | None, *, masked: bool = False) -> dict[str, Any] | None:
|
||
"""列进清单的一份工件，交回它的条目（同一份只列一次，第二次交回第一次的）。masked：调用方另认出不能附带的
|
||
（报告文档的证据目录里带着值不给的指标的原值；报告文档里写成「已遮罩」的指标所在的口径卡），只给 id。"""
|
||
if artifact in self._seen:
|
||
return self._by_id[artifact]
|
||
self._seen.add(artifact)
|
||
item: dict[str, Any] = {"id": artifact, "kind": kind}
|
||
if node_id:
|
||
item["node_id"] = node_id
|
||
raw = self.store.raw(artifact)
|
||
if raw is None:
|
||
# 服务端的文件不在了：只给 id，浏览器照实说核对不了
|
||
item["missing"] = True
|
||
elif masked or (kind == "query" and self.store.masked(artifact)) \
|
||
or (kind == "metric_set" and self.store.card_masked(artifact, self.events)):
|
||
item["masked"] = True
|
||
# 不嵌内容，浏览器就算不出这份文件对不对得上：服务端自己看到的照实带上，核对页据此判不通过、说清原因。
|
||
# 以前被改过的卡原样嵌进去，浏览器自己算出对不上；现在不嵌了，这个证据不能跟着丢
|
||
if not self.store.intact(artifact):
|
||
item["mismatch"] = True
|
||
if not isinstance(self.store.content(artifact), dict):
|
||
item["unparsable"] = True
|
||
else:
|
||
# 原样嵌入，不在这里复验哈希：被改过的文件照实交出去，浏览器自己算出对不上
|
||
item["b64"] = base64.b64encode(bytes(raw)).decode("ascii")
|
||
self.items.append(item)
|
||
self._by_id[artifact] = item
|
||
return item
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 事件
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
def _shows_content(etype: str, node_id: str | None, data: Any, node_types: Mapping[str, str], store: _Store,
|
||
masked_run: bool, events: Sequence[tuple[int, str, str | None, Any]] = (),
|
||
withheld: frozenset[str] = frozenset(), forced: frozenset[str] = frozenset()) -> bool:
|
||
"""这条封存范围内的事件带不带规范字符串（白名单）。events 是封存范围内的事件（认口径卡带不带遮罩时用），withheld
|
||
是最后一份文档只给哈希的报告节点（_Store.doc_withheld），forced 是报告文档里写成「已遮罩」的指标所在的口径卡
|
||
（_masked_cards）。"""
|
||
if etype in _SHOWN_EVENTS:
|
||
return True
|
||
if etype == EventType.RUN_FINISHED:
|
||
# 运行结束事件里是成果：字段可以直接引用查询结果，运行里有带遮罩的快照时只给哈希
|
||
return not masked_run
|
||
if etype == EventType.NODE_FINISHED:
|
||
kind = node_types.get(node_id or "")
|
||
if kind == NodeType.METRICS:
|
||
return _card_shown(data, store, masked_run, events, forced)
|
||
if kind == NodeType.REPORT:
|
||
# 预览就是那份文档正文的前一截：文档只给哈希的，这条也只给哈希
|
||
preview = data.get("preview") if isinstance(data, dict) else None
|
||
doc = preview.get("doc_artifact") if isinstance(preview, dict) else None
|
||
return not (store.doc_withheld(doc) if isinstance(doc, str) and doc else (node_id or "") in withheld)
|
||
return kind == NodeType.OUTPUT and not masked_run
|
||
if etype == EventType.TOOL_END:
|
||
# 查询类：把查询快照的 id 和运行记录连起来。预览里是查询结果的前一截，数据源带遮罩的只给哈希
|
||
artifact = data.get("query_artifact") if isinstance(data, dict) else None
|
||
return isinstance(artifact, str) and bool(artifact) and not store.masked(artifact)
|
||
return False
|
||
|
||
|
||
def _card_shown(data: Any, store: _Store, masked_run: bool, events: Sequence[tuple[int, str, str | None, Any]],
|
||
forced: frozenset[str] = frozenset()) -> bool:
|
||
"""口径卡的节点完成事件带不带规范字符串。预览里逐条写着「指标（名称）= 值」（metrics 节点的 text），赋了变量的另有
|
||
变量的预览：卡上有值不给的指标、有输入取自遮罩列（card_masked，卡本身因此只给 id）的，这条也只给哈希——和报告引不
|
||
引用无关，没有报告的运行照样导出。指标集的 id 记在台账里（evidence 的 metric_set），升级前的运行没有台账，认预览里
|
||
记的 artifact，再没有就认节点产出工件（内容就是这张卡加上 text）。一张都读不出来的不知道带没带遮罩：运行里有带遮罩
|
||
的快照时只给哈希（同成果节点）。报告文档里写成「已遮罩」的指标所在的卡（forced）同样只给哈希：卡本身因此只给 id。
|
||
卡被报告引用时，报告文档的证据目录照样记着它的 id，引用链不靠这条事件。"""
|
||
if not isinstance(data, dict):
|
||
return not masked_run
|
||
cards = [str(e["artifact"]) for e in data.get("evidence") or []
|
||
if isinstance(e, dict) and e.get("kind") == "metric_set" and isinstance(e.get("artifact"), str)
|
||
and e["artifact"]]
|
||
preview = data.get("preview")
|
||
if not cards and isinstance(preview, dict) and isinstance(preview.get("artifact"), str) and preview["artifact"]:
|
||
cards = [preview["artifact"]]
|
||
if not cards and isinstance(data.get("artifact"), str) and data["artifact"]:
|
||
cards = [data["artifact"]]
|
||
if any(card in forced for card in cards):
|
||
return False
|
||
known = [card for card in dict.fromkeys(cards) if store.raw(card) is not None]
|
||
if not known:
|
||
return not masked_run
|
||
return not any(store.card_masked(card, events) for card in known)
|
||
|
||
|
||
def _masked_cards(doc: dict[str, Any]) -> set[str]:
|
||
"""报告文档的证据目录里写成「已遮罩」的指标（withhold_metrics 记了 masked）所在的口径卡。"""
|
||
catalog = doc.get("catalog") if isinstance(doc.get("catalog"), dict) else {}
|
||
return {str(e["artifact"]) for e in catalog.values() if isinstance(e, dict) and e.get("kind") == "metric"
|
||
and e.get("masked") and isinstance(e.get("artifact"), str) and e["artifact"]}
|
||
|
||
|
||
def _clip(text: Any, limit: int = 60) -> str:
|
||
flat = re.sub(r"\s+", " ", str(text or "")).strip()
|
||
return flat if len(flat) <= limit else flat[:limit] + "…"
|
||
|
||
|
||
def _summary(etype: str, data: Any) -> str:
|
||
"""封存之后追加的事件说一句是什么。只挑不会带出数据的字段：判了几句、问的是什么、日志那一句。"""
|
||
if not isinstance(data, dict):
|
||
return ""
|
||
if etype == EventType.EVIDENCE_JUDGED:
|
||
verdicts = data.get("verdicts")
|
||
count = len(verdicts) if isinstance(verdicts, dict) else 0
|
||
model = data.get("model")
|
||
return f"按需裁判 {count} 句结论" + (f"（模型 {_clip(model, 40)}）" if isinstance(model, str) and model else "")
|
||
if etype == EventType.APPROVAL_INQUIRY:
|
||
question = data.get("question")
|
||
return f"质询：{_clip(question)}" if isinstance(question, str) and question.strip() else "审批质询"
|
||
if etype == EventType.LEDGER_MATCHED:
|
||
# 口径账本的比对（next-round 02）：只说各种状态几条，不带绑定和差异
|
||
counts = data.get("counts") if isinstance(data.get("counts"), dict) else {}
|
||
parts = [f"{counts[k]} 条{label}" for k, label in (("proven", "等价已证明"), ("related", "有相关口径"),
|
||
("none", "没有相关口径"), ("skipped", "没有比完"))
|
||
if isinstance(counts.get(k), int) and counts[k]]
|
||
return "封存后比对已发布口径" + (f"：{'、'.join(parts)}" if parts else "")
|
||
if etype == EventType.LOG and isinstance(data.get("message"), str):
|
||
return _clip(data["message"])
|
||
return ""
|
||
|
||
|
||
def _tier(events: Sequence[tuple[int, str, str | None, Any]]) -> dict[str, Any] | None:
|
||
"""出具档位：封存范围内最后一条出具判定事件里的 tier，带上序号（浏览器拿那条已核对的事件对照）。"""
|
||
for seq, etype, _, data in reversed(events):
|
||
if etype == EventType.ISSUANCE and isinstance(data, dict) and isinstance(data.get("tier"), str):
|
||
return {"value": data["tier"], "seq": seq}
|
||
return None
|
||
|
||
|
||
def _iso(value: Any) -> str | None:
|
||
if value is None:
|
||
return None
|
||
return value.isoformat() if isinstance(value, datetime) else str(value)
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 构建
|
||
# --------------------------------------------------------------------------
|
||
|
||
|
||
def display_name(run: Mapping[str, Any]) -> str:
|
||
"""页面标题、附件名用的运行名：工作流名；没保存的工作流一律叫「未保存的工作流」。"""
|
||
name = str(run.get("workflow_name") or "").strip()
|
||
if not run.get("workflow_id") and name in _UNSAVED_NAMES:
|
||
return UNSAVED_NAME
|
||
return name or f"运行 {str(run.get('id') or '')[:8]}".strip()
|
||
|
||
|
||
def attachment_name(run: Mapping[str, Any]) -> str:
|
||
"""附件名「<运行名>-可验证报告.html」。文件名里不能有的字换成下划线。"""
|
||
name = _BAD_FILENAME.sub("_", display_name(run)).strip(" .")[:_NAME_MAX].strip(" .")
|
||
return f"{name or UNSAVED_NAME}{FILE_SUFFIX}"
|
||
|
||
|
||
def content_disposition(filename: str, *, run_id: str) -> str:
|
||
"""附件头：中文名按 RFC 5987 写在 filename* 里；filename 给不认 filename* 的老客户端一个纯 ASCII 的名字。"""
|
||
ascii_id = re.sub(r"[^A-Za-z0-9]", "", run_id)[:8]
|
||
return f"attachment; filename=\"agentlab-{ascii_id}-bundle.html\"; filename*=UTF-8''{quote(filename, safe='')}"
|
||
|
||
|
||
def build_bundle(
|
||
run: Mapping[str, Any],
|
||
events: Sequence[tuple[int, str, str | None, Any]],
|
||
*,
|
||
manifest_seq: int,
|
||
manifest_hash: str,
|
||
read: Reader,
|
||
exported_at: str,
|
||
legacy: bool = False,
|
||
graph: Mapping[str, Any] | None = None,
|
||
source_masks: Mapping[str, Any] | None = None,
|
||
sure_columns: Mapping[str, Iterable[str]] | None = None,
|
||
sure_secrets: Any = None,
|
||
) -> dict[str, Any]:
|
||
"""一次已封存运行 → 页面里的数据（bundle-data）。
|
||
|
||
- run：运行记录的几样（id、workflow_id、workflow_name、version、version_hash、run_class、status、end_reason、
|
||
started_at、finished_at）。end_reason 分开同是 cancelled 的被驳回和手动停止（05-已知遗留 (a)），不在封存范围内
|
||
- events：这次运行的全部事件 (seq, type, node_id, data)，按数据库里 seq 的顺序。和封存核对
|
||
（runner.verify_manifest）读的是同一个顺序：seq 相同的几条，浏览器按这里的先后排，清单才算得一样
|
||
- manifest_seq / manifest_hash：封存范围（老运行是按结束事件推算的那个，legacy 为真）和封存哈希
|
||
- read：工件 id → 原字节（不复验哈希），没有就是 None
|
||
- source_masks：数据源名 → 它现在设的遮罩列（只列设了的）
|
||
- sure_columns、sure_secrets：每份查询快照里确定取自遮罩列的结果列、这次运行查到过的遮罩值（只收确定的那几列），
|
||
调用方按写作目录的口径认好交进来（api/evidence.py 的 certain_masks）：认老文档时按它们认，见 _Store.doc_withheld
|
||
"""
|
||
graph = graph if isinstance(graph, Mapping) else {}
|
||
node_types: dict[str, str] = {}
|
||
nodes: dict[str, dict[str, str]] = {}
|
||
for item in graph.get("nodes") or []:
|
||
if isinstance(item, Mapping) and item.get("id"):
|
||
nid = str(item["id"])
|
||
data = item.get("data") if isinstance(item.get("data"), Mapping) else {}
|
||
node_types[nid] = str(item.get("type") or "")
|
||
nodes[nid] = {"label": str(data.get("label") or nid), "type": node_types[nid]}
|
||
|
||
sealed = [e for e in events if e[0] <= manifest_seq]
|
||
later = [e for e in events if e[0] > manifest_seq]
|
||
store = _Store(read, source_masks or {}, sealed, sure_columns=sure_columns, sure_secrets=sure_secrets)
|
||
|
||
artifacts = _Artifacts(store, sealed)
|
||
reports = _report_events(sealed)
|
||
cited_queries: list[str] = []
|
||
# 证据目录还带着值不给的指标原值的老文档只给哈希，也不顺着它的目录去附带它引用的口径卡和快照（附带了，浏览器在
|
||
# 已核对的事件和文档里都找不到谁引用了它们）
|
||
withheld = frozenset(r["node_id"] for r in reports if store.doc_withheld(r["doc_artifact"]))
|
||
docs: list[tuple[dict[str, Any], dict[str, Any]]] = []
|
||
for report in reports:
|
||
doc = store.content(report["doc_artifact"]) if store.intact(report["doc_artifact"]) else None
|
||
# 文档要真是这次运行里这个节点写的：内容寻址只保证没被改，不保证没被张冠李戴。对不上的照实嵌进去让
|
||
# 浏览器标出来，但它的目录不可信，不顺着它去找别的工件
|
||
if report["node_id"] not in withheld and isinstance(doc, dict) and doc.get("run_id") == run.get("id") \
|
||
and doc.get("node_id") == report["node_id"]:
|
||
docs.append((report, doc))
|
||
# 文档里写成「已遮罩」的指标所在的口径卡只给 id：报告撰写节点写作时认出值不给，这里的认法认不出的（数据源事后撤了
|
||
# 遮罩这类），卡上记着的原值也不该随文件出去
|
||
forced = frozenset().union(*(_masked_cards(doc) for _, doc in docs))
|
||
for report in reports:
|
||
artifacts.add(report["doc_artifact"], "report_doc", report["node_id"], masked=report["node_id"] in withheld)
|
||
for artifact, kind, owner in next((_cited_artifacts(doc) for r, doc in docs if r is report), []):
|
||
item = artifacts.add(artifact, kind, owner, masked=kind == "metric_set" and artifact in forced)
|
||
if kind == "query":
|
||
cited_queries.append(artifact)
|
||
continue
|
||
# 口径卡随文件附带了（没遮、文件在）：它记着的输入——哪个指标的值取自哪次查询的哪一格——
|
||
# 那几次查询的快照也一并附上（设了遮罩的照旧只给 id）。点开数字看得到输入的 SQL 和被引用的行；
|
||
# 引用链（④）按「已核对的口径卡的输入」认它们，被改过的卡（intact 不过）不带，免得替它圆
|
||
if kind == "metric_set" and item is not None and "b64" in item and store.intact(artifact):
|
||
for query, query_owner in _card_input_queries(store.content(artifact)):
|
||
artifacts.add(query, "query", query_owner)
|
||
|
||
masked_run = _masked_run(sealed, store, cited_queries, source_masks or {})
|
||
shown_events = []
|
||
for seq, etype, node_id, data in sealed:
|
||
text = canonical_json(data)
|
||
item: dict[str, Any] = {"seq": seq, "type": etype, "node_id": node_id, "data_sha256": content_hash(text)}
|
||
if _shows_content(etype, node_id, data, node_types, store, masked_run, sealed, withheld, forced):
|
||
item["canonical"] = text
|
||
shown_events.append(item)
|
||
|
||
return {
|
||
"schema": SCHEMA,
|
||
"meta": {
|
||
"run_id": run.get("id"), "workflow_id": run.get("workflow_id"), "workflow_name": display_name(run),
|
||
"version": run.get("version"), "version_hash": run.get("version_hash"),
|
||
"run_class": run.get("run_class"), "status": run.get("status"), "end_reason": run.get("end_reason"),
|
||
"started_at": _iso(run.get("started_at")), "finished_at": _iso(run.get("finished_at")),
|
||
"manifest_seq": manifest_seq, "manifest_hash": manifest_hash, "legacy": bool(legacy),
|
||
"tier": _tier(sealed), "exported_at": exported_at,
|
||
},
|
||
"nodes": nodes,
|
||
"events": shown_events,
|
||
"appended": [{"seq": seq, "type": etype, "node_id": node_id, "summary": _summary(etype, data)}
|
||
for seq, etype, node_id, data in later],
|
||
"reports": reports,
|
||
"artifacts": artifacts.items,
|
||
}
|
||
|
||
|
||
# --------------------------------------------------------------------------
|
||
# 页面
|
||
# --------------------------------------------------------------------------
|
||
|
||
#: 数据放在 <script type="application/json"> 里：< > & 换成转义，正文里的 </script>、<!-- 截不断数据块；
|
||
#: U+2028 / U+2029 在老的 JS 解析器里是换行，一并转义。这几个字只会出现在 JSON 的字符串里，转义后 JSON 不变
|
||
_JSON_ESCAPES = str.maketrans({"<": "\\u003c", ">": "\\u003e", "&": "\\u0026",
|
||
"\u2028": "\\u2028", "\u2029": "\\u2029"})
|
||
_PLACEHOLDER = re.compile(r"__BUNDLE_(TITLE|NAME|SEAL|RUN|FAILED|CSP|DATA|SCRIPT)__")
|
||
|
||
|
||
@lru_cache(maxsize=1)
|
||
def _assets() -> tuple[str, str]:
|
||
here = Path(__file__).parent
|
||
return (here / "template.html").read_text(encoding="utf-8"), (here / "verifier.js").read_text(encoding="utf-8")
|
||
|
||
|
||
def bundle_json(bundle: Mapping[str, Any]) -> str:
|
||
"""页面数据块里的 JSON 文本。"""
|
||
return json.dumps(bundle, ensure_ascii=False, separators=(",", ":")).translate(_JSON_ESCAPES)
|
||
|
||
|
||
def render_html(bundle: Mapping[str, Any]) -> str:
|
||
"""把数据和核对脚本填进模板：样式、脚本都内联，零外链。
|
||
|
||
内容安全策略按哈希只放行这一段核对脚本，默认什么都不许连：页面打开后不会、也不能向任何地方发请求。
|
||
工作流名、封存哈希、运行 ID 直接写进页面：邮件、即时通讯的附件预览和系统的快速查看常常不执行脚本，也要看得到
|
||
该拿什么去系统里对照。脚本执行后拿数据里的封存哈希核对，再核一遍这里写出的和它一致。失败结束的运行另写一句：
|
||
之后在系统中继续运行会重新封存，这个文件就再也对不上了。
|
||
占位符一次替换完，填进去的内容不会再被当成占位符。"""
|
||
template, script = _assets()
|
||
digest = base64.b64encode(hashlib.sha256(script.encode("utf-8")).digest()).decode("ascii")
|
||
meta = bundle.get("meta") or {}
|
||
name = str(meta.get("workflow_name") or UNSAVED_NAME)
|
||
values = {"TITLE": html.escape(f"{name} · 可验证报告"), "NAME": html.escape(name),
|
||
"SEAL": html.escape(str(meta.get("manifest_hash") or "")), "RUN": html.escape(str(meta.get("run_id") or "")),
|
||
"FAILED": "" if meta.get("status") == "failed" else " hidden",
|
||
"CSP": f"'sha256-{digest}'", "DATA": bundle_json(bundle), "SCRIPT": script}
|
||
return _PLACEHOLDER.sub(lambda m: values[m.group(1)], template)
|