Files
AgentLab/backend/app/core/artifact_store.py
T
ThearchyHelios eddeded2a4 全栈安全加固、性能提速与架构演进:连接池与沙箱止血、双路混合检索、多版本归档及前端分包治理
- 第一批(安全加固与生命周期止血):隔离测试宿主机密钥与 .env 泄漏;修复 SQLite 取消查询挂死、:memory: 连接池报错与 EngineCache 世代竞态;补齐运行与评测删除时的 Checkpointer 线程、Artifact 磁盘文件与无主附件回收;加固三套沙箱路径越界、进程组清理与 Seatbelt 数据目录隔离,封堵 SSRF IPv4-mapped IPv6 元数据绕过与响应体 OOM;修复推理模型多轮 reasoning_content、结构化输出 Token 漏计与缓存折扣计费
- 第二批(数据库/集群/问数提速与首屏分包):补齐核心表索引与 SQLite WAL 调优,列表接口按需 defer 大列,收敛启动扫描并打通跨进程 slot 槽位唤醒;优化跨源全局选表、哈希桶数字绑定、流式 CSV 导入及多方言分析算子;剥离首屏静态引入的 @xyflow/react 与全局样式(首屏主包降至 461.59 kB),补充流式 rAF 攒批、Store 精细订阅与表单无障碍绑定
- 第三批(架构演进与工程自动化闭环):记录库超挂接阈值历史版本自动增量归档至单库多表(解除 SQLite 10 库 ATTACH 硬上限);重构知识库为词面 BM25 与全集合归一化向量矩阵真·双路独立召回并支持游标分批重建;升级多方言感知 SQL 模板词法分析(E'...' / $$...$$ / q'[...]' / # / 嵌套注释)与 Decimal / bool / NaN 参数校验,消除 ledger 层对 api 路由层的反向依赖;拆分 3101 行 CaliberDrafts 页面为 7 个领域子模块,消除检查脚本本机路径硬编码并新增 GitHub Actions CI 门禁与三批回归测试套件
2026-11-13 14:51:36 +08:00

201 lines
8.6 KiB
Python

from __future__ import annotations
import hashlib
import json
from pathlib import Path
from typing import Any
from app.core import atomic
from app.core.config import settings
# --------------------------------------------------------------------------
# 内容寻址的工件库
#
# 事件流里的输出是给画布看的截断预览;这里存的是完整证据。
# 工件按内容 sha256 寻址:同一份内容只存一份,且任何篡改都会改变地址本身,
# 这比"相信数据库没被改过"强得多。出具溯源、周对比 diff、基线回归、
# 轨迹提模板,全部踩在这一层上。
# --------------------------------------------------------------------------
def canonical_json(obj: Any) -> str:
"""规范化 JSON:键排序、紧凑分隔符。同一数据永远得到同一字节串,哈希才稳定。"""
return json.dumps(obj, ensure_ascii=False, sort_keys=True, separators=(",", ":"), default=str)
def content_hash(data: bytes | str) -> str:
if isinstance(data, str):
data = data.encode()
return hashlib.sha256(data).hexdigest()
def graph_hash(graph: dict[str, Any]) -> str:
"""图定义的指纹。formal run 钉住的就是这个值。
viewport 是纯视觉状态,挪一下画布不该改变图的身份,剔除后再哈希。
"""
slim = {k: v for k, v in graph.items() if k != "viewport"}
return content_hash(canonical_json(slim))
def execution_content(graph: dict[str, Any]) -> dict[str, Any]:
"""执行定义的规范形式。历史 graph_hash 保持原算法,以便复验已封存证据。"""
from app.engine.schema import GraphSpec
spec = GraphSpec.model_validate(graph)
return {
"schema_version": 1,
"defaults": spec.defaults,
"nodes": sorted([{"id": n.id, "type": n.type.value, "data": n.data.model_dump()}
for n in spec.nodes], key=lambda n: n["id"]),
"edges": sorted([{"source": e.source, "target": e.target, "sourceHandle": e.sourceHandle,
"targetHandle": e.targetHandle} for e in spec.edges], key=canonical_json),
}
def execution_hash(graph: dict[str, Any]) -> str:
"""布局、选中态和边的显示标签不改变执行身份。"""
return content_hash(canonical_json(execution_content(graph)))
def _path_of(artifact_id: str) -> Path:
# 按前两位分桶,避免单目录塞几万个文件
return settings.data_dir / "artifacts" / artifact_id[:2] / f"{artifact_id}.json"
async def put_json(
obj: Any,
*,
kind: str,
run_id: str | None = None,
node_id: str | None = None,
meta: dict[str, Any] | None = None,
) -> str:
"""存一个 JSON 工件,返回其内容哈希(即工件 id)。
幂等:同内容重复写只落一次盘;同一工件被多个 run 引用时,
数据库里各记一行引用(溯源需要知道"谁产出的"),文件只有一份。
"""
from sqlalchemy.exc import IntegrityError
from app.cluster.mutex import lock
from app.db.base import SessionLocal
from app.db.models import Artifact
text = canonical_json(obj)
artifact_id = content_hash(text)
path = _path_of(artifact_id)
async with lock(f"artifact:{artifact_id[:2]}"):
if not path.exists():
# 原子落盘(core/atomic):写一半崩了不会留下半个工件;临时文件名带随机后缀,两个进程同时写同一份内容
# 各写各的,不会一个把另一个写到一半的截断;且与同分桶的 forget 互斥,不会刚写下就被并发回收删掉
atomic.write_text(path, text)
async with SessionLocal() as session:
existing = await session.get(Artifact, (artifact_id, run_id or ""))
if existing is None:
session.add(
Artifact(
id=artifact_id,
run_id=run_id or "",
kind=kind,
node_id=node_id,
size=len(text.encode()),
meta=meta or {},
)
)
try:
await session.commit()
except IntegrityError:
await session.rollback()
return artifact_id
def load(artifact_id: str) -> Any | None:
"""按 id 取回工件内容。取回时重新校验哈希——工件库的承诺就是内容不可变。"""
if not artifact_id or not artifact_id.isalnum():
return None
path = _path_of(artifact_id)
if not path.exists():
return None
text = path.read_text(encoding="utf-8")
if content_hash(text) != artifact_id:
raise ValueError(f"工件 {artifact_id[:12]}… 内容与哈希不符,疑似被篡改")
return json.loads(text)
def read_bytes(artifact_id: str, *, verify: bool = True) -> bytes | None:
"""按 id 取回工件文件的原始字节。文件本身就是 put_json 写下的规范 JSON,字节原样,不解析、不重排。
可验证报告要把工件按原字节嵌进页面,让拿到文件的人自己重算哈希,所以不能像 load 那样解析了再交出去。
默认同样复验哈希、对不上就抛 ValueError(和 load 一样的承诺);verify=False 只给要把字节原样交给别人
去核的调用方——被改过的工件照实交出去,核的那一方就会看到对不上。id 不对或者文件不在了返回 None。
"""
if not artifact_id or not artifact_id.isalnum():
return None
path = _path_of(artifact_id)
if not path.exists():
return None
data = path.read_bytes()
if verify and content_hash(data) != artifact_id:
raise ValueError(f"工件 {artifact_id[:12]}… 内容与哈希不符,疑似被篡改")
return data
async def forget(ids: Any) -> list[str]:
"""回收工件文件:这几个 id 里,引用表(artifacts)里**一条引用都不剩**的,删掉文件;还有引用的一个不动。返回删掉了
哪几个(docs/design/next-round/01-效果度量与回归评测.md 做法 16)。
为什么按引用数、不按调用方说的:工件按内容寻址,同样的内容只存一份——评测的一次运行和用户的一次运行查到同一份结果、
冻结了同一份表结构,文件就是同一个。调用方先删自己那几行引用(删运行时它名下的引用行),再把这些 id 交给这里;别的
运行、目录快照、对比结果还引用着的文件照留。put_json 每写一个工件都记一行引用,所以「没有引用」就是没人要了。
先查引用再删文件,两步之间同一份内容又被写一次(put_json 先写文件、后记引用)的话会删掉一个刚有人要的文件:单进程部署,
回收在评测清理的后台任务里串行做,和写入撞上的窗口极小;真撞上了,读的一方照实报「工件不在」(load 返回 None),不会
读到错的内容。"""
from sqlalchemy import select
from app.cluster.mutex import lock
from app.db.base import SessionLocal
from app.db.models import Artifact
wanted = sorted({i for i in ids or () if isinstance(i, str) and i and i.isalnum()})
if not wanted:
return []
by_bucket: dict[str, list[str]] = {}
for artifact_id in wanted:
by_bucket.setdefault(artifact_id[:2], []).append(artifact_id)
removed: list[str] = []
for bucket in sorted(by_bucket):
bucket_ids = by_bucket[bucket]
async with lock(f"artifact:{bucket}"):
async with SessionLocal() as session:
kept: set[str] = set()
for start in range(0, len(bucket_ids), 500):
chunk = bucket_ids[start:start + 500]
kept |= set((await session.execute(select(Artifact.id).where(Artifact.id.in_(chunk)))).scalars())
for artifact_id in bucket_ids:
if artifact_id in kept:
continue
path = _path_of(artifact_id)
try:
path.unlink()
except FileNotFoundError:
continue
removed.append(artifact_id)
return removed
def manifest_hash(rows: list[tuple[int, str, str | None, dict[str, Any]]]) -> str:
"""把一次运行的全部事件压成一个清单哈希。
rows: [(seq, type, node_id, data)]。存在 Run 上之后,事后任何对
事件流的增删改都能被这一个值戳穿。
"""
lines = [
f"{seq}|{etype}|{node_id or ''}|{content_hash(canonical_json(data))}"
for seq, etype, node_id, data in sorted(rows, key=lambda r: r[0])
]
return content_hash("\n".join(lines))