- TD#8 hybrid.ts: rerank_strategy {always|when_top_k_gt|never} + threshold
(default skips rerank for top_k ≤ 15; chat tool uses threshold 10)
- O11 vision.ts + tools.ts: analyze_image_region tool — sharp-crops the
bbox, claude CLI reads the temp PNG via Read tool, Sonnet vision answers
- TD#12 /graph: SigmaGraph replaces ForceGraphCanvas; react-force-graph-2d
uninstalled (-37 transitive deps); force-graph-canvas.tsx deleted
- TD#27 messages/route.ts gatherContext slice sizes via CTX_* env vars
- TD#22 tests/rag/: golden.yaml (15 queries) + run.py (Recall@k + MRR +
negative-pass rate) + baseline.json + CI job in .forgejo/workflows/ci.yml
- docs/adrs/: ADR-001..005 published from systems-atelier deliverables
Verified live on disclosure.top: top_k=5 path skips rerank (6.7s embed-only,
was 12-15s with rerank); rerank=always still available on demand.
First RAG baseline: Recall@5 = 0.2083, MRR = 0.25, Negative pass = 1.0.
Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>
2.6 KiB
2.6 KiB
| adr | title | status | date | deciders | project |
|---|---|---|---|---|---|
| ADR-001 | Embedding e reranker stack — manter BGE-M3 self-hosted CPU; tornar reranker opt-in; reavaliar GPU em 6 meses | accepted | 2026-05-23 | sa-principal, sa-architecture-lead, sa-platform-lead | disclosure-bureau |
Context
A retrieval pipeline atual (BGE-M3 dense + BM25 + RRF + BGE-Reranker-v2-M3 cross-encoder) entrega Recall@5 aceitavel para 20.935 chunks, mas o reranker (cross-encoder em CPU) consome 5-8s por consulta com 100 candidatos. Esse e o gargalo dominante de UX no chat sincrono.
Alternativas conhecidas:
- Manter status quo: CPU rerank sempre on.
- Skip rerank: confiar so em RRF do RPC
hybrid_search_chunks. Mais rapido, perde precisao em queries ambiguas. - Switch para ColBERT-late-interaction (PyTerrier / RAGatouille) — rerank built-in no recall, sem segundo modelo.
- GPU para reranker: VPS com GPU pequena (Hetzner GPU-1: ~$20/mes). BGE-Reranker em GPU caem de 5-8s para <1s.
- External managed (Voyage, Cohere): viola politica "self-hosted by default".
Decision
- Manter BGE-M3 self-hosted CPU para embeddings (sem mudanca; 150-300ms warm e ok).
- Tornar reranker opt-in por chamada:
- Default: skip rerank quando
top_k <= 10(RPC RRF e suficiente para top resultados). - Aplicar rerank quando
top_k > 10OU explicitrerank=1no API.
- Default: skip rerank quando
- Avaliar GPU em 6 meses (Q4 2026) com criterio: se rerank latencia p95 > 4s ou usuario base > 1000 DAU. Se ambos, provisionar GPU 1.
- ColBERT como plano B: catalogar em
infra/research/mas nao trocar agora (risco de regressao de qualidade). - Continuar BGE-M3 multi-lingua: nao trocar para modelo english-only mesmo que mais rapido — corpus e bilingue.
Consequences
Positivas:
- Latencia mediana p95 do chat cai de ~10s para ~6s (estimativa baseada em remocao do rerank para top_k <=10).
- Custo continua $0/mes alem do VPS (sem GPU upgrade).
- Reranker continua disponivel para queries complexas (
top_k=20+).
Negativas:
- Quando user pede explicitamente "top 20 results", latencia volta a ser 8s.
- Recall@5 pode cair marginalmente em queries muito ambiguas. Ver eval harness W2.
Trade-off aceito: UX media melhora; UX pior caso mantem. Eval harness do W2 vai pegar regressao real.
Verification
tests/rag/golden.yamlmede Recall@5 antes/depois.- Sentry timing histogram
chat_query_latency_msp95 antes/depois. - Manual smoke test: 5 queries cobrindo cada
top_kbucket.
References
infra/RETRIEVAL.md(performance budget).web/lib/retrieval/hybrid.ts(codigo).- BGE-M3 paper: arxiv:2402.03216.
- ColBERT-late-interaction: arxiv:2004.12832.