src/main.rs - master - nicktretyakov1/vectorDBML

src/main.rs
83 строки4 KB
nicktretyakov
update4
19 янв 2026, 20:08
19 янв 2026, 20:083f2d861
// main.rs
// Полный пример запуска проекта с использованием Dependency Injected Pipeline
// Демонстрирует максимальное соблюдение SOLID + OOP:
// - Dependency Inversion: пайплайн зависит только от абстракций
// - Open-Closed: легко добавить новые компоненты (новый embedder, indexer и т.д.)
// - Interface Segregation: маленькие трейты
// - Single Responsibility: каждый компонент — одна задача
// - Композиция + Generics для статического диспатча (производительность)

use encapsulated_vector_db::{
    VectorDBConfig, BuiltInMetric,
    pipeline::{
        DependencyInjectedPipeline,
        PipelineBuilder,
        traits::{DataLoader, Embedder, Indexer, Evaluator},
        components::{GenericIndexer},
        errors::PipelineError,
    },
    loader::{MockDataLoader}, // предполагаем, что MockDataLoader публичный
    embedder::{RandomEmbedderWrapper}, // аналогично
};

// Для простоты — заглушка Evaluator
#[derive(Debug)]
struct DummyEvaluator;

impl<B: burn::prelude::Backend> Evaluator<B> for DummyEvaluator {
    fn evaluate(&self) -> Result<f64, PipelineError> {
        Ok(0.95) // фиктивная метрика
    }
}

fn main() -> Result<(), PipelineError> {
    // Выбор бэкенда (можно переключить на Wgpu или LibTorch)
    type B = burn::backend::NdArray;
    let device = Device::<B>::default();

    // Конфигурация векторной БД
    let dim = 384; // типичная размерность эмбеддингов (например, sentence-transformers)
    let db_config = VectorDBConfig::new(dim)
        .with_default_metric(BuiltInMetric::Cosine)
        .with_normalization(true, 1e-12);

    // Конкретные реализации компонентов (легко заменяемые)
    let loader = MockDataLoader::new(vec![
        "Искусственный интеллект меняет мир.".to_string(),
        "Машинное обучение — основа современных технологий.".to_string(),
        "Rust — безопасный и быстрый язык программирования.".to_string(),
        "Векторные базы данных для семантического поиска.".to_string(),
    ]);

    let embedder = RandomEmbedderWrapper::new(dim, device.clone());

    // Фабрика для indexer (инъекция VectorDB)
    let indexer_factory = |db: VectorDB<B>| GenericIndexer::new(db);

    // Сборка пайплайна с полной инъекцией зависимостей
    let mut pipeline = PipelineBuilder::new(device, db_config)
        .build(loader, embedder, indexer_factory)
        .with_evaluator(DummyEvaluator);

    // "Обучение" — индексация документов
    println!("Запуск индексации (fit)...");
    pipeline.fit()?;

    println!("Индексация завершена. Размер базы: {}", pipeline.indexer.db.len()); // если метод len публичный

    // Инференс / семантический поиск
    let query = "Что такое векторная база данных?".to_string();
    println!("\nПоиск по запросу: \"{}\"", query);
    let results = pipeline.search(query, 3)?;

    println!("Топ-3 результатов:");
    for (id, score, metadata) in results {
        println!("  • ID: {id} | Score: {:.4} | Текст: {}", 1.0 - score, metadata); // для cosine: 1 - distance = similarity
    }

    // Оценка качества (опционально)
    let eval_score = pipeline.evaluate()?;
    println!("\nОценка качества пайплайна (Recall@3): {:.4}", eval_score);

    Ok(())
}