feat(ai-search): wyszukiwanie przez AI (NL→DjangoQL) + konfigurowalny backend (Anthropic/lokalny)

[mpasternak]

Co to robi

Nowy tryb wyszukiwania „przez sztuczną inteligencję" (menu top-bar „szukaj").
Użytkownik pisze pytanie po polsku → Claude tłumaczy je na zapytanie DjangoQL →
po walidacji następuje redirect na istniejące /bpp/zapytanie/, które je
wykonuje. Maksymalny reuse: nie budujemy nowego silnika zapytań.

Główne elementy

• Nowa apka src/ai_search/: translator (NL→DjangoQL), walidacja składni
  DjangoQL + bounded retry z konkretnym błędem (linia/kolumna), log kosztu
  (AISearchQuery), admin read-only, Celery-beat regeneracja cache schematu.
• Konfigurowalny backend LLM:
  • anthropic (domyślny, płatny) — oficjalny SDK, prompt caching, structured
    outputs, thinking wyłączone; koszt liczony z usage × cennik (Decimal,
    intro-pricing), przeliczany USD→PLN kursem NBP (cache + trwały fallback).
  • openai (OpenAI-compatible, modele lokalne: Ollama / llama.cpp / vLLM /
    LM Studio / LocalAI) — jeden backend na cały ekosystem; darmowy → budżet i
    koszt nieaktywne. Wybór backendu przez jedno źródło prawdy
    (active_backend_name, odporne na literówki → bezpieczny fallback na
    anthropic-z-budżetem).
• Kontrola kosztów (tylko anthropic): budżety PLN dzienny/miesięczny, twardy
  blok, re-check przed każdym wywołaniem/retry, cap retry = 2, twardy max_tokens
  • timeout.
• Uszczelnienie współdzielonej BppQLSchema (używanej też przez istniejący
  edytor „zapytaniem" i adminy):
  • zamknięty realny wyciek: autorzy.autor.user.password_change_required nie
    jest już wyrażalny;
  • BppUser → tylko username bez wartości (fk_options); uczelnia przycięta
    do id/nazwa/skrot/pbn_uid; wykluczone modele nie-użytkowe/cache/test;
  • 216 → 87 modeli w schemacie; słowniki (charakter_formalny, typ_kbn,
    język, typ_odpowiedzialności) emitują teraz wartości nazwa dla lepszej
    trafności; compact schema ~22–31k tokenów.
• Dependencje: djangoql-iplweb>=0.30.1 (field-level include/exclude + LLM
  schema), anthropic, openai.
• Docs: docs/deweloper/ai-search.md — konfiguracja, przykład Ollama,
  szacunek kontekstu (~22–31k tok → model ≥32k, albo BPP_AI_MAX_FK_OPTIONS=0)
  i zalecane modele OSS (Qwen3 głównie; Llama 3.1 8B / Gemma 2 9B; llama.cpp
  • GBNF na twardą składnię).

Konfiguracja (env/settings)

BPP_AI_SEARCH_ENABLED, BPP_AI_BACKEND (anthropic|openai), BPP_AI_MODEL,
ANTHROPIC_API_KEY / (BPP_AI_BASE_URL+BPP_AI_API_KEY dla openai),
BPP_AI_DAILY_BUDGET_PLN, BPP_AI_MONTHLY_BUDGET_PLN, BPP_AI_MAX_RETRIES,
BPP_AI_MAX_FK_OPTIONS. Domyślnie feature wyłączony.

Bezpieczeństwo / prywatność

• Nazwiska autorów, tytuły źródeł, loginy BppUser nie trafiają do modelu
  (auto-mode omija duże tabele + jawne fk_options=False na relacji do usera).
  Enumy choices i wartości małych słowników — tak (użyteczne, bezpieczne).
• Uszczelnienie poprawia też higienę istniejącego edytora/introspekcji.

Testy

Pełna suita lokalnie: 5764 passed, 6 skipped, 1 xfailed (0 failures).
Feature pokryty (translator/backendy/budget/fx/pricing/schema-hardening/widok/
menu + testy gałęzi błędów; accuracy-set pod skipif ANTHROPIC_API_KEY).

Uwagi do scalenia

• Baseline: odświeżyć make baseline-update przy scalaniu (migracje
  ai_search 0001/0002) — zgodnie z polityką repo (nie w gałęzi).
• Fast-follow: djangoql PR Bump jquery from 3.4.1 to 3.5.0 #16 (AUTH_USER_MODEL jako sensitive w auto-mode,
  systemowa obrona) → po release 0.30.2 bump pinu (obecnie fk_options zamyka
  jedyną żywą ścieżkę).

Proces: spec → plan → TDD task-by-task z per-task i finalnym whole-branch review
(docs/superpowers/).

🤖 Generated with Claude Code

[gitguardian]

⚠️ GitGuardian has uncovered 1 secret following the scan of your pull request.

Please consider investigating the findings and remediating the incidents. Failure to do so may lead to compromising the associated services or software components.

🔎 Detected hardcoded secret in your pull request

GitGuardian id	GitGuardian status	Secret	Commit	Filename
34572324	Triggered	Username Password	bbbcc2f	src/bpp/tests/test_djangoql_schema_hardening.py	View secret

🛠 Guidelines to remediate hardcoded secrets

1. Understand the implications of revoking this secret by investigating where it is used in your code.
2. Replace and store your secret safely. Learn here the best practices.
3. Revoke and rotate this secret.
4. If possible, rewrite git history. Rewriting git history is not a trivial act. You might completely break other contributing developers' workflow and you risk accidentally deleting legitimate data.

To avoid such incidents in the future consider

• following these best practices for managing and storing secrets including API keys and other credentials
• install secret detection on pre-commit to catch secret before it leaves your machine and ease remediation.

---

^{🦉 GitGuardian detects secrets in your source code to help developers and security teams secure the modern development process. You are seeing this because you or someone else with access to this repository has authorized GitGuardian to scan your pull request.}

[mpasternak]

Code review

Found 1 issue:

1. usd_to_pln_rate() deklaruje w docstringu "Nigdy nie podnosi wyjątku", ale zdeformowana odpowiedź NBP z HTTP 200 wymyka się klauzuli except: {"rates": []} rzuca IndexError (linia 17), a "mid": null rzuca decimal.InvalidOperation (linia 18; to podklasa ArithmeticError, nie ValueError) — żadnego z nich nie łapie except (requests.RequestException, OSError, KeyError, ValueError). Nieosłonięte miejsce wywołania to ZapytanieAIView._log(), uruchamiane poza try/except widoku — request kończy się 500 już po udanym (i opłaconym) wywołaniu Anthropic, a koszt nie zostaje zalogowany w AISearchQuery.

bpp/src/ai_search/fx.py

Lines 14 to 26 in b5510b9

	def _fetch_nbp() -> Decimal:
	resp = requests.get(_NBP_URL, timeout=10)
	resp.raise_for_status()
	mid = resp.json()["rates"][0]["mid"]
	return Decimal(str(mid)).quantize(Decimal("0.0001"))
	def usd_to_pln_rate() -> Decimal:
	"""Kurs USD->PLN. Kolejność: cache Redis -> NBP -> DB FxRate -> stała.
	Nigdy nie podnosi wyjątku — FX nie może zablokować feature'a; do wyceny
	wystarczy ostatni znany / konserwatywny kurs.
	"""

bpp/src/ai_search/fx.py

Lines 37 to 39 in b5510b9

	return rate
	except (requests.RequestException, OSError, KeyError, ValueError) as exc:
	logger.warning("NBP FX niedostępny (%s), używam fallbacku", exc)

bpp/src/ai_search/views.py

Lines 60 to 62 in b5510b9

	self._log(result, model_key, pytanie)

bpp/src/ai_search/views.py

Lines 85 to 87 in b5510b9

	if backends.active_backend_name() == "anthropic":
	rate = fx.usd_to_pln_rate()
	try:

🤖 Generated with Claude Code

_{- If this code review was useful, please react with 👍. Otherwise, react with 👎.}

[mpasternak]

Wnioski z review naprawione w 559c8fe5f5324b1069cd93cbd07c761e9a86234c: poszerzony except w fx.usd_to_pln_rate() (+3 testy regresyjne na zdeformowane odpowiedzi NBP), timezone.localdate() zamiast date.today() w wycenie, oraz korekty docstringów (twardy cap retry = 2, graf = 86 modeli bez pbn_export_queue).