Add context_quality_score

src/graph/nodes/context_rank.py

@@ -27,7 +27,12 @@ def context_rank_node(state: EmailGenerationState) -> EmailGenerationState:
 
         ranked_context = retrieval_service.build_context(ranked_chunks)
 
+        context_quality_score = retrieval_service.calculate_context_quality_score(
+            ranked_chunks
+        )
+
         state["ranked_context"] = ranked_context
+        state["context_quality_score"] = context_quality_score
         return state
 
     except Exception as e:

src/graph/nodes/guardrails.py

@@ -40,6 +40,7 @@ def guardrails_node(state: EmailGenerationState) -> EmailGenerationState:
         llm_output = state.get("llm_output")
         lead_model = state.get("lead_model")
         ranked_context = state.get("ranked_context")
+        context_quality_score = state.get("context_quality_score")
 
         meta = {
             "locale": lead_model.locale if lead_model else "ru",
@@ -50,6 +51,9 @@ def guardrails_node(state: EmailGenerationState) -> EmailGenerationState:
             "tokens_completion": llm_output.tokens_completion if llm_output else 0,
             "guardrails_violations": len(violations),
             "context_chunks_used": len(ranked_context.chunks) if ranked_context else 0,
+            "context_quality_score": (
+                context_quality_score if context_quality_score is not None else 0.0
+            ),
         }
 
         email_clean = EmailDraftClean(

src/graph/state.py

@@ -20,6 +20,7 @@ class EmailGenerationState(TypedDict):
     retrieval_query: Optional[RetrievalQuery]
     retrieved_chunks: Optional[List[DocChunk]]
     ranked_context: Optional[RankedContext]
+    context_quality_score: Optional[float]
     prompt_payload: Optional[PromptPayload]
     llm_output: Optional[LLMRawOutput]
     email_draft: Optional[EmailDraft]

src/ingest/loader.py

@@ -254,7 +254,7 @@ class MarkdownLoader:
             r"hello@konsol\.pro",
             r"\+7 \(\d{3}\) \d{3}-\d{2}-\d{2}",
             r"125047.*?дом \d+",
-            r"\[Разработка — SKDO\]\(\)",
+            r"\[Разработка - SKDO\]\(\)",
             r"\[Подключиться к Консоли\]\(\)",
             r"\[Кейсы наших клиентов\]\(\)",
             r"\[Делимся экспертизой\]\(\)",

src/services/prompt_templates.py

@@ -3,7 +3,7 @@ from src.models.email import RankedContext
 from src.app.config import settings
 
 
-SYSTEM_PROMPT = """Вы — AI-ассистент отдела продаж платформы «Консоль.Про». Ваша задача: на основе профиля лида и предоставленного контекста сформировать одно персонализированное холодное письмо (первое касание) на языке лида. Вы пишете кратко, уважительно, без давления. Вы показываете ценность через конкретные результаты клиентов и цифры. Вы не придумываете факты; используете только контекст. Если нет данных или они не релевантны — говорите общими преимуществами платформы.
+SYSTEM_PROMPT = """Вы - AI-ассистент отдела продаж платформы «Консоль.Про». Ваша задача: на основе профиля лида и предоставленного контекста сформировать одно персонализированное холодное письмо (первое касание) на языке лида. Вы пишете кратко, уважительно, без давления. Вы показываете ценность через конкретные результаты клиентов и цифры. Вы не придумываете факты; используете только контекст. Если нет данных или они не релевантны - говорите общими преимуществами платформы.
 Формат ответа строго JSON: {"subject": str, "body": str, "short_reasoning": str, "used_chunks": [ids...]}. Без тройных кавычек, без Markdown."""
 
 
@@ -21,7 +21,7 @@ USER_PROMPT_TEMPLATE = """[ПРОФИЛЬ ЛИДА]
 - Тон: деловой, лаконичный, дружелюбный, с ноткой эмпатии.
 - Письмо ≤ 1000 символов, раздели на микро‑абзацы по 1–2 предложения, чтобы текст легко читался.
 - Открывай цепляющим вопросом или заявлением («Как насчёт…?», «Представьте, что…»).
-- 1 CTA: предложить 15‑минутный звонок/демо. Не навязчиво: «Если вам интересно —», «Буду рад(а) обсудить» и т.п.
+- 1 CTA: предложить 15‑минутный звонок/демо. Не навязчиво: «Если вам интересно -», «Буду рад(а) обсудить» и т.п.
 - Основная боль ↔ основное решение в первых 2–3 абзацах.
 - Добавь конкретные цифры или проценты («до 100 % собираемости документов», «сокращение времени на 80 %»).
 - Вставь мини‑соцдоказательство (название клиента + результат (Конкретизировать кейс цифрой ОБЯЗАТЕЛЬНО)) как отдельный абзац или буллет.
@@ -79,10 +79,10 @@ class PromptBuilder:
         hooks = {
             "marketing_agency": "В маркетинговых агентствах часто сложно быстро подключать десятки подрядчиков для проектов",
             "logistics": "В логистических компаниях управление множественными исполнителями требует особого внимания к документообороту",
-            "software": "В IT-компаниях работа с фрилансерами и ИП — важная часть команды разработки",
+            "software": "В IT-компаниях работа с фрилансерами и ИП - важная часть команды разработки",
             "retail": "В розничной торговле сезонные пики требуют быстрого масштабирования команды исполнителей",
-            "consulting": "В консалтинговых компаниях привлечение экспертов под проекты — критичный процесс",
-            "construction": "В строительстве координация подрядчиков и документооборот — ключевые вызовы",
+            "consulting": "В консалтинговых компаниях привлечение экспертов под проекты - критичный процесс",
+            "construction": "В строительстве координация подрядчиков и документооборот - ключевые вызовы",
             "other": "При работе с внешними исполнителями всегда актуальны вопросы автоматизации процессов",
         }
         return hooks.get(industry_tag, hooks["other"])

src/services/retrieval.py

@@ -166,3 +166,39 @@ class RetrievalService:
             total_tokens=total_tokens,
             summary_bullets=summary_bullets,
         )
+
+    def calculate_context_quality_score(self, chunks: List[DocChunk]) -> float:
+        if not chunks:
+            return 0.0
+
+        scores = [
+            chunk.similarity_score
+            for chunk in chunks
+            if chunk.similarity_score is not None
+        ]
+
+        if not scores:
+            return 0.0
+
+        mean_similarity = sum(scores) / len(scores)
+
+        high_quality_ratio = sum(1 for score in scores if score > 0.7) / len(scores)
+
+        if len(scores) > 1:
+            variance = sum((score - mean_similarity) ** 2 for score in scores) / len(
+                scores
+            )
+            consistency_score = max(0, 1 - variance * 2)
+        else:
+            consistency_score = 1.0
+
+        quantity_factor = min(1.0, len(chunks) / 3.0)
+
+        quality_score = (
+            0.40 * mean_similarity
+            + 0.25 * high_quality_ratio
+            + 0.20 * consistency_score
+            + 0.15 * quantity_factor
+        )
+
+        return max(0.0, min(1.0, quality_score))