test(semantic_chunking): replace mock embedding with real model

Use a real embedding model from SiliconFlow for more realistic testing.
Update test assertions to validate LaTeX formula preservation and semantic clustering of distinct chapters.

backend/test/unit/backends/test_semantic_chunking.py

@@ -1,71 +1,77 @@
 import pytest
 import numpy as np
+import os
 
 # 现在可以安全地导入了，因为顶层不再有重型依赖
 from yuxi.knowledge.chunking.ragflow_like.parsers import semantic
+from yuxi.models import select_embedding_model
 
 @pytest.fixture
-def mock_embed_fn():
-    """模拟一个简单的嵌入函数"""
-    def encode(sentences):
-        if isinstance(sentences, str):
-            sentences = [sentences]
-        # 返回模拟的向量 (N, 384)
-        return np.random.rand(len(sentences), 384).astype(np.float32)
-    return encode
+def embed_fn():
+    """使用真实的嵌入函数 (从 SiliconFlow 获取)"""
+    model_id = "siliconflow/Qwen/Qwen3-Embedding-0.6B"
+    try:
+        model = select_embedding_model(model_id)
+        def encode(sentences):
+            if isinstance(sentences, str):
+                sentences = [sentences]
+            return model.encode(sentences)
+        return encode
+    except Exception as e:
+        pytest.skip(f"无法初始化真实嵌入模型 {model_id}: {e}")
 
 @pytest.fixture
 def sample_markdown():
-    return """
-# 核心业务说明
-
-本节主要介绍公司的核心业务流程。
-
-## 第一部分：研发流程
-1. 需求分析：收集用户反馈。
-2. 系统设计：架构方案评审。
-3. 编码实现：遵循规范。
-
-## 第二部分：交付标准
-| 阶段 | 交付物 | 责任人 |
-| --- | --- | --- |
-| 交付1 | 源码包 | 开发 |
-| 交付2 | 测试报告 | 测试 |
-
-这里是一些额外的语义内容。
-语义内容应当被聚类在一起。
-这也是语义内容。
-"""
-
-def test_semantic_chunking_basic(mock_embed_fn, sample_markdown):
-    """测试基本的语义切分逻辑 (使用注入方式)"""
+    with open("test/resource/test4.md", "r", encoding="utf-8") as f:
+        return f.read()
+def test_semantic_chunking_basic(embed_fn, sample_markdown):
+    """测试基本的语义切分逻辑 (使用真实嵌入模型)"""
     
     # 配置切分参数
     parser_config = {
-        "chunk_token_num": 100,  # 触发语义切分
+        "chunk_token_num": 200,  # 适中的 token 数以触发更多切分
         "overlapped_percent": 0
     }
     
-    # 直接注入 mock_embed_fn，完全跳过 config 加载
+    # 直接注入 embed_fn
     chunks = semantic.chunk_markdown(
         sample_markdown, 
         parser_config=parser_config, 
-        embed_fn=mock_embed_fn
+        embed_fn=embed_fn
     )
     
     # 验证结果
     assert isinstance(chunks, list)
     assert len(chunks) > 0
     
-    # 验证标题路径增强是否生效
-    has_enhanced_title = any("# 核心业务说明|第一部分：研发流程" in chunk for chunk in chunks)
-    assert has_enhanced_title, "标题路径增强失效"
+    print(f"\n成功切分为 {len(chunks)} 个片段:")
+    for i, chunk in enumerate(chunks):
+        print(f"--- 片段 {i+1} ---")
+        print(chunk)
     
-    # 验证表格是否被正确保留
-    has_table = any("交付1" in chunk and "源码包" in chunk for chunk in chunks)
-    assert has_table, "表格内容丢失"
+    # 验证标题路径增强是否生效 (检查是否包含 Part 或特殊元素标记)
+    has_enhanced_title = any("|Part" in chunk or "|Math Block" in chunk for chunk in chunks)
+    assert has_enhanced_title, "标题路径增强或分片标记失效"
     
-    print(f"\n成功切分为 {len(chunks)} 个片段")
+    # 验证是否包含特殊的 LaTeX 公式或符号 (匹配输出中的格式)
+    has_formula = any("f _ {0, 1}" in chunk or "\\sigma_ {y, d}" in chunk or "A _ {\\mathrm {s p}}" in chunk for chunk in chunks)
+    assert has_formula, "LaTeX 公式/符号在切分中丢失"
+
+    # 验证语义聚类是否大概生效 (钢制塔架和混凝土塔架内容应该分开)
+    # 我们检查是否有钢制塔架相关的片段和混凝土塔架相关的片段
+    # 使用 startswith 来更准确地定位章节开始，避免匹配到目次/前言中的文字
+    has_steel = any(chunk.startswith("# 6 钢制塔架") for chunk in chunks)
+    has_concrete = any(chunk.startswith("# 7 混凝土塔架") for chunk in chunks)
+    
+    assert has_steel and has_concrete, "语义内容丢失 (钢制或混凝土塔架章节开始部分)"
+    
+    # 验证它们是否在不同的片段中
+    steel_chunks = [i for i, c in enumerate(chunks) if c.startswith("# 6 钢制塔架")]
+    concrete_chunks = [i for i, c in enumerate(chunks) if c.startswith("# 7 混凝土塔架")]
+    
+    # 理论上语义聚类会将这些大章节分开
+    if steel_chunks and concrete_chunks:
+        assert not set(steel_chunks).intersection(set(concrete_chunks)), "钢制塔架和混凝土塔架大章节内容被错误地聚类在同一个 chunk 中了"
 
 def test_heading_inference():
     """测试标题层级推断工具类"""