# Embedding Atlas 项目说明

## 环境准备

项目使用 [uv](https://github.com/astral-sh/uv) 管理依赖，所有必需依赖已经记录在 `pyproject.toml` 的 `[project.dependencies]` 中。建议的设置流程如下：

```bash
# 可选：配置清华镜像（也可以写入 pyproject.toml 的 [tool.uv.pip]）
export UV_PIP_INDEX_URL=https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

# 同步依赖并创建虚拟环境（默认 .venv）
uv lock            # 首次或需要更新锁文件时执行
uv sync            # 生成或更新虚拟环境

# 进入虚拟环境
source .venv/bin/activate

# 或直接使用 uv run
uv run streamlit run app.py
```

如需固定镜像源，可在 `pyproject.toml` 中追加：

```toml
[tool.uv.pip]
index-url = "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"
```

运行前如果需要离线或国内镜像 Hugging Face，可以设置：

```bash
export HF_HUB_OFFLINE=1
export HF_ENDPOINT=https://hf-mirror.com
```

## 会话编排服务（FastAPI / MCP）

使用 `uv run embedding-backend-api` 可以启动一个同时兼容 FastAPI 与 FastMCP 的后端服务。该服务监听 `/sessions` 路径，负责按需拉起 `embedding-atlas` 容器并在 10 小时后自动清理。

```bash
uv run embedding-backend-api
# 或以 MCP 模式启动（stdio）
uv run embedding-backend-mcp
```

### REST API 用法

```bash
curl -X POST http://localhost:9000/sessions \
  -H 'Content-Type: application/json' \
  -d '{
    "data_url": "https://example.com/data.csv",
    "extra_args": ["--text", "smiles"]
  }'

# 关闭会话
curl -X DELETE http://localhost:9000/sessions/<session_id>

# 查看当前会话
curl http://localhost:9000/sessions
```

请求体支持 `session_id`、`port`、`auto_remove_seconds`、`environment` 等字段；省略 `session_id` 时会自动生成并在响应中返回。返回结果包含容器名称与可访问的前端地址，供 FastAPI 或 MCP 客户端转发给前端使用。

如果希望以交互方式测试 API，可在浏览器访问 `http://localhost:9000/docs` 打开自动生成的 Swagger UI。

#### 请求体字段说明

- `session_id`：可选，自定义的会话 ID；省略时系统自动生成。
- `data_url`：必填，指向 CSV/Parquet 的 HTTPS 链接，会被下载到 orchestrator 与 DinD 共享的 `/sessions/<session_id>/` 中。
- `input_filename`：可选，保存到共享卷时使用的文件名；默认根据 URL 推断。
- `extra_args`：可选，附加给 `embedding-atlas` CLI 的参数数组，例如 `["--text", "smiles"]`。
- `environment`：可选，注入到容器内的环境变量映射。
- `labels`：可选，附加到容器上的 Docker labels（在默认的 `embedding-backend.*` 标签之外），便于自定义监控或追踪。
- `image`：可选，覆盖默认的 `embedding-atlas` 镜像名。
- `host`：可选，传递给 `embedding-atlas --host` 的值，默认 `0.0.0.0`。
- `port`：可选，显式指定宿主机端口；若缺省会自动在配置的区间内分配。
- `auto_remove_seconds`：可选，覆盖默认的 10 小时存活时间。

示例请求：

```bash
curl -X POST http://localhost:9000/sessions \
  -H 'Content-Type: application/json' \
  -d '{
    "session_id": "demo-session",
    "data_url": "https://example.com/data.csv",
    "input_filename": "data.csv",
    "extra_args": ["--text", "smiles"],
    "environment": {"HF_ENDPOINT": "https://hf-mirror.com"},
    "labels": {"team": "chem"},
    "auto_remove_seconds": 7200
  }'
```

#### GET /sessions 响应示例

无查询参数，返回当前所有会话的列表：

```json
{
  "sessions": [
    {
      "session_id": "demo-session",
      "container_id": "e556c0f1c35b...",
      "container_name": "embedding-atlas_demo-session",
      "port": 6000,
      "host": "0.0.0.0",
      "started_at": "2025-09-22T14:37:25.206038Z",
      "expires_at": "2025-09-23T00:37:24.416241Z",
      "dataset_path": "/sessions/demo-session/data.csv"
    }
  ]
}
```

- `sessions` 数组为空时表示当前没有存活的容器。
- `dataset_path` 指向共享卷内对应数据集的绝对路径。

### MCP 集成

根目录的 `fastmcp.json` 示例可直接将本项目注册为 MCP 工具：

```bash
uv run embedding-backend-mcp
```

FastMCP 客户端加载该配置后，可用标准 MCP 协议转发同一套 REST 接口，从而与传统后端保持一致的行为。

## 命令行生成嵌入可视化交互

```bash
uv run embedding-atlas data/drugbank_pre_filtered_mordred_qed_id_selfies.csv --text smiles
uv run embedding-atlas data/drugbank_pre_filtered_mordred_qed_id_selfies.csv --export-application data/my_visualization.zip
```

`embedding-atlas` 更多用法示例：

```bash
# 本地文件
embedding-atlas dataset.parquet
# Hugging Face 数据集
embedding-atlas huggingface_org/dataset_name
# 指定文本列
embedding-atlas dataset.parquet --text text_column
# 使用预计算坐标
embedding-atlas dataset.parquet --x projection_x --y projection_y
```

## 划分 MolGen 第一轮微调数据集

```bash
uv run python script/split_drugbank.py \
  --in-csv data/drugbank_pre_filtered_mordred_qed_id_selfies.csv \
  --out-dir splits_v2 --seed 20250922 \
  --train-ratio 0.8 --val-ratio 0.1 --test-ratio 0.1 \
  --n_qed_bins 5 --n_mw_bins 5 --largest-first
```

产物：`split_train.csv` / `split_val.csv` / `split_test.csv`
其中 `split_val` 和 `split_test` 中的分子不会出现在训练集里，且整体 QED/MW 分布接近训练集，便于后续“用未见参考分子做条件生成并观察邻域覆盖”。

## 合并分割的数据集进行可视化

合并数据集：

```bash
uv run python script/merge_splits.py --input-dir splits_v2/ --output data/drugbank_split_merge.csv
```

可视化：

```bash
uv run embedding-atlas data/drugbank_split_merge.csv --text smiles
```

## 容器化部署

项目提供 `docker/` 目录用于快速启动后端：

1. 先构建可被 orchestrator 复用的 `embedding-atlas` 镜像：
   ```bash
   docker build -f docker/embedding-atlas.Dockerfile -t embedding-atlas:latest .
   ```
2. 启动 DIND + orchestrator 组合：
   ```bash
   docker compose -f docker/docker-compose.yml up --build
   ```
   - `engine` 服务运行 `docker:dind`，对外暴露 `tcp://localhost:2375` 供 orchestrator 通过 socket 管理容器；
   - 两个服务通过 `sessions-data` 卷共享 `/sessions` 目录，后端会把下载的数据放到这里；
   - `orchestrator` 服务运行 FastAPI/FastMCP 后端，默认开放 `http://localhost:9000`；
   - 会话缓存保存在 `sessions-data` 卷，可在容器重启时保留下载的数据集。

如需调整默认镜像或端口，可在 `docker/docker-compose.yml` 中覆盖 `EMBEDDING_*` 环境变量，或在部署时通过 `.env` 文件注入。

> 注意：由于 orchestrator 运行在容器内并通过 DinD 调度新容器，如需在宿主机直接访问 `embedding-atlas` 的 Web UI，需要确保相应端口从 `docker_engine_1` 转发到宿主，可按需求使用 `podman port` 或额外的反向代理。