feat(ingest+поиск): приём ZIP через интерфейс, регистронезависимый поиск, чистка очереди

- Загрузка архива (§4.1): POST /ingest распаковывает ZIP, дораспознаёт и
  догружает прайсы в базу (append). Виджет в админке. Кэш эмбеддингов справочника
  (dict_emb.npy) — догрузка считает только новый файл, эмбеддинги best-effort с
  откатом на fuzzy при сбое Gemini.
- Поиск по name_norm (lowercase): «УЗИ» и «узи» дают одинаковый результат —
  SQLite LIKE не сворачивает регистр для кириллицы.
- Фильтр названий: код-мнемоники («МОЗО.15») больше не попадают в очередь.
- /stats считается из базы — цифры на дашборде обновляются после загрузки.
- Деплой через Dockerfile (зависимости в образе, код монтируется томом).
- ruff: ядро и весь репозиторий проходят проверку.

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

scripts/proof/extract_all.py

@@ -1,4 +1,5 @@
 """Прогон извлечения по всему архиву: сколько позиций берёт каждый формат."""
+
 import sys
 from pathlib import Path
 
@@ -14,11 +15,15 @@ for path in files:
     total += len(doc.rows)
     tiers = sorted({t for row in doc.rows for t in row.prices})
     print(f"\n{'=' * 68}")
-    print(f"{path.name}  [{doc.file_format}]  партнёр='{doc.partner_name}'  дата={doc.effective_date}")
+    print(
+        f"{path.name}  [{doc.file_format}]  партнёр='{doc.partner_name}'  дата={doc.effective_date}"
+    )
     print(f"  позиций: {len(doc.rows)} | тарифы: {tiers}")
     if doc.parse_log:
         print(f"  лог: {doc.parse_log[:2]}")
     for row in doc.rows[:3]:
-        print(f"    код={row.service_code_source!r} «{row.service_name_raw[:40]}» {row.prices} секц={row.section!r}")
+        print(
+            f"    код={row.service_code_source!r} «{row.service_name_raw[:40]}» {row.prices} секц={row.section!r}"
+        )
 
 print(f"\n{'=' * 68}\nИТОГО позиций по архиву: {total}")

scripts/proof/normalize_tune.py

@@ -1,4 +1,5 @@
 """Подбор порога нормализации: выборка позиций → каскад → покрытие при порогах."""
+
 import random
 import sys
 from pathlib import Path
@@ -63,7 +64,9 @@ for thr in (0.58, 0.60, 0.62, 0.64, 0.66, 0.70):
     emb_matched = int((top_score >= thr).sum())
     fuzzy_matched = int(((fuzzy_score >= 88) & (top_score < thr)).sum())
     coverage = base + emb_matched + fuzzy_matched
-    print(f"  порог {thr}: эмб {emb_matched} + fuzzy {fuzzy_matched} → покрытие {100 * coverage / len(sample):.0f}%")
+    print(
+        f"  порог {thr}: эмб {emb_matched} + fuzzy {fuzzy_matched} → покрытие {100 * coverage / len(sample):.0f}%"
+    )
 
 print("\nпримеры эмбеддинг-совпадений (порог 0.62):")
 shown = 0
@@ -75,5 +78,7 @@ print("примеры unmatched (top<0.62 и fuzzy<88):")
 shown = 0
 for k, (name, _) in enumerate(pending):
     if top_score[k] < 0.62 and fuzzy_score[k] < 88 and shown < 6:
-        print(f"  «{name[:48]}» (лучший {services[int(top_idx[k])].name_ru[:22]} {top_score[k]:.2f})")
+        print(
+            f"  «{name[:48]}» (лучший {services[int(top_idx[k])].name_ru[:22]} {top_score[k]:.2f})"
+        )
         shown += 1

scripts/proof/phase0_proof.py

@@ -4,6 +4,7 @@
 точное совпадение + RapidFuzz). Эмбеддинги в боевом каскаде поднимут этот процент —
 здесь нужен нижний ориентир, чтобы убедиться, что цель 70% достижима.
 """
+
 import re
 import sys
 from pathlib import Path
@@ -17,7 +18,9 @@ from rapidfuzz import fuzz, process
 from etl.dictionary import load_dictionary, normalize_name
 
 svcs = load_dictionary(REPO / "data/reference/dictionary.xlsx")
-print(f"Справочник: {len(svcs)} услуг | с кодом тарификатора: {sum(1 for s in svcs if s.tarificator_code)}")
+print(
+    f"Справочник: {len(svcs)} услуг | с кодом тарификатора: {sum(1 for s in svcs if s.tarificator_code)}"
+)
 
 by_code = {s.tarificator_code: s for s in svcs if s.tarificator_code}
 by_norm: dict[str, object] = {}
@@ -35,11 +38,11 @@ for row in table.rows:
     if len(cells) < 3:
         continue
     code, name, price = cells[0], cells[1], cells[2]
-    if code == name == price:           # строка-заголовок секции (объединённые ячейки)
+    if code == name == price:  # строка-заголовок секции (объединённые ячейки)
         continue
     if name.lower() == "наименование услуги":
         continue
-    if not re.search(r"\d", price):      # строка без цены — не позиция
+    if not re.search(r"\d", price):  # строка без цены — не позиция
         continue
     items.append((code, name, price))
 
@@ -52,14 +55,17 @@ examples_ok, examples_miss = [], []
 for code, name, price in items:
     nn = normalize_name(name)
     if code in by_code:
-        matched += 1; by_code_n += 1
+        matched += 1
+        by_code_n += 1
         continue
     if nn in by_norm:
-        matched += 1; by_exact_n += 1
+        matched += 1
+        by_exact_n += 1
         continue
     best = process.extractOne(nn, names_norm, scorer=fuzz.token_set_ratio)
     if best and best[1] >= THRESHOLD:
-        matched += 1; by_fuzzy_n += 1
+        matched += 1
+        by_fuzzy_n += 1
         if len(examples_ok) < 6:
             examples_ok.append((name, svcs[best[2]].name_ru, round(best[1])))
     elif len(examples_miss) < 6 and best:
@@ -67,7 +73,9 @@ for code, name, price in items:
 
 pct = 100 * matched / max(1, len(items))
 print(f"\nАВТО-СОПОСТАВЛЕНО (без эмбеддингов): {matched}/{len(items)} = {pct:.0f}%")
-print(f"   код тарификатора: {by_code_n} | точное имя: {by_exact_n} | fuzzy≥{THRESHOLD}: {by_fuzzy_n}")
+print(
+    f"   код тарификатора: {by_code_n} | точное имя: {by_exact_n} | fuzzy≥{THRESHOLD}: {by_fuzzy_n}"
+)
 print("\nпримеры совпадений:")
 for raw, canon, sc in examples_ok:
     print(f"   «{raw[:46]}» → «{canon[:46]}» ({sc})")