Vectara расширила индексацию Confluence: работа с вложениями и изображениями
Vectara обновила коннектор к Confluence: пайплайн теперь индексирует вложения и встроенные изображения страниц. По данным документации Vectara, обновление включает два новых поля — attachments и embedded_images, оба активны по умолчанию.
Для пользователей платформы семантического поиска и суммаризации это расширение корпуса без ручной настройки — и одновременно новый рычаг контроля над объёмом индексируемого.
Что изменилось в пайплайне
Поле attachments.enabled по умолчанию равно true. Система загружает каждое вложение страницы как отдельную запись. Типовой фильтр не применяется: исключение работает через регулярные выражения pos_regex и neg_regex (до 100 паттернов в каждом, синтаксис Java, сравнение по полному имени файла) либо через ограничение max_bytes в диапазоне от 1 KiB до 100 MiB, дефолт — 25 MiB.
Поле embedded_images.handling также активно по умолчанию со значением inline. Пайплайн подтягивает изображения, прикреплённые к странице или её предкам, используя учётные данные источника, и встраивает их в индекс вместе с текстом страницы. Лимит — 20 MiB base64 на страницу, что соответствует примерно 15 MiB исходных байт.
Ограничения и исключения
Не все изображения попадают в индекс. Внешние картинки, файлы свыше 5 MiB (диапазон 1 KiB–15 MiB), а также изображения, прикреплённые к другим страницам или не загрузившиеся из-за ошибки сети, остаются как URL Confluence и не индексируются. Сбой на одном изображении не валит страницу целиком.
По вложениям действует отдельное правило: если трансформ не может обработать файл, вложение всё равно скачивается и учитывается в счётчике обработанных, но в индекс не попадает.
Что нужно сделать существующим пользователям
Согласно документации, оба поля включены по умолчанию. Любой активный Confluence-пайплайн при следующем запуске начнёт индексировать вложения и встраивать изображения без дополнительных команд. Чтобы сохранить прежнее поведение, требуется явно выставить attachments.enabled = false либо перевести embedded_images.handling в значение omit — в этом режиме изображения остаются URL, не загружаются и не индексируются.
Параллельно в том же релизе заявлены детерминированная обработка прерванных ответов внешних LLM и явные коды ошибок при таймаутах провайдеров. Состав кодов и границы детерминизма в публичных материалах не раскрыты — это требует отдельной проверки по changelog платформы.