# Масштабное проектирование: Решение проблемы некоммутативных преобразований в breakshaft

## Содержание
1. [Постановка проблемы](#1-постановка-проблемы)
2. [Анализ текущей ситуации](#2-анализ-текущей-ситуации)
3. [Варианты решений](#3-варианты-решений)
4. [Сравнительная таблица](#4-сравнительная-таблица)
5. [Рекомендации](#5-рекомендации)

---

## 1. Постановка проблемы

### 1.1. Что такое некоммутативность в breakshaft?

**Некоммутативное преобразование** — ситуация, когда существует несколько путей преобразования типов, дающих **разные результаты**.

#### Пример:
```python
@repo.mark_injector()
def int_to_a_v1(i: int) -> A:
    return A(i * 10)      # Путь 1: A(420) из int=42

@repo.mark_injector()
def int_to_a_v2(i: int) -> A:
    return A(i + 100)     # Путь 2: A(142) из int=42

def consumer(dep: A) -> int:
    return dep.a

# Два пути дают разные результаты: 420 vs 142
```

### 1.2. Почему это проблема?

| Аспект | Проблема |
|--------|----------|
| **Детерминизм** | Один и тот же код может давать разные результаты |
| **Отладка** | Сложно понять, какой путь был выбран |
| **Предсказуемость** | Поведение зависит от внутреннего порядка обхода графа |
| **Тестирование** | Тесты могут проходить/падать недетерминированно |

### 1.3. Где возникает в коде?

```
src/breakshaft/
├── graph_walker.py
│   ├── generate_callgraph()      # Построение графа
│   ├── explode_callgraph_branches() # Комбинаторный взрыв вариантов
│   └── filter_exploded_callgraph_branch() # Фильтрация (выбор пути)
└── convertor.py
    └── get_callseq()             # Проверка force_commutative
```

**Критическое место** — `filter_exploded_callgraph_branch()`:
- Использует эвристики для выбора пути
- Порядок обхода не гарантирован
- При `force_commutative=True` выбрасывает ошибку если >1 пути

---

## 2. Анализ текущей ситуации

### 2.1. Текущий алгоритм выбора пути

```python
# graph_walker.py: filter_exploded_callgraph_branch()

# Эвристики (применяются последовательно):
template_metrics = [
    lambda x: len(x.consumed_from_types),  # 1. Максимум потреблённых типов
    lambda x: x.consumed_cumsum,           # 2. Максимум кумулятивного потребления
    lambda x: -x.invokes,                  # 3. Минимум вызовов
]

# Если после фильтрации >1 варианта:
if len(variants) > 1:
    # Сортировка по имени функции (недетерминировано!)
    variants.sort(key=lambda x: universal_qualname(x.injector.fn))
```

### 2.2. Проблемы текущей реализации

| Проблема | Описание | Влияние |
|----------|----------|---------|
| **P1. Недетерминированная сортировка** | `universal_qualname()` не гарантирует порядок | Разные результаты на разных машинах |
| **P2. Эвристики не семантические** | Выбор по метрикам графа, не по логике | Может выбрать "неправильный" путь |
| **P3. Комбинаторный взрыв** | `explode_callgraph_branches()` генерирует все варианты | O(n!) сложность |
| **P4. Нет кэширования** | Граф пересчитывается каждый раз | Усугубляет P3 |
| **P5. Нет явного приоритета** | Все инжекторы равны | Невозможно указать "предпочтительный" путь |

### 2.3. Статистика (из тестов)

```
test_performance_many_injectors: 20 инжекторов → ~0.5 сек
test_performance_many_injectors: 50 инжекторов → TIMEOUT (комбинаторный взрыв)
```

---

## 3. Варианты решений

### Вариант 1: Явные приоритеты инжекторов

#### Описание
Добавить параметр `priority` к `mark_injector()`. При выборе пути предпочитать инжекторы с высшим приоритетом.

#### Реализация
```python
# Использование
@repo.mark_injector(priority=10)  # Высокий приоритет
def int_to_a_preferred(i: int) -> A:
    return A(i * 10)

@repo.mark_injector(priority=1)   # Низкий приоритет
def int_to_a_fallback(i: int) -> A:
    return A(i + 100)

# Изменения в моделях
@dataclass(frozen=True)
class ConversionPoint:
    fn: Callable
    injects: type
    # ...
    priority: int = 0  # Новый параметр
    
# Изменения в graph_walker.py
def filter_exploded_callgraph_branch(variants, priority_injectors=None):
    # Сортировка по приоритету
    variants.sort(key=lambda x: -x.injector.priority)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Контроль** | Разработчик явно указывает предпочтения |
| **Детерминизм** | Приоритеты дают однозначный выбор |
| **Гибкость** | Можно менять приоритеты без изменения кода |
| **Обратная совместимость** | `priority=0` по умолчанию не ломает существующий код |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность API** | Новый параметр для изучения |
| **Конфликты приоритетов** | Одинаковые приоритеты → снова недетерминизм |
| **Не решает комбинаторный взрыв** | Всё ещё генерируются все варианты |
| **Субъективность** | Приоритеты могут быть произвольными |

#### Оценка сложности
- **Код**: ~50 строк изменений
- **Тесты**: ~10 новых тестов
- **Риск**: Низкий

---

### Вариант 2: Именованные пути (Named Paths)

#### Описание
Разработчик явно именовывает пути преобразования и выбирает их по имени.

#### Реализация
```python
# Регистрация именованных путей
@repo.mark_path(name="multiply")
def int_to_a_mult(i: int) -> A:
    return A(i * 10)

@repo.mark_path(name="add")
def int_to_a_add(i: int) -> A:
    return A(i + 100)

# Выбор пути при использовании
fn = repo.get_conversion(
    (int,),
    consumer,
    path_preference="multiply"  # Явный выбор пути
)

# Или глобальная настройка
repo.set_path_preference("multiply")
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Полный контроль** | Разработчик всегда выбирает путь |
| **Читаемость** | Код явно показывает какой путь используется |
| **Документированность** | Имена путей служат документацией |
| **Тестируемость** | Можно тестировать разные пути явно |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Бойлерплейт** | Нужно именовать каждый путь |
| **Сложность** | Управление именами в больших проектах |
| **Конфликты имён** | Нужна проверка уникальности |
| **Не решает комбинаторный взрыв** | Генерация всех вариантов остаётся |

#### Оценка сложности
- **Код**: ~150 строк изменений
- **Тесты**: ~15 новых тестов
- **Риск**: Средний

---

### Вариант 3: Стратегии выбора пути (Path Selection Strategies)

#### Описание
Встроенные стратегии выбора пути с возможностью расширения.

#### Реализация
```python
from breakshaft import PathStrategy

# Встроенные стратегии:
# - SHORTEST: кратчайший путь (минимум вызовов)
# - LONGEST: длиннейший путь (максимум преобразований)
# - FIRST: первый найденный (быстро, недетерминировано)
# - EXPLICIT: только явные пути (ошибка если несколько)
# - CUSTOM: пользовательская функция

fn = repo.get_conversion(
    (int,),
    consumer,
    path_strategy=PathStrategy.SHORTEST  # или PathStrategy.LONGEST
)

# Пользовательская стратегия
def my_strategy(paths: list[Path]) -> Path:
    # Логика выбора
    return min(paths, key=lambda p: p.complexity)

fn = repo.get_conversion(
    (int,),
    consumer,
    path_strategy=PathStrategy.CUSTOM(my_strategy)
)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Гибкость** | Разные стратегии для разных случаев |
| **Расширяемость** | Пользовательские стратегии |
| **Явность** | Стратегия видна в коде вызова |
| **Переиспользование** | Стратегии можно переиспользовать |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность API** | 5+ стратегий для изучения |
| **Не решает комбинаторный взрыв** | Стратегия применяется после генерации |
| **Производительность** | Некоторые стратегии дорогие |

#### Оценка сложности
- **Код**: ~200 строк изменений
- **Тесты**: ~20 новых тестов
- **Риск**: Средний

---

### Вариант 4: Ограничение глубины графа (Depth Limiting)

#### Описание
Ограничить максимальную глубину/сложность графа преобразований.

#### Реализация
```python
repo = ConvRepo(
    max_depth=5,           # Максимум 5 преобразований в цепочке
    max_branches=10,       # Максимум ветвей в узле
    max_total_paths=100    # Максимум путей для рассмотрения
)

# Или при вызове
fn = repo.get_conversion(
    (int,),
    consumer,
    max_depth=3  # Переопределение для конкретного вызова
)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Защита от взрыва** | Гарантированная верхняя граница сложности |
| **Производительность** | Предсказуемое время выполнения |
| **Простота** | Один параметр для настройки |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Ограничения** | Может отсечь валидные пути |
| **Не детерминизм** | Не решает проблему выбора пути |
| **Настройка** | Нужно подбирать значения |

#### Оценка сложности
- **Код**: ~80 строк изменений
- **Тесты**: ~8 новых тестов
- **Риск**: Низкий

---

### Вариант 5: Кэширование графов (Graph Caching)

#### Описание
Кэшировать построенные графы преобразований для повторного использования.

#### Реализация
```python
from breakshaft import LRUCache, PersistentCache

# Кэш в памяти (LRU)
repo = ConvRepo(cache=LRUCache(max_size=1000))

# Персистентный кэш (на диске)
repo = ConvRepo(cache=PersistentCache(path=".breakshaft_cache"))

# Декоратор для кэширования
@repo.cached
def get_converter(from_types, to_type):
    return repo.get_conversion(from_types, to_type)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Производительность** | Повторные вызовы мгновенные |
| **Масштабируемость** | Работает с большим числом инжекторов |
| **Прозрачность** | Кэш прозрачен для пользователя |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Память** | Кэш потребляет память |
| **Инвалидация** | Сложность при изменении инжекторов |
| **Не решает выбор пути** | Кэширует выбранный путь, но не детерминирует выбор |

#### Оценка сложности
- **Код**: ~250 строк изменений
- **Тесты**: ~25 новых тестов
- **Риск**: Высокий (состояние, гонки)

---

### Вариант 6: Статический анализ графа (Static Graph Analysis)

#### Описание
Анализировать граф на этапе регистрации инжекторов, обнаруживать проблемы заранее.

#### Реализация
```python
# Предварительный анализ
repo = ConvRepo(validate_on_register=True)

@repo.mark_injector()
def int_to_a_v1(i: int) -> A:
    return A(i * 10)

@repo.mark_injector()
def int_to_a_v2(i: int) -> A:
    return A(i + 100)  # Warning: Ambiguous path detected!

# Явная валидация
warnings = repo.validate()
for w in warnings:
    print(f"Warning: {w}")
# Warning: Ambiguous path for A: 2 injectors found

# Разрешение конфликта
repo.resolve_ambiguity(A, preferred=int_to_a_v1)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Раннее обнаружение** | Ошибки на этапе регистрации |
| **Документированность** | Явное разрешение конфликтов |
| **Безопасность** | Невозможно создать неоднозначность |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность** | Анализ графа дорог |
| **Жёсткость** | Может быть слишком ограничительно |
| **Не решает комбинаторный взрыв** | Анализ добавляет overhead |

#### Оценка сложности
- **Код**: ~300 строк изменений
- **Тесты**: ~30 новых тестов
- **Риск**: Высокий

---

### Вариант 7: Версионирование путей (Path Versioning)

#### Описание
Каждый путь имеет версию, можно выбирать конкретную версию.

#### Реализация
```python
@repo.mark_injector(version="1.0")
def int_to_a(i: int) -> A:
    return A(i * 10)

@repo.mark_injector(version="2.0")  # Новая версия
def int_to_a(i: int) -> A:
    return A(i + 100)

# Выбор версии
fn = repo.get_conversion(
    (int,),
    consumer,
    path_version="1.0"  # Использовать старую версию
)

# Или диапазон
fn = repo.get_conversion(
    (int,),
    consumer,
    path_version=">=1.0,<3.0"
)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Эволюция** | Плавный переход между версиями |
| **Совместимость** | Старый код продолжает работать |
| **Контроль** | Явный выбор версии |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность** | Управление версиями |
| **Бойлерплейт** | Версии для каждого пути |
| **Не решает комбинаторный взрыв** | Все версии генерируются |

#### Оценка сложности
- **Код**: ~200 строк изменений
- **Тесты**: ~20 новых тестов
- **Риск**: Средний

---

### Вариант 8: Комбинированный подход (Hybrid Solution)

#### Описание
Комбинация нескольких подходов для максимального эффекта.

#### Реализация
```python
repo = ConvRepo(
    # Приоритеты по умолчанию
    default_priority=0,
    
    # Кэширование
    cache=LRUCache(max_size=500),
    
    # Ограничения
    max_depth=10,
    max_total_paths=1000,
    
    # Стратегия по умолчанию
    default_strategy=PathStrategy.SHORTEST,
    
    # Валидация
    validate_on_register=True,
)

# Гибкое переопределение
fn = repo.get_conversion(
    (int,),
    consumer,
    priority_override={int_to_a_v1: 10},  # Приоритет для конкретных
    strategy=PathStrategy.EXPLICIT,
    cache_key="my_custom_key"
)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Максимальная гибкость** | Все инструменты доступны |
| **Масштабируемость** | Работает с большими графами |
| **Контроль** | Полный контроль над поведением |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность** | Много параметров для настройки |
| **Обучение** | Крутая кривая обучения |
| **Риск ошибок** | Неправильная конфигурация |

#### Оценка сложности
- **Код**: ~500 строк изменений
- **Тесты**: ~50 новых тестов
- **Риск**: Высокий

---

### Вариант 9: Декларативное описание графа (Declarative Graph)

#### Описание
Полностью декларативное описание путей преобразования вместо автоматического вывода.

#### Реализация
```python
# Декларативное описание
repo.define_graph({
    "paths": [
        {
            "name": "multiply_path",
            "steps": [
                {"from": int, "to": A, "using": int_to_a_mult},
                {"from": A, "to": B, "using": a_to_b},
            ],
            "priority": 10
        },
        {
            "name": "add_path",
            "steps": [
                {"from": int, "to": A, "using": int_to_a_add},
            ],
            "priority": 1
        }
    ]
})

# Выбор пути по имени
fn = repo.get_conversion(
    (int,),
    consumer,
    path_name="multiply_path"
)
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Полный контроль** | Явное описание всех путей |
| **Детерминизм** | Никакой неявной логики |
| **Документированность** | Граф виден в коде |
| **Нет комбинаторного взрыва** | Только явные пути |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Бойлерплейт** | Много кода для описания |
| **Потеря автоматизма** | Нет автоматического вывода путей |
| **Сложность поддержки** | Изменение графа требует правки описания |

#### Оценка сложности
- **Код**: ~400 строк изменений
- **Тесты**: ~40 новых тестов
- **Риск**: Высокий (меняет парадигму)

---

### Вариант 10: Машинное обучение для выбора пути (ML-Based Selection)

#### Описание
Использовать ML для предсказания "лучшего" пути на основе истории использования.

#### Реализация
```python
from breakshaft import MLPathSelector

repo = ConvRepo(
    path_selector=MLPathSelector(
        training_data="usage_history.json",
        features=["execution_time", "memory_usage", "success_rate"]
    )
)

# ML выбирает путь на основе:
# - Истории успешных выполнений
# - Времени выполнения
# - Потребления памяти
# - Контекста (типы, размеры данных)

fn = repo.get_conversion((int,), consumer)
# Путь выбирается автоматически на основе модели
```

#### Сильные стороны
| + | Описание |
|---|----------|
| **Адаптивность** | Учится на использовании |
| **Оптимизация** | Выбирает эффективные пути |
| **Автоматизм** | Не требует ручной настройки |

#### Слабые стороны
| - | Описание |
|---|----------|
| **Сложность** | ML модель + обучение |
| **Непредсказуемость** | ML может выбрать неожиданно |
| **Зависимость от данных** | Нужна история для обучения |
| **Overhead** | Предсказание модели |

#### Оценка сложности
- **Код**: ~600 строк изменений
- **Тесты**: ~60 новых тестов
- **Риск**: Очень высокий

---

## 4. Сравнительная таблица

| Вариант | Детерминизм | Производительность | Сложность | Обратная совместимость | Риск |
|---------|-------------|-------------------|-----------|----------------------|------|
| **1. Приоритеты** | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐ | ⭐⭐⭐⭐⭐ | Низкий |
| **2. Именованные пути** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | Средний |
| **3. Стратегии** | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | Средний |
| **4. Ограничение глубины** | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐ | ⭐⭐⭐⭐⭐ | Низкий |
| **5. Кэширование** | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Высокий |
| **6. Статический анализ** | ⭐⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | Высокий |
| **7. Версионирование** | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | Средний |
| **8. Комбинированный** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | Высокий |
| **9. Декларативный** | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ | Высокий |
| **10. ML** | ⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | Очень высокий |

### Легенда:
- ⭐⭐⭐⭐⭐ — Отлично
- ⭐⭐⭐⭐ — Хорошо
- ⭐⭐⭐ — Удовлетворительно
- ⭐⭐ — Плохо
- ⭐ — Очень плохо

---

## 5. Рекомендации

### 5.1. Краткосрочные решения (быстрая победа)

**Вариант 1 + Вариант 4**: Приоритеты + Ограничение глубины

```python
# Минимальные изменения для детерминизма
@repo.mark_injector(priority=10)
def preferred_converter(...): ...

repo = ConvRepo(max_depth=10)
```

**Преимущества:**
- ~130 строк кода
- Низкий риск
- Обратная совместимость
- Решает 80% проблем

### 5.2. Среднесрочные решения (баланс)

**Вариант 3 + Вариант 5**: Стратегии + Кэширование

```python
repo = ConvRepo(
    cache=LRUCache(1000),
    default_strategy=PathStrategy.SHORTEST
)
```

**Преимущества:**
- Хорошая производительность
- Гибкость для пользователей
- Решает проблему комбинаторного взрыва

### 5.3. Долгосрочные решения (полное решение)

**Вариант 8 (Комбинированный) с элементами Варианта 9**

```python
repo = HybridConvRepo(
    priorities=True,
    strategies=True,
    cache=True,
    validation=True,
    declarative_mode=False  # Опционально
)
```

**Преимущества:**
- Полное решение проблемы
- Масштабируемость
- Гибкость

### 5.4. Дорожная карта

```
Фаза 1 (2 недели):
├── Приоритеты инжекторов
├── Ограничение глубины
└── Тесты

Фаза 2 (4 недели):
├── Стратегии выбора пути
├── Базовое кэширование
└── Документация

Фаза 3 (6 недель):
├── Статический анализ
├── Продвинутое кэширование
├── Декларативный режим (опционально)
└── Полное тестирование
```

---

## 6. Заключение

### 6.1. Выводы

1. **Нет серебряной пули** — каждый вариант имеет компромиссы
2. **Комбинированный подход** даёт лучший результат
3. **Начинать с простого** — приоритеты + ограничения
4. **Итеративное улучшение** — добавлять функции постепенно

### 6.2. Риски

| Риск | Вероятность | Влияние | Митигация |
|------|-------------|---------|-----------|
| Ломает обратную совместимость | Низкая | Высокое | Поэтапное внедрение |
| Усложнение API | Средняя | Среднее | Хорошая документация |
| Производительность | Низкая | Высокое | Бенчмарки на каждом этапе |
| Комбинаторный взрыв | Средняя | Высокое | Ограничения + кэш |

### 6.3. Следующие шаги

1. **Выбрать подход** для Фазы 1
2. **Создать PR** с приоритетами и ограничениями
3. **Собрать фидбэк** от пользователей
4. **Итеративно улучшать**

---

*Документ создан для breakshaft v0.1.6*
*Дата: 2026-03-28*