SnapOtter представляет собой монорепозиторий, управляемый с помощью рабочих пространств pnpm и Turborepo. Он развёртывается как стек из 3 контейнеров Docker Compose: образ приложения SnapOtter, PostgreSQL 17 и Redis 8.
Основная библиотека обработки изображений, построенная на [Sharp](https://sharp.pixelplumbing.com/). Она выполняет все операции без AI: изменение размера, обрезку, поворот, отражение, преобразование, сжатие, удаление метаданных и цветовые корректировки (яркость, контраст, насыщенность, оттенки серого, сепия, инверсия, цветовые каналы).
У этого пакета нет сетевых зависимостей, и он работает полностью в рамках процесса.
Уровень моста, который вызывает собственную среду выполнения Python и ML. Большинство инструментов Python используют постоянный dispatcher, который предварительно импортирует тяжелые библиотеки (PIL, NumPy, MediaPipe, rembg), поэтому последующие вызовы пропускают накладные расходы на импорт. OCR изолирован от этой изменяемой общей среды: `fast` вызывает собственный Tesseract, а`balanced` и `best` используют выделенный постоянный JSONL dispatcher, прикрепленный к активному неизменяемому поколению RapidOCR/ONNX. Каждый запрос содержит generation lease. Активация сначала запускает smoke test на кандидате, затем атомарно переключается на его dispatcher. Предыдущий dispatcher истощается до того, как его генерация будет утилизирована.
**Модели не загружаются заранее.** Каждый скрипт инструмента загружает веса своей модели с диска в момент запроса и освобождает их после завершения запроса. Полный профиль памяти см. в разделе [Потребление ресурсов](#resource-footprint).
Поддерживаемые операции: удаление фона (rembg/BiRefNet), масштабирование (RealESRGAN), размытие лица (MediaPipe), улучшение лица (GFPGAN/CodeFormer), стирание объекта (LaMa ONNX), OCR (Tesseract и RapidOCR с моделями PP-OCR ONNX), раскрашивание (DDColor), удаление шума, удаление эффекта красных глаз, восстановление фотографий, создание фотографий на паспорт, исправление прозрачности (BiRefNet HR-matting) и изменение размера с учетом содержимого (двоичный файл Go caire).
Скрипты Python находятся в `packages/ai/python/`. Большие дополнительные пакеты моделей устанавливаются по требованию в постоянный том `/data/ai`. В Accurate OCR используются подписанные артефакты, специфичные для платформы; встроенный уровень Tesseract не требует загрузки пакета моделей.
Общие типы TypeScript, константы (такие как `APP_VERSION` и определения инструментов) и строки перевода i18n, используемые как фронтендом, так и бэкендом.
## Приложения {#applications}
### API (`apps/api`) {#api-apps-api}
Сервер Fastify v5, предоставляющий 241 маршрут инструментов в пяти модальностях (image, video, audio, PDF, file), который обрабатывает:
- Загрузку файлов, управление временным рабочим пространством и постоянное хранение файлов
- Библиотеку файлов пользователя (таблица `user_files`): по умолчанию сохранённое изменение хранится как независимый новый файл или как связанная с родителем версия, когда вы перезаписываете оригинал. Она записывает, какие инструменты были применены (`toolChain`), и получает автоматически генерируемую миниатюру для страницы Files
- Выполнение инструментов (направляет каждый запрос инструмента в движок изображений или прослойку AI)
- Оркестрацию конвейеров (последовательное объединение нескольких инструментов в цепочку)
- Пакетную обработку с управлением параллелизмом через очереди задач BullMQ (пулы: image, media, ai, docs, system)
- Аутентификацию пользователей, RBAC (роли admin/user с полным набором прав), управление API-ключами и ограничение частоты запросов
- Управление командами, CRUD только для администратора; пользователи назначаются в команду через поле `team` в их профиле
- Настройки времени выполнения, хранилище «ключ-значение» в таблице `settings`, которое управляет `disabledTools`, `enableExperimentalTools`, `loginAttemptLimit` и другими эксплуатационными параметрами без повторного развёртывания
- Пользовательский брендинг и предпочтения времени выполнения через настройки, хранящиеся в базе данных
- Документацию Scalar/OpenAPI по адресу `/api/docs`
- Отдачу собранного фронтенда как SPA в продакшене
Сервер обрабатывает корректное завершение работы по SIGTERM/SIGINT: он сливает HTTP-соединения, останавливает воркеры BullMQ, завершает диспетчер Python и закрывает соединение с базой данных.
### Web (`apps/web`) {#web-apps-web}
Одностраничное приложение на React 19, собранное с помощью Vite. Использует Zustand для управления состоянием, Tailwind CSS v4 для стилизации и Lucide для значков. Обменивается данными с API по REST и SSE (для отслеживания прогресса).
В число страниц входят: рабочее пространство инструментов, страница Files для управления постоянными загрузками и результатами, конструктор автоматизации/конвейеров и панель настроек администратора.
Собранный фронтенд отдаётся бэкендом Fastify в продакшене, поэтому в контейнере Docker нет отдельного веб-сервера.
### Docs (`apps/docs`) {#docs-apps-docs}
Этот сайт на VitePress. Развёртывается на Cloudflare Pages автоматически при пуше в `main`.
## Как проходит запрос {#how-a-request-flows}
1. Пользователь выбирает инструмент в веб-интерфейсе и загружает файл.
2. Фронтенд отправляет multipart-POST на `/api/v1/tools/:section/:toolId` с файлом и настройками.
3. Маршрут API проверяет входные данные с помощью Zod, затем запускает обработку.
4. Для стандартных инструментов задача ставится в соответствующий пул BullMQ (image, media или docs в зависимости от модальности). Внутрипроцессный воркер BullMQ автоматически ориентирует изображение на основе метаданных EXIF, выполняет функцию обработки инструмента и возвращает результат.
5. Для большинства инструментов ИИ мост TypeScript отправляет запрос на постоянный Python dispatcher. Вместо этого быстрый OCR вызывает Tesseract, а точный OCR запускает закрепленный исполняемый файл из активного неизменяемого поколения OCR. Запрошенный уровень OCR фиксируется при входе и никогда не изменяется автоматически во время выполнения.
6. Прогресс задачи сохраняется в таблицу `jobs` в PostgreSQL, поэтому состояние переживает перезапуски контейнера. Обновления в реальном времени доставляются через SSE по адресу `/api/v1/jobs/:jobId/progress`.
7. API возвращает `jobId` и `downloadUrl`. Пользователь скачивает обработанный файл из `/api/v1/download/:jobId/:filename`.
Для конвейеров API подаёт вывод каждого шага как входные данные для следующего, выполняя их последовательно.
Для пакетной обработки API использует потоки BullMQ с дочерними задачами на каждый шаг и возвращает ZIP-файл со всеми обработанными файлами.
## Потребление ресурсов {#resource-footprint}
SnapOtter спроектирован для низкого потребления памяти в простое. Ничего не загружается заранее и не держится «прогретым» при запуске.
### В простое {#at-idle}
Процесс Node.js/Fastify, PostgreSQL и Redis запущены. Типичное потребление ОЗУ в простое составляет **~200-300 МБ** по всем трём контейнерам (процесс Node.js, Postgres и Redis). Нет процесса Python, нет весов моделей в памяти.
### Что запускается и когда {#what-starts-and-when}
| Компонент | Запускается когда | Память во время активности |
| Воркеры BullMQ | Запуск контейнера (внутрипроцессно) | Один воркер на пул (image, media, ai, docs, system) |
| Диспетчер Python | Первый запрос AI-инструмента | Интерпретатор Python + предварительно импортированные библиотеки (PIL, NumPy, MediaPipe, rembg), без весов моделей |
| Веса AI-моделей | Во время запроса конкретного инструмента | Загружаются с диска, освобождаются по завершении запроса |
### Загрузка моделей {#model-loading}
Все файлы весов моделей (суммарно несколько ГБ) постоянно находятся на диске в `/opt/models/`. Каждый скрипт AI-инструмента загружает в память только свою(-и) модель(-и) на время запроса, затем освобождает их. Некоторые скрипты явно вызывают `del model` и `torch.cuda.empty_cache()` после инференса, чтобы память возвращалась немедленно.
Между запросами кэша моделей нет. Запуск одного и того же AI-инструмента подряд перезагружает модель каждый раз. Это удерживает память в простое около нуля ценой задержки на загрузку модели при каждом AI-запросе.
### Холодный старт первого AI-запроса {#first-ai-request-cold-start}
Диспетчер Python не запущен при старте контейнера. Первый AI-запрос запускает две вещи параллельно: диспетчер начинает прогреваться в фоне, а сам запрос откатывается к разовому порождению подпроцесса Python. Как только диспетчер сигнализирует о готовности, все последующие AI-запросы используют его напрямую и обходят затраты на порождение подпроцесса.
