# 合同分析检索

**Repository Path**: tgh621/contract-analysis-retrieval

## Basic Information

- **Project Name**: 合同分析检索
- **Description**: 这是一个智能体(agent)项目，基于langchain4j框架的实现。
旨在实现“合同”的智能分析，预期目标为：合同分析、合同检索、合同知识库建设、合同审核。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: develop
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-08-10
- **Last Updated**: 2026-08-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 合同分析检索智能体 (Contract Analysis Retrieval Agent)

基于 RAG（检索增强生成）的合同智能分析系统，支持 PDF 合同解析、语义检索、多合同对比、知识库构建及联合分析。

---

## 一、架构设计

### 1.1 整体架构

```
┌─────────────────────────────────────────────────────────────────┐
│                         前端 (Vue 3)                              │
│   聊天面板 │ 合同上传 │ 知识库管理 │ 多合同对比 │ 流式渲染         │
└──────────────────────────────┬──────────────────────────────────┘
                               │ HTTP/SSE (localhost:3000 → 8080)
┌──────────────────────────────┴──────────────────────────────────┐
│                      后端 (Spring Boot 3.2)                       │
│                                                                   │
│  ┌──────────┐  ┌─────────────────────────────────────────────┐  │
│  │Controller│  │              工作流编排层                     │  │
│  │  Chat    │  │  Router ─→ Intent ─→ Workflow                │  │
│  │ Contract │  │    │          │          ├─ ChatWorkflow      │  │
│  │ Session  │  │    │    LLM分类     ├─ SingleContractWorkflow│  │
│  └──────────┘  │    │          │          ├─ MultiContractWf   │  │
│                 │    │          │          ├─ KnowledgeBaseWf   │  │
│                 │    │          │          ├─ RagContractWf     │  │
│                 │    │          │          └─ DocumentUploadWf  │  │
│                 │    │          │                                │  │
│                 │    │    ┌──────┴──────┐                       │  │
│                 │    │    │   节点链     │                       │  │
│                 │    │    │ RetrieveNode │                       │  │
│                 │    │    │ AnalyzeNode  │                       │  │
│                 │    │    │ CompareNode  │                       │  │
│                 │    │    │ ChatNode     │                       │  │
│                 │    │    │ MergeContextNode│                    │  │
│                 │    │    └─────────────┘                       │  │
│                 │    └──────────────────────────────────────────┘  │
│                                                                   │
│  ┌─────────────────────────────────────────────────────────────┐  │
│  │                       服务层                                 │  │
│  │  ChatService  │  PdfParsingService  │  TextSplitterService  │  │
│  │  SessionService │  VectorStoreService │  DocumentReconstruction│
│  └─────────────────────────────────────────────────────────────┘  │
│                                                                   │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────────────┐    │
│  │  LLM 模型    │  │Embedding 模型│  │   Milvus 向量数据库   │    │
│  │  MiniMax M2  │  │   BGE-M3     │  │   (localhost:19530)   │    │
│  │ (OpenAI API) │  │  (本地 ONNX) │  │                      │    │
│  └──────────────┘  └──────────────┘  └──────────────────────┘    │
└─────────────────────────────────────────────────────────────────┘
```

### 1.2 分层设计

| 层 | 职责 | 核心组件 |
|---|---|---|
| **控制器层** | 接收 HTTP 请求，参数校验，返回响应 | `ChatController`, `ContractController`, `SessionController` |
| **编排层** | 意图分类、工作流路由、节点串联 | `Router`, `Workflow`, `WorkflowContext`, `SSEEmitterHelper` |
| **节点层** | 独立的功能单元，可被多个工作流复用 | `RetrieveNode`, `AnalyzeNode`, `CompareNode`, `ChatNode`, `MergeContextNode` |
| **服务层** | 提供原子能力：PDF解析、切分、向量化、存储、对话编排 | `ChatService`, `PdfParsingService`, `TextSplitterService`, `VectorStoreService`, `SessionService`, `DocumentReconstructionService` |
| **模型层** | LLM 对话与 Embedding 向量化 | `ChatModelConfig`, `EmbeddingConfig` |

---

## 二、业务内容与功能说明

### 2.1 功能概览

| 功能 | 说明 | 模式 |
|---|---|---|
| **闲聊对话** | 自由对话，支持上下文记忆 | 默认模式 |
| **单合同分析** | 上传 PDF 合同，提问条款、风险、关键信息 | 合同模式 |
| **多合同对比** | 上传多份合同，对比条款差异 | 合同模式（多文件） |
| **知识库管理** | 上传 PDF 构建 RAG 知识库（如法律法规），支持多知识库 | RAG 模式 |
| **RAG+合同联合分析** | 上传合同同时勾选知识库，结合两者进行分析 | RAG 模式 |

### 2.2 工作流一览

| 意图 | 工作流 | 编排链 |
|---|---|---|
| `CHAT` | `ChatWorkflow` | ChatNode → LLM |
| `SINGLE_CONTRACT` | `SingleContractWorkflow` | RetrieveNode → AnalyzeNode → LLM |
| `MULTI_CONTRACT` | `MultiContractWorkflow` | RetrieveNode → AnalyzeNode → CompareNode → LLM |
| `KNOWLEDGE_BASE` | `KnowledgeBaseWorkflow` | RetrieveNode → AnalyzeNode → LLM |
| `RAG_CONTRACT` | `RagContractWorkflow` | 检索合同 → 检索知识库 → 合并上下文 → AnalyzeNode → LLM |

### 2.3 使用方式

#### 单合同分析
1. 切换到 **合同分析** 标签
2. 上传 PDF 合同 → 自动解析、切分、向量化入库
3. 输入问题（如"租金条款是什么？"）
4. 系统检索合同相关内容，LLM 基于检索结果回答

#### 知识库构建
1. 切换到 **RAG知识库** 标签
2. 输入知识库名称（如"个人租赁法规"）→ 点击创建
3. 勾选目标知识库 → 展开上传区域 → 上传 PDF
4. 上传成功后面板自动折叠

#### RAG + 合同联合分析
1. 勾选知识库（可多选）
2. 展开合同上传区域 → 上传 PDF 合同
3. 提问（如"结合租赁法规，分析这份合同的风险"）
4. 系统同时检索合同内容和知识库，合并后分析

---

## 三、业务流程设计

### 3.1 文档上传

```
[用户上传 PDF]
      │
      ▼
┌──────────────┐
│  UPLOAD      │  接收 MultipartFile，生成临时 Collection 名
│              │  → 格式：s_<时间戳>_<随机数>（独立隔离）
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  PARSE       │  Apache PDFBox 提取文本
│              │  → setSortByPosition(true) 按渲染顺序
│              │  → 保留段落结构
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  SPLIT       │  TextSplitter 语义切分
│              │  ① 标题边界（## / ###）
│              │  ② 段落边界（空行）
│              │  ③ 列表项保持完整
│              │  ④ 长段落按句子切分
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  VECTORIZE   │  BGE-M3 向量化
│              │  → 分批处理（每批 5 个 chunk，避免 OOM）
│              │  → 写入 Milvus
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  DONE        │  返回 chunkCount 和文本长度
└──────────────┘
```

### 3.2 对话检索

```
[用户输入问题]
      │
      ▼
┌──────────────┐
│  Router      │  LLM 意图分类（3 种基础意图）
│              │  → CHAT / SINGLE_CONTRACT / MULTI_CONTRACT
│              │  ChatService 根据上下文扩展为 5 种意图：
│              │  → KNOWLEDGE_BASE（有 RAG 无合同）
│              │  → RAG_CONTRACT（有 RAG 有合同）
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  RetrieveNode│  向量检索 Milvus
│              │  → 用户问题向量化
│              │  → 余弦相似度 Top-K 检索
│              │  → 拼接上下文
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  AnalyzeNode │  构建 System/User Prompt
│              │  → 格式约束（标题/列表/代码块）
│              │  → 仅基于检索内容回答
└──────┬───────┘
       │
       ▼
┌──────────────┐
│  LLM (SSE)   │  流式返回
│              │  → Spring MVC SseEmitter
│              │  → 前端按 type 字段区分渲染
└──────────────┘
```

### 3.3 RAG+合同联合检索

```
[用户提问] → ChatService
                  │
    ┌─────────────┴─────────────┐
    │  hasContract?  hasRag?    │
    └─────────────┬─────────────┘
                  │ 两者都满足
                  ▼
    ┌────────────────────────────┐
    │  RagContractWorkflow       │
    │                            │
    │  ① 检索合同 (sessionId)   │  → Top-5
    │  ② 逐库检索知识库          │  → 每库 Top-3
    │  ③ 合并上下文              │
    │     【合同内容】+【参考知识库】│
    │  ④ AnalyzeNode 构建Prompt │
    │  ⑤ LLM 流式输出           │
    └────────────────────────────┘
```

### 3.4 Session 管理

- 合同上传后数据存入临时 Collection（命名格式：`s_<时间戳>_<随机数>`）
- 同一 session 可上传多份合同，每份合同独立 Collection，会话超时 10 分钟自动清理：
  - 清除对话历史
  - 删除 Milvus 临时 Collection
  - 定时任务每 5 分钟检查
- 知识库数据永久存储，不受 session 影响

---

## 四、代码结构

```
contract-analysis-retrieval/
│
├── backend/                          # Spring Boot 后端
│   ├── pom.xml                       # Maven 依赖配置
│   └── src/main/
│       ├── resources/
│       │   └── application.yml       # 应用配置（LLM/Milvus/Session）
│       └── java/com/contract/retrieval/
│           │
│           ├── ContractRetrievalApplication.java  # Spring Boot 启动类
│           │
│           ├── config/               # 配置层
│           │   ├── ChatModelConfig.java      # LLM：MiniMax M2 (OpenAI 兼容)
│           │   ├── EmbeddingConfig.java      # Embedding：BGE-M3 (本地 ONNX)
│           │
│           ├── controller/           # 控制器层
│           │   ├── ChatController.java       # /api/chat/stream, /message
│           │   ├── ContractController.java   # /api/contract/upload/**, /collections
│           │   └── SessionController.java    # /api/session/**
│           │
│           ├── service/              # 服务层
│           │   ├── ChatService.java          # 对话编排：意图路由 + 工作流执行
│           │   ├── DocumentReconstructionService.java  # 文档重建（LLM 语义拼接）
│           │   ├── PdfParsingService.java   # PDF 解析（Apache PDFBox）
│           │   ├── SessionService.java      # 会话管理 + 超时清理
│           │   ├── TextSplitterService.java # 语义切分（标题/段落/列表/句子）
│           │   └── VectorStoreService.java  # 向量存储（Milvus CRUD）
│           │
│           └── workflow/             # 工作流编排层
│               ├── Workflow.java             # 工作流接口
│               ├── WorkflowContext.java       # 工作流共享上下文
│               ├── Router.java               # 意图路由（LLM 分类 + 工作流分发，支持 5 种意图）
│               ├── ContractWorkflow.java     # 工作流状态/意图枚举定义
│               ├── DocumentUploadWorkflow.java  # 文档上传编排（UPLOAD→PARSE→SPLIT→VECTORIZE）
│               ├── ChatWorkflow.java         # 闲聊工作流
│               ├── SingleContractWorkflow.java  # 单合同工作流
│               ├── MultiContractWorkflow.java   # 多合同对比工作流
│               ├── KnowledgeBaseWorkflow.java   # 知识库检索工作流
│               ├── RagContractWorkflow.java     # RAG+合同联合检索
│               ├── SSEEmitterHelper.java        # SSE 流式输出辅助器（缓冲、标签解析、事件推送）
│               └── node/              # 可复用工作流节点
│                   ├── Node.java               # 节点接口
│                   ├── RetrieveNode.java       # 向量检索节点
│                   ├── AnalyzeNode.java        # 分析节点（Prompt 构建）
│                   ├── CompareNode.java        # 多合同对比节点
│                   ├── ChatNode.java           # 聊天节点（历史管理）
│                   └── MergeContextNode.java   # 上下文合并节点
│
├── frontend/                         # Vue 3 前端
│   ├── index.html                    # HTML 入口
│   ├── package.json                  # 前端依赖
│   ├── vite.config.js                # Vite 配置（代理 /api → localhost:8080）
│   └── src/
│       ├── main.js                   # Vue 应用入口
│       ├── App.vue                   # 主界面：聊天/上传/知识库管理
│       └── api/
│           └── index.js              # API 封装（Axios + Fetch SSE）
│
└── README.md                         # 本文档
```

---

## 五、技术栈及核心原理

### 5.1 技术选型

| 类别 | 技术 | 版本 | 说明 |
|---|---|---|---|
| **语言** | Java | 17 | |
| **框架** | Spring Boot | 3.2.0 | Web（MVC）+ WebFlux + Validation（SSE 使用 SseEmitter，非 WebFlux） |
| **AI 编排** | LangChain4j | 1.14.1 | 统一 LLM/Embedding/VectorStore 接口 |
| **LLM** | MiniMax M2 | - | 通过 OpenAI 兼容 API 调用 |
| **Embedding** | BGE-M3 | - | 本地 ONNX 模型，1024 维向量，ONNX Runtime + DJL Tokenizer |
| **向量数据库** | Milvus | - | 独立部署，gRPC 通信 |
| **PDF 解析** | Apache PDFBox | 3.0.4 | 纯 Java，按渲染顺序提取文本 |
| **文件类型检测** | Apache Tika | 2.9.1 | 文件类型识别 |
| **数据库** | PostgreSQL | - | 运行时依赖 |
| **工具库** | Lombok | - | 简化 Java 代码 |
| **JSON** | Jackson | - | 含 jsr310 日期模块 |
| **MCP 协议** | LangChain4j MCP | 1.14.1 | Model Context Protocol 支持 |
| **前端** | Vue 3 + Vite | 3.4 / 5.0 | 组合式 API |
| **状态管理** | Pinia | 2.1 | Vue 3 状态管理 |
| **路由** | Vue Router | 4.2 | 前端路由 |
| **Markdown 渲染** | marked | 18.0 | 客户端渲染 LLM 输出 |
| **代码高亮** | highlight.js | 11.9 | |
| **HTTP 客户端** | Axios | 1.6 | |
| **构建** | Maven | - | |

### 5.2 RAG（检索增强生成）原理

```
用户提问 ──→ Embedding 模型 ──→ 查询向量
                                       │
                                       ▼
                                   Milvus 向量检索
                                   （余弦相似度 Top-K）
                                       │
                                       ▼
                                  相关文档片段
                                       │
                                       ▼
┌──────────────────────────────────────────────────────┐
│  System Prompt: "你是一个文档分析助手，请根据        │
│  提供的文档内容直接回答用户问题..."                   │
│                                                      │
│  User Prompt: "【检索到的上下文】\n...\n\n用户问题：..."│
└──────────────────────────────────────────────────────┘
                                       │
                                       ▼
                                  LLM 生成回答
```

**核心要点**：
- **Embedding**：将文本转换为高维向量，语义相近的文本向量距离近
- **向量检索**：用余弦相似度在向量空间中找最相似的 Top-K 文档
- **上下文增强**：将检索到的文档片段作为 Prompt 上下文注入 LLM
- **幻觉抑制**：通过 System Prompt 约束"仅基于检索内容回答"，低 temperature（0.1）

### 5.3 BGE Embedding 模型

- **模型**：BAAI/bge-m3（北京智源人工智能研究院）
- **运行方式**：本地 ONNX Runtime，无需 GPU，无需 API 调用
- **向量维度**：1024 维
- **支持语言**：多语言（中文、英文等 100+ 语言）
- **支持功能**：密集检索（Dense）、稀疏检索（Sparse）、多向量检索（ColBERT）
- **适用场景**：多语言文本的语义相似度计算
- **优势**：零成本、低延迟、隐私安全、多语言支持

### 5.4 Milvus 向量数据库

- **类型**：开源的分布式向量数据库
- **索引**：支持 IVF_FLAT、IVF_SQ8、HNSW 等多种索引
- **相似度**：默认余弦相似度（Cosine Similarity）
- **通信**：gRPC 协议，端口 19530
- **Collection 命名**：只允许字母、数字、下划线，中文自动 MD5 哈希

### 5.5 文本语义切分

TextSplitter 采用多层级切分策略，确保每个 chunk 都是语义完整的单元：

```
原始文本
  │
  ├─ ① 标题边界（## / ###）→ 按章节切分
  │
  ├─ ② 段落边界（连续空行）→ 按段落切分
  │
  ├─ ③ 列表项识别 → 保持列表块完整，不拆散
  │    （以 - 或数字序号开头）
  │
  └─ ④ 长段落（>512字符）→ 按中文句子切分
       （断句标记：。！？；）
       最小 chunk 256 字符
```

### 5.6 LangChain4j

- **统一抽象**：`ChatModel`、`StreamingChatModel`、`EmbeddingModel`、`EmbeddingStore` 接口
- **Milvus 适配器**：`langchain4j-milvus` 直接集成
- **BGE-M3 模型**：通过 `langchain4j-embeddings` 通用模块，自定义 `BgeM3EmbeddingModel` 加载 ONNX 模型，直接使用 ONNX Runtime + DJL Tokenizer 推理
- **OpenAI 兼容**：`langchain4j-open-ai` 支持 MiniMax 等兼容 API
- **MCP 协议**：`langchain4j-mcp` 支持 Model Context Protocol
- **Spring Boot 集成**：`langchain4j-spring-boot-starter` 自动配置

### 5.7 SSE（Server-Sent Events）流式输出

- 后端使用 Spring MVC 的 `SseEmitter` 推送流式响应（非 WebFlux `Flux<String>`）
- 统一封装在 `SSEEmitterHelper.createStreamHandler(...)`，5 个工作流（Chat / SingleContract / MultiContract / RagContract / KnowledgeBase）共用
- 事件类型：
  - `{"type":"text","content":"..."}` 正式回复，按标点缓冲避免重复 chunk
  - `{"type":"thinking","content":"..."}` 思维链，从 `<thought>` / `<thinking>` 标签解析
  - `{"type":"error","content":"..."}` 错误
  - `[DONE]` 流结束
- 跨 chunk 标签被切断时由 `ThoughtTagParser` 状态机处理，避免误识别
- 前端使用 `fetch` + `ReadableStream`，按 `\r?\n\r?\n` 切分完整事件，解析 `type` 字段分别渲染到"思考中"灰色区域和正式回复区
- 流式过程中修复 Markdown 格式（`**bold**` 被换行打断的问题）

---

## 六、部署方式

### 6.1 环境要求

| 依赖 | 版本 | 说明 |
|---|---|---|
| JDK | 17+ | |
| Maven | 3.6+ | |
| Node.js | 18+ | 前端开发 |
| Milvus | 2.x | 向量数据库 |

### 6.2 部署 Milvus

推荐使用 Docker 部署 Milvus Standalone：

```bash
# 下载 docker-compose 文件
wget https://github.com/milvus-io/milvus/releases/download/v2.4.0/milvus-standalone-docker-compose.yml -O docker-compose.yml

# 启动 Milvus
docker compose up -d

# 验证
docker compose ps
```

Milvus 默认监听 `localhost:19530`。

### 6.3 配置 LLM API

编辑 `backend/src/main/resources/application.yml` 或通过环境变量：

```yaml
llm:
  base-url: ${AGENT_LLM_BASE_URL:https://api.minimax.chat/v1}
  api-key: ${AGENT_LLM_API_KEY:your-api-key}
  model-name: ${AGENT_LLM_MODEL:MiniMax-M2.7}
  temperature: 0.1
  max-tokens: 4096
```

支持通过环境变量覆盖：
```bash
export AGENT_LLM_BASE_URL="https://your-llm-endpoint/v1"
export AGENT_LLM_API_KEY="sk-xxx"
export AGENT_LLM_MODEL="your-model-name"
```

### 6.4 启动后端

```bash
cd backend

# 设置 JAVA_HOME（Windows）
set JAVA_HOME=D:\Software\jdk-17

# 编译
mvn clean compile -DskipTests

# 启动
mvn spring-boot:run
```

后端启动在 `http://localhost:8080`。

### 6.5 启动前端

```bash
cd frontend

# 安装依赖
npm install

# 开发模式
npm run dev
```

前端启动在 `http://localhost:3000`，Vite 自动代理 `/api` 请求到后端 `http://127.0.0.1:8080`。

### 6.6 验证

1. 打开 `http://localhost:3000`
2. 在闲聊模式下输入"你好" → 应收到流式回复
3. 切换到合同分析模式 → 上传 PDF → 提问
4. 切换到 RAG 模式 → 创建知识库 → 上传文档 → 勾选知识库 → 提问

### 6.7 外部依赖清单

| 服务 | 端口 | 用途 | 必需 |
|---|---|---|---|
| Milvus | 19530 | 向量存储与检索 | 是 |
| MiniMax API | 443 (HTTPS) | LLM 推理 | 是 |
| BGE-M3 ONNX | 本地 | Embedding 向量化 | 是（本地运行） |

---

## 七、开发说明

### 7.1 新增工作流

1. 在 `ContractWorkflow.Intent` 添加新意图
2. 创建实现 `Workflow` 接口的工作流类
3. 在 `Router.route()` 添加路由分支
4. 在 `ChatService` 添加意图判断逻辑

### 7.2 新增工作流节点

1. 创建实现 `Node` 接口的节点类
2. 实现 `process(WorkflowContext ctx)` 方法
3. 在目标工作流中按顺序调用节点

### 7.3 配置说明

- `session.timeout-minutes`: 会话超时时间（默认 10 分钟）
- `session.cleanup-interval-minutes`: 清理检查间隔（默认 5 分钟）
- `milvus.collection.prefix`: Collection 名称前缀
- `milvus.collection.dimension`: 向量维度（与 Embedding 模型一致，1024）
- `llm.temperature`: LLM 温度（0.1 以减少幻觉）

---

## 八、近期更新记录

### 2026-06-29 多线程与异步处理优化

- **后端异步线程池**
  - 使用 `ThreadPoolTaskExecutor` 处理文件解析与向量化任务
  - 核心参数：核心线程数 4、最大线程数 8、队列容量 50
  - 任务状态通过 SSE 实时推送到前端，避免轮询

- **前端多文件并发上传**
  - 支持同时上传多份合同，每份合同独立生成 SSE 连接
  - 每个上传任务拥有独立的 `AbortController`，可单独取消
  - 修复 `AbortController` 被置空后异步循环访问 `signal` 的 `TypeError`

- **MultipartFile 临时文件处理**
  - 在异步处理前将文件内容读取到内存（`file.getBytes()`），避免 Tomcat 在 HTTP 请求结束后删除临时文件导致 PDF 解析失败

- **SSE 连接生命周期优化**
  - 后端任务完成后延迟 500ms 关闭连接，确保最终状态被前端接收
  - 前端收到 `{"done":true}` 后延迟 200ms 关闭连接
  - 用户断开连接或页面关闭时，后端在 SSE 超时/错误回调中调用 `sessionService.deleteSession()` 清理临时数据

---

### 2026-06-30 第一步：RAG 知识库映射持久化到 H2

- 新增 `KnowledgeBase` 实体与 `KnowledgeBaseRepository`
- RAG 知识库的显示名与实际 Milvus Collection 名的映射关系持久化到 H2
- 知识库在 Milvus 中的 Collection 名统一使用 `rag_` 前缀，中文名自动 MD5 处理
- 前端拉取知识库列表时仅返回显示名，不暴露 Milvus 实际 Collection 名

---

### 2026-06-30 第二步：Session 临时文档管理迁移到 H2

- 新增 `SessionDocument` 实体与 `SessionDocumentRepository`
- 临时文档的元数据（sessionId、fileName、collectionName、status、errorMsg、过期时间等）持久化到 H2
- 临时文档 Collection 名统一使用 `s_` 前缀，格式为 `s_<时间戳>_<随机数>`
- `UploadTaskService` 在任务创建和状态变更时同步更新 H2 记录
- `SessionService` 基于 H2 中的 `expire_at` 字段清理过期 session
- `VectorStoreService` 删除 Collection 时同步清理 H2 中的 `SessionDocument` 记录

---

### 2026-06-30 第三步：过期 Session 定时清理机制完善

- 定时清理周期改为可配置：`session.cleanup-interval-minutes`（默认 5 分钟）
- 新增手动触发清理接口：`POST /api/contract/admin/sessions/cleanup-expired`
- 清理时检查 session 是否还有未完成的异步上传任务，避免误删正在处理的数据
- 新增 Milvus 孤立临时集合兜底清理：扫描所有 `s_` 前缀 Collection，若 H2 中无对应记录则删除
- 修复 JPA 删除操作因缺少 `@Transactional` 而失败的问题