From 4309a12c67e581d72595455da327af1f4a33ddf0 Mon Sep 17 00:00:00 2001
From: bot-backend <bot-backend@gendsgn.local>
Date: Wed, 17 Jun 2026 21:24:59 +0300
Subject: [PATCH] fix(llm): word-boundary INN match, tighten edge cases (#1640
 follow-up)
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

Replace (?<!\d)/(?!\d) lookarounds on the digit block in _INN_RE with
(?<!\w)/(?!\w). The old (?<!\d) did not block alpha-prefixed tokens
(e.g. «ИНН ref7707083893»), and (?!\d) did not block alpha-suffixed
tokens (e.g. «ИНН 7707083893more»). \b is unsuitable here because
Python \w covers both letters and digits, so there is no \b boundary
between an alpha char and a digit char. The (?<!\w)/(?!\w) pair
correctly anchors the 10/12-digit INN block to non-word boundaries on
both sides. Context anchor and checksum gate from #1640 are unchanged.

Adds 6 regression tests covering: alpha-prefix, alpha-suffix,
embedded mid-token, 12-digit alpha-prefix, punctuation separator
(should match), and end-of-string (should match).
---
 backend/app/services/llm/redaction.py        |  8 ++-
 backend/tests/services/llm/test_redaction.py | 64 ++++++++++++++++++++
 2 files changed, 71 insertions(+), 1 deletion(-)

diff --git a/backend/app/services/llm/redaction.py b/backend/app/services/llm/redaction.py
index b64deae3..f4ee7004 100644
--- a/backend/app/services/llm/redaction.py
+++ b/backend/app/services/llm/redaction.py
@@ -94,7 +94,13 @@ _EMAIL_RE = re.compile(r"\b[A-Za-z0-9._%+\-]+@[A-Za-z0-9.\-]+\.[A-Za-z]{2,}\b")
 # «Прокладка» (?:[^\d\n]{0,20}) позволяет «ИНН физлица 500100732259» (слово между
 # маркером и числом), но не перешагивает через строки или другие цифровые блоки.
 # Группа 1 захватывает только цифры — передаётся в _inn_checksum_valid.
-_INN_RE = re.compile(r"(?i:инн|inn)\s*[:№]?\s*(?:[^\d\n]{0,20})(\d{12}|\d{10})(?!\d)")
+# Границы слова (#1640 follow-up): (?<!\w) / (?!\w) вокруг цифрового блока гарантируют,
+# что блок не является частью более длинного алфавитно-цифрового токена.
+# \b не подходит: Python \w включает цифры и буквы, поэтому \b между буквой и цифрой
+# отсутствует (оба — \w). Lookaround'ы (?<!\w)/(?!\w) дают нужную границу «не-\w перед/после».
+# (?<!\d) заменён на (?<!\w): закрывает случай «ref7707083893» (alpha-префикс).
+# (?!\d) заменён на (?!\w): закрывает случай «7707083893more» (alpha-суффикс).
+_INN_RE = re.compile(r"(?i:инн|inn)\s*[:№]?\s*(?:[^\d\n]{0,20})(?<!\w)(\d{12}|\d{10})(?!\w)")
 
 
 def _inn_checksum_valid(token: str) -> bool:
diff --git a/backend/tests/services/llm/test_redaction.py b/backend/tests/services/llm/test_redaction.py
index ced78899..b29050d6 100644
--- a/backend/tests/services/llm/test_redaction.py
+++ b/backend/tests/services/llm/test_redaction.py
@@ -268,3 +268,67 @@ def test_inn_bad_checksum_with_keyword_not_redacted() -> None:
     out = scrub_text("ИНН 1234567890 (некорректный)")
     assert "[REDACTED:inn]" not in out
     assert "1234567890" in out
+
+
+# ── #1640 follow-up: word-boundary guards ((?<!\w)/(?!\w)) ───────────────────
+
+
+def test_inn_digits_alpha_prefix_not_redacted() -> None:
+    """Цифры ИНН как суффикс буквенно-цифрового токена НЕ редактируются.
+
+    Регрессия: (?<!\\d) не защищал от «ИНН ref7707083893» — 'f' не цифра, старый
+    lookaround пропускал. Новый (?<!\\w) блокирует любой word-char перед цифровым блоком.
+    """
+    out = scrub_text("ИНН ref7707083893")
+    assert "[REDACTED:inn]" not in out
+    assert "7707083893" in out
+
+
+def test_inn_digits_alpha_suffix_not_redacted() -> None:
+    """Цифры ИНН как префикс буквенно-цифрового токена НЕ редактируются.
+
+    Регрессия: старый (?!\\d) не блокировал буквенный суффикс — «7707083893more»
+    совпадало, т.к. 'm' не цифра. Новый (?!\\w) закрывает alpha-суффикс.
+    """
+    out = scrub_text("ИНН 7707083893more")
+    assert "[REDACTED:inn]" not in out
+    assert "7707083893" in out
+
+
+def test_inn_digits_embedded_in_alphanumeric_token_not_redacted() -> None:
+    """ИНН-подобный блок цифр внутри алфавитно-цифрового токена НЕ редактируется.
+
+    «ИНН ref7707083893xyz» — цифры с обеих сторон окружены word-char'ами.
+    """
+    out = scrub_text("ИНН ref7707083893xyz")
+    assert "[REDACTED:inn]" not in out
+
+
+def test_inn_alpha_prefix_on_12digit_block_not_redacted() -> None:
+    """12-значный валидный ИНН с буквенным префиксом (без пробела) НЕ редактируется.
+
+    «ИНН ABC500100732259» — 'C' является word-char, (?<!\\w) блокирует совпадение.
+    """
+    out = scrub_text("ИНН ABC500100732259")
+    assert "[REDACTED:inn]" not in out
+    assert "500100732259" in out
+
+
+def test_inn_standalone_with_punctuation_is_redacted() -> None:
+    """Валидный ИНН, отделённый знаком препинания (не word-char), редактируется.
+
+    Двоеточие, запятая, скобка — не \\w → (?<!\\w) пропускает. Это корректное поведение.
+    """
+    out = scrub_text("ИНН:7707083893 в реестре")
+    assert "[REDACTED:inn]" in out
+    assert "7707083893" not in out
+
+
+def test_inn_standalone_at_end_of_string_is_redacted() -> None:
+    """Валидный ИНН в конце строки без символов после редактируется.
+
+    Конец строки — не \\w → (?!\\w) пропускает. Базовый smoke.
+    """
+    out = scrub_text("ИНН 7707083893")
+    assert "[REDACTED:inn]" in out
+    assert "7707083893" not in out