...

src/main/kotlin/network/RagService.kt

@@ -0,0 +1,75 @@
+// src/main/kotlin/network/RagService.kt
+
+import dev.langchain4j.data.segment.TextSegment
+import dev.langchain4j.model.openai.OpenAiChatModel
+import dev.langchain4j.model.openai.OpenAiEmbeddingModel
+import org.jetbrains.exposed.sql.*
+import org.jetbrains.exposed.sql.SqlExpressionBuilder.plus
+import org.jetbrains.exposed.sql.transactions.transaction
+import java.time.Duration
+
+object RagService {
+    // 임베딩 모델 (8081) 및 채팅 모델 (8080) 설정
+    private val embeddingModel = OpenAiEmbeddingModel.builder()
+        .baseUrl("http://127.0.0.1:8081/v1")
+        .apiKey("unused")
+        .build()
+
+    private val chatModel = OpenAiChatModel.builder()
+        .baseUrl("http://127.0.0.1:8080/v1")
+        .apiKey("unused")
+        .timeout(Duration.ofSeconds(60))
+        .build()
+
+    /**
+     * 텍스트를 임베딩하여 H2 DB에 저장합니다.
+     */
+    fun ingest(text: String, meta: String = "") {
+        val embedding = embeddingModel.embed(text).content().vector()
+
+        transaction {
+            VectorStoreTable.insert {
+                it[content] = text
+                it[metadata] = meta
+                // 벡터 데이터를 문자열 형태로 저장 (H2 포맷)
+                it[VectorStoreTable.embedding] = embedding.joinToString(",", "[", "]")
+            }
+        }
+        println("💾 H2 벡터 저장 완료: ${text.take(15)}...")
+    }
+
+    /**
+     * 질문과 가장 유사한 정보를 H2에서 검색하여 AI 답변을 생성합니다.
+     */
+    fun ask(question: String): String {
+        val queryVector = embeddingModel.embed(question).content().vector()
+        val vectorStr = queryVector.joinToString(",", "[", "]")
+
+        // H2의 VECTOR_COSINE_SIMILARITY 함수를 사용하여 검색
+        val context = transaction {
+            val query = "SELECT content FROM VECTOR_STORE " +
+                    "ORDER BY VECTOR_COSINE_SIMILARITY(embedding, '$vectorStr') DESC " +
+                    "LIMIT 3"
+
+            val results = mutableListOf<String>()
+            exec(query) { rs ->
+                while (rs.next()) {
+                    results.add(rs.getString("content"))
+                }
+            }
+            results.joinToString("\n\n")
+        }
+
+        val prompt = """
+            [참고 정보]
+            $context
+            
+            [질문]
+            $question
+            
+            위 정보를 참고하여 분석 결과를 말해주세요.
+        """.trimIndent()
+
+        return chatModel.generate(prompt)
+    }
+}