ㅎㅎㅎ

src/main/kotlin/network/RagService.kt

@@ -1,12 +1,25 @@
 // src/main/kotlin/network/RagService.kt
 
-import VectorStoreTable.metadata
+import dev.langchain4j.community.rag.content.retriever.lucene.LuceneEmbeddingStore
+import dev.langchain4j.data.document.Metadata
+import dev.langchain4j.data.message.UserMessage
 import dev.langchain4j.data.segment.TextSegment
 import dev.langchain4j.model.openai.OpenAiChatModel
 import dev.langchain4j.model.openai.OpenAiEmbeddingModel
+import dev.langchain4j.store.embedding.EmbeddingSearchRequest
+import kotlinx.coroutines.async
+import kotlinx.coroutines.coroutineScope
+import kotlinx.serialization.Serializable
+import kotlinx.serialization.json.Json
+import model.CandleData
+import network.DartCodeManager
+import network.KisTradeService
+import network.NewsService
+import org.apache.lucene.store.MMapDirectory
 import org.jetbrains.exposed.sql.*
-import org.jetbrains.exposed.sql.SqlExpressionBuilder.plus
 import org.jetbrains.exposed.sql.transactions.transaction
+import service.TechnicalAnalyzer
+import java.nio.file.Paths
 import java.time.Duration
 
 object RagService {
@@ -22,60 +35,168 @@ object RagService {
         .timeout(Duration.ofSeconds(60))
         .build()
 
+
+    private val embeddingStore: LuceneEmbeddingStore by lazy {
+        val path = Paths.get("db/lucene_idx")
+        // FSDirectory.open(path)도 가능하지만, 64bit 시스템(Mac)에선 MMapDirectory가 가장 빠릅니다.
+        val directory = MMapDirectory(path)
+
+        // 제공해주신 소스의 Builder 사용
+        LuceneEmbeddingStore.builder()
+            .directory(directory)
+            .build()
+    }
+
     /**
      * 텍스트를 임베딩하여 H2 DB에 저장합니다.
      */
-    fun ingest(text: String, meta: String = "") {
-        val embeddingVector: DoubleArray = embeddingModel.embed(text).content().vector().map { it.toDouble() }.toDoubleArray()
-        transaction {
-            VectorStoreTable.insert {
-                it[content] = text
-                it[metadata] = meta
-                // [수정] 문자열 변환 없이 객체 그대로 전달
-                it[embedding] = embeddingVector
-            }
-        }
-        println("💾 H2 벡터 저장 완료: ${text.take(15)}...")
+    fun ingest(text: String, newsLink: String = "", pubDate: String = "") {
+        // 소스 코드의 TextSegment 구조에 맞춰 메타데이터 생성
+        val metadata = Metadata()
+        metadata.put("link", newsLink)
+        metadata.put("date", pubDate)
+
+        // TextSegment.from(text, metadata) 팩토리 메서드 활용
+        val segment = TextSegment.from(text, metadata)
+        val embedding = embeddingModel.embed(segment).content()
+
+        // LuceneEmbeddingStore.add(Embedding, TextSegment) 호출
+        embeddingStore.add(embedding, segment)
+        println("🔎 [Lucene] 인덱싱 성공: ${text.take(20)}...")
     }
 
+    suspend fun processStock(stockCode: String,result :(String, Boolean)->Unit,decide : (String,TradingDecision?)->Unit) {
+        // 1. 10분간의 데이터 가져오기 (API 호출)
+        coroutineScope {
+            var tradingDecision : TradingDecision = TradingDecision()
+            val financialDataDeferred = async { NewsService.fetchFinancialGrowth(DartCodeManager.getCorpCode(stockCode)) }
+
+            tradingDecision.financialData = financialDataDeferred.await()
+            result(tradingDecision.toString(),false)
+
+            tradingDecision.techSummary = TechnicalAnalyzer.generateComprehensiveReport()
+            result(tradingDecision.toString(),false)
+
+            val question = "$stockCode 종목의 현재 주가 흐름과 뉴스, 재무 실적을 바탕으로 종합 투자 전략을 세워줘."
+            val questionEmbedding = embeddingModel.embed(question).content()
+            val searchResult = embeddingStore.search(
+                EmbeddingSearchRequest.builder()
+                    .queryEmbedding(questionEmbedding)
+                    .maxResults(3)
+                    .build()
+            )
+            tradingDecision.newsContext = searchResult.matches().joinToString("\n") { it.embedded().text() }
+            result(tradingDecision.toString(),false)
+            decide(stockCode,decideTrading(stockCode, tradingDecision.techSummary ?: "", tradingDecision.newsContext ?: "",tradingDecision.financialData ?: ""))
+
+        }
+    }
+
+
     /**
      * 질문과 가장 유사한 정보를 H2에서 검색하여 AI 답변을 생성합니다.
      */
-    fun askWithContext(question: String): String {
-        val queryVector = embeddingModel.embed(question).content().vector()
-        // H2 ARRAY 포맷에 맞춰 (v1, v2, ...) 형태로 변환
-        val vectorStr = queryVector.joinToString(",", "(", ")")
-
-        val context = transaction {
-            // 코사인 유사도 기준 상위 5개 뉴스 추출
-            val query = """
-            SELECT CONTENT FROM VECTOR_STORE 
-            ORDER BY VECTOR_COSINE_SIMILARITY(EMBEDDING, CAST('$vectorStr' AS FLOAT8 ARRAY)) DESC 
-            LIMIT 5
-        """.trimIndent()
-
-            val results = mutableListOf<String>()
-            exec(query) { rs ->
-                while (rs.next()) {
-                    results.add(rs.getString("CONTENT"))
-                }
-            }
-            results.joinToString("\n\n")
-        }
+    fun askWithContext(question: String,
+                       corpInfo: String,
+                       financialData: String,
+                       days : List<CandleData>,
+                       weeks : List<CandleData>,
+                       monthly : List<CandleData>): String {
+        val questionEmbedding = embeddingModel.embed(question).content()
+        val searchResult = embeddingStore.search(
+            EmbeddingSearchRequest.builder()
+                .queryEmbedding(questionEmbedding)
+                .maxResults(5)
+                .build()
+        )
+        val newsContext = searchResult.matches().joinToString("\n") { it.embedded().text() }
 
+        // 2. 종합 분석 프롬프트 구성
         val finalPrompt = """
         <|begin_of_text|><|start_header_id|>system<|end_header_id|>
-        당신은 실시간 뉴스 분석에 능통한 20년 경력의 주식 전문가입니다. 
-        제공된 [참고 자료]를 바탕으로 사용자의 질문에 전문적이고 단호하게 답하세요.<|eot_id|>
-        <|start_header_id|>user<|end_header_id|>
-        [참고 자료]
-        $context
+        당신은 뉴스(심리), 재무(본질), 차트(추세)를 통합 분석하는 'AI 수석 애널리스트'입니다.
+        제공된 데이터를 바탕으로 아래 형식을 엄격히 지켜 분석 리포트를 작성하세요.
 
-        [질문]
-        $question
+        [데이터 세트]
+        1. 기업 기본 정보: $corpInfo
+        2. 재무 성장성: $financialData
+        3. 기술적 추세: ${monthly}, ${weeks}, ${days}
+        4. 최신 이슈(뉴스): $newsContext
+
+        [분석 요청 사항]
+        1. **업계 상황**: 해당 종목이 속한 업종의 현재 전체적인 흐름을 먼저 정리하세요.
+        2. **종목 이슈 분석**: 뉴스에서 포착된 핵심 키워드와 시장의 반응을 요약하세요.
+        3. **장기/단기 전략**: 
+           - 장기(재무/월봉 기반): 추천 혹은 비추천 사유
+           - 단기(뉴스/일봉 기반): 추천 혹은 비추천 사유
+        4. **최종 결론**: '매수/관망/매도' 의견과 그에 따른 근거를 단호하게 제시하세요.
+        <|eot_id|>
+        <|start_header_id|>user<|end_header_id|>
+        질문: $question
         <|eot_id|><|start_header_id|>assistant<|end_header_id|>
     """.trimIndent()
 
-        return chatModel.generate(finalPrompt)
+        val response = chatModel.chat(UserMessage.from(finalPrompt))
+        println(response)
+        return response.aiMessage().text()
+    }
+
+    suspend fun decideTrading(
+        stockName: String,
+        techSummary: String,
+        newsContext: String,
+        financialData: String
+    ): TradingDecision? {
+        val prompt = """
+        당신은 단기 데이트레이딩 전문가입니다. 아래 데이터를 분석하여 '매수', '매도', '관망' 중 하나를 결정하세요.
+        
+        [종목]: $stockName
+        $techSummary
+        [관련 뉴스]: $newsContext
+        [재무 기초]: $financialData
+
+        반드시 아래 JSON 형식으로만 답변하세요:
+        {
+          "decision": "BUY" | "SELL" | "HOLD",
+          "reason": "결정적 근거 한 줄",
+          "confidence": 0~100
+        }
+    """.trimIndent()
+
+        val response = chatModel.chat(UserMessage.from(prompt))
+        val jsonResponse = response.aiMessage().text()
+
+        // JSON 파싱 (Kotlinx Serialization 활용)
+        return try {
+            println(jsonResponse)
+            val decision =   Json.decodeFromString<TradingDecision>(jsonResponse)
+            decision.financialData = financialData
+            decision.newsContext = newsContext
+            decision.techSummary = techSummary
+            decision
+        } catch (e: Exception) {
+            null
+        }
+    }
+
+
+}
+@Serializable
+class TradingDecision {
+    var decision: String? = null
+    var reason: String? = null
+    var confidence: Int = 0
+    var techSummary : String? = null
+    var newsContext : String? = null
+    var financialData : String? = null
+    override fun toString(): String {
+        return """
+decision: $decision 
+reason: $reason 
+confidence: $confidence
+techSummary: $techSummary
+newsContext: $newsContext
+financialData: $financialData
+        """.trimIndent()
     }
 }