...

src/main/kotlin/network/RagService.kt

@@ -1,5 +1,6 @@
 // src/main/kotlin/network/RagService.kt
 
+import VectorStoreTable.metadata
 import dev.langchain4j.data.segment.TextSegment
 import dev.langchain4j.model.openai.OpenAiChatModel
 import dev.langchain4j.model.openai.OpenAiEmbeddingModel
@@ -25,14 +26,13 @@ object RagService {
      * 텍스트를 임베딩하여 H2 DB에 저장합니다.
      */
     fun ingest(text: String, meta: String = "") {
-        val embedding = embeddingModel.embed(text).content().vector()
-
+        val embeddingVector: DoubleArray = embeddingModel.embed(text).content().vector().map { it.toDouble() }.toDoubleArray()
         transaction {
             VectorStoreTable.insert {
                 it[content] = text
                 it[metadata] = meta
-                // 벡터 데이터를 문자열 형태로 저장 (H2 포맷)
-                it[VectorStoreTable.embedding] = embedding.joinToString(",", "[", "]")
+                // [수정] 문자열 변환 없이 객체 그대로 전달
+                it[embedding] = embeddingVector
             }
         }
         println("💾 H2 벡터 저장 완료: ${text.take(15)}...")
@@ -41,35 +41,41 @@ object RagService {
     /**
      * 질문과 가장 유사한 정보를 H2에서 검색하여 AI 답변을 생성합니다.
      */
-    fun ask(question: String): String {
+    fun askWithContext(question: String): String {
         val queryVector = embeddingModel.embed(question).content().vector()
-        val vectorStr = queryVector.joinToString(",", "[", "]")
+        // H2 ARRAY 포맷에 맞춰 (v1, v2, ...) 형태로 변환
+        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, '$vectorStr') DESC " +
-                    "LIMIT 3"
+            // 코사인 유사도 기준 상위 5개 뉴스 추출
+            val query = """
+            SELECT CONTENT FROM VECTOR_STORE 
+            ORDER BY VECTOR_COSINE_SIMILARITY(EMBEDDING, CAST('$vectorStr' AS FLOAT8 ARRAY)) DESC 
+            LIMIT 5
+        """.trimIndent()
 
             val results = mutableListOf<String>()
             exec(query) { rs ->
                 while (rs.next()) {
-                    results.add(rs.getString("content"))
+                    results.add(rs.getString("CONTENT"))
                 }
             }
             results.joinToString("\n\n")
         }
 
-        val prompt = """
-            [참고 정보]
-            $context
-            
-            [질문]
-            $question
-            
-            위 정보를 참고하여 분석 결과를 말해주세요.
-        """.trimIndent()
+        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
 
-        return chatModel.generate(prompt)
+        [질문]
+        $question
+        <|eot_id|><|start_header_id|>assistant<|end_header_id|>
+    """.trimIndent()
+
+        return chatModel.generate(finalPrompt)
     }
 }