Spring AI RAG 구현하기: SimpleVectorStore로 전문 지식 데이터 주입 (3편)

[
  {
    "id": "saju-gap-ja",
    "stem_branch": "갑자(甲子)",
    "element": "수생목(水生木) / 레거시 부트스트래핑",
    "it_interpretation": "기초 인프라가 탄탄하지 않은 상태에서 무리하게 비즈니스 로직을 확장하려는 경향이 강함.",
    "anti_pattern": "빅뱅 방식의 전면 재구축 (Big Bang Rewrite)",
    "bad_habit": "문서화 없이 혼자 모든 코드를 머릿속에 담아두고 개발함.",
    "prescription": "도메인 주도 설계(DDD)를 도입하고, 점진적인 스트랭글러 피그(Strangler Fig) 패턴으로 리팩토링할 것."
  },
  {
    "id": "saju-eul-chuk",
    "stem_branch": "을축(乙丑)",
    "element": "토극수(土克水) / 데이터베이스 병목",
    "it_interpretation": "외부 API 지연과 DB 락 경합으로 인해 병목 구간이 심화되는 운세.",
    "anti_pattern": "N+1 쿼리 방치 및 테이블 풀 스캔",
    "bad_habit": "로컬에서는 빠른데 프로덕션에서 왜 느린지 프로파일링하지 않음.",
    "prescription": "JPA Fetch Join을 적용하고 인덱스 실행 계획(EXPLAIN)을 철저히 분석할 것."
  }
]

@Component
@RequiredArgsConstructor
@Slf4j
public class SajuDataLoader implements ApplicationRunner {

    private final VectorStore vectorStore;
    private final ObjectMapper objectMapper;
    
    @Value("classpath:data/sajuAPI.json")
    private Resource sajuJsonResource;

    @Override
    public void run(ApplicationArguments args) throws Exception {
        log.info("==> [RAG] 사주 지식 데이터 벡터 주입(Ingestion) 시작");

        // 1. JSON 파일 읽기 및 파싱
        List<Map<String, Object>> sajuList = objectMapper.readValue(
                sajuJsonResource.getInputStream(),
                new TypeReference<List<Map<String, Object>>>() {}
        );

        // 2. Spring AI Document 객체로 변환
        List<Document> documents = sajuList.stream()
                .map(this::convertToDocument)
                .toList();

        // 3. VectorStore에 임베딩 및 저장 (일괄 배치)
        vectorStore.add(documents);

        log.info("==> [RAG] 총 {}건의 사주 벡터 데이터 주입 완료!", documents.size());
    }

    private Document convertToDocument(Map<String, Object> item) {
        // 검색 대상이 될 본문 텍스트: LLM이 질의와 유사도를 계산할 핵심 문장들
        String content = String.format(
                "간지: %s | 오행 성향: %s\nIT 해석: %s\n발생 안티패턴: %s\n개발 나쁜 습관: %s\n처방전: %s",
                item.get("stem_branch"),
                item.get("element"),
                item.get("it_interpretation"),
                item.get("anti_pattern"),
                item.get("bad_habit"),
                item.get("prescription")
        );

        // 부가 메타데이터 (필터링 및 UI 표시용)
        Map<String, Object> metadata = Map.of(
                "id", item.get("id"),
                "stem_branch", item.get("stem_branch"),
                "anti_pattern", item.get("anti_pattern")
        );

        return new Document(content, metadata);
    }
}

@Configuration
public class VectorStoreConfig {

    @Bean
    public VectorStore vectorStore(EmbeddingModel embeddingModel) {
        return new SimpleVectorStore(embeddingModel);
    }
}

File vectorFile = new File("src/main/resources/data/saju_vectors.json");

if (vectorFile.exists()) {
    // 이미 계산된 벡터 파일이 있으면 즉시 역직렬화 (1초 미만)
    simpleVectorStore.load(vectorFile);
} else {
    // 최초 1회만 임베딩 계산 후 파일로 저장
    simpleVectorStore.add(documents);
    simpleVectorStore.save(vectorFile);
}

@SpringBootTest
public class VectorStoreTest {

    @Autowired
    private VectorStore vectorStore;

    @Test
    void 유사도_검색_테스트() {
        String userQuery = "요즘 DB 쿼리가 너무 느리고 서버가 뻗으려고 해요.";

        SearchRequest request = SearchRequest.query(userQuery)
                .withTopK(2)
                .withSimilarityThreshold(0.6);

        List<Document> results = vectorStore.similaritySearch(request);

        for (Document doc : results) {
            System.out.println("검색된 문서: " + doc.getContent());
            System.out.println("메타데이터: " + doc.getMetadata());
        }

        assertThat(results).isNotEmpty();
        assertThat(results.get(0).getContent()).contains("데이터베이스 병목");
    }
}