feat: RAG 기능 구현

main.py

@@ -4,6 +4,8 @@
 from typing import List, Optional              # 타입 힌트: 리스트, Optional
 import httpx                                   # 비동기 HTTP 클라이언트 (LLM API 호출용)
 from stt import transcribe_audio               # STT 처리 함수 임포트
+from rag.retriever import retrieve_scenario
+from rag.database import get_db, get_embedding_model  # 이 줄 추가
 
 from fastapi import UploadFile, File, Form, HTTPException           # 파일 업로드 처리용
 
@@ -16,6 +18,12 @@
     version="2025.09.14",  # AI가 해야할 일 수정(프롬프트)
 )
 
+@app.on_event("startup")
+async def startup_event():
+    get_db()
+    get_embedding_model()  # 이제 정상 작동
+    print("RAG 데이터베이스와 임베딩 모델이 준비되었습니다.")
+
 # /recommendations API를 위한 모델들
 class RecommendationRequest(BaseModel):        # 요청 바디 스키마 정의
     keywords: List[str] = Field(...,           # 필수 필드: 장소/상황 키워드 목록
@@ -49,7 +57,7 @@ class RecommendationResponse(BaseModel):       # 응답 바디 스키마 정의
 # AI 로직 함수 
 async def generate_ai_sentences(request: RecommendationRequest) -> List[str]:
     """
-    모든 컨텍스트를 한 번에 처리하여, 즐겨찾기를 우선적으로 고려한 최종 추천 문장을 생성합니다.
+    [RAG] 적용 , 모든 컨텍스트를 한 번에 처리하여, 즐겨찾기를 우선적으로 고려한 최종 추천 문장을 생성합니다.
     """
     # 프롬프트에 전달할 정보들을 안전하게 문자열로 변환
     keywords_str = ", ".join(request.keywords) if request.keywords else "없음"
@@ -58,7 +66,24 @@ async def generate_ai_sentences(request: RecommendationRequest) -> List[str]:
     conversation_str = "\n".join([f"- {line}" for line in request.conversation]) if request.conversation else "(대화 시작 전)"
     favorites_str = "\n".join([f"- {fav}" for fav in request.favorites]) if request.favorites else "없음"
 
+    # RAG 검색: 키워드와 상황을 조합해서 시나리오 검색
+    search_query = f"{keywords_str} {context_str}".strip()
+    retrieved_scenario = retrieve_scenario(search_query)
+
+    scenario_guide = "없음. 아래 '참고 정보'만을 바탕으로 생성하세요."
+    example_dialogue_str = "없음" # 변수 초기화
+    if retrieved_scenario:
+        goal = retrieved_scenario.get('goal', 'N/A')
+        flow = "\n".join(retrieved_scenario.get('typical_flow', []))
+        scenario_guide = f"""- 시나리오 목표: {goal}
+        - 이상적인 대화 흐름:
+        {flow}"""
+        if retrieved_scenario.get("example_dialogue"):
+            dialogue_lines = [f"- {d['speaker']}: {d['line']}" for d in retrieved_scenario["example_dialogue"]]
+            example_dialogue_str = "\n".join(dialogue_lines)
+
     print(f"AI 문장 생성 요청 수신: keywords='{keywords_str}', context='{context_str}'")
+    print(f"RAG 검색 결과: {'시나리오 발견' if retrieved_scenario else '시나리오 없음'}")
 
     # AI에게 보낼 지시서(프롬프트)
     prompt = f"""
@@ -81,6 +106,13 @@ async def generate_ai_sentences(request: RecommendationRequest) -> List[str]:
         3.  **[3단계: 최종 문장 생성]**
             - 먼저, `사용자의 평소 말투 (즐겨찾기)` 목록을 확인한다. 만약 현재 질문에 대한 완벽한 답변이 즐겨찾기에 있다면, 그 문장을 최종 추천 목록에 최우선으로 포함시킨다.
             - 나머지 비어있는 자리(총 4개 중)는 위 2단계 전략과 `참고 정보`를 활용하여 가장 적절하고 다양한 새 문장을 생성하여 채워넣는다.
+            - **모든 문장은 존댓말로 생성하세요.**
+
+
+        ### 시나리오 가이드 ###
+        {scenario_guide}
+        ### 예시 대화 ###
+        {example_dialogue_str}
 
 
        ### 참고 정보 ###

rag/database.py

@@ -0,0 +1,71 @@
+import json
+import chromadb
+import google.generativeai as genai
+from sentence_transformers import SentenceTransformer
+
+# --- 설정 ---
+SCENARIOS_PATH = "./data/scenarios.json"
+DB_PATH = "./data/vector_db"
+COLLECTION_NAME = "talky_scenarios"
+EMBEDDING_MODEL_NAME = "all-MiniLM-L12-v2" # SBERT 모델
+
+# --- 전역 변수 (싱글톤) ---
+_db_client = None
+_scenario_collection = None
+_embedding_model = None
+
+def get_embedding_model():
+    """임베딩 모델을 한 번만 로드하여 재사용 (싱글톤)"""
+    global _embedding_model
+    if _embedding_model is None:
+        _embedding_model = SentenceTransformer(EMBEDDING_MODEL_NAME)
+    return _embedding_model
+
+def get_db():
+    """ChromaDB 클라이언트와 컬렉션을 한 번만 초기화하여 재사용"""
+    global _db_client, _scenario_collection
+    if _db_client is None:
+        _db_client = chromadb.PersistentClient(path=DB_PATH)
+        _scenario_collection = _db_client.get_or_create_collection(name=COLLECTION_NAME)
+    return _scenario_collection
+
+def build_database():
+    """
+    scenarios.json 파일을 읽어 ChromaDB에 벡터 데이터베이스를 구축하는 함수.
+    최초 1회 또는 데이터 업데이트 시 실행합니다.
+    """
+    collection = get_db()
+
+    # DB에 이미 데이터가 있으면 중복 구축 방지
+    if collection.count() > 0:
+        print(f"이미 {collection.count()}개의 데이터가 존재합니다. 구축을 건너뜁니다.")
+        return
+
+    print("scenarios.json 파일을 읽어 데이터베이스 구축을 시작합니다...")
+
+    with open(SCENARIOS_PATH, "r", encoding="utf-8") as f:
+        scenarios = json.load(f)
+
+    model = get_embedding_model()
+
+    # 데이터 준비
+    ids = [s["scenario_id"] for s in scenarios]
+    documents = [s["embedding_text"] for s in scenarios]
+    metadatas = [{"category": s["category"], "task": s["task"]} for s in scenarios]
+
+    # SBERT 모델로 임베딩 생성
+    embeddings = model.encode(documents, convert_to_numpy=True).tolist()
+
+    # DB에 추가
+    collection.add(
+        ids=ids,
+        embeddings=embeddings,
+        documents=[json.dumps(s["content"]) for s in scenarios], # content를 document로 저장
+        metadatas=metadatas
+    )
+
+    print(f"데이터베이스 구축 완료! 총 {collection.count()}개의 시나리오가 추가되었습니다.")
+
+# 이 파일을 직접 실행하면 DB를 구축하도록 설정
+if __name__ == '__main__':
+    build_database()

rag/retriever.py

@@ -0,0 +1,32 @@
+import json
+from rag.database import get_db, get_embedding_model
+
+def retrieve_scenario(query_text: str):
+    """
+    사용자의 입력(query_text)을 받아 가장 유사한 시나리오 1개를 검색하여 반환합니다.
+    """
+    if not query_text.strip():
+        return None
+
+    collection = get_db()
+    model = get_embedding_model()
+
+    # 1. 검색어 임베딩
+    query_embedding = model.encode(query_text, convert_to_numpy=True).tolist()
+
+    # 2. ChromaDB에 쿼리
+    results = collection.query(
+        query_embeddings=[query_embedding],
+        n_results=1
+    )
+
+    # 3. 결과 파싱 및 반환
+    if results and results['ids'][0]:
+        scenario_id = results['ids'][0][0]
+        # document에 저장된 content json 문자열을 다시 파싱
+        retrieved_content = json.loads(results['documents'][0][0]) 
+        print(f"✅ RAG 성공: '{scenario_id}' 시나리오를 검색했습니다.")
+        return retrieved_content
+    else:
+        print("🟡 RAG: 유사한 시나리오를 찾지 못했습니다.")
+        return None

requirements.txt

@@ -12,4 +12,8 @@ pydantic-settings
 python-multipart 
 
 # 테스트용 앱
-streamlit
+streamlit
+
+chromadb
+google-generativeai
+sentence-transformers # 임베딩 모델용