085460b5e0
SSOT 대시보드:
- 한신대 기술분석 PDF(19쪽) 정합성 분석 + 이번 세션 발견 섹션 추가
- 섹션 폴드아웃(접기)·상단 목차(드릴다운)·모두 펼치기/접기 — 내용 보존, 레이아웃만 정리
페르소나 반응 강화('저항·반응 조절' 핵심 차별):
- PersonaCard.triggers(역린) 필드 + CCD 핵심상처 파생 역린 블록
- L0에 무례·모욕·조롱 시 현실적 동맹 균열 반응 지침
버그·성능 수정(라이브/E2E로 포착):
- 게이트웨이 페르소나 격리: --append-system-prompt를 --system-prompt(교체)로 + --exclude-dynamic-system-prompt-sections (내담자 캐릭터 붕괴·개발맥락 누출 차단)
- RAG: 임베더 동기 로드(약 7-13초)를 _warm_rag_caches 백그라운드 warm으로(세션 생성 블로킹 회귀 수정)
- voice TTS RMS 데드힌트 제거, init_state OpennessParams 파라미터객체화
- 한국어 PII(날짜·금액·주소) 마스킹 보강
- 레이아웃 시각 게이트: 폼 컨트롤 값 스크롤 오탐 제외(7/7)
검증: 백엔드 84/84, E2E 42(데스크톱 27·모바일 11·아바타 4), 시각 게이트 7/7
833 lines
37 KiB
Python
833 lines
37 KiB
Python
"""RAG 하이브리드 검색 — 페르소나 메모리 / 평가 근거 / 정적 지식 KB.
|
|
|
|
근거: MEMORY_KNOWLEDGE_PERSONA_DESIGN.md §3.6·§4.3 (KB 4-튜플 정책) + MASTERPLAN §3.6
|
|
스택(확정 전제, 바꾸지 않음):
|
|
BGE-M3(dense+sparse, 단일모델) + pgvector(HNSW cosine) + 하이브리드 RRF/가중합
|
|
+ Anthropic Contextual Retrieval(청크 앞 맥락 프리픽스) + (옵션)BGE-reranker-v2-m3.
|
|
|
|
설계 불변식:
|
|
- 정보비대칭은 *프롬프트가 아니라 DB WHERE* 가 강제한다(visible_to[] + sensitivity).
|
|
여기 모든 쿼리는 `:role = ANY(visible_to) AND sensitivity <= :sens_max` 를 사전필터로 박는다.
|
|
(설계서 §4.1: "필터 누락"이 아니라 "코드 경로 부재"가 1차 방어 → 호출부가 role 을 못 바꾸게
|
|
함수 시그니처가 정책 4-튜플로 고정.)
|
|
- "KB는 사전이지 판사가 아니다"(§1, 모순 우선순위) — 검색은 보정용 근거만 돌려준다.
|
|
|
|
이식성/지연 로딩 원칙 (이 파일의 핵심 계약):
|
|
- FlagEmbedding/torch/asyncpg-vector 같은 *무거운 의존성*은 **함수 내부에서만 import** 한다.
|
|
→ rag 의존성 미설치 환경에서도 `import app.main` / `import app.services.rag` 가 통과.
|
|
- 모델/DB 가 없으면 크래시 대신 명확한 `NotConfigured` 를 던진다(라우트가 503 으로 변환).
|
|
- SQL(pgvector `<=>` 연산자)·인터페이스는 정확히 작성 → DB·모델만 붙으면 그대로 동작.
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import asyncio
|
|
import json
|
|
import time
|
|
from dataclasses import dataclass, field
|
|
from enum import Enum
|
|
from typing import TYPE_CHECKING, Any, Optional, Sequence
|
|
|
|
if TYPE_CHECKING: # 타입 체커 전용 — 런타임 import 아님(이식성 유지)
|
|
import asyncpg
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 0. 예외 — 미구성(모델/DB 부재)은 크래시가 아니라 명시적 신호
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
class NotConfigured(RuntimeError):
|
|
"""RAG 구성요소(임베딩 모델 / DB 풀 / 확장)가 준비 안 됨.
|
|
|
|
라우트가 503(Service Unavailable)로 변환한다. detail 에 무엇이 빠졌는지 명시.
|
|
"""
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 1. 정책 4-튜플 (설계서 §4.3) — 사전필터 + 회수가중치 + 리랭킹목표 + 주입방식
|
|
# 3-AI 가 *같은 물리 테이블 kb.chunk* 를 다른 정책으로 검색한다.
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
class AIRole(str, Enum):
|
|
"""검색 주체(정보비대칭 축). deps.AIView 와 값 정합(client/counselor/evaluator)."""
|
|
|
|
CLIENT = "client" # 내담자 AI — 본문 비노출(행동단서만), sensitivity<=1
|
|
COUNSELOR = "counselor" # 상담사 AI(보조) — DSM diagnostic 차단, sensitivity=0
|
|
EVALUATOR = "evaluator" # 평가 AI — taxonomy 정답·논평 포함, sensitivity<=2
|
|
|
|
|
|
@dataclass(frozen=True, slots=True)
|
|
class RetrievalPolicy:
|
|
"""정책 4-튜플. role 별로 고정(호출부가 임의로 못 푸는 화이트리스트).
|
|
|
|
설계서 §4.3 표:
|
|
| 차원 | client | counselor | evaluator |
|
|
| 사전필터 | diag,theory,tech | theory,tech,micro,ko | (전체) |
|
|
| | sens<=1 | sens=0 | sens<=2 |
|
|
| 회수가중치 | dense .7/sparse.3 | dense .5/sparse .5 | sparse .6/dense .4 |
|
|
| 주입방식 | 본문 비노출(단서) | 본문+예시 | 본문+label_id+bias |
|
|
"""
|
|
|
|
role: AIRole
|
|
kinds: tuple[str, ...] # kb_kind 화이트리스트 ('()' = 전체 허용)
|
|
sens_max: int # sensitivity 상한(이하만 회수)
|
|
w_dense: float # dense 가중치
|
|
w_sparse: float # sparse(BM25/tsvector) 가중치
|
|
expose_body: bool # True=본문 주입 / False=행동단서 요약만(내담자 M6)
|
|
include_label: bool # True=label_id·meta.bias_weight 동봉(평가 채점용)
|
|
|
|
@property
|
|
def policy_name(self) -> str:
|
|
"""retrieval_log.policy 적재용 정책명(4-튜플 식별)."""
|
|
return f"{self.role.value}:k={'|'.join(self.kinds) or 'all'}:s<={self.sens_max}"
|
|
|
|
|
|
# role → 정책 (설계서 §4.3 SoT). kinds=() 는 "전체 kb_kind 허용"(평가 AI).
|
|
POLICIES: dict[AIRole, RetrievalPolicy] = {
|
|
AIRole.CLIENT: RetrievalPolicy(
|
|
role=AIRole.CLIENT,
|
|
kinds=("diagnostic", "theory", "technique"),
|
|
sens_max=1,
|
|
w_dense=0.7,
|
|
w_sparse=0.3,
|
|
expose_body=False, # 본문 비노출 — 행동단서만(R4/M6)
|
|
include_label=False,
|
|
),
|
|
AIRole.COUNSELOR: RetrievalPolicy(
|
|
role=AIRole.COUNSELOR,
|
|
kinds=("theory", "technique", "microskill", "ko_context"),
|
|
sens_max=0,
|
|
w_dense=0.5,
|
|
w_sparse=0.5,
|
|
expose_body=True, # 본문+예시
|
|
include_label=False,
|
|
),
|
|
AIRole.EVALUATOR: RetrievalPolicy(
|
|
role=AIRole.EVALUATOR,
|
|
kinds=(), # 전체 kb_kind (taxonomy·supervisor_pattern 정답 포함)
|
|
sens_max=2, # 평가전용(2)까지. 원천격리(3)는 절대 미회수
|
|
w_dense=0.4,
|
|
w_sparse=0.6, # 라벨명·논평 → sparse 비중↑
|
|
expose_body=True,
|
|
include_label=True, # label_id + meta.bias_weight 동봉(채점 기준)
|
|
),
|
|
}
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 2. 검색 결과 모델
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
@dataclass(slots=True)
|
|
class RetrievedChunk:
|
|
"""회수된 청크 1건. 라우트/오케스트레이터가 system L2 주입에 사용.
|
|
|
|
expose_body=False(내담자) 정책이면 body 는 None, behavior_cue 만 채워 보낸다(M6).
|
|
"""
|
|
|
|
chunk_id: int
|
|
score: float # 융합/리랭킹 후 최종 점수
|
|
kb_kind: str
|
|
heading_path: Optional[str] = None
|
|
context_prefix: Optional[str] = None # Contextual Retrieval 프리픽스
|
|
body: Optional[str] = None # chunk_text (expose_body=True 일 때만)
|
|
behavior_cue: Optional[str] = None # 본문 비노출 정책의 "행동단서 요약"
|
|
label_id: Optional[int] = None # 평가 정책에서만
|
|
meta: dict[str, Any] = field(default_factory=dict)
|
|
source_id: Optional[str] = None
|
|
dense_score: float = 0.0
|
|
sparse_score: float = 0.0
|
|
|
|
|
|
@dataclass(slots=True)
|
|
class RetrievalResult:
|
|
"""검색 1회 결과 + 감사 메타(retrieval_log 적재 입력)."""
|
|
|
|
chunks: list[RetrievedChunk]
|
|
policy_name: str
|
|
top1_score: float # CRAG 게이트(임계 미달 → 관찰 프레이밍 F-06)
|
|
latency_ms: int
|
|
query_text: str
|
|
degraded: bool = False # reranker/embed fallback 여부(투명성)
|
|
|
|
|
|
# CRAG 게이트 임계값(설계서 §3.7 top1_score). 미달이면 호출부가 "관찰 프레이밍"으로 다운그레이드.
|
|
# 주: 임의 가정값 — Phase 3 파일럿에서 분포 측정 후 확정(M14, "검증됨" 금지).
|
|
CRAG_TOP1_THRESHOLD = 0.35
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 3. 임베딩 (BGE-M3) — 지연 로딩 싱글톤
|
|
# 무거운 모델/torch import 를 함수 내부로 가둬 import-time 이식성 보장.
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
_EMBEDDER: Any = None # FlagEmbedding.BGEM3FlagModel 인스턴스(지연 로딩 캐시)
|
|
_EMBEDDER_FAILED = False # 모델 로드 실패 1회 기록(반복 시도 방지)
|
|
BGE_M3_MODEL = "BAAI/bge-m3"
|
|
EMBED_DIM = 1024 # kb.chunk.embedding vector(1024) 와 정합 — 어기면 DB 캐스트 실패
|
|
|
|
|
|
def _get_embedder() -> Any:
|
|
"""BGE-M3 모델 지연 로딩(프로세스 1회). 미설치/로드실패 시 NotConfigured.
|
|
|
|
⚠️ FlagEmbedding/torch 는 *여기서만* import (모듈 top-level import 금지 — 이식성).
|
|
"""
|
|
global _EMBEDDER, _EMBEDDER_FAILED
|
|
if _EMBEDDER is not None:
|
|
return _EMBEDDER
|
|
if _EMBEDDER_FAILED:
|
|
raise NotConfigured("BGE-M3 embedder unavailable (prior load failure)")
|
|
try:
|
|
from FlagEmbedding import BGEM3FlagModel # 무거운 의존성 — 지연 import
|
|
except Exception as e: # ImportError 포함(미설치 환경)
|
|
_EMBEDDER_FAILED = True
|
|
raise NotConfigured(
|
|
"FlagEmbedding(BGE-M3) not installed — requirements-rag.txt 필요"
|
|
) from e
|
|
try:
|
|
# use_fp16: GPU 시 절반정밀(속도). CPU 면 무시됨.
|
|
_EMBEDDER = BGEM3FlagModel(BGE_M3_MODEL, use_fp16=True)
|
|
except Exception as e:
|
|
_EMBEDDER_FAILED = True
|
|
raise NotConfigured(f"BGE-M3 model load failed: {e}") from e
|
|
return _EMBEDDER
|
|
|
|
|
|
@dataclass(slots=True)
|
|
class EmbeddedQuery:
|
|
"""질의의 dense+sparse 표현(BGE-M3 단일 호출 산출)."""
|
|
|
|
dense: list[float] # vector(1024)
|
|
sparse: dict[str, float] = field(default_factory=dict) # {token_id: weight}
|
|
|
|
|
|
def embed_query(text: str) -> EmbeddedQuery:
|
|
"""질의 임베딩(dense+sparse). 모델 미가용 시 NotConfigured.
|
|
|
|
인덱싱 시점(오프라인 배치)에도 같은 함수로 청크 임베딩을 산출한다(동일 모델 재사용).
|
|
"""
|
|
model = _get_embedder()
|
|
out = model.encode(
|
|
[text],
|
|
return_dense=True,
|
|
return_sparse=True,
|
|
return_colbert_vecs=False, # 멀티벡터는 런타임 회수에 미사용(인덱싱만)
|
|
)
|
|
dense_vec = out["dense_vecs"][0]
|
|
# numpy → list[float] (asyncpg pgvector 텍스트 캐스트 호환). tolist() 있으면 사용.
|
|
dense = dense_vec.tolist() if hasattr(dense_vec, "tolist") else list(dense_vec)
|
|
lexical = out.get("lexical_weights", [{}])
|
|
sparse_raw = lexical[0] if lexical else {}
|
|
sparse = {str(k): float(v) for k, v in dict(sparse_raw).items()}
|
|
return EmbeddedQuery(dense=dense, sparse=sparse)
|
|
|
|
|
|
def _vector_literal(vec: Sequence[float]) -> str:
|
|
"""list[float] → pgvector 텍스트 리터럴 '[a,b,c]'.
|
|
|
|
db.py 가 vector 바이너리 코덱을 아직 안 붙였으므로(주석 TODO), 텍스트 캐스트로 보낸다:
|
|
`$1::vector` (asyncpg 가 문자열을 vector 로 캐스트).
|
|
register_vector 코덱이 추후 붙으면 list 직접 바인딩으로 교체 가능.
|
|
"""
|
|
if len(vec) != EMBED_DIM:
|
|
raise NotConfigured(
|
|
f"embedding dim mismatch: got {len(vec)}, expected {EMBED_DIM} (vector(1024))"
|
|
)
|
|
return "[" + ",".join(f"{x:.7g}" for x in vec) + "]"
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 4. 하이브리드 검색 SQL (pgvector <=> cosine + tsvector BM25, 정책 파라미터화)
|
|
# 설계서 §4.3 SQL 계약을 03_kb.sql 실제 컬럼명에 정확히 맞춤.
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 파라미터:
|
|
# $1 = q_dense (vector, '[...]'::vector)
|
|
# $2 = q_text (tsquery 원문 — websearch_to_tsquery('simple', $2))
|
|
# $3 = kinds (text[] — 빈 배열이면 전체 허용)
|
|
# $4 = role (text — 'client'|'counselor'|'evaluator')
|
|
# $5 = sens_max(int)
|
|
# $6 = w_dense (real)
|
|
# $7 = w_sparse(real)
|
|
# $8 = pre_k (int — dense/sparse 각 후보 수, 보통 50)
|
|
# $9 = k (int — 융합 후 반환 수)
|
|
#
|
|
# 정보비대칭 강제: 두 CTE 모두 `$4 = ANY(visible_to) AND sensitivity <= $5` 사전필터.
|
|
# kinds 빈 배열 처리: cardinality($3)=0 이면 kb_kind 조건을 통과(전체).
|
|
_HYBRID_SQL = """
|
|
WITH params AS (
|
|
SELECT $1::vector AS q_dense,
|
|
CASE WHEN $2 = '' THEN NULL
|
|
ELSE websearch_to_tsquery('simple', $2) END AS q_ts
|
|
),
|
|
dense AS (
|
|
SELECT c.chunk_id,
|
|
1 - (c.embedding <=> p.q_dense) AS s_dense
|
|
FROM kb.chunk c, params p
|
|
WHERE c.embedding IS NOT NULL
|
|
AND (cardinality($3::text[]) = 0 OR c.kb_kind = ANY($3::text[]))
|
|
AND $4 = ANY(c.visible_to)
|
|
AND c.sensitivity <= $5
|
|
ORDER BY c.embedding <=> p.q_dense
|
|
LIMIT $8
|
|
),
|
|
sparse AS (
|
|
SELECT c.chunk_id,
|
|
ts_rank_cd(to_tsvector('simple', c.chunk_text), p.q_ts) AS s_sparse
|
|
FROM kb.chunk c, params p
|
|
WHERE p.q_ts IS NOT NULL
|
|
AND to_tsvector('simple', c.chunk_text) @@ p.q_ts
|
|
AND (cardinality($3::text[]) = 0 OR c.kb_kind = ANY($3::text[]))
|
|
AND $4 = ANY(c.visible_to)
|
|
AND c.sensitivity <= $5
|
|
ORDER BY s_sparse DESC
|
|
LIMIT $8
|
|
),
|
|
fused AS (
|
|
SELECT COALESCE(d.chunk_id, s.chunk_id) AS chunk_id,
|
|
COALESCE(d.s_dense, 0) AS s_dense,
|
|
COALESCE(s.s_sparse, 0) AS s_sparse,
|
|
COALESCE(d.s_dense, 0) * $6 + COALESCE(s.s_sparse, 0) * $7 AS fused_score
|
|
FROM dense d
|
|
FULL OUTER JOIN sparse s USING (chunk_id)
|
|
)
|
|
SELECT c.chunk_id, c.kb_kind, c.heading_path, c.chunk_text, c.context_prefix,
|
|
c.label_id, c.meta, c.source_id,
|
|
f.s_dense, f.s_sparse, f.fused_score
|
|
FROM fused f
|
|
JOIN kb.chunk c USING (chunk_id)
|
|
ORDER BY f.fused_score DESC
|
|
LIMIT $9
|
|
"""
|
|
|
|
_PRE_K = 50 # dense/sparse 각 후보 수(설계서 top-50 → reranker top-5)
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 5. Contextual Retrieval 훅 — 청크 앞 맥락 프리픽스
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
def apply_contextual_prefix(chunk_text: str, context_prefix: Optional[str]) -> str:
|
|
"""Anthropic Contextual Retrieval: 청크 앞에 1문장 맥락 프리픽스를 결합.
|
|
|
|
인덱싱 시점에 doc 전체 맥락으로 생성된 context_prefix(kb.chunk.context_prefix)를
|
|
*임베딩·BM25 색인 대상*으로는 prefix+body 결합본을 쓰되, **LLM 주입 본문(chunk_text)에는
|
|
포함하지 않는다**(03_kb.sql 주석: "표시·LLM 주입(prefix 미포함)").
|
|
이 함수는 인덱싱(색인 텍스트 조립) 경로에서 호출되는 훅. 런타임 회수는 본문만 노출.
|
|
"""
|
|
if not context_prefix:
|
|
return chunk_text
|
|
return f"{context_prefix.strip()}\n\n{chunk_text}"
|
|
|
|
|
|
def _behavior_cue(chunk_text: str, max_len: int = 120) -> str:
|
|
"""본문 비노출 정책(내담자 AI)용 '행동단서 요약'(M6).
|
|
|
|
DSM/이론 본문을 그대로 노출하면 CCD 메타 누설 위험 → 행동 단서만 짧게.
|
|
엄밀한 환언은 인덱싱 시점 LLM 이 meta.behavior_cue 로 미리 생성하는 게 이상적이나,
|
|
여기선 안전 폴백으로 본문 앞부분만 절단(노출 최소화). meta.behavior_cue 있으면 그걸 우선.
|
|
"""
|
|
head = chunk_text.strip().replace("\n", " ")
|
|
if len(head) <= max_len:
|
|
return head
|
|
return head[:max_len].rstrip() + "…"
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 6. 리랭커 (BGE-reranker-v2-m3) — 옵션, 지연 로딩
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
_RERANKER: Any = None
|
|
_RERANKER_FAILED = False
|
|
RERANKER_MODEL = "BAAI/bge-reranker-v2-m3"
|
|
|
|
|
|
def _get_reranker() -> Any:
|
|
"""리랭커 지연 로딩. 미가용이면 None 반환(검색은 융합점수로 폴백 — 크래시 X)."""
|
|
global _RERANKER, _RERANKER_FAILED
|
|
if _RERANKER is not None:
|
|
return _RERANKER
|
|
if _RERANKER_FAILED:
|
|
return None
|
|
try:
|
|
from FlagEmbedding import FlagReranker # 무거운 의존성 — 지연 import
|
|
_RERANKER = FlagReranker(RERANKER_MODEL, use_fp16=True)
|
|
except Exception:
|
|
_RERANKER_FAILED = True
|
|
return None
|
|
return _RERANKER
|
|
|
|
|
|
def _rerank(
|
|
query: str, chunks: list[RetrievedChunk], top_k: int
|
|
) -> tuple[list[RetrievedChunk], bool]:
|
|
"""BGE-reranker-v2-m3 로 top_k 재정렬. 미가용 시 (입력 그대로 절단, degraded=True).
|
|
|
|
리랭킹 점수는 chunk.score 로 덮어쓴다(CRAG top1 게이트가 이 점수를 본다).
|
|
"""
|
|
if not chunks:
|
|
return [], False
|
|
reranker = _get_reranker()
|
|
if reranker is None:
|
|
return chunks[:top_k], True # 폴백: 융합점수 순서 유지
|
|
# 본문 비노출 정책이면 behavior_cue, 아니면 body 로 점수화(없으면 prefix).
|
|
pairs = [
|
|
[query, (c.body or c.behavior_cue or c.context_prefix or "")]
|
|
for c in chunks
|
|
]
|
|
try:
|
|
scores = reranker.compute_score(pairs, normalize=True)
|
|
except Exception:
|
|
return chunks[:top_k], True
|
|
if not isinstance(scores, (list, tuple)):
|
|
scores = [scores]
|
|
for c, s in zip(chunks, scores):
|
|
c.score = float(s)
|
|
chunks.sort(key=lambda c: c.score, reverse=True)
|
|
return chunks[:top_k], False
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 7. retrieval_log 적재 훅 (감사 / 재귀학습, 설계서 §3.7)
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
_LOG_SQL = """
|
|
INSERT INTO kb.retrieval_log
|
|
(session_id, turn_id, ai_role, query_text, policy,
|
|
hit_chunk_ids, rerank_scores, top1_score, used_in_answer, latency_ms)
|
|
VALUES ($1, $2, $3, $4, $5, $6, $7, $8, $9, $10)
|
|
"""
|
|
|
|
|
|
async def log_retrieval(
|
|
conn: "asyncpg.Connection",
|
|
*,
|
|
result: RetrievalResult,
|
|
ai_role: str,
|
|
session_id: Optional[str] = None,
|
|
turn_id: Optional[str] = None,
|
|
used_in_answer: Optional[bool] = None,
|
|
) -> None:
|
|
"""검색 1회를 kb.retrieval_log 에 적재(감사·환각측정·캐시검증).
|
|
|
|
DB/로그 실패는 검색 자체를 막지 않는다(best-effort) — 호출부가 예외를 삼킬 수 있게
|
|
여기선 던지되, 라우트가 try/except 로 감싼다.
|
|
"""
|
|
hit_ids = [c.chunk_id for c in result.chunks]
|
|
scores = [c.score for c in result.chunks]
|
|
await conn.execute(
|
|
_LOG_SQL,
|
|
session_id,
|
|
turn_id,
|
|
ai_role,
|
|
result.query_text,
|
|
result.policy_name,
|
|
hit_ids,
|
|
scores,
|
|
result.top1_score,
|
|
used_in_answer,
|
|
result.latency_ms,
|
|
)
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 8. 코어 검색 — search_kb (정책 4-튜플로 분기)
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
async def search_kb(
|
|
conn: "asyncpg.Connection",
|
|
*,
|
|
query: str,
|
|
role: AIRole,
|
|
k: int = 5,
|
|
filters: Optional[dict[str, Any]] = None,
|
|
rerank: bool = True,
|
|
pre_k: int = _PRE_K,
|
|
) -> RetrievalResult:
|
|
"""정적 지식 KB 하이브리드 검색(dense pgvector cosine + sparse tsvector).
|
|
|
|
Args:
|
|
conn: asyncpg 커넥션(db.acquire(ai_view=role) 로 RLS 컨텍스트 주입된 것 권장).
|
|
query: 질의 텍스트(이미 PII 마스킹된 것 — 마스킹은 가드레일 책임).
|
|
role: AIRole — 정책 4-튜플 선택(사전필터·가중치·노출·라벨).
|
|
k: 반환 청크 수(리랭킹 후 top-k).
|
|
filters: 추가 사전필터 — {"kb_kind": [...], "source_id": [...], "sensitivity_max": int}.
|
|
정책 화이트리스트를 *좁히는* 방향으로만 적용(넓히지 못함 — 정보비대칭 보존).
|
|
rerank: BGE-reranker-v2-m3 적용 여부(미설치면 융합점수 폴백, degraded=True).
|
|
|
|
Returns: RetrievalResult (chunks + top1_score + latency + policy_name).
|
|
|
|
Raises: NotConfigured — 임베딩 모델 미가용 OR DB 확장(vector) 미설치.
|
|
"""
|
|
t0 = time.perf_counter()
|
|
policy = POLICIES[role]
|
|
|
|
# (1) 정책 화이트리스트를 filters 로 *좁히기*만 한다(넓히기 금지 — 정보비대칭).
|
|
kinds = list(policy.kinds)
|
|
sens_max = policy.sens_max
|
|
if filters:
|
|
fk = filters.get("kb_kind")
|
|
if fk:
|
|
req = set(fk)
|
|
if kinds: # 정책이 한정적이면 교집합(좁힘)
|
|
kinds = [x for x in kinds if x in req]
|
|
else: # 정책이 전체 허용(평가)이면 요청 그대로(여전히 sensitivity·visible_to 강제)
|
|
kinds = list(req)
|
|
fs = filters.get("sensitivity_max")
|
|
if isinstance(fs, int):
|
|
sens_max = min(sens_max, fs) # 더 엄격하게만
|
|
|
|
# (2) 질의 임베딩(dense+sparse). 모델 미가용 → NotConfigured 전파.
|
|
eq = await asyncio.to_thread(embed_query, query) # CPU 인코딩 → 스레드풀(이벤트루프 비차단)
|
|
q_dense_lit = _vector_literal(eq.dense)
|
|
|
|
# (3) 하이브리드 SQL 실행. vector 확장 미설치/컬럼 부재면 asyncpg 가 예외 → NotConfigured 변환.
|
|
try:
|
|
rows = await conn.fetch(
|
|
_HYBRID_SQL,
|
|
q_dense_lit, # $1 ::vector
|
|
query, # $2 websearch_to_tsquery 원문
|
|
kinds, # $3 text[]
|
|
policy.role.value, # $4 role
|
|
sens_max, # $5 sens_max
|
|
policy.w_dense, # $6
|
|
policy.w_sparse, # $7
|
|
pre_k, # $8 pre_k
|
|
max(k * 4, k), # $9 융합 후 1차 컷(리랭킹 입력 여유분)
|
|
)
|
|
except Exception as e: # UndefinedFunction(vector 미설치) / UndefinedColumn 등
|
|
raise NotConfigured(f"KB hybrid query failed (DB/pgvector not ready): {e}") from e
|
|
|
|
# source_id 추가 좁힘(SQL 후처리 — 화이트리스트 보존, 코드 단순화)
|
|
src_filter = set(filters.get("source_id", [])) if filters else set()
|
|
|
|
chunks: list[RetrievedChunk] = []
|
|
for r in rows:
|
|
if src_filter and r["source_id"] not in src_filter:
|
|
continue
|
|
# asyncpg는 jsonb를 str(JSON text)로 반환 → 파싱. 코덱 등록 시 dict 그대로도 수용.
|
|
_meta_raw = r["meta"]
|
|
meta = json.loads(_meta_raw) if isinstance(_meta_raw, str) else dict(_meta_raw or {})
|
|
body = r["chunk_text"] if policy.expose_body else None
|
|
cue = None
|
|
if not policy.expose_body:
|
|
# meta.behavior_cue(인덱싱 시 환언) 우선, 없으면 안전 절단
|
|
cue = meta.get("behavior_cue") or _behavior_cue(r["chunk_text"])
|
|
chunks.append(
|
|
RetrievedChunk(
|
|
chunk_id=r["chunk_id"],
|
|
score=float(r["fused_score"]),
|
|
kb_kind=r["kb_kind"],
|
|
heading_path=r["heading_path"],
|
|
context_prefix=r["context_prefix"],
|
|
body=body,
|
|
behavior_cue=cue,
|
|
label_id=r["label_id"] if policy.include_label else None,
|
|
meta=meta if policy.include_label else {},
|
|
source_id=r["source_id"],
|
|
dense_score=float(r["s_dense"]),
|
|
sparse_score=float(r["s_sparse"]),
|
|
)
|
|
)
|
|
|
|
# (4) 리랭킹(옵션) → top-k
|
|
degraded = False
|
|
if rerank and chunks:
|
|
chunks, degraded = _rerank(query, chunks, k)
|
|
else:
|
|
chunks = chunks[:k]
|
|
|
|
top1 = chunks[0].score if chunks else 0.0
|
|
latency_ms = int((time.perf_counter() - t0) * 1000)
|
|
return RetrievalResult(
|
|
chunks=chunks,
|
|
policy_name=policy.policy_name,
|
|
top1_score=top1,
|
|
latency_ms=latency_ms,
|
|
query_text=query,
|
|
degraded=degraded,
|
|
)
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 9. 페르소나 메모리 회상 — retrieve_persona_memory (app.turn_embedding, case 스코프)
|
|
# KB(kb.chunk)와 물리 분리: 에피소드 메모리는 app 스키마. case_id 스코프 강제(M5/cross-trainee).
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 설계서 §2-A 3단계 회상: open_threads/homework 우선쿼리 → 하이브리드 top-50 → reranker top-5.
|
|
# 내담자 AI 뷰: CCD/정답/평가 *절대 미포함*(app.turn_embedding 에는 표면 발화만). case 스코프가 1차 격리.
|
|
_MEMORY_SQL = """
|
|
WITH params AS (
|
|
SELECT $1::vector AS q_dense,
|
|
CASE WHEN $2 = '' THEN NULL
|
|
ELSE websearch_to_tsquery('simple', $2) END AS q_ts
|
|
),
|
|
dense AS (
|
|
SELECT te.turn_id, te.seq,
|
|
1 - (te.dense <=> p.q_dense) AS s_dense
|
|
FROM app.turn_embedding te, params p
|
|
WHERE te.case_id = $3::uuid
|
|
ORDER BY te.dense <=> p.q_dense
|
|
LIMIT $5
|
|
)
|
|
SELECT d.turn_id, d.seq, d.s_dense
|
|
FROM dense d
|
|
ORDER BY d.s_dense DESC
|
|
LIMIT $4
|
|
"""
|
|
|
|
|
|
async def retrieve_persona_memory(
|
|
conn: "asyncpg.Connection",
|
|
*,
|
|
case_id: str,
|
|
query: str,
|
|
k: int = 5,
|
|
pre_k: int = _PRE_K,
|
|
) -> RetrievalResult:
|
|
"""회기 시작 episodic recall (내담자 연속성, app.turn_embedding HNSW).
|
|
|
|
case_id 스코프 강제 → 학습자 간 기억 오염 차단(M5/T4). 본문(turn 텍스트)은
|
|
호출부(memory.build_recall_context)가 turns 조인으로 가져오되, 여기선 turn_id+점수만
|
|
회수(검색 책임 분리). CCD/정답은 이 경로에 *구조적으로* 존재하지 않음(코드경로 부재 1차방어).
|
|
|
|
Raises: NotConfigured — 임베딩 모델/DB 미가용.
|
|
"""
|
|
t0 = time.perf_counter()
|
|
eq = await asyncio.to_thread(embed_query, query) # CPU 인코딩 → 스레드풀(이벤트루프 비차단)
|
|
q_dense_lit = _vector_literal(eq.dense)
|
|
try:
|
|
rows = await conn.fetch(
|
|
_MEMORY_SQL,
|
|
q_dense_lit, # $1 ::vector
|
|
query, # $2 (현재 dense-only; sparse 백필은 turn_embedding.sparse 추가 시 확장)
|
|
case_id, # $3 ::uuid (case 스코프)
|
|
k, # $4
|
|
pre_k, # $5
|
|
)
|
|
except Exception as e:
|
|
raise NotConfigured(f"persona memory query failed (DB/pgvector not ready): {e}") from e
|
|
|
|
chunks = [
|
|
RetrievedChunk(
|
|
chunk_id=0, # turn 은 UUID — chunk_id(int) 의미 없음, meta 에 보관
|
|
score=float(r["s_dense"]),
|
|
kb_kind="episodic",
|
|
meta={"turn_id": str(r["turn_id"]), "seq": r["seq"]},
|
|
dense_score=float(r["s_dense"]),
|
|
)
|
|
for r in rows
|
|
]
|
|
top1 = chunks[0].score if chunks else 0.0
|
|
latency_ms = int((time.perf_counter() - t0) * 1000)
|
|
return RetrievalResult(
|
|
chunks=chunks,
|
|
policy_name=f"client:episodic:case={case_id}",
|
|
top1_score=top1,
|
|
latency_ms=latency_ms,
|
|
query_text=query,
|
|
)
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 10. 평가 근거 회수 — retrieve_eval_grounding (평가 AI 채점 근거)
|
|
# evaluator 정책: taxonomy 정답·슈퍼바이저 논평 포함(sensitivity<=2), label_id 동봉.
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
async def retrieve_eval_grounding(
|
|
conn: "asyncpg.Connection",
|
|
*,
|
|
query: str,
|
|
k: int = 5,
|
|
kinds: Optional[Sequence[str]] = None,
|
|
rerank: bool = True,
|
|
) -> RetrievalResult:
|
|
"""평가 AI 채점 근거 회수 — DSM/이론/taxonomy 정답라벨 + 논평.
|
|
|
|
search_kb(role=EVALUATOR) 래퍼. CRAG 게이트(top1_score < 임계 → 관찰 프레이밍, F-06)는
|
|
호출부(evaluator)가 result.top1_score 로 판단한다. label_id·meta.bias_weight 동봉.
|
|
|
|
kinds: 평가 차원에 따라 좁히기(예: 기법 채점 → ['technique','supervisor_pattern']).
|
|
"""
|
|
filters = {"kb_kind": list(kinds)} if kinds else None
|
|
return await search_kb(
|
|
conn,
|
|
query=query,
|
|
role=AIRole.EVALUATOR,
|
|
k=k,
|
|
filters=filters,
|
|
rerank=rerank,
|
|
)
|
|
|
|
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
# 11. 인덱싱 트리거 (관리자 — 오프라인 배치, 런타임 아님)
|
|
# content_hash 증분(graphify 차용). 실제 청킹/Contextual prefix 생성은 LLM 배치.
|
|
# ════════════════════════════════════════════════════════════════════════════
|
|
@dataclass(slots=True)
|
|
class IndexRequest:
|
|
"""문서 1건 인덱싱 요청(관리자 엔드포인트 입력)."""
|
|
|
|
source_id: str
|
|
doc_uri: str
|
|
chunks: list[dict[str, Any]] # [{seq, heading_path, chunk_text, context_prefix?, visible_to?, sensitivity?, meta?}]
|
|
version: int = 1
|
|
content_hash: Optional[str] = None # 미지정 시 chunk_text 합으로 계산
|
|
|
|
|
|
@dataclass(slots=True)
|
|
class IndexResult:
|
|
doc_id: Optional[int]
|
|
chunks_indexed: int
|
|
skipped_unchanged: bool # content_hash 동일 → 증분 스킵
|
|
embedded: bool # 임베딩 실제 적재 여부(모델 미가용 시 False)
|
|
degraded: bool = False
|
|
|
|
|
|
def _content_hash(chunks: list[dict[str, Any]]) -> str:
|
|
"""청크 본문 합의 SHA256 — 변경감지(증분 인덱싱, kb.document.content_hash)."""
|
|
import hashlib # 표준 라이브러리 — 지연 불필요하나 일관성 위해 함수 내부
|
|
|
|
h = hashlib.sha256()
|
|
for c in chunks:
|
|
h.update((c.get("chunk_text") or "").encode("utf-8"))
|
|
return h.hexdigest()
|
|
|
|
|
|
async def index_document(
|
|
conn: "asyncpg.Connection",
|
|
req: IndexRequest,
|
|
) -> IndexResult:
|
|
"""문서 인덱싱(관리자 트리거). content_hash 증분 + 청크 임베딩 적재.
|
|
|
|
절차(설계서 §3.6 + graphify 증분):
|
|
1. content_hash 계산 → kb.document 동일 활성본 있으면 스킵(증분).
|
|
2. kb.document UPSERT(신규 version) → doc_id.
|
|
3. 각 청크: 임베딩(prefix+body 결합본을 색인 텍스트로 — Contextual Retrieval) → kb.chunk INSERT.
|
|
4. 임베딩 모델 미가용 시: embedding NULL 로 적재(텍스트만, BM25 만 동작) + degraded=True.
|
|
|
|
⚠️ 무거운 작업(임베딩) → 본래는 백그라운드 워커/배치. 라우트는 BackgroundTasks 로 위임 권장.
|
|
DSM verbatim 저작권(license C/D): source.external_llm_ok=false 가드는 source 등록 시점 책임.
|
|
|
|
Raises: NotConfigured — DB(kb 스키마/vector) 미가용.
|
|
"""
|
|
content_hash = req.content_hash or _content_hash(req.chunks)
|
|
|
|
# (1) 증분 — 동일 source/uri/version 활성본의 content_hash 비교
|
|
try:
|
|
existing = await conn.fetchrow(
|
|
"""
|
|
SELECT doc_id, content_hash FROM kb.document
|
|
WHERE source_id = $1 AND doc_uri = $2 AND is_active
|
|
ORDER BY version DESC LIMIT 1
|
|
""",
|
|
req.source_id,
|
|
req.doc_uri,
|
|
)
|
|
except Exception as e:
|
|
raise NotConfigured(f"kb.document not ready (DB/schema): {e}") from e
|
|
|
|
if existing and existing["content_hash"] == content_hash:
|
|
return IndexResult(
|
|
doc_id=existing["doc_id"],
|
|
chunks_indexed=0,
|
|
skipped_unchanged=True,
|
|
embedded=False,
|
|
)
|
|
|
|
# (2) 새 문서 행 — 기존본 supersede + 신규 active
|
|
version = req.version
|
|
if existing:
|
|
version = max(version, 1) # 호출부가 version 증가 책임(여기선 UNIQUE 충돌 방어만)
|
|
try:
|
|
doc = await conn.fetchrow(
|
|
"""
|
|
INSERT INTO kb.document (source_id, doc_uri, version, content_hash, is_active, indexed_at)
|
|
VALUES ($1, $2, $3, $4, TRUE, now())
|
|
RETURNING doc_id
|
|
""",
|
|
req.source_id,
|
|
req.doc_uri,
|
|
version,
|
|
content_hash,
|
|
)
|
|
except Exception as e:
|
|
raise NotConfigured(f"kb.document insert failed: {e}") from e
|
|
doc_id = doc["doc_id"]
|
|
|
|
# 직전 활성본 비활성화(증분 supersede)
|
|
if existing:
|
|
await conn.execute(
|
|
"UPDATE kb.document SET is_active = FALSE, superseded_by = $2 WHERE doc_id = $1",
|
|
existing["doc_id"],
|
|
doc_id,
|
|
)
|
|
|
|
# (3) 청크 임베딩 + 적재. 모델 미가용 → embedding NULL 폴백(BM25 만).
|
|
embedded = True
|
|
degraded = False
|
|
try:
|
|
embedder = _get_embedder()
|
|
except NotConfigured:
|
|
embedder = None
|
|
embedded = False
|
|
degraded = True
|
|
|
|
indexed = 0
|
|
for c in req.chunks:
|
|
chunk_text = c.get("chunk_text") or ""
|
|
if not chunk_text:
|
|
continue
|
|
context_prefix = c.get("context_prefix")
|
|
emb_lit: Optional[str] = None
|
|
sparse_json: Optional[str] = None # jsonb 바인딩용 직렬화 문자열(asyncpg는 dict 자동인코딩 안 함)
|
|
if embedder is not None:
|
|
# Contextual Retrieval: prefix+body 결합본을 *색인 대상* 으로 임베딩(주입 본문은 body 만).
|
|
index_text = apply_contextual_prefix(chunk_text, context_prefix)
|
|
eq = await asyncio.to_thread(embed_query, index_text) # CPU 인코딩 → 스레드풀
|
|
emb_lit = _vector_literal(eq.dense)
|
|
sparse_json = json.dumps(eq.sparse)
|
|
await conn.execute(
|
|
"""
|
|
INSERT INTO kb.chunk
|
|
(doc_id, source_id, kb_kind, seq, heading_path, chunk_text, context_prefix,
|
|
embedding, sparse_vec, visible_to, sensitivity, label_id, meta, token_count)
|
|
VALUES ($1, $2, $3, $4, $5, $6, $7,
|
|
$8::vector, $9::jsonb,
|
|
COALESCE($10::text[], ARRAY['client','counselor','evaluator']),
|
|
COALESCE($11, 0), $12, COALESCE($13::jsonb, '{}'::jsonb), $14)
|
|
""",
|
|
doc_id,
|
|
req.source_id,
|
|
c.get("kb_kind") or "theory",
|
|
c.get("seq", indexed),
|
|
c.get("heading_path"),
|
|
chunk_text,
|
|
context_prefix,
|
|
emb_lit,
|
|
sparse_json,
|
|
c.get("visible_to"),
|
|
c.get("sensitivity"),
|
|
c.get("label_id"),
|
|
json.dumps(c.get("meta")) if c.get("meta") is not None else None,
|
|
c.get("token_count"),
|
|
)
|
|
indexed += 1
|
|
|
|
return IndexResult(
|
|
doc_id=doc_id,
|
|
chunks_indexed=indexed,
|
|
skipped_unchanged=False,
|
|
embedded=embedded,
|
|
degraded=degraded,
|
|
)
|
|
|
|
|
|
__all__ = [
|
|
"NotConfigured",
|
|
"AIRole",
|
|
"RetrievalPolicy",
|
|
"POLICIES",
|
|
"RetrievedChunk",
|
|
"RetrievalResult",
|
|
"CRAG_TOP1_THRESHOLD",
|
|
"EmbeddedQuery",
|
|
"embed_query",
|
|
"apply_contextual_prefix",
|
|
"search_kb",
|
|
"retrieve_persona_memory",
|
|
"retrieve_eval_grounding",
|
|
"log_retrieval",
|
|
"IndexRequest",
|
|
"IndexResult",
|
|
"index_document",
|
|
]
|