# 텍스트 → 벡터 변환
"인공지능" → [0.12, -0.34, 0.56, ..., 0.78]  # 1536차원

# 유사한 의미는 가까운 벡터
"AI"       → [0.11, -0.33, 0.55, ..., 0.77]  # 비슷한 값
"자동차"    → [0.89, 0.12, -0.45, ..., 0.23]  # 다른 값

Query → Encoder → Query Vector
                       ↓
                   유사도 계산 (코사인 유사도)
                       ↓
Document → Encoder → Doc Vector

Query + Document → Joint Encoder → Relevance Score

from langchain.embeddings import OpenAIEmbeddings

embeddings = OpenAIEmbeddings(
    model="text-embedding-ada-002"  # 1536차원
)

# 텍스트 임베딩
vector = embeddings.embed_query("RAG란 무엇인가?")
print(f"벡터 차원: {len(vector)}")  # 1536

from langchain.embeddings import HuggingFaceEmbeddings

embeddings = HuggingFaceEmbeddings(
    model_name="sentence-transformers/all-MiniLM-L6-v2"
)

vector = embeddings.embed_query("RAG란 무엇인가?")

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings

# 임베딩 모델 설정
embeddings = OpenAIEmbeddings()

# 벡터 스토어 생성
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    persist_directory="./chroma_db"  # 로컬 저장
)

# 유사도 검색
results = vectorstore.similarity_search(
    query="RAG란?",
    k=3  # 상위 3개
)

from langchain.vectorstores import FAISS

# 벡터 스토어 생성
vectorstore = FAISS.from_documents(
    documents=chunks,
    embedding=embeddings
)

# 저장
vectorstore.save_local("./faiss_index")

# 로드
vectorstore = FAISS.load_local(
    "./faiss_index",
    embeddings
)

# 두 벡터 간 각도의 코사인 값
# 1에 가까울수록 유사

import numpy as np

def cosine_similarity(v1, v2):
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# 두 벡터 간 직선 거리
# 0에 가까울수록 유사

def euclidean_distance(v1, v2):
    return np.linalg.norm(v1 - v2)

# 기본 유사도 검색
docs = vectorstore.similarity_search(query, k=5)

# 점수와 함께 검색
docs_with_score = vectorstore.similarity_search_with_score(query, k=5)
for doc, score in docs_with_score:
    print(f"Score: {score:.4f}")
    print(doc.page_content[:100])

# MMR (Maximum Marginal Relevance) 검색
# 유사도와 다양성 균형
docs = vectorstore.max_marginal_relevance_search(
    query,
    k=5,
    fetch_k=20,    # 후보 문서 수
    lambda_mult=0.5  # 다양성 가중치
)

# 벡터 스토어에서 Retriever 생성
retriever = vectorstore.as_retriever(
    search_type="similarity",  # 검색 유형
    search_kwargs={"k": 5}      # 검색 개수
)

# 검색 실행
docs = retriever.get_relevant_documents("RAG란?")

# MMR 검색 설정
retriever = vectorstore.as_retriever(
    search_type="mmr",
    search_kwargs={
        "k": 5,
        "fetch_k": 20,
        "lambda_mult": 0.5
    }
)

# 점수 임계값 검색
retriever = vectorstore.as_retriever(
    search_type="similarity_score_threshold",
    search_kwargs={
        "score_threshold": 0.8  # 80% 이상만
    }
)