테스트

org_offline.py

@@ -10,7 +10,8 @@ from starlette.responses import StreamingResponse
 from fastapi import FastAPI
 from transformers import AutoTokenizer, AutoModelForCausalLM, TextIteratorStreamer
 
-from org_transformer_offline import init
+from util.org_transformer_offline import init
+from util.org_filter import extract_keywords_simple
 
 # === 경로 설정 (모두 로컬) ===
 QWEN_MODEL_PATH = "./models/Qwen3-0.6B"
@@ -99,29 +100,30 @@ def get_qwen_model():
     return _model, _tokenizer
 
 
-def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_similarity: float = 0.2) -> Generator:
+def query_select(sessionId: str, query: str) :
+    keywords = extract_keywords_simple(query)
+    print(keywords)
+    filter_list = [{"sessionId": sessionId}]
+    if keywords['dept'] != '' :
+        filter_list.append({"deptCd": keywords['dept']})
+    if keywords['rank'] != '' :
+        filter_list.append({"gradeCd": keywords['rank']})
+    print(filter_list)
+    results = collection.query(
+        query_texts=[keywords['keyword']],
+        where={"$and": filter_list},
+    )
+    return results, keywords['keyword']
+
+
+def query_select_summarize_stream(results, query, ai, min_similarity: float = 0.2) -> Generator:
     """
     사용자 질문에 대해 벡터 DB를 검색하고, LLM을 통해 답변을 스트리밍으로 생성합니다.
 
-    Args:
-        sessionId (str): 세션 ID (사용자 구분)
-        query (str): 사용자 질문
-        top_k (int): 검색할 문서 개수
-        min_similarity (float): 최소 유사도 임계값
 
     Returns:
         Generator: 스트리밍 응답 제너레이터
     """
-    from datetime import datetime
-
-    # 관련 문서 검색 (top_k보다 여유 있게 가져옴)
-    results = collection.query(
-        query_texts=[query],
-        n_results=top_k + 2,  # 여유분 확보
-        where={"sessionId": sessionId}
-    )
-
-    print(f"검색 결과: {results}")
 
     if not results['documents'] or not results['documents'][0]:
         def generate_empty():
@@ -135,15 +137,10 @@ def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_s
             similarity = 1 - dist
             if similarity >= min_similarity:
                 filtered_docs.append((doc, similarity))
-            if len(filtered_docs) >= top_k:
+            if ai and len(filtered_docs) >= 5:
                 break
     print(f"필터링된 문서: {filtered_docs}")
 
-    if not filtered_docs:
-        def generate_low_sim():
-            yield json.dumps({"kind": "text", "text": "유사도 기준을 만족하는 문서가 없습니다."}) + "\n"
-        return generate_low_sim
-
     # 컨텍스트 생성
     context_parts = []
     for i, (doc, sim) in enumerate(filtered_docs):
@@ -152,20 +149,15 @@ def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_s
 
     # 모델 로드
     model, tokenizer = get_qwen_model()
-    
+
-    sub_query = ''
-    if query.find('부') > -1:
-        sub_query = '***부로 끝나는 단어는 부서 맵핑'
-        
     # 프롬프트 구성
     messages = [
         {
             "role": "system",
             "content": (
                 '''
-                당신은 인사 담당 어시스던트 입니다. 인사 이동, 승진, 적정 부서 이동 등 전반적으로 모든 인사 정보에 대해 답변해야합니다.
+                당신은 인사 담당 어시스던트 입니다. 인사 이동, 승진, 적정 부서 이동 등 전반적으로 모든 인사 정보에 대해 답변해야합니다. 
-                hint) {} 
+                '''
-                '''.format(sub_query)
             )
         },
         {
@@ -174,8 +166,7 @@ def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_s
         }
     ]
 
-    print(f'Messages: {messages}')
+
-    
     # 토큰화
     text = tokenizer.apply_chat_template(
         messages,
@@ -207,9 +198,7 @@ def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_s
     def generate():
         for new_text in streamer:
             if new_text:
-                print(f'new Text: {new_text}')
                 yield json.dumps({"kind": "text", "text": new_text}) + "\n"
-        print(f'End time: {datetime.now()}')
 
     return generate
 
@@ -225,6 +214,78 @@ app.add_middleware(
     allow_headers=["*"],  # 모든 헤더 허용
 )
 
+
+
+def query_summarize_simple(query: str) :
+    model, tokenizer = get_qwen_model()
+    # 프롬프트 구성
+    messages = [
+        {
+            "role": "system",
+            "content": (
+                '''
+                당신은 데이터 진단 전문가 입니다. 아래 질의 내용을 보고 해당 내용이 단순 질문 인지 아니면 통계, 총개수, 카운트, 직원수 질문 인지 확인해야합니다.
+                단순질문 일시 0 통계질문 또는 통계, 총개수, 카운트, 직원수 질문 일시 1 로 대답해주세요. 부가 내용은 필요 없습니다. 
+                '''
+            )
+        },
+        {
+            "role": "user",
+            "content": f"질문: {query}"
+        }
+    ]
+
+    print(f'Messages: {messages}')
+
+    # 토큰화
+    text = tokenizer.apply_chat_template(
+        messages,
+        tokenize=False,
+        add_generation_prompt=True,
+        enable_thinking=False # Qwen 모델 버전에 따라 지원 여부 확인 필요
+    )
+    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
+
+    # conduct text completion
+    generated_ids = model.generate(
+        **model_inputs,
+        max_new_tokens=300,
+        do_sample=True,        # ✅ 샘플링 활성화
+        temperature=0.3,
+        top_p=0.9,
+        pad_token_id=tokenizer.eos_token_id
+    )
+    output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()
+
+    # parsing thinking content
+    try:
+        # rindex finding 151668 (</think>)
+        index = len(output_ids) - output_ids[::-1].index(151668)
+    except ValueError:
+        index = 0
+
+    thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
+    end_think_id = tokenizer.convert_tokens_to_ids("</think>")
+    if end_think_id in output_ids:
+        idx = len(output_ids) - output_ids[::-1].index(end_think_id)
+    else:
+        idx = 0
+    content = tokenizer.decode(output_ids[idx:], skip_special_tokens=True).strip()
+    
+    return content
+
+
+app = FastAPI()
+
+# CORS 설정 추가
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],  # 모든 출처 허용
+    allow_credentials=True,
+    allow_methods=["*"],  # 모든 HTTP 메서드 허용
+    allow_headers=["*"],  # 모든 헤더 허용
+)
+
 # === 1. 기초 데이터 주입 API ===
 class Item(BaseModel):
     context: list
@@ -245,38 +306,9 @@ async def set_data(query: Item):
     remaining_count = collection.get(where={"sessionId": query.sessionId})
     print(f"남은 데이터 수: {len(remaining_count['ids'])}")
     
-    doc_list = []
-    for q in query.context:
-        # 각 필드를 안전하게 추출 (None 방어)
-        name = q.get('name') or ""
-        dept = q.get('deptNm') or ""
-        grade = q.get('gradeNm') or ""
-        position = q.get('ptsnNm') or ""
-        office_phone = q.get('ofcePhn') or ""
-        mobile_phone = q.get('mblPhn') or ""
-        chief_name = q.get('chiefNm') or ""
-        state_code = q.get('state') or ""
 
-        # 상태 코드 한글화
-        state_map = {'C': '재직', 'T': '퇴사', 'H': '휴직'}
-        status = state_map.get(state_code, "정보없음")
 
-        # [핵심] 검색 엔진이 좋아할만한 서술형 문장 생성
+    init(query.sessionId, query.context)
-        # 부서명과 이름을 앞부분에 배치하여 가중치 유도
-        if name == '':
-            doc = (
-                f"부서: {dept}. "
-                f"해당 {dept}의 부서장은 {chief_name}입니다."
-            )
-        else:
-            doc = (
-                f"부서: {dept}. 이름: {name}. {dept} 소속의 {name} {grade}입니다. "
-                f"직위는 {position}이며 현재 {status} 중입니다. "
-                f"사내 전화번호(사선)는 {office_phone}입니다."
-            )
-        doc_list.append(doc)
-
-    init(query.sessionId, doc_list)
 
     return {"status": "success", "message": f"{len(query.context)}건의 데이터가 로드되었습니다."}
 
@@ -286,7 +318,17 @@ def question(sessionId: str, query: str):
     """
     질의응답 API 엔드포인트
     """
-    generate = query_and_summarize_stream(sessionId=sessionId, query=query)
+    type = query_summarize_simple(query=query)
+    if(type == '0') :
+        results, keyword = query_select(sessionId, query)
+        print('단순질문 AI')
+        generate = query_select_summarize_stream(results, query=keyword, ai=True)
+    else :
+        results, keyword = query_select(sessionId, query)
+        print('단순질문 데이터베이스조회')
+        generate = query_select_summarize_stream(results, query=keyword, ai=False)
+
+
     return StreamingResponse(generate(), media_type="application/x-ndjson")
 
 

util/org_transformer_offline.py

@@ -41,17 +41,43 @@ def init(sessionId: str, data: List[Union[str, dict]]):
 
     # 데이터 처리: 문자열이면 그대로, 객체면 JSON 문자열로 변환
     documents = []
-    for item in data:
+
-        if isinstance(item, str):
+    doc_list = []
-            documents.append(item)
+    for q in data:
+        # 각 필드를 안전하게 추출 (None 방어)
+        name = q.get('name') or ""
+        dept = q.get('deptNm') or ""
+        grade = q.get('gradeNm') or ""
+        position = q.get('ptsnNm') or ""
+        office_phone = q.get('ofcePhn') or ""
+        mobile_phone = q.get('mblPhn') or ""
+        chief_name = q.get('chiefNm') or ""
+        state_code = q.get('state') or ""
+
+        # 상태 코드 한글화
+        state_map = {'C': '재직', 'T': '퇴사', 'H': '휴직'}
+        status = state_map.get(state_code, "정보없음")
+
+        # [핵심] 검색 엔진이 좋아할만한 서술형 문장 생성
+        # 부서명과 이름을 앞부분에 배치하여 가중치 유도
+        if name == '':
+            doc = (
+                f"부서: {dept}. "
+                f"해당 {dept}의 부서장은 {chief_name}입니다."
+            )
         else:
-            documents.append(json.dumps(item, ensure_ascii=False))
+            doc = (
+                f"부서: {dept}. 이름: {name}. {dept} 소속의 {name} {grade}입니다. "
+                f"직위는 {position}이며 현재 {status} 중입니다. "
+                f"사내 전화번호(사선)는 {office_phone}입니다."
+            )
+        doc_list.append(doc)
 
     # 벡터 DB에 추가
     collection.add(
-        documents=documents,
+        documents=doc_list,
         ids=doc_ids,
-        metadatas=[{"sessionId": sessionId} for _ in doc_ids]
+        metadatas=[{"sessionId": sessionId, 'deptCd': d.get('deptCd') or "", 'gradeCd': d.get('gradeCd') or ""} for d in data]
     )
 
     print(f'{sessionId} init end')

util/summarize_query.py

@@ -0,0 +1,124 @@
+from typing import Generator
+
+from transformers import TextIteratorStreamer
+
+from org_offline import get_qwen_model
+
+
+def query_and_summarize_stream(sessionId: str, query: str, top_k: int = 3, min_similarity: float = 0.2) -> Generator:
+    """
+    사용자 질문에 대해 벡터 DB를 검색하고, LLM을 통해 답변을 스트리밍으로 생성합니다.
+
+    Args:
+        sessionId (str): 세션 ID (사용자 구분)
+        query (str): 사용자 질문
+        top_k (int): 검색할 문서 개수
+        min_similarity (float): 최소 유사도 임계값
+
+    Returns:
+        Generator: 스트리밍 응답 제너레이터
+    """
+    from datetime import datetime
+    import json
+
+
+    # 관련 문서 검색 (top_k보다 여유 있게 가져옴)
+    from org_offline import collection
+    results = collection.query(
+        query_texts=[query],
+        n_results=top_k + 2,  # 여유분 확보
+        where={"sessionId": sessionId}
+    )
+
+    print(f"검색 결과: {results}")
+
+    if not results['documents'] or not results['documents'][0]:
+        def generate_empty():
+            yield json.dumps({"kind": "text", "text": "관련 문서를 찾을 수 없습니다."}) + "\n"
+        return generate_empty
+
+    # 유사도 계산 및 필터링
+    filtered_docs = []
+    if results['distances'] and results['distances'][0]:
+        for doc, dist in zip(results['documents'][0], results['distances'][0]):
+            similarity = 1 - dist
+            if similarity >= min_similarity:
+                filtered_docs.append((doc, similarity))
+            if len(filtered_docs) >= top_k:
+                break
+    print(f"필터링된 문서: {filtered_docs}")
+
+    if not filtered_docs:
+        def generate_low_sim():
+            yield json.dumps({"kind": "text", "text": "유사도 기준을 만족하는 문서가 없습니다."}) + "\n"
+        return generate_low_sim
+
+    # 컨텍스트 생성
+    context_parts = []
+    for i, (doc, sim) in enumerate(filtered_docs):
+        context_parts.append(f"[청크 {i+1} | 유사도: {sim:.3f}]\n{doc}")
+    context = "\n\n".join(context_parts)
+
+    # 모델 로드
+    model, tokenizer = get_qwen_model()
+
+    sub_query = ''
+    if query.find('부') > -1:
+        sub_query = '***부로 끝나는 단어는 부서 맵핑'
+
+    # 프롬프트 구성
+    messages = [
+        {
+            "role": "system",
+            "content": (
+                '''
+                당신은 인사 담당 어시스던트 입니다. 인사 이동, 승진, 적정 부서 이동 등 전반적으로 모든 인사 정보에 대해 답변해야합니다.
+                hint) {} 
+                '''.format(sub_query)
+            )
+        },
+        {
+            "role": "user",
+            "content": f"다음 데이터를 참고하세요:\n\n{context}\n\n질문: {query}"
+        }
+    ]
+
+    print(f'Messages: {messages}')
+
+    # 토큰화
+    text = tokenizer.apply_chat_template(
+        messages,
+        tokenize=False,
+        add_generation_prompt=True,
+        enable_thinking=False # Qwen 모델 버전에 따라 지원 여부 확인 필요
+    )
+    model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
+
+    # 스트리머 설정
+    streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)
+
+    # 생성 인자 설정
+    generation_kwargs = dict(
+        **model_inputs,
+        streamer=streamer,
+        max_new_tokens=150,
+        do_sample=True,
+        temperature=0.3,
+        top_p=0.9,
+        pad_token_id=tokenizer.eos_token_id
+    )
+
+    # 별도 스레드에서 생성 실행
+    from threading import Thread
+    thread = Thread(target=model.generate, kwargs=generation_kwargs)
+    thread.start()
+
+    # 제너레이터 함수 정의
+    def generate():
+        for new_text in streamer:
+            if new_text:
+                print(f'new Text: {new_text}')
+                yield json.dumps({"kind": "text", "text": new_text}) + "\n"
+        print(f'End time: {datetime.now()}')
+
+    return generate