Feat: QnA 에이전트에 RAGSystem 직접 적용

integrate qna_graph

Author: dongyeon1031

core/qna/agent/qna_agent.py

@@ -1,67 +1,25 @@
-from typing import List, Dict, Any
-
-from langchain_core.messages import SystemMessage
-from langchain_openai import OpenAIEmbeddings
-
 from core.shared.states.states import CustomsAgentState
-from core.shared.utils.llm import get_llm
+from core.qna.main import RAGSystem
 
-# RAG 에이전트용 더미 데이터베이스
-class CustomsRAG:
-    def __init__(self, vector_db_path: str = "customs_faiss.index", csv_path: str = "customs_data.csv"):
-        """
-        FAISS 벡터DB와 CSV 데이터를 로드합니다.
-        실제 구현에서는 이미 생성된 벡터DB를 로드한다고 가정
-        """
-        self.embeddings = OpenAIEmbeddings()
-        # 더미로 설정 - 실제로는 faiss.read_index(vector_db_path)
-        self.vector_db = None
-        self.documents = []  # 실제로는 CSV에서 로드
-        
-        # 더미 데이터
-        self.dummy_documents = [
-            {"content": "관세는 외국 상품을 수입할 때 부과되는 세금입니다.", "category": "관세기본"},
-            {"content": "통관은 물품이 세관을 통과하는 절차입니다.", "category": "통관절차"},
-            {"content": "FTA 협정국에서 수입하는 경우 관세 혜택을 받을 수 있습니다.", "category": "FTA"},
-        ]
-    
-    def search_similar_documents(self, query: str, k: int = 3) -> List[Dict[str, Any]]:
-        """유사한 문서를 검색합니다."""
-        # 실제로는 FAISS 검색을 수행
-        # query_vector = self.embeddings.embed_query(query)
-        # scores, indices = self.vector_db.search(query_vector, k)
-        
-        # 더미 검색 결과
-        return self.dummy_documents[:k]
-    
 def qna_agent(state: CustomsAgentState) -> CustomsAgentState:
-    """QNA RAG 에이전트"""
-    rag = CustomsRAG()
-    llm = get_llm()
-    
-    # 유사 문서 검색
-    similar_docs = rag.search_similar_documents(state["query"])
+    """QNA RAG 에이전트 - 실제 RAG 시스템 사용"""
 
-    # 검색된 문서들을 컨텍스트로 구성
-    context = "\n".join([f"- {doc['content']}" for doc in similar_docs])
+    # RAG 시스템 초기화 및 데이터베이스 설정
+    rag_system = RAGSystem()
+    rag_system.setup_database()
 
-    rag_prompt = f"""
-    다음 관세청 관련 정보를 참고하여 사용자의 질문에 정확하고 도움이 되는 답변을 제공해주세요.
-
-    참고 정보:
-    {context}
-
-    사용자 질문: {state["query"]}
-
-    답변:
-    """
+    # RAG 시스템을 사용하여 답변 생성
+    answer = rag_system.search_and_generate(
+        query=state["query"],
+        top_k=5,
+        show_details=False
+    )
 
-    result = llm.invoke([SystemMessage(content=rag_prompt)])
-    
-    state["final_response"] = result.content
+    state["final_response"] = answer
     state["intermediate_results"]["qna"] = {
-        "retrieved_docs": similar_docs,
-        "response": result.content
+        "response": answer,
+        "query": state["query"]
     }
 
+    
     return state