Weaviate

import weaviate
from weaviate.classes.init import Auth
from weaviate.classes.config import Configure, Property, DataType
from weaviate.classes.query import MetadataQuery

# 1. Weaviate Cloud 연결
client = weaviate.connect_to_weaviate_cloud(
    cluster_url="https://your-cluster.weaviate.network",
    auth_credentials=Auth.api_key("your-weaviate-api-key"),
    headers={"X-OpenAI-Api-Key": "your-openai-api-key"}
)

# 2. 컬렉션(스키마) 생성 - 자동 벡터화 설정
collection = client.collections.create(
    name="Document",
    vectorizer_config=Configure.Vectorizer.text2vec_openai(
        model="text-embedding-3-small"
    ),
    generative_config=Configure.Generative.openai(
        model="gpt-4o-mini"
    ),
    properties=[
        Property(name="title", data_type=DataType.TEXT),
        Property(name="content", data_type=DataType.TEXT),
        Property(name="category", data_type=DataType.TEXT)
    ]
)

# 3. 데이터 삽입 (자동 벡터화)
documents = collection.data.insert_many([
    {"title": "RAG 개요", "content": "RAG는 검색 증강 생성입니다.", "category": "llm"},
    {"title": "Weaviate 소개", "content": "Weaviate는 벡터 DB입니다.", "category": "database"},
    {"title": "임베딩이란", "content": "텍스트를 숫자 벡터로 변환합니다.", "category": "ml"}
])
print(f"삽입된 문서 수: {len(documents.uuids)}")

# 4. 시맨틱 검색 (벡터 유사도)
results = collection.query.near_text(
    query="벡터 데이터베이스란?",
    limit=3,
    return_metadata=MetadataQuery(distance=True)
)

print("\n=== 시맨틱 검색 결과 ===")
for obj in results.objects:
    print(f"- {obj.properties['title']} (거리: {obj.metadata.distance:.4f})")

# 5. 하이브리드 검색 (벡터 + BM25)
hybrid_results = collection.query.hybrid(
    query="벡터 DB",
    alpha=0.5,  # 0=BM25, 1=벡터검색, 0.5=균형
    limit=3,
    return_metadata=MetadataQuery(score=True)
)

print("\n=== 하이브리드 검색 결과 ===")
for obj in hybrid_results.objects:
    print(f"- {obj.properties['title']} (점수: {obj.metadata.score:.4f})")

# 6. 필터링 검색
from weaviate.classes.query import Filter

filtered = collection.query.near_text(
    query="AI 기술",
    filters=Filter.by_property("category").equal("llm"),
    limit=3
)

# 7. RAG: 검색 + 생성 (Generative Search)
rag_result = collection.generate.near_text(
    query="벡터 검색이 뭔가요?",
    limit=2,
    grouped_task="검색된 문서를 바탕으로 벡터 검색을 설명해주세요."
)

print("\n=== RAG 응답 ===")
print(rag_result.generated)

# 8. 연결 종료
client.close()