tags
| tags |
| troubleshooting |
| embedding |
| gemini |
| rag |
| robeing |
| 1차 |
|
임베딩 1차: 로빙 Gemini 2 전환 문제 오픈
상위 원칙
문제 정의
로빙의 임베딩 구조가 0_VALUE 임베딩 정책과 불일치한다.
0_VALUE 정책은 Gemini Embedding 2, 768d, 전수 교체, 멀티모달을 요구한다. 로빙 현재 구현은 이를 충족하지 않는다. (1차 범위: robeing만. StarsAndI·TheGooseCouncil는 2차)
왜 문제인가
- 상태함수=벡터 철학: 임베딩은 정보의 상태(ψ)를 벡터로 표현한다. ko-sroberta·텍스트 전용 구조는 이 표현을 제한한다.
- 멀티모달 미지원: PDF·이미지는 캡셔닝 파이프라인을 거쳐야 하므로 비용·지연·정보 손실이 발생한다.
- 차원 혼재: 768/384 드리프트는 검색 품질·유지보수 부담을 증가시킨다.
현상(증상)
| 현상 |
내용 |
| 모델 |
ko-sroberta(multitask) 768d, 텍스트 전용 |
| 경로 |
skill-embedding + 서비스별 혼재 (skill-rag-file 384d, intent_prototypes 768d) |
| 차원 |
rb8001 메모리 ChromaDB 768/384 드리프트 잔존 |
| 멀티모달 |
미지원 |
| 청킹 |
Micro-chunking(300~500 단어) 위주 |
현재 상태
- skill-embedding: ko-sroberta 768d
- skill-rag-file: Company X 384d, intent_prototypes pgvector 768d
- rb8001 메모리: ChromaDB 768/384 차원 드리프트
- 기존 데이터: 적음 → 전수 교체 시 기술 부채 거의 없음
기대 상태 (1차 닫힘 기준)
| 항목 |
내용 |
| 모델 |
Gemini Embedding 2 |
| 차원 |
768 (MRL) |
| 경로 |
skill-embedding 교체 (ONNX→Gemini 2) |
| 적용 |
robeing 전역 (skill-embedding, skill-rag-file, rb8001) |
| env |
workspace-config SSOT, 서비스별 오버라이드 금지 |
| 멀티모달 |
PDF·이미지 직접 임베딩 |
| 청킹 |
1차 Micro 유지, 2단계 Macro 검토 |
영향 범위 (1차)
- skill-embedding (전체, /embed)
- skill-rag-file (embedding.py, upload.py, config, docker-compose)
- rb8001 (memory_manager, intent_store, database.py, config, docker-compose)
- ChromaDB 컬렉션, intent_prototypes pgvector
- migrate_chromadb_collections.py
- DOCS/skills/companyx-rag, 330_백엔드 설계 문서
- ivada-infra skill-embedding 배포
- workspace-config:
EMBEDDING_SERVICE_URL, EMBEDDING_DIM, EMBEDDING_MODEL 반영됨 (SSOT)
닫힘 조건
- skill-embedding이 Gemini 2, 768d로 동작한다. (경로: skill-embedding 교체 확정)
- rb8001·skill-rag-file이 기존 /embed URL로 새 모델을 참조한다.
- ChromaDB·pgvector 스키마가 768d로 통일된다.
- Company X RAG, NAS RAG가 새 경로로 동작한다.
- PDF·이미지 직접 임베딩 Recall 유지 또는 개선, 1M 토큰 비용 $0.25 이하.
- worklog에서 닫힘 선언한다.
재현 조건
- NAS RAG, Company X RAG, rb8001 메모리에서 임베딩 요청 시
- 0_VALUE 임베딩 정책과 로빙 구현을 대조할 때
확인된 사실
- 0_VALUE 임베딩 정책 확정: Gemini 2, 768d, 전수 교체, 멀티모달
- 리서치(260315)에서 Gemini Embedding 2 특징·비용·청킹 전략 정리됨
robeing/tests/test_gemini_embedding_2.py API 테스트 존재, 확장 예정- 기존 데이터 적음 → 전수 교체 부담 낮음
- workspace-config env SSOT: 로빙 전역이 따르고 서비스별 오버라이드 금지
확정 항목 (리서치·계획 반영)
- 경로: skill-embedding 교체 (ONNX→Gemini 2). 리서치 §7
- 청킹: 1차는 기존 Micro 유지. 2단계에서 Macro 검토. 리서치 §8
이 문서가 여는 리서치
관련 문서
