memento-mcp-server 1.6.0 → 1.7.2

package/.cursor/rules/hybrid-search.mdc

@@ -1,424 +0,0 @@
----
-globs: "src/algorithms/hybrid-search-engine.ts,src/services/*.ts"
-description: 하이브리드 검색 엔진 및 임베딩 서비스 개발 규칙
----
-
-# 하이브리드 검색 및 임베딩 서비스 규칙
-
-## 📋 하이브리드 검색 엔진
-
-### 현재 구현 상태
-- **파일**: `src/algorithms/hybrid-search-engine.ts` (200줄)
-- **기능**: FTS5 텍스트 검색 + 벡터 검색 결합
-- **가중치**: 벡터 검색 60%, 텍스트 검색 40% (기본값)
-
-### 핵심 인터페이스
-
-```typescript
-interface HybridSearchQuery {
-  query: string;
-  filters?: MemorySearchFilters;
-  limit?: number;
-  vectorWeight?: number; // 벡터 검색 가중치 (0.0 ~ 1.0)
-  textWeight?: number;   // 텍스트 검색 가중치 (0.0 ~ 1.0)
-}
-
-interface HybridSearchResult {
-  id: string;
-  content: string;
-  type: string;
-  importance: number;
-  created_at: string;
-  last_accessed?: string;
-  pinned: boolean;
-  tags?: string[];
-  textScore: number;    // FTS5 텍스트 검색 점수
-  vectorScore: number;  // 벡터 유사도 점수
-  finalScore: number;   // 최종 결합 점수
-  recall_reason: string;
-}
-```
-
-### 구현 가이드라인
-
-#### 1. 가중치 관리
-```typescript
-// 기본 가중치 설정
-private readonly defaultVectorWeight = 0.6; // 벡터 검색 60%
-private readonly defaultTextWeight = 0.4;   // 텍스트 검색 40%
-
-// 가중치 검증
-private validateWeights(vectorWeight: number, textWeight: number): void {
-  if (vectorWeight < 0 || vectorWeight > 1) {
-    throw new Error('vectorWeight must be between 0 and 1');
-  }
-  if (textWeight < 0 || textWeight > 1) {
-    throw new Error('textWeight must be between 0 and 1');
-  }
-  if (Math.abs(vectorWeight + textWeight - 1.0) > 0.01) {
-    throw new Error('vectorWeight + textWeight must equal 1.0');
-  }
-}
-```
-
-#### 2. 점수 정규화
-```typescript
-// 점수 정규화 (0-1 범위로 변환)
-private normalizeScore(score: number, min: number, max: number): number {
-  if (max === min) return 0.5; // 모든 점수가 같을 때
-  return (score - min) / (max - min);
-}
-```
-
-#### 3. 결과 결합
-```typescript
-// 하이브리드 점수 계산
-private calculateHybridScore(
-  textScore: number,
-  vectorScore: number,
-  vectorWeight: number,
-  textWeight: number
-): number {
-  return vectorWeight * vectorScore + textWeight * textScore;
-}
-```
-
-## 🧠 임베딩 서비스
-
-### 현재 구현 상태
-- **파일**: `src/services/embedding-service.ts` (196줄)
-- **모델**: OpenAI `text-embedding-3-small` (1536차원)
-- **기능**: 텍스트 벡터화, 유사도 검색
-
-### 핵심 인터페이스
-
-```typescript
-interface EmbeddingResult {
-  embedding: number[];
-  model: string;
-  usage: {
-    prompt_tokens: number;
-    total_tokens: number;
-  };
-}
-
-interface SimilarityResult {
-  id: string;
-  content: string;
-  similarity: number;
-  score: number;
-}
-```
-
-### 구현 가이드라인
-
-#### 1. OpenAI API 초기화
-```typescript
-private initializeOpenAI(): void {
-  if (!mementoConfig.openaiApiKey) {
-    console.warn('⚠️ OpenAI API 키가 설정되지 않았습니다.');
-    return;
-  }
-
-  try {
-    this.openai = new OpenAI({
-      apiKey: mementoConfig.openaiApiKey,
-    });
-    console.log('✅ OpenAI 임베딩 서비스 초기화 완료');
-  } catch (error) {
-    console.error('❌ OpenAI 초기화 실패:', error);
-    this.openai = null;
-  }
-}
-```
-
-#### 2. 텍스트 전처리
-```typescript
-private preprocessText(text: string): string {
-  // 토큰 제한 확인
-  if (text.length > this.maxTokens * 4) { // 대략적인 문자-토큰 비율
-    text = text.substring(0, this.maxTokens * 4);
-    console.warn('⚠️ 텍스트가 너무 길어 잘렸습니다.');
-  }
-  
-  return text.trim();
-}
-```
-
-#### 3. 유사도 계산
-```typescript
-private calculateCosineSimilarity(a: number[], b: number[]): number {
-  if (a.length !== b.length) {
-    throw new Error('벡터 차원이 일치하지 않습니다');
-  }
-
-  const dotProduct = a.reduce((sum, val, i) => sum + val * b[i], 0);
-  const magnitudeA = Math.sqrt(a.reduce((sum, val) => sum + val * val, 0));
-  const magnitudeB = Math.sqrt(b.reduce((sum, val) => sum + val * val, 0));
-
-  if (magnitudeA === 0 || magnitudeB === 0) {
-    return 0;
-  }
-
-  return dotProduct / (magnitudeA * magnitudeB);
-}
-```
-
-## 🔗 메모리 임베딩 서비스
-
-### 현재 구현 상태
-- **파일**: `src/services/memory-embedding-service.ts` (237줄)
-- **기능**: 메모리와 임베딩을 데이터베이스에 저장 및 검색
-
-### 핵심 인터페이스
-
-```typescript
-interface MemoryEmbedding {
-  memory_id: string;
-  embedding: number[];
-  created_at: string;
-}
-
-interface VectorSearchResult {
-  id: string;
-  content: string;
-  type: string;
-  importance: number;
-  created_at: string;
-  last_accessed?: string;
-  pinned: boolean;
-  tags?: string[];
-  similarity: number;
-  score: number;
-}
-```
-
-### 구현 가이드라인
-
-#### 1. 임베딩 저장
-```typescript
-async createAndStoreEmbedding(
-  db: any,
-  memoryId: string,
-  content: string,
-  type: MemoryType
-): Promise<EmbeddingResult | null> {
-  if (!this.embeddingService.isAvailable()) {
-    console.warn('⚠️ 임베딩 서비스가 사용 불가능합니다.');
-    return null;
-  }
-
-  try {
-    // 임베딩 생성
-    const embeddingResult = await this.embeddingService.createEmbedding(content);
-    
-    // 데이터베이스에 저장
-    await this.storeEmbedding(db, memoryId, embeddingResult.embedding);
-    
-    return embeddingResult;
-  } catch (error) {
-    console.error('❌ 임베딩 생성 및 저장 실패:', error);
-    return null;
-  }
-}
-```
-
-#### 2. 벡터 검색
-```typescript
-async searchSimilarMemories(
-  db: any,
-  query: string,
-  limit: number = 10,
-  threshold: number = 0.7
-): Promise<VectorSearchResult[]> {
-  if (!this.embeddingService.isAvailable()) {
-    return [];
-  }
-
-  try {
-    // 쿼리 임베딩 생성
-    const queryEmbedding = await this.embeddingService.createEmbedding(query);
-    
-    // 유사도 검색
-    const results = await this.performVectorSearch(
-      db, 
-      queryEmbedding.embedding, 
-      limit, 
-      threshold
-    );
-    
-    return results;
-  } catch (error) {
-    console.error('❌ 벡터 검색 실패:', error);
-    return [];
-  }
-}
-```
-
-## 🧪 테스트 가이드라인
-
-### 하이브리드 검색 테스트
-```typescript
-// 하이브리드 검색 테스트
-describe('HybridSearchEngine', () => {
-  let hybridEngine: HybridSearchEngine;
-  let mockDb: any;
-
-  beforeEach(() => {
-    hybridEngine = new HybridSearchEngine();
-    mockDb = createMockDatabase();
-  });
-
-  it('should combine text and vector search results', async () => {
-    const query = {
-      query: "React Hook 사용법",
-      vectorWeight: 0.6,
-      textWeight: 0.4,
-      limit: 5
-    };
-
-    const results = await hybridEngine.search(mockDb, query);
-    
-    expect(results).toHaveLength(5);
-    expect(results[0]).toHaveProperty('textScore');
-    expect(results[0]).toHaveProperty('vectorScore');
-    expect(results[0]).toHaveProperty('finalScore');
-  });
-});
-```
-
-### 임베딩 서비스 테스트
-```typescript
-// 임베딩 서비스 테스트
-describe('EmbeddingService', () => {
-  let embeddingService: EmbeddingService;
-
-  beforeEach(() => {
-    embeddingService = new EmbeddingService();
-  });
-
-  it('should create embedding for text', async () => {
-    const text = "React Hook에 대해 설명합니다.";
-    const result = await embeddingService.createEmbedding(text);
-    
-    expect(result.embedding).toHaveLength(1536);
-    expect(result.model).toBe('text-embedding-3-small');
-  });
-
-  it('should calculate similarity correctly', async () => {
-    const text1 = "React Hook 사용법";
-    const text2 = "React Hook에 대한 설명";
-    
-    const similarity = await embeddingService.calculateSimilarity(text1, text2);
-    
-    expect(similarity).toBeGreaterThan(0.5);
-    expect(similarity).toBeLessThanOrEqual(1.0);
-  });
-});
-```
-
-## 📊 성능 최적화
-
-### 1. 임베딩 캐싱
-```typescript
-// 임베딩 결과 캐싱
-private embeddingCache = new Map<string, EmbeddingResult>();
-
-async createEmbedding(text: string): Promise<EmbeddingResult> {
-  const cacheKey = this.generateCacheKey(text);
-  
-  if (this.embeddingCache.has(cacheKey)) {
-    return this.embeddingCache.get(cacheKey)!;
-  }
-
-  const result = await this.callOpenAI(text);
-  this.embeddingCache.set(cacheKey, result);
-  
-  return result;
-}
-```
-
-### 2. 배치 처리
-```typescript
-// 여러 텍스트를 한 번에 임베딩
-async createEmbeddingsBatch(texts: string[]): Promise<EmbeddingResult[]> {
-  const results = await this.openai.embeddings.create({
-    model: this.model,
-    input: texts,
-  });
-
-  return results.data.map(item => ({
-    embedding: item.embedding,
-    model: item.model,
-    usage: results.usage
-  }));
-}
-```
-
-### 3. 에러 처리
-```typescript
-// 재시도 로직
-async createEmbeddingWithRetry(text: string, maxRetries: number = 3): Promise<EmbeddingResult> {
-  for (let attempt = 1; attempt <= maxRetries; attempt++) {
-    try {
-      return await this.createEmbedding(text);
-    } catch (error) {
-      if (attempt === maxRetries) {
-        throw new Error(`임베딩 생성 실패 (${maxRetries}회 시도): ${error.message}`);
-      }
-      
-      const delay = Math.pow(2, attempt - 1) * 1000; // 지수 백오프
-      await new Promise(resolve => setTimeout(resolve, delay));
-    }
-  }
-}
-```
-
-## 🔧 설정 관리
-
-### 환경 변수
-```bash
-# .env 파일
-OPENAI_API_KEY=your_openai_api_key_here
-EMBEDDING_MODEL=text-embedding-3-small
-EMBEDDING_MAX_TOKENS=8191
-VECTOR_WEIGHT=0.6
-TEXT_WEIGHT=0.4
-```
-
-### 설정 검증
-```typescript
-// 설정 검증
-private validateConfig(): void {
-  if (!mementoConfig.openaiApiKey) {
-    throw new Error('OPENAI_API_KEY가 설정되지 않았습니다');
-  }
-  
-  if (mementoConfig.vectorWeight + mementoConfig.textWeight !== 1.0) {
-    throw new Error('벡터 가중치와 텍스트 가중치의 합이 1.0이어야 합니다');
-  }
-}
-```
-
-## 📋 개발 체크리스트
-
-### 하이브리드 검색 엔진
-- [ ] 가중치 검증 로직 구현
-- [ ] 점수 정규화 함수 구현
-- [ ] 결과 결합 알고리즘 구현
-- [ ] 에러 처리 및 로깅 추가
-- [ ] 단위 테스트 작성
-
-### 임베딩 서비스
-- [ ] OpenAI API 초기화 로직
-- [ ] 텍스트 전처리 함수
-- [ ] 유사도 계산 함수
-- [ ] 캐싱 메커니즘 구현
-- [ ] 재시도 로직 구현
-
-### 메모리 임베딩 서비스
-- [ ] 임베딩 저장 로직
-- [ ] 벡터 검색 구현
-- [ ] 데이터베이스 연동
-- [ ] 성능 최적화
-- [ ] 통합 테스트 작성