ninegrid2 6.514.0 → 6.516.0

package/dist/ai/aiContainer.js

@@ -3,6 +3,7 @@ import { ChatGoogleGenerativeAI } from "@langchain/google-genai";
 import { Ollama } from "@langchain/ollama";
 import { ChatOpenAI } from '@langchain/openai';
 import { HumanMessage, SystemMessage } from '@langchain/core/messages';
+import { OllamaEmbeddings } from "@langchain/ollama";
 
 class aiContainer extends HTMLElement
 {
@@ -150,7 +151,7 @@ class aiContainer extends HTMLElement
 			}
 			//filterString = filterString.replaceAll('"value"', '"text"')
 			console.log("Generated Filter String:", filterString);
-filterString = "a" + filterString;
+
 			// Gemini가 JSON 모드나 Structured Output을 지원하지 않는 경우, 직접 파싱 시도
 			// 안정적인 JSON 파싱을 위해 'JSON Mode' 또는 Function Calling 사용을 강력히 권장
 			// LangChain의 SelfQueryRetriever를 사용하면 이 부분을 자동화할 수 있습니다.
@@ -169,16 +170,62 @@ filterString = "a" + filterString;
 		//}
 	}
 
+	#searchWithQdrantFilter = async (filter) => {
+
+		const queryText = this.shadowRoot.querySelector("textarea").value.trim();
+		const collectionName = this.#target.collectionName.trim();
+
+		//try {
+			// 쿼리 텍스트를 임베딩으로 변환 (Gemini Embedding 모델 사용)
+			// LangChain의 Embeddings 클래스 또는 @google/generative-ai SDK 직접 사용 가능
+			// 여기서는 예시를 위해 임시로 더미 벡터를 사용합니다.
+			// 실제로는 GoogleGenerativeAI.embedContent 등을 사용해야 합니다.
+			// const genAI = new GoogleGenerativeAI(GEMINI_API_KEY);
+			// const embeddingModel = genAI.get  GenerativeModel({ model: "embedding-001" });
+			// const { embedding } = await embeddingModel.embedContent({
+			//     content: queryText,
+			//     taskType: "retrieval_query",
+			// });
+			//const queryVector = [0.1, 0.2, 0.3, 0.4, ...Array(764).fill(0)]; // 실제 임베딩 벡터로 대체
+			const embeddings = new OllamaEmbeddings({ model: "nomic-embed-text" });
+			const queryVector = await embeddings.embedQuery(queryText);
+
+
+			console.log(collectionName, filter);
+
+			const searchParams = {
+				vector: queryVector,
+				limit: 500, // 검색 결과 수
+				filter: filter, // Gemini가 생성한 필터 적용
+				with_payload: true, // 페이로드도 함께 가져오도록 설정
+			};
+
+			//console.log("Qdrant Search Params:", JSON.stringify(searchParams, null, 2));
+
+			return await qdrantClient.search(collectionName, searchParams);
+
+		//} catch (error) {
+		//	console.error("Error during Qdrant search:", error);
+			return [];
+		//}
+	}
+
 	#q1 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q2 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q3 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#init = (info) => {

package/dist/bundle.cjs.js

@@ -28004,7 +28004,7 @@ class aiContainer extends HTMLElement
 			}
 			//filterString = filterString.replaceAll('"value"', '"text"')
 			console.log("Generated Filter String:", filterString);
-filterString = "a" + filterString;
+
 			// Gemini가 JSON 모드나 Structured Output을 지원하지 않는 경우, 직접 파싱 시도
 			// 안정적인 JSON 파싱을 위해 'JSON Mode' 또는 Function Calling 사용을 강력히 권장
 			// LangChain의 SelfQueryRetriever를 사용하면 이 부분을 자동화할 수 있습니다.
@@ -28023,16 +28023,58 @@ filterString = "a" + filterString;
 		//}
 	}
 
+	#searchWithQdrantFilter = async (filter) => {
+
+		const queryText = this.shadowRoot.querySelector("textarea").value.trim();
+		const collectionName = this.#target.collectionName.trim();
+
+		//try {
+			// 쿼리 텍스트를 임베딩으로 변환 (Gemini Embedding 모델 사용)
+			// LangChain의 Embeddings 클래스 또는 @google/generative-ai SDK 직접 사용 가능
+			// 여기서는 예시를 위해 임시로 더미 벡터를 사용합니다.
+			// 실제로는 GoogleGenerativeAI.embedContent 등을 사용해야 합니다.
+			// const genAI = new GoogleGenerativeAI(GEMINI_API_KEY);
+			// const embeddingModel = genAI.get  GenerativeModel({ model: "embedding-001" });
+			// const { embedding } = await embeddingModel.embedContent({
+			//     content: queryText,
+			//     taskType: "retrieval_query",
+			// });
+			//const queryVector = [0.1, 0.2, 0.3, 0.4, ...Array(764).fill(0)]; // 실제 임베딩 벡터로 대체
+			const embeddings = new ollama.OllamaEmbeddings({ model: "nomic-embed-text" });
+			const queryVector = await embeddings.embedQuery(queryText);
+
+
+			console.log(collectionName, filter);
+
+			const searchParams = {
+				vector: queryVector,
+				limit: 500, // 검색 결과 수
+				filter: filter, // Gemini가 생성한 필터 적용
+				with_payload: true, // 페이로드도 함께 가져오도록 설정
+			};
+
+			//console.log("Qdrant Search Params:", JSON.stringify(searchParams, null, 2));
+
+			return await qdrantClient.search(collectionName, searchParams);
+		//}
+	}
+
 	#q1 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q2 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q3 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#init = (info) => {

package/dist/bundle.esm.js

@@ -1,6 +1,6 @@
 import ExcelJS$1 from 'exceljs';
 import { ChatGoogleGenerativeAI } from '@langchain/google-genai';
-import { Ollama } from '@langchain/ollama';
+import { Ollama, OllamaEmbeddings } from '@langchain/ollama';
 import { ChatOpenAI } from '@langchain/openai';
 import { SystemMessage, HumanMessage } from '@langchain/core/messages';
 
@@ -28002,7 +28002,7 @@ class aiContainer extends HTMLElement
 			}
 			//filterString = filterString.replaceAll('"value"', '"text"')
 			console.log("Generated Filter String:", filterString);
-filterString = "a" + filterString;
+
 			// Gemini가 JSON 모드나 Structured Output을 지원하지 않는 경우, 직접 파싱 시도
 			// 안정적인 JSON 파싱을 위해 'JSON Mode' 또는 Function Calling 사용을 강력히 권장
 			// LangChain의 SelfQueryRetriever를 사용하면 이 부분을 자동화할 수 있습니다.
@@ -28021,16 +28021,58 @@ filterString = "a" + filterString;
 		//}
 	}
 
+	#searchWithQdrantFilter = async (filter) => {
+
+		const queryText = this.shadowRoot.querySelector("textarea").value.trim();
+		const collectionName = this.#target.collectionName.trim();
+
+		//try {
+			// 쿼리 텍스트를 임베딩으로 변환 (Gemini Embedding 모델 사용)
+			// LangChain의 Embeddings 클래스 또는 @google/generative-ai SDK 직접 사용 가능
+			// 여기서는 예시를 위해 임시로 더미 벡터를 사용합니다.
+			// 실제로는 GoogleGenerativeAI.embedContent 등을 사용해야 합니다.
+			// const genAI = new GoogleGenerativeAI(GEMINI_API_KEY);
+			// const embeddingModel = genAI.get  GenerativeModel({ model: "embedding-001" });
+			// const { embedding } = await embeddingModel.embedContent({
+			//     content: queryText,
+			//     taskType: "retrieval_query",
+			// });
+			//const queryVector = [0.1, 0.2, 0.3, 0.4, ...Array(764).fill(0)]; // 실제 임베딩 벡터로 대체
+			const embeddings = new OllamaEmbeddings({ model: "nomic-embed-text" });
+			const queryVector = await embeddings.embedQuery(queryText);
+
+
+			console.log(collectionName, filter);
+
+			const searchParams = {
+				vector: queryVector,
+				limit: 500, // 검색 결과 수
+				filter: filter, // Gemini가 생성한 필터 적용
+				with_payload: true, // 페이로드도 함께 가져오도록 설정
+			};
+
+			//console.log("Qdrant Search Params:", JSON.stringify(searchParams, null, 2));
+
+			return await qdrantClient.search(collectionName, searchParams);
+		//}
+	}
+
 	#q1 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q2 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q3 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#init = (info) => {

package/package.json

@@ -1,7 +1,7 @@
 {
   "name": "ninegrid2",
   "type": "module",
-  "version": "6.514.0",
+  "version": "6.516.0",
   "main": "dist/index.js",
   "exports": {
     "import": "./dist/index.js",

package/src/ai/aiContainer.js

@@ -3,6 +3,7 @@ import { ChatGoogleGenerativeAI } from "@langchain/google-genai";
 import { Ollama } from "@langchain/ollama";
 import { ChatOpenAI } from '@langchain/openai';
 import { HumanMessage, SystemMessage } from '@langchain/core/messages';
+import { OllamaEmbeddings } from "@langchain/ollama";
 
 class aiContainer extends HTMLElement
 {
@@ -150,7 +151,7 @@ class aiContainer extends HTMLElement
 			}
 			//filterString = filterString.replaceAll('"value"', '"text"')
 			console.log("Generated Filter String:", filterString);
-filterString = "a" + filterString;
+
 			// Gemini가 JSON 모드나 Structured Output을 지원하지 않는 경우, 직접 파싱 시도
 			// 안정적인 JSON 파싱을 위해 'JSON Mode' 또는 Function Calling 사용을 강력히 권장
 			// LangChain의 SelfQueryRetriever를 사용하면 이 부분을 자동화할 수 있습니다.
@@ -169,16 +170,62 @@ filterString = "a" + filterString;
 		//}
 	}
 
+	#searchWithQdrantFilter = async (filter) => {
+
+		const queryText = this.shadowRoot.querySelector("textarea").value.trim();
+		const collectionName = this.#target.collectionName.trim();
+
+		//try {
+			// 쿼리 텍스트를 임베딩으로 변환 (Gemini Embedding 모델 사용)
+			// LangChain의 Embeddings 클래스 또는 @google/generative-ai SDK 직접 사용 가능
+			// 여기서는 예시를 위해 임시로 더미 벡터를 사용합니다.
+			// 실제로는 GoogleGenerativeAI.embedContent 등을 사용해야 합니다.
+			// const genAI = new GoogleGenerativeAI(GEMINI_API_KEY);
+			// const embeddingModel = genAI.get  GenerativeModel({ model: "embedding-001" });
+			// const { embedding } = await embeddingModel.embedContent({
+			//     content: queryText,
+			//     taskType: "retrieval_query",
+			// });
+			//const queryVector = [0.1, 0.2, 0.3, 0.4, ...Array(764).fill(0)]; // 실제 임베딩 벡터로 대체
+			const embeddings = new OllamaEmbeddings({ model: "nomic-embed-text" });
+			const queryVector = await embeddings.embedQuery(queryText);
+
+
+			console.log(collectionName, filter);
+
+			const searchParams = {
+				vector: queryVector,
+				limit: 500, // 검색 결과 수
+				filter: filter, // Gemini가 생성한 필터 적용
+				with_payload: true, // 페이로드도 함께 가져오도록 설정
+			};
+
+			//console.log("Qdrant Search Params:", JSON.stringify(searchParams, null, 2));
+
+			return await qdrantClient.search(collectionName, searchParams);
+
+		//} catch (error) {
+		//	console.error("Error during Qdrant search:", error);
+			return [];
+		//}
+	}
+
 	#q1 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q2 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#q3 = async () => {
-		await this.#generateQdrantFilter();
+		const filter = await this.#generateQdrantFilter();
+		const d = await this.#searchWithQdrantFilter(filter);
+		console.log(d);
 	};
 
 	#init = (info) => {