API_example.md

3개 컬렉션 호출하는 법 (텍스트 컬렉션 : page, 이미지 - colqwen, 이미지 - tomoro)

✅ 1. 텍스트 쿼리 - page 컬렉션 검색

🟢 1-1. 필터 없이 검색

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "물류업체 선정 기준",
    "top_k": 3
  }'

🟢 1-2. 단일 필터 적용

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "DSG",
    "top_k": 3,
    "filters": {
      "apply_region": "2공장"
    }
  }'

🟢 1-3. 다중 필터 적용 (AND 조건)

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "DSG 상정반 교체 절차",
    "top_k": 3,
    "filters": {
      "apply_region": "3공장",
      "apply_product": "300mm"
    }
  }'

---

✅ 2. 텍스트 쿼리 - 이미지 컬렉션 검색 (Tomoro)

🟡 2-1. 필터 없이 검색

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text/tomoro' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "물류업체 선정 기준",
    "top_k": 3
  }'

🟡 2-2. 다중 필터 적용

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text/tomoro' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "출하검사 기준",
    "top_k": 3,
    "filters": {
      "document_type": "지침서",
      "apply_product": "지원부문"
    }
  }'

---

✅ 3. 텍스트 쿼리 - 이미지 컬렉션 검색 (ColQwen3.5)

🟢 3-1. 필터 없이 검색

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text/colqwen35' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "안전운전 절차",
    "top_k": 3
  }'

🟢 3-2. 다중 필터 적용

curl -X 'POST' \
  'http://10.150.6.47:4275/search/text/colqwen35' \
  -H 'accept: application/json' \
  -H 'Content-Type: application/json' \
  -d '{
    "query": "물류업체 선정 기준",
    "top_k": 3,
    "filters": {
      "apply_region": "전사공통",
      "dept_name": "Infra구매팀"
    }
  }'

3. 단어 사전

단어사전 호출하는 법

curl -X POST 'http://10.150.6.47:4276/search/term' \
-H 'Content-Type: application/json' \
-d '{
  "query": "안전골든룰",
  "top_k": 3,
  "filters": {
    "apply_region": "전사공통",
    "document_type": "지침서"
  }
}'

4. 최종 api call

import requests
import json

# 🔧 설정
BASE_URL = "http://10.150.6.46:18504"  # FastAPI 서버 주소
SEARCH_ENDPOINT = f"{BASE_URL}/search"

# 📝 쿼리 요청 데이터
payload = {
    "query": "TTV 규격 기준",
    "top_k": 10,
    "image_backend": "colqwen35",  # 또는 "tomoro"
    "alpha_override": None,  # 자동으로 query_type 기반 alpha 적용
    "filters": {
        # 필요 시 필터 추가 (예: 부서, 지역, 제품 등)
        # "dept_name": "품질관리팀",
        # "apply_region": "Korea"
    },
    "return_debug": True,   # 디버그 정보 포함 (개발용)
    "rerank": True          # 리랭커 사용 여부 (환경 기본값 따름)
}

# 🌐 요청 보내기
try:
    print("🔍 'TTV 규격 기준' 쿼리 전송 중...")
    response = requests.post(
        SEARCH_ENDPOINT,
        json=payload,
        timeout=60  # 서버 응답 대기 시간
    )
    
    # 🔍 응답 확인
    if response.status_code == 200:
        result = response.json()
        print("\n✅ 성공! 검색 결과:")
        print(json.dumps(result, indent=2, ensure_ascii=False))
        
        # 간단히 상위 3개 결과 출력
        print("\n📌 상위 3개 결과 요약:")
        for i, item in enumerate(result["results"][:3], 1):
            rank = item["rank"]
            score = item["score"]
            rerank_score = item.get("rerank_score")
            content = item["content"] or "(내용 없음)"
            print(f"  {i}. [Rank:{rank}] (Score: {score:.4f}, Rerank: {rerank_score})")
            print(f"     {content[:150]}...")
    else:
        print(f"❌ 요청 실패: {response.status_code} - {response.text}")

except requests.exceptions.ConnectionError:
    print("🚨 연결 오류: FastAPI 서버가 실행 중인지 확인하세요 (uvicorn 실행 여부)")
except requests.exceptions.Timeout:
    print("⏰ 타임아웃: 서버 응답이 지연되고 있습니다.")
except Exception as e:
    print(f"💥 예상치 못한 오류: {e}")

VLM API CALL

### H200-2 서버 : Qwen3.5-397B-A17B-FP8
### 이미지 Input

import requests
import base64
import mimetypes

'''
Thinking mode: temperature=0.6, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0
Instruct (or non-thinking) mode: temperature=0.7, top_p=0.8, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0
'''

def encode_image_to_base64(image_path):
    mime_type,_ = mimetypes.guess_type(image_path)
    with open(image_path, "rb") as image_file:
        base64_encoded = base64.b64encode(image_file.read()).decode("utf-8")

    return f"data:{mime_type};base64,{base64_encoded}"

image_path = "./test.png"

image_input =  {
    "type": "image_url",
    "image_url": {
        "url": f"{encode_image_to_base64(image_path)}"
    }
}

response = requests.post(
    "http://10.150.6.160:8000/v1/chat/completions",
    json={
        "model": "Qwen3.5-397B-A17B-FP8",
        'messages':[
            {"role":"system", "content":"너는 SK실트론의 AI Assistant입니다."},
            {"role":"user", "content":[
                    image_input,
                    {"type":"text","text":"이미지 OCR해줘"}
                ]
            }
        ],
        "temperature":0.6,
        "top_p":0.95,
        "top_k":20,
        "min_p":0.0,
        "presence_penalty":0.0,
        "repetition_penalty":1.0,
    }
)


print(response.json()['choices'][0]['message']['content'])


### Non-thinking
response = requests.post(
    "http://10.150.6.160:8000/v1/chat/completions",
    json={
        "model": "Qwen3.5-397B-A17B-FP8",
        'messages':[
            {"role":"system", "content":"너는 SK실트론의 AI Assistant입니다."},
            {"role":"user", "content":[
                    {"type":"text","text":"안녕하세요."}
                ]
            }
        ],
        "temperature":0.7,
        "top_p":0.8,
        "top_k":20,
        "min_p":0.0,
        "presence_penalty":1.5,
        "repetition_penalty":1.0,
        "chat_template_kwargs": {"enable_thinking": False} ## Thinking(Reasoning) off
    }
)

print(response.json()['choices'][0]['message']['content'])