feat : upgrade embedding

.env.example

@@ -1 +1,6 @@
-GOOGLE_API_KEY=your_google_ai_api_key
+GOOGLE_API_KEY=your_google_ai_api_key
+DB_HOST=your_db_host
+DB_PORT=your_db_port
+DB_DATABASE=your_db_database
+DB_USER=your_db_user
+DB_PASSWORD=your_db_password

app.py

@@ -5,24 +5,14 @@ from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel
 from dotenv import load_dotenv
 from rag import build_rag_chain
-from db.chroma_init import load_recipes_to_chroma
 
 load_dotenv()
 app = FastAPI(
     title="Recipe RAG API (Gemini 2.0)",
-    description="使用 FastAPI + LangChain + Chroma + HuggingFace Embeddings 的服務",
+    description="使用 FastAPI + LangChain + postgres + PGVector + HuggingFace Embeddings 的服務",
     version="1.0.0"
 )
 
-# 啟動時若 Chroma 尚未建立，嘗試載入 sample data（可按需註解）
-CHROMA_DIR = "./chroma_db"
-if not os.path.exists(CHROMA_DIR) or not os.listdir(CHROMA_DIR):
-    try:
-        print("load : chroma init")
-        load_recipes_to_chroma()
-    except Exception as e:
-        print("Warning: chroma init failed:", e)
-
 # 建立 RAG chain（可共用）
 RAG_CHAIN = build_rag_chain(k=4)
 

db/chroma_init.py

@@ -1,35 +0,0 @@
-# db/chroma_init.py
-from langchain_chroma import Chroma
-from langchain_huggingface import HuggingFaceEmbeddings
-
-CHROMA_DIR = "./chroma_db"
-MODEL_NAME="sentence-transformers/all-MiniLM-L6-v2"
-
-def load_recipes_to_chroma(texts):
-
-    # 使用 HuggingFace Embeddings（推薦）
-    embeddings = HuggingFaceEmbeddings(
-        model_name=MODEL_NAME
-    )
-
-    # 建立 Chroma DB
-    db = Chroma.from_texts(
-        texts=texts,
-        embedding=embeddings,
-        persist_directory=CHROMA_DIR
-    )
-
-    db.persist()
-    return db
-
-# --- 建立 Chroma DB ---
-def get_vectordb():
-    embeddings = HuggingFaceEmbeddings(
-        model_name=MODEL_NAME
-    )
-
-    db = Chroma(
-        persist_directory=CHROMA_DIR,
-        embedding_function=embeddings
-    )
-    return db

db/postgres_init.py

@@ -0,0 +1,57 @@
+import psycopg2
+from langchain_huggingface import HuggingFaceEmbeddings
+# 💡 將 Chroma 替換為 PostgreSQL 的向量儲存類
+# 這裡我們使用 LangChain 提供的 PostgresVectorStore
+from langchain_community.vectorstores.pgvector import PGVector
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+
+# ⚠️ 請替換為您的實際配置
+# 假設您的資料庫中已經創建了 'recipes_vectors' 表格
+# --- 1. 資料庫連線設定 ---
+# --- 資料庫連線設定 ---
+DB_HOST=os.getenv("DB_HOST", "localhost")
+DB_PORT=os.getenv("DB_PORT")
+DB_DATABASE=os.getenv("DB_DATABASE")
+DB_USER=os.getenv("DB_USER")
+DB_PASSWORD=os.getenv("DB_PASSWORD")
+
+DB_CONFIG = {
+    "host": DB_HOST, # 如果找不到，提供預設值
+    "database": DB_DATABASE,
+    "user": DB_USER,
+    "password": DB_PASSWORD,
+    "port": DB_PORT
+}
+
+TABLE_NAME = "recipes" 
+VECTOR_DIM = 384 # 確保這個維度和您的 'embedding' 欄位定義一致
+# 🚨 選擇一個多語言模型。例如：BGE-M3 (維度 1024) 或 paraphrase-multilingual-mpnet-base-v2 (維度 768)
+MODEL_NAME = "sentence-transformers/all-MiniLM-L6-v2"
+
+# 這是 PGVector 實例使用的連接字串格式
+CONNECTION_STRING = PGVector.connection_string_from_db_params(
+    driver="psycopg2",
+    **DB_CONFIG
+)
+
+# --- 將此函數定義為 get_vectordb ---
+def get_vectordb():
+    """
+    獲取已存在的 PostgreSQL 向量儲存實例 (PGVector)。
+    此函數取代了原先獲取 Chroma 實例的功能。
+    """
+    embeddings = HuggingFaceEmbeddings(
+        model_name=MODEL_NAME
+    )
+    
+    # 使用您的 PostgreSQL 連接字串和集合名稱
+    db = PGVector(
+        connection_string=CONNECTION_STRING,
+        embedding_function=embeddings,
+        collection_name=TABLE_NAME, # 您的 recipe table 名稱
+        use_jsonb=True
+    )
+    return db

rag.py

@@ -10,7 +10,7 @@ from langchain_core.prompts import SystemMessagePromptTemplate, HumanMessageProm
 from langchain_core.prompts import PromptTemplate # 確保導入這個，用於 HumanMessage 的子模板
 from langchain_core.prompts import ChatPromptTemplate
 from models.model_wrapper import get_llm
-from db.chroma_init import get_vectordb
+from db.postgres_init import get_vectordb
 from langchain_core.exceptions import OutputParserException
 
 # --- 🎯 食譜 Pydantic 結構定義 ---
@@ -87,12 +87,15 @@ def build_rag_chain(k=4):
     structured_llm = llm.with_structured_output(RecipeList)
     
     def get_context_and_query(query: str):
-        docs = retriever.invoke(query)
+        # 這裡的 retriever.invoke() 現在會對 PostgreSQL 執行向量相似性搜索
+        docs = retriever.invoke(query) 
         context = "\n".join([d.page_content for d in docs])
         return {"context": context, "query": query, "docs": docs}
 
     # 調整 rag 函式以返回更清晰的結果
     def rag(query: str):
+
+        docs = []
         
         # ----------------------------------------------------
         # 1. 執行檢索 (RunnableLambda 讓我們在 LCEL 外執行並拿到中間結果)

requirements.txt

@@ -5,9 +5,9 @@ langchain-core
 langchain-community
 langchain-google-genai
 langchain-huggingface
-langchain-chroma
-chromadb
 sentence-transformers
 huggingface-hub
 python-dotenv
 pydantic
+psycopg2-binary
+pgvector