Update app.py

app.py

@@ -7,7 +7,6 @@ from typing import List, Dict, Tuple, Any
 from pgvector.psycopg2 import register_vector
 import numpy as np
 from datetime import datetime
-from sklearn.preprocessing import normalize
 
 # 가중치 및 임계값 설정
 DEFAULT_FULL_WEIGHT = 0.2
@@ -69,11 +68,9 @@ def search_similar_chat(query: str, max_results: int = 100) -> List[Dict]:
     print(f"다중 임베딩 검색 시작: 쿼리='{query}', 가중치=(full={full_w}, topic={topic_w}, customer={customer_w}, agent={agent_w}), 최대 결과={limit}")
     
     try:
-        # 쿼리 임베딩 생성
-        raw_embedding = np.array(get_embedding(query))
-        # L2 정규화 적용
-        query_embedding = normalize(raw_embedding.reshape(1, -1), norm='l2')[0]
-        print(f"임베딩 정규화 전/후 첫 5개 요소: {raw_embedding[:5]} -> {query_embedding[:5]}")
+        # 쿼리 임베딩 생성 - 정규화 제거
+        query_embedding = get_embedding(query)
+        print(f"임베딩 생성 완료: 첫 5개 요소: {query_embedding[:5]}")
         
         # Java 방식: 벡터를 문자열로 변환
         query_vector = format_vector_for_pg(query_embedding)
@@ -220,11 +217,9 @@ def search_similar_chat_by_date(
                 print(f"종료 날짜 형식 오류: {str(e)}")
                 return []
         
-        # 쿼리 임베딩 생성
-        raw_embedding = np.array(get_embedding(query))
-        # L2 정규화 적용
-        query_embedding = normalize(raw_embedding.reshape(1, -1), norm='l2')[0]
-        print(f"날짜 검색 - 임베딩 정규화 전/후 첫 5개 요소: {raw_embedding[:5]} -> {query_embedding[:5]}")
+        # 쿼리 임베딩 생성 - 정규화 제거
+        query_embedding = get_embedding(query)
+        print(f"날짜 검색 - 임베딩 생성 완료: 첫 5개 요소: {query_embedding[:5]}")
         
         # Java 방식: 벡터를 문자열로 변환
         query_vector = format_vector_for_pg(query_embedding)