Update app.py

app.py

@@ -32,21 +32,23 @@ def get_db_conn():
 def get_embedding(text: str) -> List[float]:
     """
     텍스트를 OpenAI의 text-embedding-3-small 모델을 사용하여 임베딩 벡터로 변환합니다.
+    Java의 float[](float32)와 호환되도록 명시적으로 float32로 변환합니다.
     
     Args:
         text (str): 임베딩할 텍스트
     
     Returns:
-        List[float]: 임베딩 벡터
+        List[float]: 임베딩 벡터 (float32)
     """
     try:
         response = client.embeddings.create(
             input=text,
             model="text-embedding-3-small",
-            encoding_format="float",  # 명시적으로 float 형식 지정
-            dimensions=1536  # 차원 수 명시
+            encoding_format="float",
+            dimensions=1536
         )
-        return response.data[0].embedding
+        # 명시적으로 float32로 변환하여 Java의 float[]와 호환되게 함
+        return np.array(response.data[0].embedding, dtype=np.float32).tolist()
     except Exception as e:
         print(f"임베딩 생성 중 오류 발생: {str(e)}")
         raise
@@ -54,8 +56,16 @@ def get_embedding(text: str) -> List[float]:
 def format_vector_for_pg(vector: List[float]) -> str:
     """
     임베딩 벡터를 PostgreSQL 포맷으로 변환합니다.
-    자바의 formatVectorForPg() 메소드와 동일한 기능입니다.
+    Java의 formatVectorForPg() 메소드와 동일한 기능입니다.
+    입력된 벡터가 float32 타입인지 확인합니다.
     """
+    # 벡터가 float32 타입인지 확인하고, 아니면 변환
+    # NumPy 배열이 아닌 경우에도 처리
+    if not isinstance(vector, np.ndarray):
+        vector = np.array(vector, dtype=np.float32)
+    elif vector.dtype != np.float32:
+        vector = vector.astype(np.float32)
+    
     # 자바 구현과 동일하게 StringBuilder 방식으로 구현
     vector_str = ','.join([f"{x}" for x in vector])
     return f"[{vector_str}]"