# 로컬 개발용 — Qdrant(벡터 DB) + FastAPI(검색 에이전트)
#
# 최초 1회 실행 순서:
#   1) docker compose up -d qdrant          # 벡터 DB 먼저 기동
#   2) docker compose run --rm api python scripts/30_apply_renewal_embeddings.py --apply   # (이미 했으면 생략)
#   3) docker compose run --rm api python scripts/02_build_vectordb.py --reset             # Qdrant에 임베딩 색인
#   4) docker compose up -d api             # API 기동
#
# 이후:  docker compose up -d
# Swagger:  http://localhost:8000/docs
# Qdrant UI: http://localhost:6333/dashboard

services:
  qdrant:
    image: qdrant/qdrant:v1.12.4
    ports:
      - "6333:6333"   # REST
      - "6334:6334"   # gRPC
    volumes:
      - qdrant_storage:/qdrant/storage
    restart: unless-stopped

  api:
    build:
      context: .
      dockerfile: Dockerfile.api   # 루트 Dockerfile은 HF Spaces(Streamlit)용이라 분리
    ports:
      - "8000:8000"
    env_file:
      - .env                       # Azure 키 등 (AZURE_KEY, AZURE_GPT5_MINI_ENDPOINT ...)
    environment:
      - QDRANT_URL=http://qdrant:6333   # 컨테이너 네트워크 내부 주소 (.env 기본값 오버라이드)
    volumes:
      - ./data:/app/data           # 메뉴/BM25/쿼리인덱스/종목 마스터
      - ./logs:/app/logs           # 검색 로그
      - hf_cache:/app/.hf_cache    # bge-m3 모델 캐시 (재빌드 시 재다운로드 방지)
    depends_on:
      - qdrant
    restart: unless-stopped

volumes:
  qdrant_storage:
  hf_cache: