Improve defaults, security, and index rebuild

.env.example

@@ -3,6 +3,8 @@
 
 # OpenAI API Key (필수)
 # OPENAI_API_KEY=your_openai_api_key_here
+OPENAI_MODEL=gpt-4o-mini
+OPENAI_EMBEDDING_MODEL=text-embedding-3-small
 
 # Supabase 설정 (필수)
 # SUPABASE_URL=https://your-project.supabase.co
@@ -14,4 +16,7 @@ VECTOR_DB_TYPE=faiss
 
 # 기존 FAISS 설정 (VECTOR_DB_TYPE=faiss 인 경우 사용)
 EMBEDDING_MODEL=jhgan/ko-sbert-nli
-LLM_MODEL=beomi/Llama-3-Open-Ko-8B
+LLM_MODEL=beomi/Llama-3-Open-Ko-8B
+
+# 관리자 보안 (필수)
+ADMIN_PASSWORD=change-me

README.md

@@ -164,6 +164,9 @@ SUPABASE_KEY=your-supabase-anon-key
 
 # 벡터 DB 타입 선택
 VECTOR_DB_TYPE=supabase    # "supabase" 또는 "faiss"
+
+# 관리자 보안 (필수)
+ADMIN_PASSWORD=strong-password-here
 ```
 
 ### config.py 주요 설정
@@ -337,4 +340,4 @@ SYSTEM_PROMPT = """
 
 ---
 
-**⚠️ 본 챗봇은 보조 도구입니다. 중요한 업무 결정 시 반드시 관련 규정 원본과 담당자의 확인을 받으세요!**
+**⚠️ 본 챗봇은 보조 도구입니다. 중요한 업무 결정 시 반드시 관련 규정 원본과 담당자의 확인을 받으세요!**

app.py

@@ -38,7 +38,9 @@ class AdminManager:
     """관리자 기능을 담당하는 클래스"""
 
     def __init__(self):
-        self.admin_password = os.getenv("ADMIN_PASSWORD", "fireadmin123")
+        self.admin_password = os.getenv("ADMIN_PASSWORD")
+        if not self.admin_password:
+            raise RuntimeError("ADMIN_PASSWORD 환경 변수가 설정되지 않았습니다. 관리자 기능 보안을 위해 반드시 설정하세요.")
         self.authenticated = False
         self.auth_time = None
         self.session_timeout = 3600  # 1시간
@@ -214,7 +216,7 @@ class HuggingFaceApp:
 
     def __init__(self):
         # 벡터 DB 타입에 따라 챗봇 선택
-        if Config.VECTOR_DB_TYPE == "supabase" and OPENAI_AVAILABLE and OpenAIRAGChatbot:
+        if self._should_use_supabase():
             try:
                 self.chatbot = OpenAIRAGChatbot()
             except Exception as e:
@@ -222,8 +224,6 @@ class HuggingFaceApp:
                 print("FAISS 모드로 전환됩니다.")
                 self.chatbot = RAGChatbot()
         else:
-            if Config.VECTOR_DB_TYPE == "supabase" and not OPENAI_AVAILABLE:
-                print("OpenAI 모듈을 사용할 수 없어 FAISS 모드로 실행됩니다.")
             self.chatbot = RAGChatbot()
         self.is_initialized = False
 
@@ -245,6 +245,28 @@ class HuggingFaceApp:
         # 앱 초기화
         self._initialize_app()
 
+    def _should_use_supabase(self) -> bool:
+        """Supabase 경로 사용 여부 판단"""
+        has_supabase_env = bool(Config.SUPABASE_URL and Config.SUPABASE_KEY)
+        has_openai = bool(Config.OPENAI_API_KEY)
+
+        if Config.VECTOR_DB_TYPE != "supabase":
+            return False
+
+        if not has_supabase_env:
+            print("Supabase 환경 변수가 없어 FAISS 모드로 실행됩니다.")
+            return False
+
+        if not has_openai:
+            print("OpenAI API Key가 없어 FAISS 모드로 실행됩니다.")
+            return False
+
+        if not (OPENAI_AVAILABLE and OpenAIRAGChatbot):
+            print("OpenAI 모듈을 사용할 수 없어 FAISS 모드로 실행됩니다.")
+            return False
+
+        return True
+
     def _initialize_app(self):
         """앱 초기화"""
         try:
@@ -1080,4 +1102,4 @@ def main():
     )
 
 if __name__ == "__main__":
-    main()
+    main()

config.py

@@ -38,7 +38,8 @@ class Config:
     OPENAI_EMBEDDING_MODEL = "text-embedding-3-small"
 
     # 벡터 DB 타입 설정
-    VECTOR_DB_TYPE = os.getenv("VECTOR_DB_TYPE", "supabase")  # "faiss" 또는 "supabase"
+    # 기본은 로컬 FAISS로 두고, Supabase를 쓰려면 환경 변수를 명시적으로 설정하도록 강제
+    VECTOR_DB_TYPE = os.getenv("VECTOR_DB_TYPE", "faiss")  # "faiss" 또는 "supabase"
 
     # 시스템 프롬프트
     SYSTEM_PROMPT = """
@@ -52,4 +53,4 @@ class Config:
     5. 모든 답변은 한국어로 제공
 
     사용자의 질문에 최대한 상세하고 정확한 정보를 제공하세요.
-    """
+    """

supabase_vector_store.py

@@ -128,6 +128,14 @@ class SupabaseVectorStore:
             # 임베딩 생성
             texts = [doc.page_content for doc in documents]
             embeddings = self.create_embeddings(texts, use_openai)
+            embedding_dim = len(embeddings[0]) if len(embeddings) else 0
+
+            # Supabase 테이블 스키마가 vector(1536)으로 고정되어 있어 차원 불일치 시 실패 방지
+            if embedding_dim and embedding_dim != 1536:
+                raise ValueError(
+                    f"임베딩 차원({embedding_dim})이 Supabase 테이블 vector(1536)와 다릅니다. "
+                    "OpenAI 임베딩을 사용하거나 테이블 스키마/임베딩 모델을 맞춰주세요."
+                )
 
             # 문서 데이터 준비
             documents_data = []
@@ -321,4 +329,4 @@ def test_supabase_vector_store():
             print(f"     내용: {doc.page_content[:100]}...")
 
 if __name__ == "__main__":
-    test_supabase_vector_store()
+    test_supabase_vector_store()

vector_store.py

@@ -1,5 +1,6 @@
 import os
 import pickle
+import hashlib
 import numpy as np
 from typing import List, Dict, Tuple
 from pathlib import Path
@@ -18,6 +19,7 @@ class VectorStore:
         self.index = None
         self.documents = []
         self.doc_ids = []
+        self.documents_hash = None
 
         # 캐시 디렉토리 생성
         Path(self.cache_dir).mkdir(parents=True, exist_ok=True)
@@ -59,6 +61,7 @@ class VectorStore:
 
         # 문서 저장
         self.documents = documents
+        self.documents_hash = self._compute_documents_hash(documents)
 
         # 텍스트 추출
         texts = [doc.page_content for doc in documents]
@@ -128,7 +131,8 @@ class VectorStore:
                 'documents': self.documents,
                 'doc_ids': self.doc_ids,
                 'embedding_model': self.embedding_model_name,
-                'total_documents': len(self.documents)
+                'total_documents': len(self.documents),
+                'documents_hash': self.documents_hash
             }
 
             with open(metadata_path, 'wb') as f:
@@ -158,6 +162,7 @@ class VectorStore:
             self.documents = metadata['documents']
             self.doc_ids = metadata['doc_ids']
             self.embedding_model_name = metadata.get('embedding_model', Config.EMBEDDING_MODEL)
+            self.documents_hash = metadata.get('documents_hash')
 
             # 임베딩 모델 로드
             self.load_embedding_model()
@@ -184,12 +189,15 @@ class VectorStore:
 
     def rebuild_if_needed(self, documents: List[Document], force_rebuild: bool = False) -> bool:
         """필요시 인덱스 재구축"""
+        new_hash = self._compute_documents_hash(documents)
+
         # 기존 인덱스가 있고 강제 재구축이 없는 경우
         if not force_rebuild and self.load_index():
-            # 문서 개수가 크게 변경되지 않았으면 재사용
-            if abs(len(self.documents) - len(documents)) / max(len(self.documents), 1) < 0.1:
-                print("📦 기존 인덱스 재사용")
+            if self.documents_hash and self.documents_hash == new_hash:
+                print("📦 기존 인덱스 재사용 (문서 해시 일치)")
                 return True
+            else:
+                print("🔄 문서 변경을 감지하여 인덱스를 재구축합니다.")
 
         print("🔄 벡터 인덱스 재구축")
         return self.build_vector_index(documents)
@@ -214,6 +222,7 @@ class VectorStore:
         start_id = len(self.documents)
         self.documents.extend(new_documents)
         self.doc_ids.extend(range(start_id, start_id + len(new_documents)))
+        self.documents_hash = self._compute_documents_hash(self.documents)
 
         print(f"➕ {len(new_documents)}개 문서 추가 완료")
 
@@ -230,6 +239,14 @@ class VectorStore:
         remaining_docs = [doc for i, doc in enumerate(self.documents) if i != doc_id]
         return self.build_vector_index(remaining_docs)
 
+    def _compute_documents_hash(self, documents: List[Document]) -> str:
+        """문서 내용과 메타데이터 기반 해시 생성 (내용 변경 감지)"""
+        hasher = hashlib.md5()
+        for doc in documents:
+            hasher.update(doc.page_content.encode("utf-8", errors="ignore"))
+            hasher.update(str(doc.metadata).encode("utf-8", errors="ignore"))
+        return hasher.hexdigest()
+
 # 테스트용 함수
 def test_vector_store():
     """벡터 데이터베이스 테스트"""
@@ -263,4 +280,4 @@ def test_vector_store():
             print(f"     내용: {doc.page_content[:100]}...")
 
 if __name__ == "__main__":
-    test_vector_store()
+    test_vector_store()