refactor: 튜토리얼 관련 파일의 구조 변경

.gitignore

@@ -11,5 +11,4 @@ test_lhm/
 .vscode
 table_info_db
 ko_reranker_local
-create_faiss.py
-*.csv
+*.csv

README.md

@@ -127,7 +127,7 @@ lang2sql --vectordb-type pgvector run-streamlit
 
 # 위치 지정 예시
 # FAISS: 인덱스 디렉토리 경로 지정
-lang2sql --vectordb-type faiss --vectordb-location ./table_info_db run-streamlit
+lang2sql --vectordb-type faiss --vectordb-location ./dev/table_info_db run-streamlit
 
 # pgvector: 연결 문자열 지정
 lang2sql --vectordb-type pgvector --vectordb-location "postgresql://user:pass@host:5432/db" run-streamlit

cli/__init__.py

@@ -76,7 +76,7 @@
         "VectorDB 위치 설정\n"
         "- FAISS: 디렉토리 경로 (예: ./my_vectordb)\n"
         "- pgvector: 연결 문자열 (예: postgresql://user:pass@host:port/db)\n"
-        "기본값: FAISS는 './table_info_db', pgvector는 환경변수 사용"
+        "기본값: FAISS는 './dev/table_info_db', pgvector는 환경변수 사용"
     ),
 )
 # pylint: disable=redefined-outer-name
@@ -278,7 +278,7 @@ def run_streamlit_cli_command(port: int) -> None:
         "VectorDB 위치 설정\n"
         "- FAISS: 디렉토리 경로 (예: ./my_vectordb)\n"
         "- pgvector: 연결 문자열 (예: postgresql://user:pass@host:port/db)\n"
-        "기본값: FAISS는 './table_info_db', pgvector는 환경변수 사용"
+        "기본값: FAISS는 './dev/table_info_db', pgvector는 환경변수 사용"
     ),
 )
 def query_command(

dev/create_faiss.py

@@ -0,0 +1,53 @@
+"""
+dev/create_faiss.py
+
+CSV 파일에서 테이블과 컬럼 정보를 불러와 OpenAI 임베딩으로 벡터화한 뒤,
+FAISS 인덱스를 생성하고 로컬 디렉토리에 저장한다.
+
+환경 변수:
+    OPEN_AI_KEY: OpenAI API 키
+    OPEN_AI_EMBEDDING_MODEL: 사용할 임베딩 모델 이름
+
+출력:
+    지정된 OUTPUT_DIR 경로에 FAISS 인덱스 저장
+"""
+
+import csv
+import os
+from collections import defaultdict
+
+from dotenv import load_dotenv
+from langchain_community.vectorstores import FAISS
+from langchain_openai import OpenAIEmbeddings
+
+load_dotenv()
+# CSV 파일 경로
+CSV_PATH = "./dev/table_catalog.csv"
+# .env의 VECTORDB_LOCATION과 동일하게 맞추세요
+OUTPUT_DIR = "./dev/table_info_db"
+
+tables = defaultdict(lambda: {"desc": "", "columns": []})
+with open(CSV_PATH, newline="", encoding="utf-8") as f:
+    reader = csv.DictReader(f)
+    for row in reader:
+        t = row["table_name"].strip()
+        tables[t]["desc"] = row["table_description"].strip()
+        col = row["column_name"].strip()
+        col_desc = row["column_description"].strip()
+        tables[t]["columns"].append((col, col_desc))
+
+docs = []
+for t, info in tables.items():
+    cols = "\n".join([f"{c}: {d}" for c, d in info["columns"]])
+    page = f"{t}: {info['desc']}\nColumns:\n {cols}"
+    from langchain.schema import Document
+
+    docs.append(Document(page_content=page))
+
+emb = OpenAIEmbeddings(
+    model=os.getenv("OPEN_AI_EMBEDDING_MODEL"), openai_api_key=os.getenv("OPEN_AI_KEY")
+)
+db = FAISS.from_documents(docs, emb)
+os.makedirs(OUTPUT_DIR, exist_ok=True)
+db.save_local(OUTPUT_DIR)
+print(f"FAISS index saved to: {OUTPUT_DIR}")

dev/create_pgvector.py

@@ -0,0 +1,54 @@
+"""
+dev/create_pgvector.py
+
+CSV 파일에서 테이블과 컬럼 정보를 불러와 OpenAI 임베딩으로 벡터화한 뒤,
+pgvector에 적재한다.
+
+환경 변수:
+    OPEN_AI_KEY: OpenAI API 키
+    OPEN_AI_EMBEDDING_MODEL: 사용할 임베딩 모델 이름
+    VECTORDB_LOCATION: pgvector 연결 문자열
+    PGVECTOR_COLLECTION: pgvector 컬렉션 이름
+"""
+
+import csv
+import os
+from collections import defaultdict
+
+from dotenv import load_dotenv
+from langchain.schema import Document
+from langchain_openai import OpenAIEmbeddings
+from langchain_postgres.vectorstores import PGVector
+
+load_dotenv()
+# CSV 파일 경로
+CSV_PATH = "./dev/table_catalog.csv"
+# .env의 VECTORDB_LOCATION과 동일하게 맞추세요
+CONN = (
+    os.getenv("VECTORDB_LOCATION")
+    or "postgresql://pgvector:pgvector@localhost:5432/postgres"
+)
+COLLECTION = os.getenv("PGVECTOR_COLLECTION", "table_info_db")
+
+tables = defaultdict(lambda: {"desc": "", "columns": []})
+with open(CSV_PATH, newline="", encoding="utf-8") as f:
+    reader = csv.DictReader(f)
+    for row in reader:
+        t = row["table_name"].strip()
+        tables[t]["desc"] = row["table_description"].strip()
+        col = row["column_name"].strip()
+        col_desc = row["column_description"]
+        tables[t]["columns"].append((col, col_desc))
+
+docs = []
+for t, info in tables.items():
+    cols = "\n".join([f"{c}: {d}" for c, d in info["columns"]])
+    docs.append(Document(page_content=f"{t}: {info['desc']}\nColumns:\n {cols}"))
+
+emb = OpenAIEmbeddings(
+    model=os.getenv("OPEN_AI_EMBEDDING_MODEL"), openai_api_key=os.getenv("OPEN_AI_KEY")
+)
+PGVector.from_documents(
+    documents=docs, embedding=emb, connection=CONN, collection_name=COLLECTION
+)
+print(f"pgvector collection populated: {COLLECTION}")

docker/docker-compose.yml

@@ -13,7 +13,7 @@ services:
       - ../.env
     environment:
       - STREAMLIT_SERVER_PORT=8501
-      - DATABASE_URL=postgresql://pgvector:pgvector@pgvector:5432/streamlit
+      - DATABASE_URL=postgresql://pgvector:pgvector@localhost:5432/streamlit
     depends_on:
       - pgvector
 

docs/tutorials/getting-started-without-datahub.md

@@ -33,11 +33,11 @@ OPEN_AI_EMBEDDING_MODEL=text-embedding-3-large  # 권장
 
 # VectorDB (선택: 명시하지 않으면 기본값 동작)
 VECTORDB_TYPE=faiss
-VECTORDB_LOCATION=./table_info_db  # FAISS 디렉토리 경로
+VECTORDB_LOCATION=dev/table_info_db  # FAISS 디렉토리 경로
 
 # (pgvector를 쓰는 경우)
 # VECTORDB_TYPE=pgvector
-# VECTORDB_LOCATION=postgresql://user:pass@host:5432/db
+# VECTORDB_LOCATION=postgresql://pgvector:pgvector@localhost:5432/postgres
 # PGVECTOR_COLLECTION=table_info_db
 
 # DB 타입
@@ -46,9 +46,8 @@ DB_TYPE=clickhouse
 
 중요: 코드상 OpenAI 키는 `OPEN_AI_KEY` 환경변수를 사용합니다. `.example.env`의 `OPENAI_API_KEY`는 사용되지 않으니 혼동에 주의하세요.
 
-### 2) 테이블/컬럼 메타데이터 준비(CSV 예시)
-- table_catalog.csv
-
+### 2) 테이블/컬럼 메타데이터 준비 (CSV 예시)
+- dev/table_catalog.csv 파일을 생성합니다.
 ```csv
 table_name,table_description,column_name,column_description
 customers,고객 정보 테이블,customer_id,고객 고유 ID
@@ -60,11 +59,12 @@ orders,주문 정보 테이블,amount,결제 금액
 orders,주문 정보 테이블,status,주문 상태
 ```
 
-### 3) FAISS 인덱스 생성(로컬)
-
+### 3) FAISS 인덱스 생성 (로컬)
+- dev/create_faiss.py 파일을 실행합니다.
+- `python dev/create_faiss.py`
 ```python
 """
-create_faiss.py
+dev/create_faiss.py
 
 CSV 파일에서 테이블과 컬럼 정보를 불러와 OpenAI 임베딩으로 벡터화한 뒤,
 FAISS 인덱스를 생성하고 로컬 디렉토리에 저장한다.
@@ -86,8 +86,10 @@ from langchain_community.vectorstores import FAISS
 from langchain_openai import OpenAIEmbeddings
 
 load_dotenv()
-CSV_PATH = "./table_catalog.csv"  # 위 CSV 파일 경로
-OUTPUT_DIR = "./table_info_db"    # .env 파일의 VECTORDB_LOCATION 값과 동일하게 맞추세요.
+# CSV 파일 경로
+CSV_PATH = "./dev/table_catalog.csv"
+# .env의 VECTORDB_LOCATION과 동일하게 맞추세요
+OUTPUT_DIR = "./dev/table_info_db"
 
 tables = defaultdict(lambda: {"desc": "", "columns": []})
 with open(CSV_PATH, newline="", encoding="utf-8") as f:
@@ -120,26 +122,47 @@ print(f"FAISS index saved to: {OUTPUT_DIR}")
 
 ```bash
 # Streamlit UI
-lang2sql --vectordb-type faiss --vectordb-location ./table_info_db run-streamlit
+lang2sql --vectordb-type faiss --vectordb-location ./dev/table_info_db run-streamlit
 
 # CLI 예시
-lang2sql query "주문 수를 집계하는 SQL을 만들어줘" --vectordb-type faiss --vectordb-location ./table_info_db
+lang2sql query "주문 수를 집계하는 SQL을 만들어줘" --vectordb-type faiss --vectordb-location ./dev/table_info_db
 
 # CLI 예시 (pgvector)
-lang2sql query "주문 수를 집계하는 SQL을 만들어줘" --vectordb-type pgvector --vectordb-location "postgresql://postgres:postgres@localhost:5431/postgres"
+lang2sql query "주문 수를 집계하는 SQL을 만들어줘" --vectordb-type pgvector --vectordb-location "postgresql://pgvector:pgvector@localhost:5432/postgres"
 ```
 
 ### 5) (선택) pgvector로 적재하기
+- dev/create_pgvector.py 파일을 실행합니다.
+- `python dev/create_pgvector.py`
 
 ```python
+"""
+dev/create_pgvector.py
+
+CSV 파일에서 테이블과 컬럼 정보를 불러와 OpenAI 임베딩으로 벡터화한 뒤,
+pgvector에 적재한다.
+
+환경 변수:
+    OPEN_AI_KEY: OpenAI API 키
+    OPEN_AI_EMBEDDING_MODEL: 사용할 임베딩 모델 이름
+    VECTORDB_LOCATION: pgvector 연결 문자열
+    PGVECTOR_COLLECTION: pgvector 컬렉션 이름
+"""
+
+import csv
+import os
 from collections import defaultdict
-import csv, os
+
+from langchain.schema import Document
 from langchain_openai import OpenAIEmbeddings
 from langchain_postgres.vectorstores import PGVector
-from langchain.schema import Document
 
-CSV_PATH = "./table_catalog.csv"
-CONN = os.getenv("VECTORDB_LOCATION") or "postgresql://user:pass@host:5432/db"
+# CSV 파일 경로
+CSV_PATH = "./dev/table_catalog.csv"
+# .env의 VECTORDB_LOCATION과 동일하게 맞추세요
+CONN = (
+    os.getenv("VECTORDB_LOCATION") or "postgresql://pgvector:pgvector@localhost:5432/postgres"
+)
 COLLECTION = os.getenv("PGVECTOR_COLLECTION", "table_info_db")
 
 tables = defaultdict(lambda: {"desc": "", "columns": []})
@@ -157,8 +180,12 @@ for t, info in tables.items():
     cols = "\n".join([f"{c}: {d}" for c, d in info["columns"]])
     docs.append(Document(page_content=f"{t}: {info['desc']}\nColumns:\n {cols}"))
 
-emb = OpenAIEmbeddings(model=os.getenv("OPEN_AI_EMBEDDING_MODEL"), openai_api_key=os.getenv("OPEN_AI_KEY"))
-PGVector.from_documents(documents=docs, embedding=emb, connection=CONN, collection_name=COLLECTION)
+emb = OpenAIEmbeddings(
+    model=os.getenv("OPEN_AI_EMBEDDING_MODEL"), openai_api_key=os.getenv("OPEN_AI_KEY")
+)
+PGVector.from_documents(
+    documents=docs, embedding=emb, connection=CONN, collection_name=COLLECTION
+)
 print(f"pgvector collection populated: {COLLECTION}")
 ```
 

llm_utils/README.md

@@ -27,7 +27,7 @@ Lang2SQL 파이프라인에서 LLM, 검색(RAG), 그래프 워크플로우, DB 
 ### Depth 1.5: 벡터DB
 
 - **`vectordb/factory.py` → `get_vector_db()`**: `VECTORDB_TYPE`(`faiss`|`pgvector`)에 따라 인스턴스 반환.
-- **`vectordb/faiss_db.py`**: 로컬 디스크 `table_info_db` 로드/없으면 `tools.get_info_from_db()`로 빌드 후 저장.
+- **`vectordb/faiss_db.py`**: 로컬 디스크 `dev/table_info_db` 로드/없으면 `tools.get_info_from_db()`로 빌드 후 저장.
 - **`vectordb/pgvector_db.py`**: PGVector 컬렉션 연결, 없거나 비면 `from_documents`로 재구성.
 
 ### Depth 2: 데이터 소스/메타 수집

llm_utils/vectordb/faiss_db.py

@@ -3,11 +3,12 @@
 """
 
 import os
-from langchain_community.vectorstores import FAISS
 from typing import Optional
 
-from llm_utils.tools import get_info_from_db
+from langchain_community.vectorstores import FAISS
+
 from llm_utils.llm import get_embeddings
+from llm_utils.tools import get_info_from_db
 
 
 def get_faiss_vector_db(vectordb_path: Optional[str] = None):
@@ -16,7 +17,7 @@ def get_faiss_vector_db(vectordb_path: Optional[str] = None):
 
     # 기본 경로 설정
     if vectordb_path is None:
-        vectordb_path = os.path.join(os.getcwd(), "table_info_db")
+        vectordb_path = os.path.join(os.getcwd(), "dev/table_info_db")
 
     try:
         db = FAISS.load_local(