Managing Embeddings

임베딩 관리

기술 스택

• 모델: text-embedding-3-large (OpenAI)
• 차원: 3072 (기본값, dimensions 옵션으로 축소 가능)
• 입력 한도: 8K 토큰
• 패키지: openai
• API 키: OPENAI_API_KEY 환경변수 필수

LLM 추상화 미사용

임베딩은 packages/core/src/llm/ 추상화 계층을 사용하지 않고, packages/core/src/embedding/client.ts에서 openai 패키지를 직접 호출한다. 따라서 임베딩은 OpenAI 전용이며, LLM 프로바이더 설정(ANKI_SPLITTER_DEFAULT_LLM_PROVIDER)과 독립적으로 동작한다.

모듈 구조 (packages/core/src/embedding/)

주요 상수

export const EMBEDDING_PROVIDER = "openai";
export const EMBEDDING_MODEL = "text-embedding-3-large";
export const EMBEDDING_EXPECTED_DIMENSION = 3072;

// 레거시 (Gemini → OpenAI 마이그레이션 감지용)
export const LEGACY_EMBEDDING_PROVIDER = "gemini";
export const LEGACY_EMBEDDING_MODEL = "gemini-embedding-001";

주요 함수

// 단일 텍스트 임베딩
const embedding = await getEmbedding(text, options?);  // number[] (3072차원)

// 의미적 유사도
const similarity = await getSemanticSimilarity(text1, text2, options?);  // 0-100 (%)

// 배치 임베딩 (BATCH_SIZE=100, rate limit 딜레이 자동 적용)
const embeddings = await getEmbeddings(texts, options?, onProgress?);  // number[][]

// 유사성 검사 (임베딩 모드)
const result = await checkSimilarity(targetCard, allCards, {
  useEmbedding: true, deckName: '덱명', threshold: 85
});

EmbeddingOptions는 dimensions?: number 필드 하나만 가진다. 지정하면 모델이 차원 축소된 벡터를 반환한다.

배치 처리 및 재시도

• BATCH_SIZE: 100건씩 OpenAI API 호출
• 배치 간 딜레이: 350ms (EMBEDDING_BATCH_DELAY_MS)
• 재시도: 최대 2회 (EMBEDDING_MAX_ATTEMPTS), 재시도 간 350ms 대기
• 재시도 대상: 408, 429, 500, 502, 503, 504 상태코드 및 네트워크 오류

텍스트 전처리

preprocessTextForEmbedding() — 임베딩 생성 전 반드시 적용 (자동):

1. Cloze 구문에서 내용만 추출 ({{c1::DNS}} → DNS)
2. HTML 태그 제거
3. 컨테이너 구문 제거 (::: tip 등)
4. nid 링크에서 제목만 추출

캐시 전략

• 저장 위치: EMBEDDING_CACHE_DIR 환경변수 또는 output/embeddings/ (기본)
• 파일명: {deckNameHash}.json (MD5 앞 12자)
• 캐시 구조:

  interface EmbeddingCache {
    schemaVersion: number;  // EMBEDDING_CACHE_SCHEMA_VERSION = 1
    deckName: string;
    provider: string;       // "openai"
    model: string;          // "text-embedding-3-large"
    dimension: number;      // 3072
    lastUpdated: number;
    embeddings: Record<string, CachedEmbedding>;
  }
  

• 증분 업데이트: MD5 해시로 텍스트 변경 감지, 변경된 카드만 재생성
• 호환성 검사: getCacheIncompatibilityReason(cache) — schema/provider/model 불일치 감지
  • 불일치 시 자동으로 캐시 재생성 (레거시 Gemini 캐시 → OpenAI 캐시 마이그레이션)
• 캐시 확인: GET /api/embedding/status/:deckName
• 캐시 삭제: DELETE /api/embedding/cache/:deckName

API 엔드포인트

자주 발생하는 문제

• OPENAI_API_KEY 미설정: OPENAI_API_KEY가 설정되지 않았습니다 에러 → .env에 키 추가
• Rate Limit 429: 배치 처리 시 자동 딜레이 적용, 서버 라우트에서도 10건마다 400ms 대기
• 캐시 마이그레이션: Gemini에서 OpenAI로 변경 후 첫 실행 시 자동 감지 및 재생성
• 차원 불일치: 레거시 캐시는 768차원 (Gemini), 현재는 3072차원 (OpenAI) — 호환성 검사가 자동 처리
• 캐시 위치 혼동: 덱 이름을 MD5 해시로 변환하여 파일명 생성

상세 참조

• references/embedding-system.md — OpenAI text-embedding-3-large, 캐시 호환성/마이그레이션 상세
• references/preprocessing.md — Cloze/HTML/컨테이너 제거 로직
• references/troubleshooting.md — OPENAI_API_KEY, rate limit, 캐시 마이그레이션