[실습] ElasticSearch 기반 VectorStore로 변경하기

JSCODE 시니

2026. 06. 13.

✅ 1. application.yaml 수정

app:
  rag:
    documents-location-pattern: classpath:spring-ai-llm.pdf
  etl:
    pipeline:
     init: true
  cli:
#    enabled: true
  vectorstore:
    in-memory:
      enabled: false

✅ 2. Docker를 이용한 ElasticSearch 설치

docker run -d -p 9200:9200 \
  --name elasticsearch \
  -e "discovery.type=single-node" \
  -e "xpack.security.enabled=false" \
  -e "xpack.security.http.ssl.enabled=false" \
  docker.elastic.co/elasticsearch/elasticsearch:9.2.0

✅ 3. 의존성 추가

implementation 'org.springframework.ai:spring-ai-starter-vector-store-elasticsearch'

✅ 4. ES 관련 application.yaml 설정 변경

spring:
  # ==========================================
  # [1] 애플리케이션 및 인프라 기본 설정
  # ==========================================
  application:
    name: chat # 서비스 애플리케이션 이름

  elasticsearch:
    uris: http://localhost:9200 # 로컬 도커로 띄운 상용 엘라스틱서치 서버 주소

  # ==========================================
  # [2] Spring AI 핵심 모듈 설정
  # ==========================================
  ai:
    # (A) OpenAI 및 외부 API 모델 연동
    openai:
      api-key: ${OPENAI_API_KEY} # 시스템 환경변수에서 API 키를 동적으로 주입
      chat:
        model: openai/gpt-4.1-nano # 사용할 LLM 모델명
        base-url: https://models.github.ai/inference # GitHub Models 프록시 서버 주소
        completions-path: /chat/completions # 엔드포인트 세부 경로

    # (B) Ollama 로컬 오픈소스 AI 연동
    ollama:
      init:
        pull-model-strategy: when_missing # 로컬에 모델이 없을 때만 자동으로 다운로드(Pull)
      chat:
        model: hf.co/Qwen/Qwen2.5-1.5B-Instruct-GGUF # 로컬 챗봇용 경량 모델
      embedding:
        options:
          model: bge-m3 # 한국어 성능이 뛰어난 로컬 임베딩 번역기 모델 지정

    # (C) 상용 백터 데이터베이스(Elasticsearch) 연동
    vectorstore:
      elasticsearch:
        initialize-schema: true # 서버 구동 시 해당 인덱스가 없으면 자동으로 생성
        index-name: spring-ai-document-index # 벡터 데이터가 저장될 엘라스틱서치 인덱스 이름
        dimensions: 1024               # bge-m3 모델의 고유 출력 벡터 차원 수 지정 (필수)
        similarity: cosine             # 벡터 간의 거리(유사도)를 계산할 수학 공식 (코사인 유사도)

# ==========================================
# [3] 디버깅 및 로그 레벨 설정
# ==========================================
logging:
  level:
    org.springframework.ai.chat.client.advisor: DEBUG # RAG Advisor가 프롬프트를 조립하는 과정을 콘솔에 상세히 출력

# ==========================================
# [4] 비즈니스 로직 및 기능 토글(스위치) 설정
# ==========================================
app:
  # RAG 지식 베이스 파일 경로
  rag:
    documents-location-pattern: classpath:spring-ai-llm.pdf
  
  # 일회성 데이터 수집/가공/적재 파이프라인
  etl:
    pipeline:
      init: true # true: 서버 시작 시 PDF를 읽어 엘라스틱서치에 적재 / false: 가동 중지

  # 대화형 커맨드 라인 인터페이스(CLI) 활성화 여부
  cli:
    enabled: true # 사용 시 주석을 풀고 true로 변경 (자바 코드 @ConditionalOnProperty와 연동)

  # 기존 인메모리 벡터스토어 사용 안 함 설정
  vectorstore:
    in-memory:
      enabled: false # 엘라스틱서치를 사용하므로 기존 가짜 메모리 저장소는 비활성화

✅ 5. 테스트