add: add on-disk

Author: jinsoo

.env.example

@@ -6,6 +6,8 @@ HF_API=""
 # "./qdrant_db" - on-disk 모드 (로컬 디스크에 저장, 기본값)
 # "http://localhost:6333" - 원격 Qdrant 서버
 QDRANT_URL="./qdrant_db"
+# 벡터 스토리지: false=RAM(in-memory, 기본, 최고 속도), true=MMAP(디스크, RAM 절감). 자세한 비교: etc_md/qdrant_on_disk_comparison.md
+# QDRANT_VECTORS_ON_DISK=false
 
 # Strength: strength_in_aspect와 동일한 '전체' 기준 (선택)
 # 예: data/kr3.tsv (TSV의 Review 컬럼) 또는 data/test_data_sample.json

src/config.py

@@ -112,8 +112,9 @@ class _InferenceConfig:
 
 # --- Retrieval (Qdrant, embedding, top_k, rerank 등) ---
 class _RetrievalConfig:
-    """검색/검열: Qdrant URL, collection, top_k, rerank_k, aspect seed"""
+    """검색/검열: Qdrant URL, collection, top_k, rerank_k, aspect seed, 벡터 on_disk"""
     QDRANT_URL: Optional[str] = os.getenv("QDRANT_URL", "./qdrant_data")
+    QDRANT_VECTORS_ON_DISK: bool = os.getenv("QDRANT_VECTORS_ON_DISK", "false").lower() == "true"
     COLLECTION_NAME: str = os.getenv("COLLECTION_NAME", DEFAULT_COLLECTION_NAME)
     SCORE_THRESHOLD: float = float(os.getenv("SCORE_THRESHOLD", str(DEFAULT_SCORE_THRESHOLD)))
     LLM_KEYWORDS: list = DEFAULT_LLM_KEYWORDS

src/vector_search.py

@@ -95,13 +95,16 @@ def __init__(
                     "dense": models.VectorParams(
                         size=self._dense_dim,
                         distance=models.Distance.COSINE,
+                        on_disk=Config.QDRANT_VECTORS_ON_DISK,
                     )
                 },
                 sparse_vectors_config={
                     "sparse": models.SparseVectorParams()
                 },
             )
-            logger.info(f"하이브리드 검색 지원 컬렉션 생성 완료: {collection_name} (dense + sparse)")
+            logger.info(
+                f"하이브리드 검색 지원 컬렉션 생성 완료: {collection_name} (dense + sparse, on_disk={Config.QDRANT_VECTORS_ON_DISK})"
+            )
             self._get_sparse_model()
 
     def _get_sparse_model(self):
@@ -747,9 +750,12 @@ def upsert_restaurant_vector(
                     vectors_config=models.VectorParams(
                         size=self.encoder.get_sentence_embedding_dimension(),
                         distance=models.Distance.COSINE,
+                        on_disk=Config.QDRANT_VECTORS_ON_DISK,
                     ),
                 )
-                logger.info(f"컬렉션 {RESTAURANT_VECTORS_COLLECTION} 생성 완료")
+                logger.info(
+                    f"컬렉션 {RESTAURANT_VECTORS_COLLECTION} 생성 완료 (on_disk={Config.QDRANT_VECTORS_ON_DISK})"
+                )
 
             # 3. 포인트 생성 및 업로드
             # Qdrant의 id는 UUID 형식이어야 하므로, restaurant_id를 기반으로 일관된 UUID 생성