Qdrant: 필터가 있는 정책 벡터 서비스
Qdrant는 벡터와 payload의 검색, 필터, 업데이트를 서비스로 제공한다. Bookway에서는 정책 청크의 후보를 찾으며 답변 생성이나 정책의 진위를 판정하지 않는다.
컬렉션과 point 계약
한 point에는 안정된 청크 ID, 벡터, document_id, policy_version, tenant_id, valid_from, parent_id를 둔다. embedding revision, 차원, 거리 척도를 컬렉션 계약으로 정한다. 같은 차원이어도 다른 모델의 벡터를 섞을 수는 없다.
아래는 Qdrant 서버 없이 qdrant-client의 메모리 모드에서 필터를 확인하는 합성 예제이다.
from qdrant_client import QdrantClient, models
client = QdrantClient(":memory:")
client.create_collection(
collection_name="bookway_policy_v3",
vectors_config=models.VectorParams(size=2, distance=models.Distance.COSINE),
)
client.upsert(
collection_name="bookway_policy_v3",
points=[models.PointStruct(
id=1, vector=[1.0, 0.0],
payload={"tenant_id": "bookway", "policy_version": "policy-v3"},
)],
)
result = client.query_points(
collection_name="bookway_policy_v3",
query=[0.9, 0.1],
query_filter=models.Filter(must=[
models.FieldCondition(
key="tenant_id", match=models.MatchValue(value="bookway")
)
]),
limit=3,
)
print([point.id for point in result.points])메모리 모드는 분산 운영, 서버 인증, 영속성을 검증하지 않는다. 운영에서는 HTTP/gRPC endpoint와 TLS, API 인증을 구성하고 payload index를 실제 필터 패턴에 맞춘다.
인증과 필터는 다른 계층
tenant_id는 인증 서버에서 결정해 매 검색에 강제한다. 질문이나 LLM이 만든 filter에만 맡기면 안 된다. 테넌트 내부에서도 문서별 ACL이 있다면 허용 집합이나 그룹 조건을 추가하고, empty scope가 전체 검색으로 바뀌지 않게 한다.
일치 결과가 없는 경우와 Qdrant timeout은 다르다. 전자는 근거 부족, 후자는 검색 장애이다. 둘을 빈 배열로 통합하면 장애 중에 모델이 근거 없는 답을 만들 수 있다.
업데이트와 확장
새 policy-v4는 별도 컬렉션에서 전량 색인, 평가한 뒤 앱 release가 참조하도록 바꾼다. alias를 쓰더라도 release에는 해석된 컬렉션, snapshot, embedding 계약을 기록한다. 같은 ID의 upsert가 삭제된 청크까지 제거하지는 않으므로 삭제 목록도 관리한다.
관측은 검색 p95, 빈 결과율, filter별 후보 수, 인덱스 크기, 업로드 실패를 본다. snapshot 복원은 벡터뿐 아니라 외부 원문 저장소 버전도 맞아야 한다. 높은 similarity score만으로 “반품 가능”을 결정하지 않고 원문 조건과 인용을 최종 검사한다.