통합 및 배포

4가지 연동 방식, 반드시 하나는 맞습니다

한 줄 명령부터 심층 연동까지, 팀 기술 스택에 따라 자유롭게 선택

명령줄 CLI

적합 대상: 운영 일괄 처리

한 줄 명령으로 전처리, 청킹, 평가를 완료합니다. 디렉터리 일괄 처리, 중단 지점 재실행을 지원하며, 기존 데이터 처리 흐름에 스크립트로 연동 가능합니다.

HTTP API

적합 대상: 애플리케이션 백엔드 연동

RESTful 인터페이스가 전처리, 지식 베이스 구축, 평가 전체 과정을 커버하며, 동기/비동기, 분할 업로드, SSE 진행률 푸시를 지원합니다.

C 동적 라이브러리 SDK

적합 대상: C/C++/Java 심층 연동

크로스플랫폼 .so/.dylib/.dll + C 헤더 파일, 다중 플랫폼 사전 컴파일 산출물, 귀사의 서비스 프로세스에 내장, 네트워크 오버헤드 제로.

Python / LangChain

적합 대상: AI 애플리케이션 및 데이터 팀

의존성 없는 Python SDK + LangChain 커넥터, 세 줄의 코드로 기업 지식 베이스를 Document 리스트에 담고 메타데이터를 전달합니다.

얼마나 간단한가요? 코드로 확인하세요

'파일'에서 '지식 베이스'까지, 생각보다 짧습니다

방식 1: 명령줄 전처리(추출→정제→마스킹→압축, 한 줄 명령)

# 문서 전처리 uglypearai preprocess --input contract.docx --output-dir out/ --clean --desensitize --compress # 지식 베이스 구축(전체 경로 ingest, 중단 지점 재실행 가능) uglypearai chunk --mode ingest --input report.pdf --storage-dir ./rag_store --preset legal # 평가 한 번 실행 uglypearai eval run --evalset my_set --report out/report.json

방식 2: Python + LangChain(AI 팀에게 가장 익숙)

from uglypear_rag import UglyPearRAG from uglypear_rag.integrations.langchain_loader import UglyPearLoader client = UglyPearRAG(http://인트라넷주소:8080, api_key="sk-uglypear-***") loader = UglyPearLoader(client, user_tags=["dept:legal"]) docs = loader.load() # -> [Document], chunk_id/버전/권한 태그 등 메타데이터 자동 전달

방식 3: HTTP API(모든 언어에서 호출 가능)

POST /v1/rag/preprocess # 문서 → 구조화 JSON + 마스킹 사본 POST /v1/rag/ingest # 전체 경로 입고: 청킹→증강→권한→저장 GET /v1/rag/documents # 문서 및 지식 포인트 조회, 재입고 PATCH /v1/rag/.../validity # 시효 관리: 만료/유효 표시 POST /v1/rag/eval/run # 평가 트리거, 정량 보고서 발행 POST /v1/rag/feedback # '싫어요' 원인 규명, badcase 환류

배포: Docker부터 중국 자체 기술 스택 서버실까지

표준 환경은 원클릭 기동, 특수 환경은 항목별 대응

표준 배포(Docker)

# 서비스 기동(압축 + RAG 전체 경로 포함) docker compose up -d # 또는 베어메탈 실행 RAG_STORAGE_DIR=/data/rag_store PORT=8080 ./uglypear-server

OCR/레이아웃 분석 모델(ONNX)은 패키지에 함께 배포되며 로컬 추론; LLM 요약 증강은 인트라넷 내 임의의 OpenAI 호환 엔드포인트에 연동(선택). 기능 모듈은 feature별로 커스터마이징 가능: 압축만, 전처리만, 또는 전체 경로, 각자 필요에 맞게.

중국 자체 기술 스택 환경

Kylin/UOS 운영체제, Phytium/Kunpeng CPU(arm64 산출물 완비), DM/KingbaseES 데이터베이스를 지원하며 완전 오프라인 설치가 가능합니다. 여러 중국 자체 기술 스택 호환 프로젝트에서 검증되었으며, 자세한 내용은중국 자체 기술 스택 호환 솔루션。

귀사의 AI 기술 스택과 연동

기반은 표준 구조화 JSON과 메타데이터가 포함된 지식 포인트를 출력하며 다음과 연동 가능합니다:

Milvus Qdrant PGVector Elasticsearch LangChain LlamaIndex Dify 자체 개발 RAG

SDK 계층에서 FFI 동적 라이브러리(libcompressor.so + sdk.h)를 추가 제공하며, C/C++/Java/Go에서 직접 임베드할 수 있습니다. 자세한 내용은Rust 압축 SDK및개발자 센터。

제로부터 구동까지, 5단계

보통 '월'이 아니라 '일' 단위

환경 준비

서버 사양 목록 제공, Docker 이미지 또는 오프라인 설치 패키지로 제공

연동 방식 선택

팀 기술 스택에 따라 CLI / API / SDK 선택, 반나절 만에 첫 테스트 요청 실행

시험 문서 검증

실제 문서 일괄을 전체 경로로 입고하여 파싱 품질검사 및 정제 보고서 발행

전략 튜닝

문서 유형에 따라 청킹 프리셋 선택, 업계 평가 세트 공동 구축

정식 출시

벡터 데이터베이스 및 비즈니스 시스템 연동, 평가 대시보드 지속 모니터링