기록 4-1 . PostgreSQL + Chroma + FastAPI 환경 구성 정리

🧩 PostgreSQL + Chroma + FastAPI 환경 구축 요약 (Mac & Windows 공용)

1️⃣ PostgreSQL 설치

🔹 macOS용

brew install postgresql@17
brew services start postgresql@17
psql --version

해석:

• brew install postgresql@17 → PostgreSQL 17버전 설치
• brew services start postgresql@17 → PostgreSQL 서버 자동 실행 설정
• psql --version → 설치 확인 명령어

🔹 Windows용

1. PostgreSQL 공식사이트 에서 설치 파일 다운로드
2. 설치 시 pgAdmin 포함 선택 (GUI 관리도구)
3. 설치 완료 후 psql 실행 확인:

   psql -U postgres -l

해석:

• -U postgres → 관리자 계정 접속
• -l → 현재 데이터베이스 목록 출력

---

2️⃣ (선택) pgvector 설치 (Mac/Linux 전용)

git clone https://github.com/pgvector/pgvector.git
cd pgvector
make PG_CONFIG=/opt/homebrew/opt/postgresql@17/bin/pg_config
sudo make install

해석:

• git clone → pgvector 소스 다운로드
• make → PostgreSQL 확장 모듈 빌드
• sudo make install → 시스템 PostgreSQL에 모듈 등록

  ⚠️ 윈도우에서는 직접 설치 불가 → Docker 또는 ChromaDB 대체 필요

---

3️⃣ Python 가상환경 생성 (conda)

conda create -n Research python=3.10 -y
conda activate Research

해석:

• conda create -n Research → Research라는 이름의 독립 개발환경 생성
• conda activate Research → 해당 환경 활성화

활성화되면 프롬프트에 (Research) 표시됨.

---

4️⃣ 주요 패키지 설치

python -m pip install chromadb fastapi uvicorn langchain openai psycopg2-binary

해석:
| 패키지 | 역할 |
|---------|------|
| chromadb | AI 벡터 검색 DB (로컬 RAG용) |
| fastapi | 백엔드 프레임워크 (API 서버 구성) |
| uvicorn | FastAPI 실행용 서버 |
| langchain | AI 파이프라인 관리 (임베딩, RAG 구성) |
| openai | GPT API 연동용 |
| psycopg2-binary | PostgreSQL 연결 드라이버 |

---

5️⃣ 설치 확인

python -c "import chromadb, fastapi, langchain, openai, psycopg2; print('OK')"

해석:

• 설치된 라이브러리들이 정상적으로 import되는지 테스트
• OK 출력되면 모든 설치 완료

---

6️⃣ PostgreSQL 연결 테스트

psql -U postgres -l

해석:
PostgreSQL 서버가 실행 중이고 접근 가능한지 확인.

또는 Python에서 연결 확인:

import psycopg2
conn = psycopg2.connect(dbname="postgres", user="postgres", password="비밀번호", host="localhost", port="5432")
print("DB 연결 성공")
conn.close()

---

7️⃣ ChromaDB 테스트 코드

import chromadb

client = chromadb.Client()
collection = client.create_collection("test")

collection.add(
    documents=["Chroma is a vector database", "PostgreSQL handles structured data"],
    ids=["1", "2"]
)

results = collection.query(query_texts=["What is Chroma?"], n_results=1)
print(results)

해석:

• create_collection() → 새로운 벡터 저장소 생성
• add() → 문서를 벡터화하여 저장
• query() → 유사한 문서 검색 (임베딩 기반 검색)

출력 예시:

{'ids': [['1']], 'distances': [[0.23]], 'documents': [['Chroma is a vector database']]}

→ 정상 동작 확인.

---

8️⃣ 전체 구조 요약

📦 현재 환경 구성
├── PostgreSQL 17 → 정형데이터 저장 (채용공고, 유저 정보 등)
├── ChromaDB → 벡터 데이터 저장 (AI 임베딩, 문서 검색)
├── FastAPI + Uvicorn → API 서버 및 RAG 인터페이스
└── Conda (Research) → Python 패키지 독립 환경

---

✅ 마무리 요약

• PostgreSQL 17 + ChromaDB + FastAPI 조합으로 RAG / AI 챗봇 구조 준비 완료
• Mac은 직접 설치, Windows는 PostgreSQL + Python만 설치 후 동일 코드 실행 가능
• 다음 단계: FastAPI 기반 API 구축 (/ingest, /chat, /search)

💡 이로써 인프라 세팅은 완전 종료. 이제 본격적인 AI 매칭 / 챗봇 서버를 구현할 수 있다.