소개 (Introduction)
VectorWave는 파이썬 함수의 실행 흐름과 결과를 **벡터 데이터베이스(Weaviate)**에 실시간으로 동기화하는 "심리스 자동 벡터화(Seamless Auto-Vectorization)" 프레임워크입니다.
우리는 코드가 실행되는 순간 사라지는 휘발성 데이터를, 검색 가능하고(Searchable), 재사용 가능한(Reusable) 영구적인 지식 자산으로 변환합니다.
핵심 철학
"Code is Data." VectorWave는 단순히 로그를 텍스트로 남기는 것을 넘어, 함수의 **소스 코드(정의)**와 **실행 컨텍스트(입출력)**를 벡터 공간에 임베딩하여 AI가 이해할 수 있는 형태로 저장합니다.
패러다임의 변화 (Why VectorWave?)
기존의 데이터 파이프라인과 VectorWave의 접근 방식은 근본적으로 다릅니다.
1. 기존 방식 (Legacy Pipeline)
- 복잡한 과정: 로그 파일 생성 → 수집(Logstash) → 전처리 → 임베딩 모델 호출 → 벡터 DB 저장.
- 죽은 데이터: 로그 파일은 단순한 텍스트일 뿐, 의미(Semantic)를 포함하지 않아 문맥 검색이 불가능합니다.
- 관리 비용: 데이터 스키마가 변경될 때마다 파이프라인 전체를 수정해야 합니다.
2. VectorWave 방식
- Zero Boilerplate: 별도의 수집 서버나 파이프라인 없이, 함수 위에
@vectorize데코레이터만 붙이면 끝납니다. - 살아있는 데이터: 모든 데이터는 저장 즉시 벡터화되어, "결제 실패 원인 찾아줘"와 같은 자연어 질의가 가능합니다.
- 자동 동기화: 코드나 입출력 구조가 바뀌면, 벡터 DB의 스키마도 자동으로 대응합니다.
주요 기능 상세 (Key Features)
시맨틱 캐싱 (Semantic Caching)
단순히 입력값이 100% 일치할 때만 캐싱하는 것이 아닙니다. VectorWave는 **입력의 의미적 유사성(Vector Distance)**을 판단합니다.
예: "한국의 수도는?" 과 "대한민국의 수도가 어디야?"는 텍스트는 다르지만 의미는 같습니다. VectorWave는 이를 동일한 요청으로 간주하여 LLM 호출 비용을 절약합니다.
분산 추적 (Distributed Tracing)
복잡한 마이크로서비스나 함수 호출 체인을 하나의 trace_id로 묶어 시각화합니다.
- Trace Root:
@vectorize가 적용된 함수가 추적의 시작점이 됩니다. - Trace Span: 내부에서 호출되는
@trace_span함수들은 자동으로 부모의 ID를 상속받아, 전체 실행 경로를 완성합니다.
자가 치유 (Self-Healing)
에러가 발생했을 때, 단순히 로그만 남기지 않습니다.
- 현재 발생한 에러 로그와 소스 코드를 가져옵니다.
- 과거에 성공했던 **유사한 실행 이력(Golden Data)**을 벡터 DB에서 검색합니다.
- LLM이 이를 비교 분석하여 **수정된 코드(Patch)**를 제안합니다.
에코시스템 (Ecosystem)
VectorWave는 단독으로도 강력하지만, 주변 도구들과 함께할 때 AI 엔지니어링의 전 과정을 커버합니다.
- VectorSurfer: 저장된 벡터 데이터를 시각화하는 웹 대시보드입니다. 실행 흐름을 타임라인으로 보고, 캐시 적중률과 에러율을 모니터링합니다.
- VectorCheck: 기존의
assert a == b방식의 테스트를 넘어, AI의 출력이 의도와 얼마나 유사한지 검증하는 "의미론적 테스트(Semantic Testing)" 프레임워크입니다.