FEAT: 의미 검색 (선택)

[RosieOh]

무엇

키워드가 겹치지 않는 질문(특히 한국어)도 뜻이 가까운 코드를 찾도록 임베딩 기반 의미 검색을 맥락 엔진에 넣음. 기본은 꺼짐이고 config.toml에 [embeddings]를 적으면 켜짐.

• 엔진: 코드를 40줄 조각으로 임베딩(OpenAI 호환 /embeddings) → 질문과 뜻이 가까운 파일 순위를 기존 순위와 RRF로 합침
  • 의미 점수는 파일마다 가장 앞선 후보 하나에만 더함
  • 키워드 후보가 없는 파일은 의미 순위 상위 10개에서 심볼 하나씩만 새로 넣음 (많이 넣으면 적중률은 오르지만 시그니처만 든 파일이 늘어 맥락이 묽어짐)
  • 벡터는 (모델, 조각 해시)로 저장 → 다시 인덱싱·브랜치 전환에도 바뀐 조각만 새로
  • 조각의 비밀 값은 가리고 보냄
• 앱: 에이전트·외부 에이전트·Ctrl+K·get_context·맥락 미리보기에 적용. 임베딩은 인덱스 잠금 밖에서, 빠진 벡터는 뒤에서 16개씩. 상태 표시줄에 진행률·오류. 서버에 닿지 않으면 기존 방식
• CLI: LANTERN_EMBED_URL·LANTERN_EMBED_MODEL(+_KEY, _QUERY, _DOC)

측정 (공개 벤치마크 60커밋, 예산 8000, embeddinggemma-300m 로컬)

	적중률	앞 3개	한국어 적중률	한국어 앞 3개	질문당 파일
끔 (main)	88%	65%	76%	43%	약 15
켬 (새 후보 제한 없음, 버림)	93%	73%	88%	52%	약 30
켬 (이 PR)	93%	73%	86%	52%	약 20

여섯 묶음(3개 저장소 × 영어·한국어) 모두 적중률과 앞 3개가 같거나 오름. 결과: eval/bench/결과-의미검색.md

한계

• CPU로 돌리는 로컬 모델은 초당 약 2조각이라 큰 프로젝트(commons-lang 약 1만 5천 조각)는 처음 임베딩에 몇 시간. OpenAI API나 GPU Ollama는 빠름
• 측정한 모델은 하나. 다른 모델에서의 값은 재지 않음

확인

• 엔진 단위 테스트 (조각 나누기, 파일 순위, 의미 후보 합류), 앱 테스트
• E2E 18/18 (새 시나리오: 가짜 임베딩 서버로 조각 임베딩 → 키워드 안 맞는 질문에도 '뜻이 가까움' 후보)
• clippy, i18n 번역 누락 0

Closes #67