first push

backend/app/repositories/qdrant_repository.py

@@ -0,0 +1,58 @@
+# backend/app/repositories/qdrant_repository.py
+from typing import Optional, List
+from qdrant_client import AsyncQdrantClient
+from qdrant_client.http import models
+from app.core.config import settings
+
+class QdrantRepository:
+    def __init__(self):
+        # Initialisation du client asynchrone
+        self.client = AsyncQdrantClient(
+            url=settings.qdrant_url,
+            # api_key=getattr(settings, "qdrant_api_key", None) # Qdrant Cloud
+        )
+        self.collection_name = settings.qdrant_collection
+
+    async def init_collection(self, vector_size: int = 1024):
+        """
+        Crée la collection si elle n'existe pas encore.
+        1024 correspond à la taille des vecteurs de Snowflake Arctic Embed 2.0 (large).
+        """
+        exists = await self.client.collection_exists(collection_name=self.collection_name)
+        if not exists:
+            print(f"[Qdrant] Création de la collection '{self.collection_name}'...")
+            await self.client.create_collection(
+                collection_name=self.collection_name,
+                vectors_config=models.VectorParams(
+                    size=vector_size,
+                    distance=models.Distance.COSINE
+                )
+            )
+            print("[Qdrant] Collection créée avec succès.")
+        else:
+            print(f"[Qdrant] La collection '{self.collection_name}' existe déjà.")
+
+    async def search_similar_project(self, query_vector: List[float], limit: int = 1) -> Optional[dict]:
+        """
+        Effectue la vraie recherche vectorielle.
+        Note : On passe un 'query_vector' (généré par ton embedding_service) et non du texte brut.
+        """
+        try:
+            results = await self.client.search(
+                collection_name=self.collection_name,
+                query_vector=query_vector,
+                limit=limit
+            )
+            
+            if results:
+                # On retourne le payload (les métadonnées du projet) du meilleur match
+                return results[0].payload
+            return None
+            
+        except Exception as e:
+            print(f"[Qdrant] Erreur lors de la recherche : {e}")
+            return None
+
+    async def close(self):
+        """Ferme proprement la connexion au client"""
+        await self.client.close()