임베딩 검색을 요청자 소유 문서로 제한

ai/src/ai_server/core/client.py

@@ -56,6 +56,7 @@ async def upsert_embeddings(
     async def search_embeddings(
         self,
         *,
+        user_id: int,
         query_embedding: list[float],
         query_text: str | None = None,
         document_ids: list[int] | None = None,
@@ -254,14 +255,19 @@ async def _do_upsert(
     async def search_embeddings(
         self,
         *,
+        user_id: int,
         query_embedding: list[float],
         query_text: str | None = None,
         document_ids: list[int] | None = None,
         top_k: int = 5,
     ) -> list[EmbeddingSearchHit]:
         """임베딩 검색. query_text 가 주어지면 Core 가 벡터+BM25 RRF 하이브리드로,
-        없으면 pgvector cosine 단독으로 topK 반환. 실패 시 빈 리스트 (RAG 보강용이므로 fatal 아님)."""
+        없으면 pgvector cosine 단독으로 topK 반환. 실패 시 빈 리스트 (RAG 보강용이므로 fatal 아님).
+
+        user_id 는 필수 — Core 가 검색 범위를 이 사용자 소유 문서로 제한한다.
+        envelope.context.user_id 를 그대로 넘긴다."""
         body: dict = {
+            "userId": user_id,
             "queryEmbedding": query_embedding,
             "documentIds": list(document_ids or []),
             "topK": top_k,

ai/src/ai_server/messaging/consumers/feedback_consumer.py

@@ -149,7 +149,8 @@ async def _process(
         )
         transcript = _build_transcript(req.messages)
         score_basis = _build_score_basis(req.messages)
-        rag_context = await self._build_rag_context(req)
+        user_id = envelope.context.user_id
+        rag_context = await self._build_rag_context(req, user_id)
         voice_analysis_summary = _build_voice_analysis_summary(
             req.voice_analysis_summary
         )
@@ -208,7 +209,7 @@ async def _tracked(coro: Awaitable[T]) -> T:
             _tracked(self._evaluate_self_intro(req, voice_analysis_summary)),
             _tracked(self._evaluate_job_fit(req, transcript, rag_context)),
             _tracked(self._evaluate_personality(req)),
-            _tracked(self._coach_answers(req)),
+            _tracked(self._coach_answers(req, user_id)),
         )
         # 빈 평가위원 항목(점수·내용 모두 없음)은 표시하지 않는다 — LLM 부분 응답이 빈 패널로 새는 것 방지.
         extras = [self_intro_item, *job_fit_items, personality_item]
@@ -475,7 +476,7 @@ async def _evaluate_personality(
         return _to_panel_item(PERSONALITY_EVALUATOR_LABEL, PERSONALITY_DIMENSION, ev)
 
     async def _coach_answers(
-        self, req: GenerateFeedbackRequest
+        self, req: GenerateFeedbackRequest, user_id: int | None
     ) -> list[AnswerCoachingItem]:
         """자기소개 제외 답변마다 모범 답안·리라이트·코칭을 병렬 생성 → 메시지별 복기 리스트.
 
@@ -510,6 +511,7 @@ async def _one(
                         req.context_document_ids,
                         _COACHING_RAG_TOP_K,
                         req.session_id,
+                        user_id,
                     )
                     res = await self._answer_coach.coach(
                         job_category=req.job_category,
@@ -538,25 +540,38 @@ async def _one(
         items = await asyncio.gather(*(_one(q, a) for q, a in pairs))
         return [it for it in items if it is not None]
 
-    async def _build_rag_context(self, req: GenerateFeedbackRequest) -> str:
+    async def _build_rag_context(
+        self, req: GenerateFeedbackRequest, user_id: int | None
+    ) -> str:
         # 세션 전체 채점(종합·패널·직무 적합도)용 컨텍스트. 마지막 답변 하나만 쓰면
         # 그 화제로 근거가 편향되므로, 세션의 모든 실질 답변(짧은 확인 제외)을 질의로 삼는다.
         query = _session_rag_query(req.messages)
         return await self._retrieve_context(
-            query, req.context_document_ids, self._rag_top_k, req.session_id
+            query, req.context_document_ids, self._rag_top_k, req.session_id, user_id
         )
 
     async def _retrieve_context(
-        self, query_text: str, document_ids: list[int], top_k: int, session_id: int
+        self,
+        query_text: str,
+        document_ids: list[int],
+        top_k: int,
+        session_id: int,
+        user_id: int | None,
     ) -> str:
-        """query_text 로 pgvector 검색 → 청크를 컨텍스트 문자열로. 실패/무결과는 '(none)'."""
+        """query_text 로 pgvector 검색 → 청크를 컨텍스트 문자열로. 실패/무결과는 '(none)'.
+
+        user_id 는 Core 가 검색 범위를 소유 문서로 제한하는 데 쓴다 — 없으면 검색하지 않는다."""
         if not self._embedder or not document_ids or not query_text.strip():
             return "(none)"
+        if user_id is None:
+            log.warning("feedback.rag.skipped_no_user", session_id=session_id)
+            return "(none)"
         try:
             query_vec = (
                 await self._embedder.embed([query_text], task_type="RETRIEVAL_QUERY")
             )[0]
             hits = await self._core.search_embeddings(
+                user_id=user_id,
                 query_embedding=query_vec,
                 query_text=query_text,
                 document_ids=document_ids,

ai/src/ai_server/messaging/consumers/followup_consumer.py

@@ -95,7 +95,7 @@ async def _process(
             trace_id=envelope.trace_id,
         )
 
-        rag_context = await self._build_rag_context(req)
+        rag_context = await self._build_rag_context(req, envelope.context.user_id)
         if self._streaming is not None and self._notifier is not None:
             result = await self._stream_followup(req, rag_context, envelope.trace_id)
         else:
@@ -239,12 +239,18 @@ async def _synth_segment(
                 error=str(exc),
             )
 
-    async def _build_rag_context(self, req: GenerateFollowupRequest) -> str:
+    async def _build_rag_context(
+        self, req: GenerateFollowupRequest, user_id: int | None
+    ) -> str:
+        # user_id 는 Core 가 검색 범위를 소유 문서로 제한하는 데 쓴다 — 없으면 검색하지 않는다.
         if not self._core or not self._embedder or not req.context_document_ids:
             return "(none)"
+        if user_id is None:
+            log.warning("followup.rag.skipped_no_user", session_id=req.session_id)
+            return "(none)"
         try:
             return await asyncio.wait_for(
-                self._do_build_rag_context(req), timeout=self._rag_timeout_sec
+                self._do_build_rag_context(req, user_id), timeout=self._rag_timeout_sec
             )
         except asyncio.TimeoutError:
             log.warning(
@@ -254,13 +260,16 @@ async def _build_rag_context(self, req: GenerateFollowupRequest) -> str:
             )
             return "(none)"
 
-    async def _do_build_rag_context(self, req: GenerateFollowupRequest) -> str:
+    async def _do_build_rag_context(
+        self, req: GenerateFollowupRequest, user_id: int
+    ) -> str:
         query = f"{req.previous_question}\n\n{req.answer_text}"
         try:
             query_vec = (
                 await self._embedder.embed([query], task_type="RETRIEVAL_QUERY")
             )[0]
             hits = await self._core.search_embeddings(
+                user_id=user_id,
                 query_embedding=query_vec,
                 query_text=query,
                 document_ids=req.context_document_ids,

ai/src/ai_server/messaging/consumers/questions_consumer.py

@@ -98,7 +98,7 @@ async def _process(
             message="면접 자료를 정리하고 있어요.",
             trace_id=envelope.trace_id,
         )
-        context_text = await self._build_context(req)
+        context_text = await self._build_context(req, envelope.context.user_id)
         await self._emit_progress(
             session_id=req.session_id,
             phase="GENERATING",
@@ -160,9 +160,12 @@ async def _emit_progress(
             trace_id=trace_id,
         )
 
-    async def _build_context(self, req: GenerateQuestionsRequest) -> str:
+    async def _build_context(
+        self, req: GenerateQuestionsRequest, user_id: int | None
+    ) -> str:
         base_context = _build_context(req.documents)
-        if not self._core or not self._embedder:
+        # user_id 는 Core 가 검색 범위를 소유 문서로 제한하는 데 쓴다 — 없으면 검색하지 않는다.
+        if not self._core or not self._embedder or user_id is None:
             return base_context
 
         document_ids = [d.document_id for d in req.documents]
@@ -173,7 +176,7 @@ async def _build_context(self, req: GenerateQuestionsRequest) -> str:
 
         try:
             return await asyncio.wait_for(
-                self._do_build_context_rag(req, document_ids, base_context),
+                self._do_build_context_rag(req, document_ids, base_context, user_id),
                 timeout=self._rag_timeout_sec,
             )
         except asyncio.TimeoutError:
@@ -189,13 +192,15 @@ async def _do_build_context_rag(
         req: GenerateQuestionsRequest,
         document_ids: list[int],
         base_context: str,
+        user_id: int,
     ) -> str:
         query = _build_initial_rag_query(req)
         try:
             query_vec = (
                 await self._embedder.embed([query], task_type="RETRIEVAL_QUERY")
             )[0]
             hits = await self._core.search_embeddings(
+                user_id=user_id,
                 query_embedding=query_vec,
                 query_text=query,
                 document_ids=document_ids,

ai/tests/test_core_client.py

@@ -287,6 +287,7 @@ async def test_search_embeddings_uses_latest_core_contract() -> None:
     core = HttpCoreClient(base_url="http://core:38010", api_key="k", client=client)
 
     hits = await core.search_embeddings(
+        user_id=7,
         query_embedding=[0.1, 0.2],
         document_ids=[7, 8],
         top_k=3,
@@ -303,6 +304,8 @@ async def test_search_embeddings_uses_latest_core_contract() -> None:
     client.post.assert_awaited_once_with(
         "/api/internal/embeddings/search",
         json={
+            # userId 는 Core 가 검색 범위를 소유 문서로 제한하는 데 쓴다 — 빠지면 400.
+            "userId": 7,
             "queryEmbedding": [0.1, 0.2],
             "documentIds": [7, 8],
             "topK": 3,
@@ -316,6 +319,7 @@ async def test_search_embeddings_includes_query_text_for_hybrid() -> None:
     core = HttpCoreClient(base_url="http://core:38010", api_key="k", client=client)
 
     await core.search_embeddings(
+        user_id=7,
         query_embedding=[0.1],
         query_text="gRPC 동시성 처리",
         document_ids=[7],
@@ -333,12 +337,12 @@ async def test_search_embeddings_non_2xx_returns_empty(status: int) -> None:
     client = _make_post_client(status=status, text="bad")
     core = HttpCoreClient(base_url="http://core:38010", api_key="k", client=client)
 
-    assert await core.search_embeddings(query_embedding=[0.1]) == []
+    assert await core.search_embeddings(user_id=7, query_embedding=[0.1]) == []
 
 
 @pytest.mark.asyncio
 async def test_search_embeddings_http_error_returns_empty() -> None:
     client = _make_post_client(raise_exc=httpx.ConnectError("dns fail"))
     core = HttpCoreClient(base_url="http://core:38010", api_key="k", client=client)
 
-    assert await core.search_embeddings(query_embedding=[0.1]) == []
+    assert await core.search_embeddings(user_id=7, query_embedding=[0.1]) == []

ai/tests/test_followup_consumer.py

@@ -687,7 +687,7 @@ async def test_rag_searches_top_k_directly():
     )
 
     req = _make_req()
-    result = await consumer._build_rag_context(req)
+    result = await consumer._build_rag_context(req, 7)
 
     # 청크 텍스트가 결과에 포함돼야 한다
     assert "이 청크가 반환돼야 한다" in result
@@ -731,6 +731,6 @@ async def _slow_embed(texts, *, task_type=""):
     )
 
     req = _make_req()
-    result = await consumer._build_rag_context(req)
+    result = await consumer._build_rag_context(req, 7)
 
     assert result == "(none)"

backend/openapi.json

@@ -1307,7 +1307,7 @@
       "post" : {
         "tags" : [ "Internal: Embedding Search" ],
         "summary" : "pgvector cosine topK 검색",
-        "description" : "queryEmbedding 으로 가장 가까운 청크 topK 반환. documentIds 가 비어 있으면 전체.",
+        "description" : "queryEmbedding 으로 가장 가까운 청크 topK 반환. **검색 범위는 항상 userId 소유 문서로 제한**된다 — documentIds 를 주면 그 중 소유한 것만, 비어 있으면 소유 문서 전체.",
         "operationId" : "internalSearchEmbeddings",
         "requestBody" : {
           "content" : {
@@ -1331,7 +1331,7 @@
             }
           },
           "400" : {
-            "description" : "queryEmbedding 누락",
+            "description" : "userId 또는 queryEmbedding 누락",
             "content" : {
               "*/*" : {
                 "schema" : {
@@ -3695,6 +3695,10 @@
       "SearchRequest" : {
         "type" : "object",
         "properties" : {
+          "userId" : {
+            "type" : "integer",
+            "format" : "int64"
+          },
           "queryEmbedding" : {
             "type" : "array",
             "items" : {
@@ -3717,7 +3721,7 @@
             "format" : "int32"
           }
         },
-        "required" : [ "queryEmbedding" ]
+        "required" : [ "queryEmbedding", "userId" ]
       },
       "SearchResponse" : {
         "type" : "object",

backend/src/main/java/com/stackup/stackup/document/application/DocumentEmbeddingService.java

@@ -30,9 +30,28 @@ public int upsert(EmbeddingUpsertCommand command) {
         return embeddingRepository.upsertAll(command.documentId(), command.model(), mapped);
     }
 
+    /**
+     * 임베딩 검색 — **항상 요청자 소유 문서로 제한한다.**
+     *
+     * <p>이전에는 documentIds 가 비면 전체 사용자의 청크가 대상이었고 소유권 검증도 없었다.
+     * 유출이 없었던 건 AI 호출부 3곳이 모두 빈 목록을 사전에 걸러줬기 때문인데, 방어가
+     * 전적으로 호출자에게 있었다 — 호출부가 하나 늘거나 가드를 빠뜨리면 남의 이력서 청크가
+     * 프롬프트로 들어간다. 여기서 스코프를 확정해 호출자와 무관하게 불가능하게 만든다.
+     *
+     * <p>documentIds 를 주면 그 중 소유한 것만 남기고(요청한 id 를 그대로 믿지 않는다),
+     * 비어 있으면 소유 문서 전체가 대상이다. 교집합이 비면 검색하지 않고 빈 결과 —
+     * 빈 목록을 그대로 넘기면 다시 전체 검색이 된다.
+     */
     public List<DocumentEmbeddingRepository.SearchHit> search(
-        float[] queryEmbedding, String queryText, List<Long> documentIds, int topK
+        Long userId, float[] queryEmbedding, String queryText, List<Long> documentIds, int topK
     ) {
-        return embeddingRepository.search(queryEmbedding, queryText, documentIds, topK);
+        List<Long> owned = documentRepository.findActiveIdsByOwner(userId);
+        List<Long> scoped = documentIds == null || documentIds.isEmpty()
+            ? owned
+            : documentIds.stream().filter(owned::contains).toList();
+        if (scoped.isEmpty()) {
+            return List.of();
+        }
+        return embeddingRepository.search(queryEmbedding, queryText, scoped, topK);
     }
 }

backend/src/main/java/com/stackup/stackup/document/domain/AnalyzedDocumentRepository.java

@@ -46,6 +46,20 @@ Optional<AnalyzedDocument> findByIdAndResume_User_IdOrIdAndRepository_User_Id(
         """)
     Optional<AnalyzedDocument> findActiveByIdAndOwner(@Param("id") Long id, @Param("userId") Long userId);
 
+    // 임베딩 검색 스코프 확정용 — 엔티티가 아니라 id 만 필요하다.
+    @Query("""
+        SELECT d.id FROM AnalyzedDocument d
+        LEFT JOIN d.resume rs
+        LEFT JOIN rs.user ru
+        LEFT JOIN d.repository rp
+        LEFT JOIN rp.user pu
+        LEFT JOIN d.coverLetter cl
+        LEFT JOIN cl.user cu
+        WHERE d.deleted = false
+          AND (ru.id = :userId OR pu.id = :userId OR cu.id = :userId)
+        """)
+    List<Long> findActiveIdsByOwner(@Param("userId") Long userId);
+
     @Query("""
         SELECT d FROM AnalyzedDocument d
         WHERE d.coverLetter.id = :coverLetterId

backend/src/main/java/com/stackup/stackup/document/presentation/InternalEmbeddingSearchController.java

@@ -28,16 +28,17 @@ public class InternalEmbeddingSearchController {
     @Operation(
         operationId = "internalSearchEmbeddings",
         summary = "pgvector cosine topK 검색",
-        description = "queryEmbedding 으로 가장 가까운 청크 topK 반환. documentIds 가 비어 있으면 전체."
+        description = "queryEmbedding 으로 가장 가까운 청크 topK 반환. **검색 범위는 항상 userId 소유 문서로 제한**된다 — documentIds 를 주면 그 중 소유한 것만, 비어 있으면 소유 문서 전체."
     )
     @ApiResponses({
         @ApiResponse(responseCode = "200", description = "검색 결과"),
-        @ApiResponse(responseCode = "400", description = "queryEmbedding 누락"),
+        @ApiResponse(responseCode = "400", description = "userId 또는 queryEmbedding 누락"),
         @ApiResponse(responseCode = "401", description = "X-Internal-API-Key 인증 실패")
     })
     @PostMapping("/search")
     public SearchResponse search(@Valid @RequestBody SearchRequest request) {
         List<SearchHit> hits = embeddingService.search(
+            request.userId(),
             request.queryEmbedding(),
             request.queryText(),
             request.documentIds() == null ? List.of() : request.documentIds(),
@@ -47,9 +48,12 @@ public SearchResponse search(@Valid @RequestBody SearchRequest request) {
     }
 
     public record SearchRequest(
+        // 검색 범위를 확정하는 값 — 없으면 스코프를 정할 수 없으므로 필수.
+        @NotNull Long userId,
         @NotNull float[] queryEmbedding,
         // 선택. 주어지면 벡터 + full-text(BM25) RRF 하이브리드 검색.
         String queryText,
+        // 선택. 주면 소유 문서와의 교집합으로 좁힌다. 비면 소유 문서 전체.
         List<Long> documentIds,
         @Positive Integer topK
     ) {