fix(animal-chat): 프롬프트 + RAG 최적화

1. 프롬프트 개선:
   - 상세 요청 감지 ('자세히', '설명해줘' 등)
   - 상세 요청 시 10-15문장 응답
   - RAG 검색 결과 적극 활용 지시

2. 벡터 검색 수정:
   - L2 거리 → 유사도 변환: 1/(1+distance)
   - 음수 유사도 문제 해결
   - 임계값 0.3 적용 (30% 미만 제외)

3. 컨텍스트 주입 개선:
   - 상세 질문 시 n_results=5로 증가
   - RAG 활용 지시 추가

backend/app.py

@@ -2963,7 +2963,11 @@ ANIMAL_CHAT_SYSTEM_PROMPT = """당신은 약국의 동물약 전문 상담사입
 **응답 규칙:**
 1. **보유 제품 정보 우선** - [대상: 개, 고양이] 표시된 제품은 개/고양이 모두 사용 가능
 2. 체중별 제품은 정확한 전체 이름 사용 (안텔민킹, 안텔민뽀삐 등)
-3. 짧고 명확하게 (3-5문장)
+3. **응답 길이 조절:**
+   - 기본 질문 ("~추천해줘", "~있어?"): 짧고 명확하게 (2-4문장)
+   - 상세 요청 ("자세히", "상세히", "더 알려줘", "설명해줘", "왜"): 길고 자세하게 (10-15문장)
+     → 📚 RAG 검색 결과 적극 활용, 성분·작용기전·용량·주의사항 상세 설명
+   - 용량/투약 질문: 체중별 표 형식으로 정리
 4. 친근하게 🐕🐱
 5. **업셀링은 자연스럽게** - 강요하지 말고 "~하면 좋아요" 식으로 부드럽게 권유
 
@@ -3217,12 +3221,21 @@ def api_animal_chat():
         try:
             from utils.animal_rag import get_animal_rag
             if last_user_msg:
+                # 상세 질문 감지: 더 많은 컨텍스트 제공
+                detail_keywords = ['자세히', '상세히', '더 알려', '설명해', '왜', '어떻게', '원리', '기전', '성분']
+                is_detail_request = any(kw in last_user_msg for kw in detail_keywords)
+                n_results = 5 if is_detail_request else 3
+                
                 rag = get_animal_rag()
-                vector_results = rag.search(last_user_msg, n_results=3)
+                vector_results = rag.search(last_user_msg, n_results=n_results)
                 log_entry.vector_results_count = len(vector_results)
                 log_entry.vector_top_scores = [r.get('score', 0) for r in vector_results]
                 log_entry.vector_sources = [f"{r.get('source', '')}#{r.get('section', '')}" for r in vector_results]
-                vector_context = rag.get_context_for_chat(last_user_msg, n_results=3)
+                vector_context = rag.get_context_for_chat(last_user_msg, n_results=n_results)
+                
+                # 상세 요청 시 컨텍스트 활용 지시 추가
+                if is_detail_request and vector_context:
+                    vector_context = "⚠️ 아래 RAG 검색 결과를 적극 활용하여 상세하게 답변하세요!\n\n" + vector_context
         except Exception as e:
             logging.warning(f"벡터 검색 실패 (무시): {e}")
         log_entry.vector_duration_ms = int((time.time() - vector_start) * 1000)

backend/utils/animal_rag.py

@@ -243,11 +243,21 @@ class AnimalDrugRAG:
             
             output = []
             for r in results:
+                # L2 거리 (0~∞) → 유사도 (1~0)
+                # 거리가 작을수록 유사도 높음
+                distance = r.get("_distance", 10)
+                score = 1 / (1 + distance)  # 0~1 범위로 변환
+                
+                # 임계값: 유사도 0.3 미만은 제외 (관련 없는 문서)
+                # L2 거리 2.33 이상이면 제외
+                if score < 0.3:
+                    continue
+                    
                 output.append({
                     "text": r["text"],
                     "source": r["source"],
                     "section": r["section"],
-                    "score": 1 - r.get("_distance", 0)  # 거리 → 유사도
+                    "score": score
                 })
             
             return output