feat(backend): integrate pinecone-based RAG pipeline

[youneedpython]

✨ 변경 사항 요약

본 PR에서는 백엔드 챗 API에 Pinecone 기반의
Retrieval-Augmented Generation(RAG) 파이프라인을 통합했습니다.

기존의 LLM 단독 응답 구조에서 벗어나,
사용자 질문에 대해 Pinecone VectorDB에 저장된 법률 문서 조각을 검색한 뒤
해당 문서를 근거로 답변을 생성하도록 개선했습니다.

---

🧠 주요 변경 내용

• Pinecone VectorDB를 사용하는 Retriever 서비스 추가
• 다음 요소를 결합한 RAG 체인 구현
  • DB에 저장된 대화 히스토리
  • Pinecone에서 검색된 관련 문서 컨텍스트
  • LLM 기반 답변 생성
• 체인은 stateless 구조를 유지하여 캐싱 및 확장성 고려
• RAG 관련 설정을 app/core/config.py에서 일원화하여 환경별 관리 가능하도록 구성

---

🏗️ 아키텍처 설계 포인트

• 기존 문서 인덱싱 파이프라인(scripts/indexing)은 변경 없음
• 대화 히스토리는 기존과 동일하게 DB를 단일 진실의 원천으로 사용
• Retrieval은 요청 시점의 사용자 질문을 기준으로 수행
• dev / prod 환경 분리를 고려한 구조로 설계

---

🚀 dev 환경 검증 방법

1. dev Elastic Beanstalk 환경에 배포
2. 전세사기·임대차 관련 질문으로 chat API 호출
3. CloudWatch 로그에서 다음 메시지 확인
   • Retrieved N documents from Pinecone
4. 문서 기반 설명이 반영된 응답 생성 여부 확인

---

🔮 후속 작업 (본 PR 범위 외)

• API 응답에 검색된 문서 출처(sources) 노출
• 후속 질문에 대한 Retrieval 품질 개선(질문 재작성 등)
• RAG 파라미터(top_k, 컨텍스트 길이) 튜닝