diff --git a/app/sample.py b/app/sample.py
new file mode 100644
index 0000000..791e671
--- /dev/null
+++ b/app/sample.py
@@ -0,0 +1,342 @@
+"""
+LangChain RAG 시스템 with WeaviateVectorStore, 커스텀 임베딩 서비스, Triton Inference Server LLM
+langchain_weaviate 패키지 사용
+"""
+
+import os
+from typing import List, Dict, Any
+
+import requests
+from langchain_core.documents import Document
+from langchain_core.embeddings import Embeddings
+from langchain_core.language_models.llms import LLM
+from langchain_core.output_parsers import StrOutputParser
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.retrievers import BaseRetriever
+from langchain_core.runnables import RunnablePassthrough
+from langchain_weaviate import WeaviateVectorStore  # 새로운 import 방식
+from langchain.schema import AIMessage, HumanMessage
+from langchain_community.document_loaders import TextLoader, DirectoryLoader
+from langchain_text_splitters import RecursiveCharacterTextSplitter
+import weaviate
+from pydantic import BaseModel, Field
+from fastapi import FastAPI
+
+# LangServe 임포트
+from langserve import add_routes
+
+
+# 커스텀 임베딩 모델 클래스 정의
+class CustomEmbeddingModel(Embeddings):
+    """커스텀 엔드포인트를 사용하는 임베딩 모델"""
+
+    def __init__(self, api_url: str):
+        self.api_url = api_url
+
+    def embed_documents(self, texts: List[str]) -> List[List[float]]:
+        """문서 리스트를 임베딩합니다."""
+        embeddings = []
+        for text in texts:
+            embeddings.append(self.embed_query(text))
+        return embeddings
+
+    def embed_query(self, text: str) -> List[float]:
+        """쿼리 텍스트를 임베딩합니다."""
+        response = requests.post(
+            self.api_url,
+            json={"text": text}
+        )
+        if response.status_code != 200:
+            raise ValueError(f"임베딩 API 호출 실패: {response.status_code}, {response.text}")
+
+        return response.json()["embedding"]
+
+
+# 커스텀 LLM 클래스 정의 (Triton Inference Server)
+class TritonLLM(LLM):
+    """Triton Inference Server를 사용하는 LLM"""
+
+    def __init__(self, api_url: str):
+        super().__init__()
+        self.api_url = api_url
+
+    def _call(self, prompt: str, stop: List[str] = None, **kwargs) -> str:
+        """LLM에 프롬프트를 전송하고 응답을 받습니다."""
+        payload = {
+            "prompt": prompt,
+            "max_tokens": kwargs.get("max_tokens", 1024),
+            "temperature": kwargs.get("temperature", 0.7),
+        }
+
+        if stop:
+            payload["stop"] = stop
+
+        response = requests.post(self.api_url, json=payload)
+
+        if response.status_code != 200:
+            raise ValueError(f"LLM API 호출 실패: {response.status_code}, {response.text}")
+
+        return response.json()["text"]
+
+    @property
+    def _llm_type(self) -> str:
+        return "triton-custom-llm"
+
+
+# 문서를 로드하고 청크로 분할하는 함수
+def load_and_split_documents(directory_path: str) -> List[Document]:
+    """디렉토리에서 문서를 로드하고 청크로 분할합니다."""
+    loader = DirectoryLoader(directory_path, glob="**/*.txt", loader_cls=TextLoader)
+    documents = loader.load()
+
+    splitter = RecursiveCharacterTextSplitter(
+        chunk_size=1000,
+        chunk_overlap=200,
+    )
+
+    return splitter.split_documents(documents)
+
+
+# RAG 파이프라인 생성 함수
+def create_rag_pipeline(
+        weaviate_url: str,
+        embedding_url: str,
+        llm_url: str,
+        index_name: str = "Knowledge"
+):
+    """LangChain RAG 파이프라인을 생성합니다."""
+
+    # 임베딩 모델 인스턴스 생성
+    embeddings = CustomEmbeddingModel(api_url=embedding_url)
+
+    # Weaviate 클라이언트 설정
+    client = weaviate.Client(
+        url=weaviate_url
+    )
+
+    # WeaviateVectorStore 생성 - 새로운 방식 적용
+    vectorstore = WeaviateVectorStore(
+        client=client,
+        index_name=index_name,
+        text_key="content",  # 필요에 따라 텍스트 필드 키 설정
+        embedding=embeddings,
+        metadatas_key="metadata",  # 메타데이터 필드 키 설정
+        attributes=["source", "page"]  # 검색 시 포함할 메타데이터 속성
+    )
+
+    # 리트리버 생성
+    retriever = vectorstore.as_retriever(
+        search_kwargs={"k": 5, "score_threshold": 0.7}  # 유사도 임계값 추가
+    )
+
+    # LLM 인스턴스 생성
+    llm = TritonLLM(api_url=llm_url)
+
+    # RAG 프롬프트 템플릿 생성
+    prompt_template = ChatPromptTemplate.from_messages([
+        ("system", """다음 정보를 참고하여 사용자의 질문에 답변하세요:
+        
+{context}
+
+답변할 수 없는 내용이나 주어진 컨텍스트에 없는 내용이면 솔직하게 모른다고 말하세요.
+답변은 주어진 컨텍스트에 기반하여 구체적이고 간결하게 작성하세요."""),
+        ("human", "{question}")
+    ])
+
+    # RAG 파이프라인 조립
+    def format_docs(docs):
+        return "\n\n".join(f"문서: {i+1}\n{doc.page_content}" for i, doc in enumerate(docs))
+
+    rag_chain = (
+            {"context": retriever | format_docs, "question": RunnablePassthrough()}
+            | prompt_template
+            | llm
+            | StrOutputParser()
+    )
+
+    return rag_chain
+
+
+# 문서 인덱싱 함수 - WeaviateVectorStore 사용 방식
+def index_documents(
+        documents: List[Document],
+        weaviate_url: str,
+        embedding_url: str,
+        index_name: str = "Knowledge"
+):
+    """문서를 Weaviate에 인덱싱합니다."""
+    embeddings = CustomEmbeddingModel(api_url=embedding_url)
+
+    # Weaviate 클라이언트 생성
+    client = weaviate.Client(
+        url=weaviate_url
+    )
+
+    # 클래스 존재 여부 확인 및 삭제 (필요한 경우)
+    try:
+        client.schema.get(index_name)
+        client.schema.delete_class(index_name)
+        print(f"기존 '{index_name}' 클래스를 삭제했습니다.")
+    except Exception as e:
+        # 클래스가 존재하지 않는 경우 무시
+        pass
+
+    # 클래스 생성 - WeaviateVectorStore에 맞는 방식으로 스키마 정의
+    class_obj = {
+        "class": index_name,
+        "vectorizer": "none",  # 외부 임베딩을 사용하므로 none
+        "properties": [
+            {
+                "name": "content",
+                "dataType": ["text"]
+            },
+            {
+                "name": "metadata",
+                "dataType": ["object"]
+            }
+        ]
+    }
+
+    client.schema.create_class(class_obj)
+    print(f"'{index_name}' 클래스를 생성했습니다.")
+
+    # WeaviateVectorStore 생성 및 문서 추가
+    vectorstore = WeaviateVectorStore.from_documents(
+        documents=documents,
+        embedding=embeddings,
+        client=client,
+        index_name=index_name,
+        text_key="content",
+        metadatas_key="metadata"
+    )
+
+    print(f"{len(documents)}개의 문서가 성공적으로 인덱싱되었습니다.")
+    return vectorstore
+
+
+# Pydantic 모델 (API 입력용)
+class QueryInput(BaseModel):
+    """쿼리 입력 모델"""
+    question: str = Field(..., description="사용자 질문")
+
+
+# 메인 애플리케이션
+def create_application():
+    """FastAPI 애플리케이션을 생성하고 LangServe 라우트를 추가합니다."""
+    app = FastAPI(
+        title="RAG API with LangChain and LangServe",
+        version="1.0",
+        description="문서 검색과 질문 답변을 위한 RAG API"
+    )
+
+    # 환경 변수 설정 (실제 사용 시 환경 변수나 설정 파일 사용 권장)
+    WEAVIATE_URL = "http://183.111.96.67:32401"
+    EMBEDDING_URL = "http://183.111.86.67:21212/embeding"  # 원본 URL 유지
+    LLM_URL = "http://183.111.85.21:121212"
+    INDEX_NAME = "Knowledge"
+
+    # RAG 파이프라인 생성
+    rag_chain = create_rag_pipeline(
+        weaviate_url=WEAVIATE_URL,
+        embedding_url=EMBEDDING_URL,
+        llm_url=LLM_URL,
+        index_name=INDEX_NAME
+    )
+
+    # LangServe 라우트 추가
+    add_routes(
+        app,
+        rag_chain,
+        path="/rag",
+        input_type=QueryInput
+    )
+
+    # 상태 확인 엔드포인트
+    @app.get("/")
+    def read_root():
+        return {"status": "online", "service": "RAG API"}
+
+    return app
+
+
+# 문서 인덱싱을 위한 스크립트 (별도로 실행)
+def index_documents_script():
+    """문서를 인덱싱하기 위한 스크립트"""
+    import argparse
+
+    parser = argparse.ArgumentParser(description="문서를 Weaviate에 인덱싱합니다.")
+    parser.add_argument("--dir", type=str, required=True, help="문서가 있는 디렉토리 경로")
+    args = parser.parse_args()
+
+    # 환경 변수 설정 (실제 사용 시 환경 변수나 설정 파일 사용 권장)
+    WEAVIATE_URL = "http://183.111.96.67:32401"
+    EMBEDDING_URL = "http://183.111.86.67:21212/embeding"  # 원본 URL 유지
+    INDEX_NAME = "Knowledge"
+
+    # 문서 로드 및 분할
+    documents = load_and_split_documents(args.dir)
+    print(f"{len(documents)}개의 문서 청크가 로드되었습니다.")
+
+    # 문서 인덱싱
+    index_documents(
+        documents=documents,
+        weaviate_url=WEAVIATE_URL,
+        embedding_url=EMBEDDING_URL,
+        index_name=INDEX_NAME
+    )
+
+
+# 고급 기능: 메타데이터 필터링 기능이 있는 쿼리 함수
+def query_with_metadata_filter(
+        question: str,
+        filter_dict: Dict[str, Any],
+        weaviate_url: str,
+        embedding_url: str,
+        llm_url: str,
+        index_name: str = "Knowledge"
+):
+    """메타데이터 필터링을 사용한 쿼리 함수"""
+    embeddings = CustomEmbeddingModel(api_url=embedding_url)
+    client = weaviate.Client(url=weaviate_url)
+
+    # WeaviateVectorStore 생성
+    vectorstore = WeaviateVectorStore(
+        client=client,
+        index_name=index_name,
+        text_key="content",
+        embedding=embeddings,
+        metadatas_key="metadata",
+        attributes=["source", "page"]
+    )
+
+    # 메타데이터 필터를 사용한 검색
+    docs = vectorstore.similarity_search(
+        query=question,
+        k=5,
+        where_filter=filter_dict  # 예: {"metadata.source": "특정파일.txt"}
+    )
+
+    # LLM으로 답변 생성
+    llm = TritonLLM(api_url=llm_url)
+
+    prompt_template = ChatPromptTemplate.from_messages([
+        ("system", "다음 정보를 참고하여 사용자의 질문에 답변하세요:\n\n{context}"),
+        ("human", "{question}")
+    ])
+
+    context_text = "\n\n".join(f"문서: {i+1}\n{doc.page_content}" for i, doc in enumerate(docs))
+
+    response = prompt_template.format(
+        context=context_text,
+        question=question
+    )
+
+    return llm.invoke(response)
+
+
+# LangServe 서버 실행을 위한 메인 함수
+if __name__ == "__main__":
+    import uvicorn
+
+    app = create_application()
+    uvicorn.run(app, host="0.0.0.0", port=8000)