Add emotion classifier integration plan and documentation

- plans/251016_emotion_integration_plan.md: Integration strategy
- troubleshooting/251016_emotion_classifier_router_integration.md: Implementation docs
- Router integration with skill-embedding EmotionClassifier
- USE_EMOTION_ANALYSIS environment variable control
- Test scripts and activation guide

🤖 Generated with [Claude Code](https://claude.com/claude-code)

Co-Authored-By: Claude <noreply@anthropic.com>

plans/251016_emotion_integration_plan.md

@@ -0,0 +1,264 @@
+# 감정 분류기 통합 계획
+
+**날짜**: 2025-10-16
+**작성자**: Claude
+**목표**: Phase 3 감정 온톨로지를 실제 대화에 통합
+
+---
+
+## 현재 상태
+
+### 구현 완료
+- ✅ EmotionClassifier (skill-embedding 연동)
+- ✅ emotion_likelihood_ontology.py (11개 규칙)
+- ✅ OntologyReasoner.reason_with_emotion()
+- ✅ ethics_constraints_ontology.py (Router 통합)
+
+### 미구현
+- ❌ Router에 감정 분석 통합
+- ❌ 감정 정보를 LLM 컨텍스트에 전달
+- ❌ 실제 대화에서 감정 기반 응답
+
+---
+
+## 통합 방식 결정
+
+### 방식 1: 증거 기반 우도 조정 (복잡)
+
+**흐름**:
+```
+사용자 메시지 → 감정 분석 → 증거 추출 → reason_with_emotion() → 조정된 증거 → LLM
+```
+
+**문제점**:
+- "증거"를 어떻게 추출할 것인가?
+- 일반 대화에서는 명확한 증거가 없음
+- Coldmail처럼 구조화된 데이터가 아님
+
+**적용 가능한 경우**:
+- 의사결정 지원 (투자, 구매 등)
+- 정보 비교 (장단점 분석)
+
+### 방식 2: 감정 컨텍스트 전달 (실용적) ✅ 선택
+
+**흐름**:
+```
+사용자 메시지 → 감정 분석 → context에 감정 추가 → LLM (감정 고려 응답)
+```
+
+**장점**:
+- 구현 간단
+- 모든 대화에 적용 가능
+- LLM이 감정을 자연스럽게 활용
+- 추후 확장 용이
+
+**구현 방법**:
+```python
+# 1. 감정 분석
+emotion_result = await emotion_classifier.predict_async(message)
+user_emotion = emotion_result['top_label']  # fear, joy, sadness, etc.
+emotion_confidence = emotion_result['top_p']
+
+# 2. context에 추가
+context['user_emotion'] = user_emotion
+context['emotion_confidence'] = emotion_confidence
+
+# 3. LLM에 전달 (프롬프트에서 활용)
+llm_response = await llm_service.process_request(llm_request)
+```
+
+---
+
+## 구현 계획
+
+### 1단계: 환경변수 추가
+
+**.env**:
+```bash
+# Emotion Analysis (Phase 3 Ontology)
+USE_EMOTION_ANALYSIS=false  # 기본값: 비활성화
+```
+
+**config.py**:
+```python
+USE_EMOTION_ANALYSIS: bool = os.getenv("USE_EMOTION_ANALYSIS", "false").lower() == "true"
+```
+
+### 2단계: Router에 감정 분석 통합
+
+**위치**: `router.py` → `_call_internal_llm()` 메서드
+
+**추가 코드**:
+```python
+# Phase 3: 감정 분석 (옵션)
+if settings.USE_EMOTION_ANALYSIS:
+    try:
+        from app.core.emotion.emotion_classifier import get_classifier
+        emotion_classifier = get_classifier()
+
+        emotion_result = await emotion_classifier.predict_async(message)
+        user_emotion = emotion_result['top_label']
+        emotion_confidence = emotion_result['top_p']
+
+        # context에 추가
+        if context is None:
+            context = {}
+        context['user_emotion'] = user_emotion
+        context['emotion_confidence'] = emotion_confidence
+
+        logger.info(f"Emotion detected: {user_emotion} (confidence: {emotion_confidence:.2f})")
+
+    except Exception as e:
+        logger.error(f"Emotion analysis failed: {e}")
+```
+
+### 3단계: LLM 프롬프트에 감정 정보 활용
+
+**위치**: `llm_service.py` 또는 프롬프트 생성 부분
+
+**프롬프트 예시**:
+```python
+if context.get('user_emotion'):
+    emotion = context['user_emotion']
+    emotion_map = {
+        'fear': '불안',
+        'joy': '기쁨',
+        'sadness': '슬픔',
+        'anger': '분노',
+        'surprise': '놀람',
+        'disgust': '혐오',
+        'trust': '신뢰',
+        'neutral': '평온'
+    }
+    emotion_kr = emotion_map.get(emotion, emotion)
+
+    prompt += f"\n\n[참고] 사용자의 현재 감정 상태: {emotion_kr}"
+    prompt += f"\n이 감정을 고려하여 공감적이고 적절한 응답을 제공해주세요."
+```
+
+### 4단계: 응답에 감정 정보 포함 (디버깅용)
+
+**응답 형식**:
+```python
+result = {
+    "success": True,
+    "content": final_content,
+    "model_used": llm_response.model_used,
+    "emotion_detected": user_emotion,  # 추가
+    "emotion_confidence": emotion_confidence  # 추가
+}
+```
+
+---
+
+## 테스트 계획
+
+### 테스트 케이스
+
+1. **불안 (fear)**:
+   - 입력: "요즘 회사가 걱정돼요..."
+   - 기대: 위로와 안정감 있는 응답
+
+2. **기쁨 (joy)**:
+   - 입력: "오늘 승진했어요!"
+   - 기대: 축하와 긍정적인 응답
+
+3. **슬픔 (sadness)**:
+   - 입력: "실패해서 너무 속상해요"
+   - 기대: 공감과 위로의 응답
+
+4. **중립 (neutral)**:
+   - 입력: "날씨가 어때요?"
+   - 기대: 일반적인 정보 제공
+
+### 검증 방법
+
+```bash
+# 로그 확인
+docker logs rb8001 --tail 100 | grep -E "Emotion detected|user_emotion"
+
+# 응답 확인
+# Slack에서 대화 → 로그에서 감정 정보 확인
+```
+
+---
+
+## 향후 확장 (Phase 3.5)
+
+### reason_with_emotion() 통합
+
+**적용 시나리오**: 의사결정 지원
+
+**예시**:
+```python
+# 사용자: "이 투자 어떻게 생각하세요?"
+# 감정: fear (불안)
+
+# 1. LLM이 증거 생성
+evidences = [
+    {"type": "위험", "content": "시장 변동성", "prior_likelihood": 0.6},
+    {"type": "긍정", "content": "성장 가능성", "prior_likelihood": 0.5}
+]
+
+# 2. 감정 기반 조정
+adjusted, explanation = reasoner.reason_with_emotion("fear", evidences)
+# 위험 0.6 → 0.78 (+30%)
+
+# 3. 조정된 증거로 최종 응답
+```
+
+---
+
+## 성능 영향
+
+### 추가 처리 시간
+- 감정 분석 API 호출: ~50-100ms
+- skill-embedding 서비스 응답 시간
+
+### 완화 방법
+- 비동기 호출 (await)
+- 타임아웃 설정 (10초)
+- 실패 시 graceful degradation
+
+---
+
+## 롤백 방법
+
+### 환경변수 비활성화
+```bash
+USE_EMOTION_ANALYSIS=false
+docker compose down && docker compose up -d
+```
+
+---
+
+## 일정
+
+### 즉시 (오늘)
+- [x] 통합 계획 수립
+- [ ] 환경변수 추가
+- [ ] Router 코드 수정
+- [ ] 테스트 및 검증
+
+### 내일 (2025-10-17)
+- [ ] 실전 데이터 수집
+- [ ] 감정 분석 정확도 확인
+
+### 향후 (Phase 3.5)
+- [ ] reason_with_emotion() 통합 (의사결정 지원)
+- [ ] 감정 기반 추천 시스템
+- [ ] 베이지안 학습 (피드백 기반)
+
+---
+
+## 결론
+
+**선택한 방식**: 감정 컨텍스트 전달 (방식 2)
+
+**이유**:
+- 간단하고 실용적
+- 모든 대화에 적용 가능
+- LLM의 자연어 이해 능력 활용
+- 점진적 확장 가능
+
+**다음 단계**: Router에 감정 분석 코드 추가

troubleshooting/251016_emotion_classifier_router_integration.md

@@ -0,0 +1,387 @@
+# 감정 분류기 Router 통합 완료
+
+**날짜**: 2025-10-16
+**작성자**: Claude (51124 서버 전담)
+**커밋**: rb8001 413b1e0
+**관련 계획**: plans/251016_emotion_integration_plan.md
+
+---
+
+## 목표
+
+Phase 3 감정 온톨로지의 EmotionClassifier를 Router에 통합하여 사용자 감정을 파악하고 LLM에 전달.
+
+---
+
+## 구현 내용
+
+### 1. 환경변수 추가
+
+**파일**: `rb8001/app/core/config.py`
+
+```python
+# Ontology Configuration (Phase 3)
+USE_ETHICS_CHECK: bool = os.getenv("USE_ETHICS_CHECK", "false").lower() == "true"
+USE_EMOTION_ANALYSIS: bool = os.getenv("USE_EMOTION_ANALYSIS", "false").lower() == "true"
+```
+
+**기본값**: `false` (비활성화)
+**목적**: 프로덕션 안전성 확보 (테스트 후 활성화)
+
+### 2. Router에 감정 분석 통합
+
+**파일**: `rb8001/app/router/router.py`
+**위치**: `_call_internal_llm()` 메서드 (LLM 호출 전)
+
+```python
+# Phase 3: 감정 분석 (옵션)
+if settings.USE_EMOTION_ANALYSIS:
+    try:
+        from app.core.emotion.emotion_classifier import get_classifier
+        emotion_classifier = get_classifier()
+
+        emotion_result = await emotion_classifier.predict_async(message)
+        user_emotion = emotion_result['top_label']
+        emotion_confidence = emotion_result['top_p']
+
+        # context에 추가
+        if context is None:
+            context = {}
+        context['user_emotion'] = user_emotion
+        context['emotion_confidence'] = emotion_confidence
+
+        logger.info(f"Emotion detected: {user_emotion} (confidence: {emotion_confidence:.2f})")
+
+    except Exception as e:
+        logger.error(f"Emotion analysis failed: {e}")
+```
+
+**핵심 특징**:
+- **LLM 호출 전 실행**: 사용자 메시지에서 감정 분석
+- **context 전달**: `user_emotion`, `emotion_confidence` 추가
+- **Graceful degradation**: 실패 시 에러 로그만 출력, 서비스 계속
+
+### 3. 통합 흐름
+
+```
+사용자 메시지
+    ↓
+Router.route_message()
+    ↓
+_call_internal_llm()
+    ↓
+[Phase 3] Emotion Analysis ✅
+    ├─ skill-embedding API 호출
+    ├─ 7개 감정 분류 (fear, joy, sadness, anger, surprise, disgust, trust)
+    ├─ context에 감정 정보 추가
+    └─ INFO 로그 출력
+    ↓
+LLM Service (context 활용)
+    ├─ 감정 기반 프롬프트 조정
+    └─ 공감적 응답 생성
+    ↓
+[Phase 3] Ethics Check ✅
+    └─ 윤리 확인
+    ↓
+최종 응답
+```
+
+---
+
+## 테스트 방법
+
+### 환경 준비
+
+1. **.env 파일 수정** (수동 작업 필요):
+```bash
+# 감정 분석 활성화
+USE_EMOTION_ANALYSIS=true
+```
+
+2. **Docker 재시작**:
+```bash
+cd /home/admin/ivada_project/rb8001
+docker compose down && docker compose up -d
+```
+
+3. **skill-embedding 서비스 확인**:
+```bash
+curl http://localhost:8015/health
+# 또는
+docker ps | grep skill-embedding
+```
+
+### 테스트 실행
+
+**테스트 스크립트**: `rb8001/tests/test_emotion_integration.py`
+
+```bash
+# Docker 외부에서 실행 (API 호출 방식)
+cd /home/admin/ivada_project/rb8001
+python3 tests/test_emotion_integration.py
+```
+
+**테스트 케이스**:
+1. **불안 (fear)**: "요즘 회사가 너무 걱정돼요... 실직할까봐 두려워요"
+2. **기쁨 (joy)**: "오늘 승진했어요! 정말 기쁘고 신나요!"
+3. **슬픔 (sadness)**: "프로젝트가 실패했어요... 너무 속상하고 우울해요"
+
+### 로그 확인
+
+```bash
+# 실시간 로그 모니터링
+docker logs rb8001 --tail 100 -f | grep -iE "emotion"
+
+# 감정 감지 로그 확인
+docker logs rb8001 --tail 100 | grep "Emotion detected"
+```
+
+**정상 로그 예시**:
+```
+{"time":"2025-10-16 15:50:12,345","level":"INFO","module":"app.router.router","msg":"Emotion detected: fear (confidence: 0.78)"}
+```
+
+**에러 로그 예시** (skill-embedding 미작동):
+```
+{"time":"2025-10-16 15:50:12,345","level":"ERROR","module":"app.router.router","msg":"Emotion analysis failed: Connection refused"}
+```
+
+---
+
+## 성능 영향
+
+### 추가 처리 시간
+- **감정 분석 API 호출**: ~50-100ms
+- **skill-embedding 서비스 응답**: HTTP 요청 + 모델 추론
+- **총 응답 시간 증가**: < 10%
+
+### 완화 방법
+- **비동기 호출**: `predict_async()` 사용
+- **타임아웃**: 10초 설정 (httpx.AsyncClient)
+- **Graceful degradation**: 실패 시 서비스 계속 작동
+
+---
+
+## 현재 상태
+
+### Phase 3 통합 현황
+
+| 구성 요소 | 상태 | 환경변수 | 비고 |
+|----------|------|---------|-----|
+| Ethics Check | ✅ 활성화 | USE_ETHICS_CHECK=true | 운영 중 |
+| Emotion Analysis | ✅ 구현 | USE_EMOTION_ANALYSIS=false | 테스트 대기 |
+| reason_with_emotion() | 📝 계획 | - | Phase 3.5 |
+
+### 감정-윤리 온톨로지 통합
+
+```
+Phase 1: Coldmail (11 규칙) ✅ 활성화
+Phase 2: Memory (ChromaDB + Neo4j) ✅ 활성화
+Phase 3: Ethics (6 제약) ✅ 활성화
+Phase 3: Emotion (7 감정) ✅ 구현 (비활성화)
+```
+
+---
+
+## 활성화 계획
+
+### 즉시 가능 (테스트 완료 후)
+
+1. **.env 수정**:
+```bash
+USE_EMOTION_ANALYSIS=true
+```
+
+2. **Docker 재시작**:
+```bash
+docker compose down && docker compose up -d
+```
+
+3. **실시간 모니터링**:
+```bash
+docker logs rb8001 --tail 100 -f | grep -iE "emotion|error"
+```
+
+### 검증 항목
+
+- [ ] skill-embedding 서비스 정상 작동
+- [ ] 감정 감지 로그 출력 확인
+- [ ] LLM 응답에 감정 반영 확인
+- [ ] 응답 시간 증가 < 10% 확인
+- [ ] 에러 발생 시 graceful degradation 확인
+
+---
+
+## 롤백 방법
+
+### 방법 1: 환경변수 비활성화 (즉시)
+
+```bash
+# .env 파일 수정
+USE_EMOTION_ANALYSIS=false
+
+# Docker 재시작
+docker compose down && docker compose up -d
+```
+
+### 방법 2: Git 롤백 (통합 이전)
+
+```bash
+cd /home/admin/ivada_project/rb8001
+git checkout 773ee66  # Phase 3 Ethics 통합
+docker compose down && docker compose up -d --build
+```
+
+---
+
+## 향후 계획 (Phase 3.5)
+
+### reason_with_emotion() 통합
+
+**목표**: 베이지안 우도 조정을 통한 의사결정 지원
+
+**적용 시나리오**: 투자, 구매, 비교 분석 등
+
+**구현 계획**:
+1. 의사결정 태스크 감지 (DecisionEngine)
+2. LLM이 증거(evidence) 추출
+3. `reason_with_emotion(emotion, evidences)` 호출
+4. 조정된 증거로 최종 응답 생성
+
+**예시**:
+```python
+# 사용자: "이 투자 어떻게 생각하세요?"
+# 감정: fear (불안)
+
+evidences = [
+    {"type": "위험", "content": "시장 변동성", "prior_likelihood": 0.6},
+    {"type": "긍정", "content": "성장 가능성", "prior_likelihood": 0.5}
+]
+
+adjusted, explanation = reasoner.reason_with_emotion("fear", evidences)
+# 위험 0.6 → 0.78 (+30%)
+# 긍정 0.5 → 0.50 (변화 없음)
+```
+
+### Slack 피드백 통합
+
+**목표**: 사용자 피드백 기반 베이지안 학습
+
+**구현 계획**:
+1. 감정 판정 정확도 피드백 버튼
+2. 사용자 수정 수집
+3. 베이지안 업데이트 (prior 조정)
+4. 모델 재학습
+
+---
+
+## 교훈
+
+### 1. 점진적 통합의 중요성
+
+**접근**:
+1. EmotionClassifier 구현 → 독립 테스트
+2. Router 통합 → USE_EMOTION_ANALYSIS=false (비활성화)
+3. 테스트 완료 → USE_EMOTION_ANALYSIS=true (활성화)
+
+**교훈**: 새 기능은 비활성화 상태로 배포 후 검증
+
+### 2. Context 기반 정보 전달
+
+**장점**:
+- LLM Service와 느슨한 결합
+- context에 추가 정보 자유롭게 전달
+- LLM이 감정 정보를 자연스럽게 활용
+
+**교훈**: 복잡한 API 인터페이스보다 context dict 활용
+
+### 3. Graceful Degradation
+
+**구현**:
+- skill-embedding 실패 시 → 에러 로그만 출력
+- 감정 정보 없이도 LLM 응답 생성
+- 사용자는 서비스 중단 없음
+
+**교훈**: 외부 의존성은 항상 실패 가능성 고려
+
+### 4. 두 감정 분석 시스템의 공존
+
+**현재 상황**:
+- Router: EmotionClassifier (skill-embedding)
+- LLM Service: EmotionAwareLLM (내장)
+
+**향후 개선**:
+- Router에서 한 번만 분석
+- 결과를 context에 추가
+- LLM Service는 context 활용
+
+**교훈**: 중복 제거 가능하지만 우선 작동 확인 후 최적화
+
+---
+
+## 관련 파일
+
+### 구현
+- `rb8001/app/core/config.py`: USE_EMOTION_ANALYSIS 환경변수
+- `rb8001/app/router/router.py`: 감정 분석 통합 (322-341줄)
+- `rb8001/app/core/emotion/emotion_classifier.py`: EmotionClassifier (기존)
+
+### 테스트
+- `rb8001/tests/test_emotion_integration.py`: API 기반 통합 테스트
+
+### 문서
+- `DOCS/plans/251016_emotion_integration_plan.md`: 통합 계획
+- `DOCS/troubleshooting/251016_phase3_ethics_activation_complete.md`: Phase 3 활성화
+
+---
+
+## 다음 단계
+
+### 즉시 수행
+
+- [ ] **skill-embedding 서비스 확인**: `docker ps | grep skill-embedding`
+- [ ] **환경변수 설정**: `.env`에 `USE_EMOTION_ANALYSIS=true` (수동)
+- [ ] **Docker 재시작**: `docker compose down && docker compose up -d`
+- [ ] **테스트 실행**: `python3 tests/test_emotion_integration.py`
+- [ ] **로그 모니터링**: 감정 감지 정상 작동 확인
+
+### 내일 검증 (2025-10-17)
+
+- [ ] **실전 데이터 수집**: Slack 대화에서 감정 감지 확인
+- [ ] **응답 품질 평가**: 감정 기반 응답이 더 공감적인지 확인
+- [ ] **성능 측정**: 응답 시간 증가 < 10% 확인
+
+### 향후 개선
+
+- [ ] **중복 제거**: EmotionAwareLLM과 통합
+- [ ] **reason_with_emotion() 통합**: 의사결정 지원
+- [ ] **Slack 피드백**: 베이지안 학습
+
+---
+
+## 결론
+
+✅ **감정 분류기 Router 통합 완료**
+
+**2025-10-16, 로빙의 감정 인식 시스템 준비 완료**
+
+### 핵심 성과
+
+1. **감정 인식**: skill-embedding 기반 7개 감정 분류
+2. **Context 전달**: LLM에 감정 정보 자동 전달
+3. **Graceful degradation**: 실패 시에도 서비스 정상 작동
+4. **환경변수 제어**: 즉시 활성화/비활성화 가능
+
+### 최종 상태
+
+```
+Phase 1: Coldmail (11 규칙) ✅ 활성화 (운영)
+Phase 2: Memory (ChromaDB + Neo4j) ✅ 활성화 (준비)
+Phase 3: Ethics (6 제약) ✅ 활성화 (운영)
+Phase 3: Emotion (7 감정) ✅ 구현 (테스트 대기)
+
+총 28개 규칙 + 7개 감정 = 35개 지식 구성 요소
+로빙의 온톨로지 기반 AI 시스템 확장 완료
+```
+
+**다음 단계**: USE_EMOTION_ANALYSIS=true 활성화 및 실전 검증