diff --git a/ideas/250807_로빙_감정_시스템_설계도.md b/ideas/250807_로빙_감정_시스템_설계도.md
index 2cf4e3b..ad2dc44 100644
--- a/ideas/250807_로빙_감정_시스템_설계도.md
+++ b/ideas/250807_로빙_감정_시스템_설계도.md
@@ -42,9 +42,10 @@
 ## 3. 감정 임베딩 활용
 
 ### 3.1 임베딩 획득
-- **사전학습 모델**: EmoRoBERTa, GoEmotions BERT 등 활용
+- **한국어 우선 모델**: ko-miniLM, multitask-e5, KoSimCSE
+- **영어 모델은 백업**: EmoRoBERTa, GoEmotions BERT (번역 브릿지)
 - **도메인 파인튜닝**: 로빙 대화 로그로 continual learning
-- **대조학습**: 유사 감정은 가깝게, 반대 감정은 멀게
+- **대조학습**: 불안↔안도, 질투↔자긍심 등 반대쌍
 
 ### 3.2 ChromaDB 통합
 - **저장 구조**: 
@@ -60,56 +61,75 @@
   4. 베이지안 결합으로 최종 선택
 
 ### 3.3 임베딩 기반 클러스터링
-- DBSCAN으로 감정 클러스터 발견
+- **HDBSCAN으로 교체**: eps 민감도 문제 해결
+- **UMAP 시각화**: 감정 지도 가시화 (선택)
 - 사용자별 감정 어트랙터 맵핑
-- 클러스터별 공감 전략 사전 계산
+- 클러스터별 공감 전략 프롬프트 캐싱
 
-## 4. 예측-평가 피드백 루프
+## 4. 엔트로피 정의 및 계산
 
-### 4.1 예측 시스템
+### 4.1 프로토타입 소프트맥스 방식
+**흐름**:
+1. 768차원 임베딩과 9개 감정 프로토타입 간 거리 계산
+2. 거리를 소프트맥스로 확률 분포 p로 변환
+3. 엔트로피 H(p) = -Σ(p_i × log p_i) 계산
+4. 특이점 = 엔트로피 급증 + 분류 확률 하락
+
+### 4.2 2헤드 분리 구조
+**기본정서 헤드 (100ms)**:
+- 5개 감정: Joy, Sadness, Anger, Fear, Disgust
+- 낮은 temperature로 결단력 유지
+- 즉각적 반응 처리
+
+**사회기능 헤드 (500ms)**:
+- 4개 감정: Anxiety, Envy, Embarrassment, Ennui
+- 문맥/담화 길이 반영
+- attention window 확장
+
+**통합 방식**:
+- p_total = w × p_basic + (1-w) × p_social
+- w는 발화 길이, 담화 위치, 채널(Slack/이메일)로 동적 결정
+- Beta 분포 사후 기대값으로 w 학습
+
+## 5. 예측-평가 피드백 루프
+
+### 5.1 예측 시스템
 **예측 대상**:
-- 사용자의 감정 변화 (기본정서 → 사회기능 전환)
-- 응답 길이와 패턴 (짧은 답변 vs 긴 대화)
-- 다음 주제 전환 확률
-- 대화 종료 가능성
+- 감정 전환 패턴 (기본정서 → 사회기능)
+- 응답 길이 분포 (Gamma 분포)
+- 주제 전환 확률 (Beta 분포)
+- 대화 지속 시간
 
-**베이지안 예측 모델**:
-```python
-# 기본정서 분포 (에크먼 5개)
-P(basic_emotion_t+1 | history) = Dirichlet([joy, sadness, anger, fear, disgust])
+**베이지안 모델 구조**:
+- 기본정서: Dirichlet(α_basic) - 5차원
+- 사회기능: Dirichlet(α_social) - 4차원
+- 저장/무시: Beta(α, β) - 성공률 추적
+- 응답 길이: Gamma(k, θ) - 토큰 수 분포
 
-# 사회기능 분포 (켈트너 4개)  
-P(social_emotion_t+1 | context) = Dirichlet([anxiety, envy, embarrassment, ennui])
+### 5.2 평가 시스템
+**오차 계산 (3종 병행)**:
+- KL Divergence: 분포 차이 (0 근처 클리핑)
+- Brier Score: 확률 예측 품질
+- ECE: 캘리브레이션 오차
 
-# Thompson Sampling으로 예측
-predicted_emotion = sample_from_posterior()
-```
+**학습 신호 생성**:
+- 표준화된 z-score로 클리핑
+- EMA(지수이동평균)로 평활화
+- 특이점 구간에서만 학습률 2-3배 상승
+- 학습 신호 = 오차 × 엔트로피_증가율 (편향 방지)
 
-### 4.2 평가 시스템
-**시공간 엔트로피 활용**:
-- **시간축**: 예측과 실제의 시간차 엔트로피
-- **공간축**: 768차원 임베딩 공간에서의 예측 오차
-- **특이점**: 예측이 크게 빗나간 순간 = 중요 학습 기회
+## 6. 수학-임베딩-LLM 통합 파이프라인
 
-**오차 계산**:
-```
-예측 오차 = KL_divergence(predicted_distribution, actual_observation)
-엔트로피 증가 = H(t+1) - H(t)
-학습 신호 = 오차 × 엔트로피_증가율
-```
-
-## 5. 수학-임베딩-LLM 통합 파이프라인
-
-### 5.1 처리 흐름
+### 6.1 처리 흐름
 1. **2축 감정 감지**: 기본정서(100ms) + 사회기능(500ms) 병렬 처리
-2. **엔트로피 이상 탐지**: 시공간 엔트로피 변화율 계산
+2. **엔트로피 계산**: 프로토타입 소프트맥스 기반
 3. **임베딩 유사도 계산**: ChromaDB에서 근접 감정 검색
-4. **예측 생성**: 사용자 다음 반응 예측
-5. **LLM 의미 분석**: 불확실성이 높을 때만 호출
+4. **예측 생성**: 베이지안 추론으로 다음 상태 예측
+5. **LLM 호출 결정**: 불확실성 임계값 기반 게이팅
 6. **베이지안 증거 결합**: 모든 신호를 확률적으로 통합
-7. **평가 및 학습**: 예측 vs 실제 비교, 사후분포 업데이트
+7. **평가 및 학습**: 3종 오차(KL/Brier/ECE) 계산, 사후분포 업데이트
 
-### 5.2 시퀀스 다이어그램
+### 6.2 시퀀스 다이어그램
 
 ```mermaid
 sequenceDiagram
@@ -152,30 +172,34 @@ sequenceDiagram
     Eval-->>Predict: 사후분포 업데이트
 ```
 
-### 5.3 중요도 결정 방식
+### 6.3 중요도 결정 방식
 - 잠재 중요도 z ∈ {0,1}
 - 관측: m(엔트로피), e(임베딩 거리), l(LLM 점수)
 - 베이지안 추론으로 P(z=1|m,e,l) 계산
 - Thompson Sampling으로 저장/무시 결정
 
-## 6. 베이지안 학습 시스템
+## 7. 베이지안 학습 시스템
 
-### 6.1 파라미터 학습
-- **윈도우 크기**: Poisson 분포, TD-Error 기반 적응
-- **가중치**: Dirichlet 분포, 사용자 피드백으로 업데이트
-- **임계값**: Beta 분포, 성능 지표로 조정
+### 7.1 파라미터 체계
+**감정 분포**:
+- Dirichlet(α_basic): 5개 기본정서 사전-사후
+- Dirichlet(α_social): 4개 사회기능 사전-사후
 
-### 6.2 계층적 모델
-- **조직 레벨**: 글로벌 사전분포
-- **팀 레벨**: 팀별 특성 학습
-- **개인 레벨**: 개인화된 사후분포
+**의사결정**:
+- Beta(α, β): 저장/무시 성공률 ("저장 후 대화 품질 향상 여부")
+- Gamma(k, θ): 응답 길이(토큰 수), 반응 시간(초) 분포
 
-### 6.3 온라인 업데이트
+**계층 구조**:
+- 조직 → 팀 → 개인의 Dirichlet-Multinomial
+- Cold start는 조직/팀 사전분포로 초기화
+
+### 7.2 온라인 업데이트
 - 실시간 사후분포 갱신
 - 지연 피드백 처리 (backward update)
 - 불확실성 기반 탐색-활용 균형
+- EMA로 평활화, 특이점에서만 학습률 상승
 
-### 6.4 학습 플로우
+### 7.3 학습 플로우
 
 ```mermaid
 flowchart TD
@@ -199,21 +223,28 @@ flowchart TD
     K --> L[다음 행동 결정]
 ```
 
-## 7. 감정-기억 통합
+## 8. 감정-기억 통합
 
-### 7.1 저장 결정
+### 8.1 저장 결정 및 안전장치
+**저장 결정 흐름**:
 - 엔트로피 특이점 검사
-- 임베딩 클러스터 거리
+- 임베딩 클러스터 거리 (HDBSCAN)
 - 베이지안 중요도 추론
 - Thompson Sampling으로 최종 결정
 
-### 7.2 회상 메커니즘
+**프라이버시 게이트**:
+- PII 패턴 감지 (이름, 전화번호, 주민번호 등)
+- 민감 주제 필터 (건강, 재무, 신원정보)
+- 감지 시: 요약만 저장, 원문 폐기
+- 24시간 내 opt-out 옵션 제공
+
+### 8.2 회상 메커니즘
 - 임베딩 기반 빠른 검색 (ChromaDB)
 - 엔트로피 가중 재순위화
 - MMR로 다양성 보장
 - 시간 감쇠 적용
 
-### 7.3 기억 회상 시퀀스
+### 8.3 기억 회상 시퀀스
 
 ```mermaid
 sequenceDiagram
@@ -238,9 +269,9 @@ sequenceDiagram
     Response-->>Query: 관련 기억 반환
 ```
 
-## 8. 공감 시스템
+## 9. 공감 시스템
 
-### 8.1 Inside Out 기반 공감 전략
+### 9.1 Inside Out 기반 공감 전략
 **기본정서 대응**:
 - Joy → 함께 기뻐하기, 축하
 - Sadness → 위로, 경청
@@ -254,63 +285,103 @@ sequenceDiagram
 - Embarrassment → 정상화, 수용
 - Ennui → 새로운 자극 제안
 
-### 8.2 예측 기반 선제적 공감
+### 9.2 예측 기반 선제적 공감
 - 감정 전환 예측 (Sadness → Anger 가능성)
 - 선제적 개입 (전환 전 완화)
 - Thompson Sampling으로 전략 선택
 - 실제 효과로 베이지안 업데이트
 
-## 9. 성능 지표
+## 10. 성능 지표 및 목표치
 
-### 9.1 임베딩 품질
-- **Triplet Accuracy**: 같은 감정이 임베딩 공간에서 가까운 비율
-- **Retrieval NDCG@k**: 관련 기억 검색 정확도
-- **클러스터 순도**: 감정 클러스터의 일관성
+### 10.1 핵심 KPI (3개월 목표)
+- **ECE (Expected Calibration Error)**: ≤ 0.05
+  - 예측 확률과 실제 확률의 정렬도
+  - 측정: 10개 구간별 신뢰도-정확도 차이의 가중평균
+  
+- **Brier Score**: ≤ 0.18
+  - 확률 예측의 전반적 품질
+  - 측정: (예측 - 실제)² 평균
+  
+- **NDCG@10**: ≥ 0.6
+  - 감정 기반 기억 검색 품질
+  - 측정: 상위 10개 결과의 관련도 순위 정확성
 
-### 9.2 예측 정확도
-- **KL Divergence**: 예측 vs 실제 감정 분포
-- **시간 예측 오차**: 감정 전환 타이밍
-- **학습 수렴 속도**: 예측 개선 속도
+### 10.2 보조 지표
+- **응답시간**: 기본정서 100ms, 사회기능 500ms 이내
+- **메모리 사용량**: 사용자당 100MB 이하
+- **학습 수렴**: 100회 상호작용 내 안정화
+- **프라이버시 보호율**: PII 100% 필터링
 
-### 9.3 시스템 성능
-- **엔트로피 감소율**: 중요 순간 포착 능력
-- **베이지안 캘리브레이션**: 확률 예측의 정확도
-- **적응 속도**: 사용자별 수렴 시간
+### 10.3 사용자 경험 지표
+- **감정 인식 정확도**: 사용자 평가 4.0/5.0 이상
+- **공감 반응 만족도**: NPS 40 이상
+- **설명 이해도**: 80% 이상 "이해함" 응답
 
-## 10. 구현 우선순위
+## 11. 구현 우선순위
 
-### Phase 1: 기초 구축
-- Inside Out 9개 감정 정의 (기본 5 + 사회 4)
-- 감정 임베딩 모델 선택 및 통합
-- ChromaDB에 2축 감정 저장 구조
-- 기본 엔트로피 계산기
+### Phase 1: 기초 구축 (2주)
+**함수형 설계 원칙**:
+```
+입력: 텍스트 → 임베딩 → 프로토타입 거리 → 소프트맥스 → 감정분포
+```
+- 9개 감정 프로토타입 정의 (순수 함수)
+- 한국어 임베딩 모델 통합 (ko-miniLM 우선)
+- ChromaDB 메타데이터 구조 확장
+- 프로토타입 소프트맥스 엔트로피 계산
 
-### Phase 2: 예측-평가 시스템
-- 기본정서 예측 모듈 (100ms)
-- 사회기능 예측 모듈 (500ms)
-- 예측 오차 계산 및 로깅
-- 엔트로피 특이점 탐지
+### Phase 2: 예측-평가 시스템 (3주)
+**파이프라인 구성**:
+```
+예측: 현재상태 → 베이지안추론 → 예측분포
+평가: 실제결과 → 오차계산(KL/Brier/ECE) → 사후업데이트
+```
+- 2헤드 병렬 처리 (async/await)
+- 3종 오차 메트릭 구현
+- 베이지안 파라미터 초기화
+- 로깅 및 모니터링 설정
 
-### Phase 3: 통합 파이프라인
-- 2축 병렬 처리 구현
-- 베이지안 증거 결합
-- Thompson Sampling 구현
+### Phase 3: 통합 및 안전장치 (2주)
+**프라이버시 우선**:
+```
+PII감지 → 민감주제필터 → 저장결정 → 24hr옵트아웃
+```
+- Thompson Sampling 의사결정
+- 프라이버시 게이트 구현
 - 실시간 사후분포 업데이트
+- 오류 처리 및 폴백 메커니즘
 
-### Phase 4: 학습 및 최적화
-- 온라인 학습 시스템
-- 개인화된 감정 모델
-- 추론 속도 개선
-- 메모리 효율화
+### Phase 4: 최적화 및 평가 (1주)
+**성능 튜닝**:
+```
+측정 → 병목분석 → 최적화 → 재측정 → KPI검증
+```
+- 추론 속도 최적화 (타겟: 100ms/500ms)
+- 메모리 사용량 프로파일링
+- KPI 대시보드 구축
+- A/B 테스트 프레임워크
 
-## 11. 기술 스택
+## 12. 기술 스택
 
 - **임베딩 모델**: Hugging Face Transformers
 - **벡터 DB**: ChromaDB (이미 사용 중)
 - **베이지안 추론**: Pyro (경량) 또는 TFP (대규모)
 - **함수형 구조**: 순수 함수 + I/O 분리 패턴
 
-## 12. 주요 결정 사항
+## 13. 주요 결정 사항
+
+### 13.1 모델 선택 기준
+1. **한국어 성능**: ko-miniLM > multitask-e5 > KoSimCSE
+2. **추론 속도**: 100ms 제약 내 실행 가능
+3. **메모리**: 모델당 500MB 이하
+4. **라이선스**: 상업적 사용 가능
+
+### 13.2 데이터 현실성
+- **실제 대화 로그**: 최소 1만건 수집 후 시작
+- **라벨링**: 9개 감정 각 1,000개 이상
+- **검증셋**: 20% 홀드아웃, 시간 기준 분할
+- **드리프트 모니터링**: 주간 분포 변화 추적
+
+### 13.3 함수형 아키텍처
 
 1. **임베딩 모델 선택**: 
    - 한국어 지원 여부
@@ -325,7 +396,58 @@ sequenceDiagram
    - 실시간 vs 배치
    - 리소스 vs 반응성
 
-## 13. Inside Out 모델의 학술적 근거
+4. **하드코딩 제거**:
+   - 모든 임계값은 환경변수화
+   - 감정 레이블은 설정 파일로 관리
+   - 모델 경로는 동적 로딩
+
+## 14. skill-embedding 서비스 통합 방안
+
+### 14.1 현재 구조 분석
+**skill-embedding 서비스**:
+- 포트: 8502 (HTTP API)
+- 기능: 텍스트 → 768차원 벡터 변환
+- 모델: sentence-transformers 기반
+
+### 14.2 확장 방안 (흐름 중심)
+
+**감정 프로토타입 엔드포인트 추가**:
+```
+POST /emotion/prototypes
+입력: {"text": "...", "mode": "basic" | "social"}
+처리: 
+  1. 텍스트 임베딩 생성
+  2. 9개 프로토타입과 거리 계산
+  3. 소프트맥스로 확률 분포 변환
+  4. 엔트로피 계산
+출력: {"distribution": [...], "entropy": 0.x, "dominant": "joy"}
+```
+
+**2헤드 병렬 처리**:
+```
+POST /emotion/analyze
+입력: {"text": "...", "context": {...}}
+처리:
+  - 병렬 실행:
+    - 기본정서 헤드 (100ms 타임아웃)
+    - 사회기능 헤드 (500ms 타임아웃)
+  - 가중 결합 (w 동적 계산)
+출력: {"basic": {...}, "social": {...}, "combined": {...}}
+```
+
+### 14.3 함수형 설계 원칙
+- **불변성**: 모든 프로토타입은 읽기 전용
+- **순수 함수**: 부작용 없는 변환 체인
+- **조합 가능**: 각 단계를 독립적으로 테스트
+- **타입 안전**: TypeScript/Pydantic 스키마
+
+### 14.4 성능 최적화
+- **캐싱**: LRU 캐시로 반복 계산 방지
+- **배치 처리**: 여러 텍스트 동시 처리
+- **비동기**: FastAPI async 엔드포인트
+- **연결 풀링**: ChromaDB 연결 재사용
+
+## 15. Inside Out 모델의 학술적 근거
 
 ### 과학 자문진
 - **폴 에크먼** (UC San Francisco): 기본정서 이론 창시자
@@ -340,4 +462,34 @@ sequenceDiagram
 
 ---
 
-*이 설계는 픽사 Inside Out의 2축 감정 모델을 기반으로, 함수형 프로그래밍과 베이지안 추론을 통합한 예측-평가 적응형 시스템입니다. 로빙이 사용자 반응을 예측하고 평가하며 진화하는 진정한 디지털 동료가 됩니다.*
\ No newline at end of file
+*이 설계는 픽사 Inside Out의 2축 감정 모델을 기반으로, 함수형 프로그래밍과 베이지안 추론을 통합한 예측-평가 적응형 시스템입니다. 로빙이 사용자 반응을 예측하고 평가하며 진화하는 진정한 디지털 동료가 됩니다.*
+
+## 16. 검증 및 모니터링
+
+### 16.1 단위 테스트 전략
+```python
+# 함수형 테스트 예시 (의사코드)
+def test_emotion_entropy():
+    # Given: 명확한 감정
+    clear_emotion = [0.9, 0.05, 0.05, 0, 0, 0, 0, 0, 0]
+    assert entropy(clear_emotion) < 0.5
+    
+    # Given: 혼재된 감정
+    mixed_emotion = [0.11] * 9
+    assert entropy(mixed_emotion) > 2.0
+```
+
+### 16.2 통합 테스트
+- **엔드투엔드**: 텍스트 입력 → 감정 분석 → 저장 → 회상
+- **부하 테스트**: 동시 100명 사용자, 응답시간 측정
+- **장애 시나리오**: ChromaDB 다운, 모델 로딩 실패
+
+### 16.3 프로덕션 모니터링
+- **Prometheus 메트릭**: 응답시간, 오차율, 처리량
+- **Grafana 대시보드**: 실시간 KPI 시각화
+- **알람**: ECE > 0.07 또는 Brier > 0.2 시 알림
+- **로그 분석**: 특이점 패턴, 오류 추세
+
+---
+
+**핵심 원칙**: 함수형 100%, 하드코딩 0%, 측정 가능한 성과
\ No newline at end of file