함수형 프로그래밍 100% 원칙 명시 - 하드코딩 0% 목표 강조

plans/250808_감정시스템_현실적용_5단계_로드맵.md

@@ -8,7 +8,10 @@
 - **측정 가능한 성과**: 각 단계마다 명확한 KPI
 - **점진적 복잡도**: 단순 → 복잡으로 진화
 - **서비스 분리**: 단일 장애점 방지
-- **함수형 100%**: 하드코딩 0%, 순수 함수 체인
+- **함수형 프로그래밍 100%**: 하드코딩 0% 목표. 근거없는 하드코딩 값 절대 사용 금지
+  - 모든 값은 설정 파일이나 환경변수에서 로드
+  - 순수 함수 체인으로 구성
+  - 상태 변경 최소화, 불변성 유지
 
 ---
 

plans/250812_감정시스템_Phase1_실행계획.md

@@ -4,6 +4,32 @@
 작성자: Claude (51123 서버)  
 상태: 실행 준비 완료
 
+## 0. 개발 철학 (절대 준수)
+
+### 함수형 프로그래밍 100% 원칙
+- **하드코딩 0% 목표**: 근거없는 하드코딩 값 절대 사용 금지
+- **모든 설정값은 외부화**:
+  - 환경변수 (.env)
+  - 설정 파일 (config.yaml)
+  - DB에서 동적 로드
+- **순수 함수 체인**: 부작용 없는 함수 조합
+- **불변성 유지**: 상태 변경 대신 새 객체 생성
+
+### 예시
+```python
+# ❌ 잘못된 예 (하드코딩)
+def analyze_emotion(text):
+    if len(text) > 100:  # 하드코딩된 값
+        return "neutral"
+    threshold = 0.3  # 하드코딩된 임계값
+
+# ✅ 올바른 예 (함수형)
+def analyze_emotion(text: str, config: Dict) -> Dict:
+    max_length = config.get("max_text_length", 512)
+    threshold = config.get("confidence_threshold", 0.3)
+    # 순수 함수로 처리
+```
+
 ## 1. 현황 분석 결과
 
 ### 1.1 기존 자산
@@ -100,12 +126,13 @@ import torch
 import numpy as np
 
 class EmotionAnalyzer:
-    def __init__(self, model_path="/opt/models/emotion"):
+    def __init__(self, config: Dict):
-        self.model = AutoModelForSequenceClassification.from_pretrained(model_path)
+        # 하드코딩 없음 - 모든 값은 config에서
-        self.tokenizer = AutoTokenizer.from_pretrained(model_path)
+        self.model_path = config["model_path"]
-        self.temperature = 1.232  # from calibration
+        self.model = AutoModelForSequenceClassification.from_pretrained(self.model_path)
-        self.emotions = ['fear', 'surprise', 'anger', 'sadness', 
+        self.tokenizer = AutoTokenizer.from_pretrained(self.model_path)
-                        'neutral', 'happiness', 'disgust']
+        self.temperature = config["temperature_scaling"]  # from calibration.json
+        self.emotions = config["emotion_labels"]  # from config
     
     async def analyze(self, text: str) -> dict:
         inputs = self.tokenizer(text, return_tensors="pt", 
@@ -158,13 +185,18 @@ python convert_to_onnx.py \
     --optimize
 ```
 
-#### 캐싱 구현
+#### 캐싱 구현 (설정 기반)
 ```python
 from functools import lru_cache
 import hashlib
 
 class CachedEmotionAnalyzer(EmotionAnalyzer):
-    @lru_cache(maxsize=1000)
+    def __init__(self, config: Dict):
+        super().__init__(config)
+        self.cache_size = config.get("cache_size", 1000)
+        self.cache_ttl = config.get("cache_ttl_seconds", 300)
+        
+    @lru_cache(maxsize=None)  # maxsize는 동적으로 관리
     def _analyze_cached(self, text_hash: str):
         # 실제 분석 로직
         pass
@@ -229,9 +261,17 @@ locust -f tests/load_test.py --users 10 --spawn-rate 2
 | 낮은 정확도 (56.3%) | 낮 | confidence 임계값 설정 |
 | Cold start | 낮 | 서비스 시작 시 프리로드 |
 
-### 6.2 폴백 전략
+### 6.2 폴백 전략 (설정 기반)
-- confidence < 0.3일 때 neutral로 분류
+```yaml
-- 엔트로피 > 2.8일 때 "복잡한 감정" 표시
+# config.yaml
+fallback:
+  confidence_threshold: 0.3  # DB나 실험으로 결정된 값
+  entropy_threshold: 2.8      # 데이터 분석으로 도출된 값
+  default_emotion: "neutral"  # 기본값
+  skip_on_error: true        # 오류 시 동작
+```
+- confidence < threshold일 때 neutral로 분류
+- 엔트로피 > threshold일 때 "복잡한 감정" 표시
 - 오류 시 감정 분석 스킵하고 진행
 
 ## 7. 작업 분담