docs: 3단계 아키텍처에 DB/베이지안 방법 통합 방안 추가

journey/plans/251126_intent_3step_architecture_plan.md

@@ -353,7 +353,28 @@ SkillSelector.select(ActionPlan) → SkillSequence
 
 ---
 
-## 9. 리스크 및 추가 고려사항
+## 9. DB/베이지안 방법 통합 방안
+
+### 9.1 문제
+
+5가지 TDD 시나리오 테스트 결과 시나리오 2~5가 미비:
+- 시나리오 2: 미구현 의도 처리 - clarify 없음
+- 시나리오 3: 복합 의도 처리 - 단일 액션만 생성
+- 시나리오 4: 맥락 기반 의도 파악 - UNKNOWN 분류
+- 시나리오 5: 모호한 의도 명확화 - clarify 없음
+
+### 9.2 해결 방안
+
+기존 DB/베이지안 방법(`intent_prototypes`, `intent_thresholds`, `intent_path_stats`)을 3단계 아키텍처에 통합:
+- **IntentAnalyzer**: `SemanticIntentClassifier` 재사용, 임베딩 기반 후보 축소
+- **ActionPlanner**: `intent_path_stats`의 Beta(α,β)로 액션 우선순위 조정, 복합 의도 파싱
+- **SkillSelector**: 스킬별 실행 성공률 추적, 미구현 스킬 감지
+
+**상세 내용**: `251126_intent_3step_db_bayesian_integration.md` 참고
+
+---
+
+## 10. 리스크 및 추가 고려사항
 
 - **회귀 및 승인/컨펌 흐름 붕괴 리스크**  
   - 기존 DecisionEngine이 암묵적으로 처리하던 승인/취소/컨펌, 예외 케이스들이 IntentGoal → ActionPlan → SkillSequence 분리 과정에서 깨질 수 있음 (예: 같은 입력인데 캘린더/이메일 오작동).  

journey/troubleshooting/251126_intent_3step_db_bayesian_integration.md

@@ -0,0 +1,165 @@
+# 3단계 의도 파악 아키텍처에 DB/베이지안 방법 통합
+
+**작성일**: 2025-11-26  
+**작성자**: Auto (Claude)  
+**관련 문서**:
+- `251126_intent_3step_architecture_plan.md` - 3단계 아키텍처 계획
+- `251023_happybell80_의도_런타임_하이브리드_임베딩_베이지안_동적학습.md` - 기존 베이지안/임베딩 방법
+
+---
+
+## 1. 문제 발견
+
+### 1.1 시나리오 테스트 결과 미비
+
+5가지 TDD 시나리오 테스트 결과:
+- ✅ **시나리오 1**: 일정 등록 동의 처리 - 통과
+- ❌ **시나리오 2**: 미구현 의도 처리 - "회의실 예약"이 단순 조회로 처리, clarify 없음
+- ❌ **시나리오 3**: 복합 의도 처리 - "검색→분석→이메일"이 단일 SEARCH_WEB만 생성
+- ❌ **시나리오 4**: 맥락 기반 의도 파악 - "그 회사 투자 단계"가 UNKNOWN으로 분류
+- ❌ **시나리오 5**: 모호한 의도 명확화 - "이메일 보내줘"가 clarify 없이 READ_EMAIL로 처리
+
+### 1.2 근본 원인
+
+**현재 구현의 한계**:
+- IntentAnalyzer의 `_fallback_analyze`가 키워드 기반이라 정확도 낮음
+- ActionPlanner가 복합 의도나 모호한 의도를 단일 액션으로 단순화
+- 맥락 기반 의도 파악이 미흡함
+- DB 기반 학습 메커니즘 미활용
+
+---
+
+## 2. 기존 방법 분석
+
+### 2.1 Naive Bayes (intent_bayes.py)
+
+**구현 방식**:
+- `intent_classifier` 테이블에 단어별 doc_count/email_count 저장
+- 메시지 토큰화 후 각 단어의 DB 카운트로 베이지안 사후확률 계산
+- `P(doc|message) = P(message|doc) * P(doc) / P(message)` 형태
+
+**사용 위치**: `DecisionEngine.analyze_intent()`에서 문서/이메일 사전 분류
+
+### 2.2 Semantic Classifier (semantic_classifier.py)
+
+**구현 방식**:
+- `intent_prototypes` 테이블(pgvector)에 intent별 centroid 임베딩 저장
+- `intent_thresholds` 테이블에 semantic/LLM 경로별 임계값 저장
+- 메시지 임베딩과 prototype 임베딩의 코사인 유사도로 Top-K 후보 추출
+
+**사용 위치**: `DecisionEngine._semantic_fallback()`, `IntentGraph.detect()`
+
+### 2.3 베이지안 동적 학습
+
+**구현 방식**:
+- `intent_path_stats` 테이블에 경로별 성공률 Beta(α,β) 추적
+- 성공 시 α+=1, 실패 시 β+=1
+- Thompson Sampling으로 FastPath/LLM/clarify 임계치 동적 최적화
+
+**사용 위치**: 현재 설계 단계, 구현 예정
+
+---
+
+## 3. 새로운 해결책
+
+### 3.1 IntentAnalyzer 통합
+
+**기존 방법 재사용**:
+```python
+# IntentAnalyzer.__init__()
+self.semantic_classifier = SemanticIntentClassifier()  # 기존 인스턴스 재사용
+
+# IntentAnalyzer.analyze_sync()
+top_candidates = self.semantic_classifier.top_k(message, k=3)
+confidence = self.semantic_classifier.confidence(top_candidates)
+```
+
+**개선 방안**:
+1. `intent_prototypes` DB로 임베딩 기반 후보 축소 후 LLM 재분석
+2. 맥락 기반 의도 파악: 최근 대화 컨텍스트와 결합하여 임베딩 유사도 계산
+3. `intent_thresholds`의 임계값으로 confidence 기반 clarify 판단
+
+### 3.2 ActionPlanner 통합
+
+**기존 방법 재사용**:
+```python
+# intent_path_stats 테이블에서 경로별 성공률 조회
+# Beta(α,β) 파라미터로 액션 우선순위 조정
+```
+
+**개선 방안**:
+1. `intent_path_stats`의 Beta(α,β)로 경로별 성공률 기반 액션 우선순위 조정
+2. 복합 의도 파싱: LLM으로 여러 액션 추출 (SEARCH_WEB → ANALYZE_DOCUMENT → SEND_EMAIL)
+3. 모호한 의도 감지: confidence 낮을 때 `requires_clarification=True` 설정
+
+### 3.3 SkillSelector 통합
+
+**기존 방법 재사용**:
+```python
+# 스킬별 실행 성공률을 DB에 추적
+# intent_path_stats 또는 별도 skill_stats 테이블 활용
+```
+
+**개선 방안**:
+1. 스킬별 실행 성공률을 DB에 추적해 동적 스킬 선택 최적화
+2. 미구현 스킬 감지: 스킬 존재 여부 확인 후 없으면 clarify 반환
+3. 스킬 효율성 계산: 기존 `decide_skill_sequence`의 효율성 계산 로직 활용
+
+---
+
+## 4. 기대 효과
+
+### 4.1 시나리오별 개선
+
+- **시나리오 2**: 미구현 스킬 감지 후 clarify 메시지 반환
+- **시나리오 3**: 복합 의도에서 여러 액션 생성 (SEARCH_WEB → ANALYZE_DOCUMENT → SEND_EMAIL)
+- **시나리오 4**: 맥락 기반 의도 파악 정확도 향상 (임베딩 유사도 + 컨텍스트 결합)
+- **시나리오 5**: 모호한 의도 감지 후 clarify 메시지 생성
+
+### 4.2 전반적 개선
+
+- **데이터 기반 학습**: 시간이 지날수록 정확도 향상
+- **동적 임계값 조정**: 베이지안 업데이트로 자동 개선
+- **비용 효율**: FastPath/임베딩 우선, LLM 호출 최소화
+
+---
+
+## 5. 구현 계획
+
+### 5.1 Phase 1: IntentAnalyzer 통합 (1일)
+
+1. `SemanticIntentClassifier` 인스턴스 생성 및 재사용
+2. `intent_prototypes` DB 활용한 임베딩 기반 후보 축소
+3. 맥락 기반 의도 파악 로직 추가
+
+### 5.2 Phase 2: ActionPlanner 통합 (1일)
+
+1. `intent_path_stats` 조회 로직 추가
+2. 복합 의도 파싱 로직 추가 (LLM 활용)
+3. 모호한 의도 감지 및 clarify 로직 추가
+
+### 5.3 Phase 3: SkillSelector 통합 (1일)
+
+1. 스킬 존재 여부 확인 로직 추가
+2. 스킬별 실행 성공률 추적 로직 추가
+3. 동적 스킬 선택 최적화 로직 추가
+
+### 5.4 Phase 4: 테스트 및 검증 (1일)
+
+1. 5가지 시나리오 재테스트
+2. 성능 측정 (정확도, 지연시간, 비용)
+3. DB 데이터 모니터링
+
+---
+
+## 6. 리스크 및 완화
+
+- **DB 의존성**: DB 연결 실패 시 폴백 로직 필수
+- **성능 영향**: 임베딩/DB 조회 추가로 인한 지연시간 증가 가능 → 캐싱 고려
+- **데이터 품질**: `intent_prototypes` 데이터 부족 시 성능 저하 → 시드 데이터 확보
+
+---
+
+**작성 완료**: 2025-11-26  
+**다음 단계**: Phase 1 구현 시작
+