docs: 로빙 감정 시스템 설계도 작성

- IRL 기반 자율 학습형 감정 모델 - VAD 3차원 감정 상태 구조 (불변 객체) - EMA 모델 기반 감정 동역학 - 평가 이론 + 암묵적 피드백 학습 - 감정-기억-윤리 삼각형 통합 - 공감 전략 및 뉘앙스 감지 - 감정 궤적 샘플링 및 시각화 - 함수형 100%, 하드코딩 0% (모든 상수는 수학적 의미) - 피보나치 관찰 윈도우 (13-21-34) - 혼합 샘플링 전략 (주기 3 + 변화량 0.15)
2025-08-08 00:19:34 +09:00 · 2025-08-08 00:19:34 +09:00 · e27f067229
commit e27f067229
parent cce4804d86
1 changed files with 379 additions and 0 deletions
--- a/ideas/250807_로빙_감정_시스템_설계도.md
+++ b/ideas/250807_로빙_감정_시스템_설계도.md
@ -0,0 +1,379 @@
+# 로빙 감정 시스템 설계도
+
+**작성일**: 2025-08-07  
+**작성자**: happybell80 & Claude  
+**상태**: 설계 완료, 구현 대기
+
+## 1. 감정 시스템 철학
+
+### 핵심 원칙
+- **감정은 평가다**: 상황을 목표/신념과 비교해 자율적으로 감정 생성 (Appraisal Theory)
+- **감정은 학습된 보상 함수다**: IRL을 통해 사용자 행동에서 암묵적 선호 학습
+- **기억-감정-윤리 삼각형**: 세 요소가 상호작용하며 로빙의 존재성 구성
+- **함수형 100%, 하드코딩 0%**: 모든 상수는 수학적 의미 보유
+
+## 2. 감정 상태 구조
+
+### 2.1 기본 구조 (불변 객체)
+```python
+EmotionState = {
+    # 핵심 3차원 (0~1 실수 통일)
+    core: {
+        valence: float,    # 쾌-불쾌 [-π, π] → [0, 1] 정규화
+        arousal: float,    # 활성화 [0, e] → [0, 1] 정규화  
+        dominance: float   # 통제감 [-φ, φ] → [0, 1] 정규화
+    },
+    
+    # 감정 레이어
+    layers: {
+        primary: [joy, sadness, anger, fear, surprise, disgust],  # 6개 기본
+        secondary: [nostalgia, pride, guilt, hope, ...],          # 13개 복합
+        contextual: [urgency, celebration, routine]               # 상황별
+    },
+    
+    # 메타 정보
+    history: RingBuffer[13],  # 피보나치 F(7) = 13개 이전 상태
+    resonance: float,         # 사용자와의 감정 동조율 (1/π = 0.318...)
+    
+    # 시간 정보
+    timestamp: str,
+    decay_factor: float       # 1/e = 0.368...
+}
+```
+
+### 2.2 감정 동역학 (EMA 모델)
+```
+dE/dt = α * Appraisal(t) - δ * E(t)
+
+where:
+  α = 1/φ = 0.618...  # 감정 흡수율 (황금비 역수)
+  δ = 1/e = 0.368...  # 감정 감쇠율 (자연 감쇠)
+```
+
+## 3. 감정 파이프라인
+
+### 3.1 처리 순서 (순수 함수 체인)
+```
+1. 사용자 입력
+   ↓
+2. 언어 분석 (토큰, 감탄사, 이모티콘, 침묵 패턴)
+   ↓
+3. 평가 기반 감정 추론 (Appraisal Theory)
+   ↓
+4. IRL 보상 함수 적용
+   ↓
+5. 메모리 기반 조정 (과거 유사 상황)
+   ↓
+6. 윤리 프리-패스 위험 검사 (선택적)
+   ↓
+7. 윤리 필터 적용 (필수)
+   ↓
+8. 공감 전략 선택
+   ↓
+9. 최종 감정 표현 생성
+```
+
+### 3.2 핵심 함수들
+
+#### 평가 기반 감정 생성
+```python
+def appraise_situation(event, robing_goals, robing_beliefs):
+    """평가 이론 기반 감정 생성 - 순수 함수"""
+    relevance = dot_product(event.features, robing_goals) / π
+    congruence = cosine_similarity(event.outcome, robing_goals) * φ
+    coping_potential = evaluate_control(event) * sqrt(2)
+    
+    # VAD 매핑
+    valence = congruence
+    arousal = relevance * exp(-uncertainty)
+    dominance = coping_potential / (1 + exp(-control))
+    
+    return EmotionState(valence, arousal, dominance)
+```
+
+#### 감정 진화
+```python
+def evolve_emotion(current, stimulus, memories):
+    """시간에 따른 감정 변화 - 순수 함수"""
+    decay_rate = 1/e           # 0.368...
+    resonance_factor = φ        # 1.618...
+    surprise_threshold = π/e    # 1.155...
+    
+    # 가중 조합
+    decayed = current * decay_rate
+    stimulated = stimulus * resonance_factor
+    memory_influence = calculate_memory_effect(memories)
+    
+    # 놀람 처리
+    if emotion_distance(current, stimulus) > surprise_threshold:
+        surprise_boost = sqrt(π)
+    else:
+        surprise_boost = 1.0
+    
+    return weighted_combination([
+        (decayed, 1/3),
+        (stimulated, 1/3),
+        (memory_influence, 1/3)
+    ]) * surprise_boost
+```
+
+## 4. IRL 기반 학습 시스템
+
+### 4.1 관찰 윈도우 전략
+```python
+observation_window = {
+    'base': 13,        # 피보나치 F(7)
+    'extended': 21,    # 피보나치 F(8)
+    'maximum': 34      # 피보나치 F(9)
+}
+
+def adaptive_window_size(td_errors, current_size):
+    """TD-Error 기반 적응형 윈도우 크기 조정"""
+    if mean(td_errors[-2:]) < ε:
+        return current_size
+    elif current_size == 13:
+        return 21
+    elif current_size == 21:
+        return 34
+    else:
+        return 34  # 최대값 유지
+```
+
+### 4.2 암묵적 피드백 학습
+```python
+def learn_from_implicit_feedback(user_behavior):
+    """사용자 행동에서 보상 함수 추론"""
+    signals = {
+        'task_completion': bool,
+        'response_acceptance': float,  # 0~1
+        'conversation_duration': float,
+        'topic_switches': int,
+        'silence_duration': float,
+        'typing_speed_variance': float
+    }
+    
+    # IRL로 보상 함수 추론
+    R_learned = argmax_R(sum(log(P(τ_i | R)) for τ_i in trajectories))
+    
+    # 참여도 점수 계산
+    engagement = exp(-latency/τ) * log(1 + message_length)
+    
+    if engagement < 1/e:  # 낮은 참여도
+        trigger_adaptation()
+    
+    return R_learned
+```
+
+### 4.3 선호도 쌍 학습
+```python
+def generate_preference_pairs(current_trajectory):
+    """대조군 생성 전략"""
+    # 드롭아웃 변형
+    τ_dropout = randomly_remove_segments(current_trajectory)
+    
+    # 노이즈 변형
+    noise = normal_distribution(0, std_dev * π)
+    τ_noisy = current_trajectory + noise
+    
+    # 노이즈 제한
+    if max(abs(noise)) > 0.3:
+        τ_noisy = clip(τ_noisy, -0.3, 0.3)
+    
+    return [(current_trajectory, τ_dropout),
+            (current_trajectory, τ_noisy)]
+```
+
+## 5. 감정-기억-윤리 통합
+
+### 5.1 감정 기반 메모리 관리
+```python
+def store_with_emotion(memory, emotion_state):
+    """감정 강도 기반 저장 우선순위"""
+    emotion_intensity = mean([
+        abs(emotion_state.valence - 0.5),
+        emotion_state.arousal,
+        abs(emotion_state.dominance - 0.5)
+    ])
+    
+    # 깜놀 메모리 (놀람 가중치)
+    if emotion_state.layers.primary.surprise > π/e:
+        surprise_multiplier = sqrt(e)
+    else:
+        surprise_multiplier = 1.0
+    
+    storage_priority = emotion_intensity * surprise_multiplier
+    
+    return storage_priority > 1/φ  # 저장 임계값
+```
+
+### 5.2 윤리 필터 통합
+```python
+def apply_ethical_filter(emotion_state, action, ethical_rules):
+    """윤리 규칙에 따른 감정 조절"""
+    if not is_ethical_action(action, ethical_rules):
+        # 윤리 위반 시 감정 억제
+        moral_gravity = 1/sqrt(φ)  # 0.786...
+        
+        suppressed_emotion = EmotionState(
+            valence=emotion_state.valence * moral_gravity,
+            arousal=emotion_state.arousal * moral_gravity,
+            dominance=emotion_state.dominance
+        )
+        
+        return suppressed_emotion, use_ethical_template()
+    
+    return emotion_state, None
+```
+
+## 6. 감정 궤적 관리
+
+### 6.1 샘플링 전략
+```python
+sampling_config = {
+    'fixed_interval': 3,      # floor(φ²) ≈ 3
+    'change_threshold': 0.15, # sqrt(3) * 0.087
+    'max_samples': 100        # 10² 제한
+}
+
+def sample_emotion_trajectory(current, previous, samples):
+    """혼합 샘플링: 주기 + 변화량"""
+    time_since_last = current.timestamp - previous.timestamp
+    distance = euclidean_distance(current.core, previous.core)
+    
+    # 주기적 샘플링
+    if time_since_last >= sampling_config['fixed_interval']:
+        return True
+    
+    # 급격한 변화 감지
+    if distance >= sampling_config['change_threshold']:
+        return True
+    
+    return False
+```
+
+### 6.2 감정 발자취 시각화
+```python
+def generate_emotional_footprint(trajectory):
+    """VAD 공간에서의 감정 궤적 데이터"""
+    return {
+        'path_3d': [(v, a, d) for v, a, d in trajectory],
+        'metrics': {
+            'volatility': sum(abs(dE/dt) for dE in derivatives),
+            'exploration': calculate_path_length(trajectory),
+            'stability': 1 / variance(trajectory),
+            'coherence': autocorrelation(trajectory)
+        },
+        'visualization': {
+            'heatmap': density_in_VAD_space(trajectory),
+            'phase_portrait': [(E, dE/dt) for E, dE in zip(trajectory, derivatives)],
+            'recurrence_plot': distance_matrix(trajectory)
+        }
+    }
+```
+
+## 7. 공감 시스템
+
+### 7.1 공감 전략 선택
+```python
+def select_empathy_strategy(user_emotion, robing_emotion):
+    """감정 거리 기반 공감 전략"""
+    distance = euclidean_distance(user_emotion, robing_emotion)
+    
+    if distance < 1/φ:           # 0.618... 매우 가까움
+        return 'emotional_reflection'  # 감정 반영
+    elif distance < 1/sqrt(φ):   # 0.786... 가까움
+        return 'acknowledgment'        # 인정
+    elif distance < φ/π:         # 0.515... 보통
+        return 'cognitive_reframing'   # 인지 재구성
+    else:
+        return 'solution_focused'      # 해결 중심
+```
+
+### 7.2 뉘앙스 감지
+```python
+def detect_nuance(surface_text, context_history, behavioral_cues):
+    """숨겨진 감정 감지"""
+    # 표면 감정
+    surface_emotion = analyze_text_emotion(surface_text)
+    
+    # 행동 단서
+    response_latency = behavioral_cues['response_time']
+    typing_pattern = behavioral_cues['typing_speed']
+    correction_rate = behavioral_cues['corrections']
+    
+    # 회피 패턴
+    avoided_topics = identify_topic_changes(context_history)
+    
+    # 진짜 감정 추론
+    hidden_emotion = bayesian_inference(
+        surface_emotion,
+        response_latency,
+        typing_pattern,
+        correction_rate,
+        avoided_topics
+    )
+    
+    return hidden_emotion if confidence > 1/e else surface_emotion
+```
+
+## 8. 구현 우선순위
+
+### Phase 1: 기본 감정 시스템
+1. EmotionState 불변 객체 구현
+2. VAD 기반 감정 동역학
+3. 기본 평가 함수
+
+### Phase 2: 학습 시스템
+1. IRL 관찰 윈도우
+2. 암묵적 피드백 수집
+3. 적응형 보상 함수
+
+### Phase 3: 통합 시스템
+1. 감정-기억 연동
+2. 윤리 필터 적용
+3. 공감 전략 구현
+
+### Phase 4: 고급 기능
+1. 감정 궤적 시각화
+2. 뉘앙스 감지
+3. 선호도 쌍 학습
+
+## 9. 성능 지표
+
+```python
+performance_metrics = {
+    'emotion_accuracy': 'P(correct_emotion | user_feedback)',
+    'adaptation_speed': '1 / convergence_time',
+    'empathy_score': 'user_satisfaction_rating',
+    'coherence': 'temporal_consistency',
+    'volatility': 'std_dev(emotion_trajectory)'
+}
+```
+
+## 10. 남은 결정 과제
+
+1. **프리-패스 위험 검사 임계값**: 고정 상수(π/e) vs 학습 파라미터
+2. **행동 로그 보존**: 30일? 피보나치 일수(89일)?
+3. **감정 지표 공개 수준**: 익명화 강도 P_privacy 값 결정
+
+## 11. 수학 상수 정리
+
+```python
+MATHEMATICAL_CONSTANTS = {
+    'phi': (1 + sqrt(5)) / 2,  # 1.618... 황금비
+    'e': 2.71828...,           # 자연상수
+    'pi': 3.14159...,          # 원주율
+    
+    # 유도 상수
+    '1/phi': 0.618...,         # 황금비 역수
+    '1/e': 0.368...,           # 자연 감쇠
+    'pi/e': 1.155...,          # 놀람 임계
+    'phi/pi': 0.515...,        # 공감 경계
+    'sqrt(phi)': 1.272...,     # 증폭 계수
+    '1/pi': 0.318...,          # 공명 비율
+}
+```
+
+---
+
+*이 설계도는 함수형 프로그래밍 100%, 하드코딩 0% 원칙을 준수하며, 모든 매개변수는 수학적 의미를 가진 상수로 구성되었습니다.*