# 감정 시스템 구현 문서 (rb8001)

**작성일**: 2025-10-02
**작성자**: Claude & happybell80
**목적**: rb8001의 균등분포 감정 분석을 실제 모델 추론 + 시계열 저장/집계로 전환

## 사용자 관점 시나리오

### 시나리오 1: 감정 기반 대화 조절
- **상황**: 사용자가 "프로젝트 실패해서 너무 짜증나" 입력
- **동작**: 로빙이 분노/좌절 감지 → 공감적이고 차분한 톤으로 응답 조절
- **효과**: 평소보다 조심스럽게 대안 제시, 비판적 피드백 자제
- **구현 요구사항**: 감정 분석 API + LLM 프롬프트 동적 조절

### 시나리오 2: 장기 감정 패턴 리포트
- **상황**: 매주 금요일 자동 리포트
- **동작**: "이번 주 당신의 감정 변화" 시각화 제공
- **예시**: "월요일 불안 70% → 수요일 기쁨 60% → 금요일 만족 80%"
- **효과**: 번아웃 예방, 정신건강 관리 지원
- **구현 요구사항**: TimescaleDB 시계열 저장 + time_bucket 집계 쿼리

### 시나리오 3: 팀 감정 온도계
- **상황**: Slack 채널 전체 대화 모니터링
- **동작**: 실시간 "팀 분위기 지표" 계산 및 제공
- **효과**: 부정 감정 임계치 초과 시 매니저 알림, 회의 전 팀 감정 브리핑
- **구현 요구사항**: 채널별 감정 집계 + 임계치 알림 시스템

### 시나리오별 요구사항
- **시나리오 1**: 문장 단건 추론 API, LLM 톤 조절 규칙 (rb8001/app/llm/llm_service.py:119)
- **시나리오 2**: 사용자별 시계열 저장, time_bucket 집계, 요약 API
- **시나리오 3**: 채널/워크스페이스 집계, 임계치 알림, 관리자 요약 API

## ✅ 최종 구현 완료 (2025-10-02)

### 핵심 기능
- ✅ **균등분포 제거**: 실제 ONNX 모델 사용 (aihub-7emotions-v1)
- ✅ **skill-embedding 연동**: HTTP API로 감정 분석 서비스 호출
- ✅ **DB 저장**: emotion_readings 테이블에 실시간 데이터 저장 (3건 확인)
- ✅ **API 정상 작동**: /v1/emotion/infer 엔드포인트 200 OK

### 감정 분석 검증 결과
- 화난 텍스트: sadness 90% (우울/좌절 감지)
- 기쁜 텍스트: happiness 99% (기쁨 감지)
- 분노 텍스트: anger 68.8% (분노 감지)

### 아키텍처
- **경량화**: rb8001은 HTTP 클라이언트만, ONNX는 skill-embedding에서 처리
- **비동기**: asyncio 기반, FastAPI event loop 충돌 해결
- **폴백**: skill-embedding 장애 시 균등분포 반환

### 수정한 파일
- rb8001/app/router/emotion_endpoint.py: EmotionClassifier 초기화, predict_async 사용
- rb8001/app/core/emotion/base.py: async 함수로 변경, EmotionClassifier 연동
- rb8001/app/core/emotion/emotion_classifier.py: skill-embedding HTTP 호출
- rb8001/app/state/database.py: JSONB 저장 시 json.dumps() 사용
- rb8001/tests/test_emotion_system.py: async 테스트 수정
- rb8001/main.py: emotion_router include (line 48-50)

### DB 현황
emotion_readings 테이블: 3건
- 12:27:10 | happiness (90.6%)
- 12:22:56 | happiness (99.2%)
- 12:21:57 | anger (68.8%)

### 구현 완료 항목
- ✅ rb8001/app/core/emotion/emotion_classifier.py (skill-embedding 호출)
- ✅ ONNX 모델은 skill-embedding이 처리
- ✅ emotion_readings 테이블 (51123 서버에서 생성 완료)
- ✅ /v1/emotion/* API 엔드포인트 (구현 완료)
- ✅ asyncio event loop 충돌 수정
- ✅ JSONB 타입 캐스팅

### 미구현 항목 (다음 단계)
- ⏳ LLM 톤 조절: emotion_llm.py 연동 (rb8001/app/llm/llm_service.py:133)
- ⏳ 시계열 집계: TimescaleDB time_bucket 쿼리
- ⏳ 팀 감정 지표: 채널별/회사별 집계

### 활용 가능 시나리오
- **시나리오 1** (즉시 가능): 감정 기반 대화 톤 자동 조절
- **시나리오 2-3** (개발 필요): 주간 리포트, 팀 감정 모니터링

### ONNX 모델 현황
- **모델 위치** (51124 서버): /home/admin/ivada_project/onnx_models/aihub-7emotions/
- **모델 파일**: model.onnx (442MB), BERT 기반 7클래스 감정 분류
- **레이블**: fear, surprise, anger, sadness, neutral, happiness, disgust
- **토크나이저**: vocab.txt, tokenizer.json 포함
- **학습 코드** (51124): /home/admin/ivada_project/training_emotion/train_korean_emotion.py
- **처리 방식**: skill-embedding 서비스가 ONNX 모델 처리, rb8001은 HTTP API 호출만

## 데이터 모델 설계

### emotion_readings 테이블
필수 컬럼:
- user_id (UUID) - 사용자 감정
- company_id (UUID) - 회사별 집계용
- robeing_id (VARCHAR) - 로빙의 감정 상태 (예: 'rb8001')
- emotion_type (VARCHAR) - 'user' | 'robeing'
- created_at (TIMESTAMPTZ)
- probs (JSONB)
- entropy (FLOAT)
- top_label (TEXT)
- top_p (FLOAT)
- model_version (TEXT)
- meta (JSONB)
- text_hash (VARCHAR) - 원문 미저장, 해시만

저장 위치:
- robeing_metrics DB (별도 DB 권장)
- TimescaleDB 하이퍼테이블 적용
- 51123 서버에서 CREATE TABLE 및 create_hypertable() 직접 실행
- 인덱스: (user_id, created_at), (company_id, created_at), (robeing_id, created_at)

### TimescaleDB 참조
- 설치/활성화: DOCS/troubleshooting/250714_system_metrics_implementation.md
- time_bucket 쿼리: frontend-base/backend/metrics_database.py:103
- asyncpg interval 이슈: DOCS/troubleshooting/250715_metrics_graph_timebucket_error.md

## API 스펙

### POST /v1/emotion/infer
- 입력: text, user_id
- 출력: {probs, entropy, top_label, top_p, model_version}
- 저장: emotion_readings 삽입

### GET /v1/emotion/timeseries
- 쿼리: user_id, start, end, bucket
- 출력: bucket별 집계 결과

### GET /v1/emotion/team-insight
- 쿼리: channel_id, workspace_id, 기간
- 출력: 팀 감정 지표

## 통합 포인트

### 감정 분석 삽입
- rb8001/app/llm/emotion_llm.py:25 - emotion_classifier.py 호출로 대체
- rb8001/app/core/emotion/base.py:46, 51 - 실제 분석 로직으로 교체

### LLM 톤 조절
- rb8001/app/llm/llm_service.py:133 - 주석 블록 재활성화
- 감정 기반 프롬프트 조절 로직 추가

### 저장 계층
- DB 접근: rb8001/app/state/database.py 활용 또는 신규 emotion DB 클라이언트 파일 생성
- robeing_metrics DB 연결 (51123 서버에서 CREATE TABLE 직접 실행)
- 비동기 저장 큐 고려

### 권한
- user_id는 JWT sub(UUID)
- robeing-gateway/app/main.py:23 검증 로직 존재

## 구현 참조 패턴

### 키워드 매칭 로직
- 정규식 기반 의도 분류: rb8001/app/brain/decision_engine.py:69, 116
- 키워드·정규식 혼합 파싱: rb8001/app/skills/email_integration.py:214, 226-239, 245-258

### DB 연결 패턴
- asyncpg 풀: frontend-base/backend/metrics_database.py:12, 23
- asyncpg 단건: robeing-monitor/app/api/monitor.py:139, 208
- asyncpg 단건: skill-email/services/naverworks_provider.py:38
- asyncpg 단건: rb8001/app/services/coldmail_filter.py:159, 183, 225
- psycopg2 동기: rb8001/app/skills/news_posting_skill.py:35-37
- SQLAlchemy Async: robeing-gateway/app/database.py:22-36

### API 라우트 패턴
- rb8001 메인 라우트: rb8001/main.py:344 (@app.post("/api/slack/events"))
- rb8001 스케줄 테스트: rb8001/main.py:356 (@app.post("/api/schedule/test-news"))
- 인증 의존성 주입: rb8001/app/auth.py:61 (get_current_user), 66-75 (JWT decode)
- 게이트웨이 검증: robeing-gateway/app/main.py:41 (get_verified_user), 228-232 (Authorization 포워딩)

### 시계열 집계 패턴
- TimescaleDB 설치: DOCS/troubleshooting/250714_system_metrics_implementation.md:18-29
- time_bucket 쿼리: frontend-base/backend/metrics_database.py:103
- asyncpg interval 이슈: DOCS/troubleshooting/250715_metrics_graph_timebucket_error.md:28, 57, 85, 112-113

### 데이터 모델 참조
- emotion_readings 스키마: DOCS/ideas/emotion_graph_implementation.md:215, 232
- emotion 스키마: DOCS/ideas/250916_로빙_감정_분석_시스템_구현_계획.md:11
- rb_news 테이블 예시: rb8001/scripts/create_rb_news_table.sql:8, 56, 77

### 팀/주간 집계 메타
- 채널 식별: rb8001/app/skills/news_posting_skill.py:214, 467
- JSONB 메타 패턴: DOCS/ideas/emotion_graph_implementation.md:235, 259

## 작업 순서 (완료)

1. ✅ skill-embedding 서비스에 감정 분석 추가:
   - emotion_service.py: ONNX 모델 로드 및 추론
   - routers/emotion.py: API 엔드포인트 (/emotion)
   - main.py: 라우터 include
2. ✅ rb8001에서 skill-embedding 호출:
   - emotion_classifier.py: HTTP 클라이언트로 skill-embedding 호출
   - 환경변수: SKILL_EMBEDDING_URL=http://localhost:8515
3. ✅ DB 스키마 준비: 51123 서버에서 robeing_metrics DB에 emotion_readings 테이블 생성
4. ✅ DB 클라이언트: rb8001/app/state/database.py 활용
5. ✅ API 라우터 생성: rb8001/app/router/emotion_endpoint.py 생성 후 main.py에 include
6. ✅ asyncio event loop 충돌 수정: 모든 감정 함수를 async로 변경
7. ✅ JSONB 타입 캐스팅: json.dumps()로 변환 후 저장
8. ⏳ EmotionAwareLLM 연결: rb8001/app/llm/emotion_llm.py:25 (미구현)
9. ⏳ LLMService 톤 조절: rb8001/app/llm/llm_service.py:133 (미구현)
10. ⏳ 집계 쿼리 구현: time_bucket 기반 (미구현)

## 모니터링/성능

### 추론 지연
- rb10508_micro/app/core/emotion/monitoring.py 패턴 참고

### 저장 압력
- TTL/압축은 TimescaleDB 정책으로 설정

## 개발 원칙
- 한 파일 최대 500줄 제한
- 기능별 파일 분리 (라우터, 서비스, 모델)
- main.py는 라우터 include만, 직접 엔드포인트 정의 금지

## 리스크/롤백

### 모델 미가용
- 균등분포 폴백 허용

### DB 장애
- 저장 실패해도 응답 생성 지속 (비동기 큐)

## 테스트 결과

### 성공한 테스트
- ✅ API 정상 작동: /v1/emotion/infer 200 OK
- ✅ DB 저장: emotion_readings 테이블에 3건 저장 확인
- ✅ 감정 분석 정확도:
  - 화난 텍스트 → sadness 90%
  - 기쁜 텍스트 → happiness 99%
  - 분노 텍스트 → anger 68.8%
- ✅ 균등분포 제거: 실제 모델 추론 값 사용

### 수정한 문제
- ✅ asyncio event loop 충돌 (new_event_loop 제거)
- ✅ JSONB 저장 오류 (json.dumps 추가)
- ✅ 테스트 코드 비동기 함수 호출

## 교훈

### 기술적 교훈
1. **마이크로서비스 아키텍처**: rb8001 경량화를 위해 ONNX 모델을 skill-embedding으로 분리
2. **asyncio 주의**: FastAPI는 이미 event loop 내에서 실행 중, new_event_loop() 사용 금지
3. **JSONB 타입**: asyncpg는 dict를 자동 변환하지 않음, json.dumps() 필요
4. **폴백 전략**: 외부 서비스 장애 대비 균등분포 폴백 구현

### 설계 교훈
1. **문서와 실제 코드 불일치**: 문서를 무조건 신뢰하지 말고 실제 코드 확인 필수
2. **추측 금지**: "아마", "것 같다" 대신 직접 확인
3. **한 파일 500줄 제한**: 기능별 파일 분리로 유지보수성 향상
4. **테스트 중요성**: 실제 API는 작동해도 테스트 코드가 틀릴 수 있음