# 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

## 현재 상황

### 코드 위치 (정확)
- **균등 분포 반환**: rb8001/app/core/emotion/base.py:46, 51
- **감정 분석 호출**: rb8001/app/llm/emotion_llm.py:25, 56
- **LLM 서비스 호출**: rb8001/app/llm/llm_service.py:119
- **감정 API**: 없음 (rb8001/main.py 확인 완료)
- **emotion_readings 테이블**: 없음

### 서버 확인 결과 (2025-10-02)

#### 51124 서버 확인 사항
```bash
# 확인 필요
docker exec rb8001 ls -la /code/app/core/emotion/  # emotion 파일 목록
docker exec rb8001 cat /code/app/core/emotion/emotion_llm.py  # 구현 코드
docker exec rb8001 ls -la /code/onnx_models/  # ONNX 모델 존재 여부
docker logs rb8001 --tail 1000 | grep -i emotion  # 감정 로그
curl http://localhost:8001/v1/emotion/infer -X POST -d '{"text":"테스트"}'  # API 테스트

# 전체 서비스 확인
for container in rb8001 skill-embedding robeing_monitor skill-rag-file; do
  echo "=== $container ==="
  docker exec $container find /code -name "*emotion*" 2>/dev/null
done
```

#### 51123 서버 확인 결과
- **PostgreSQL**: emotion_readings 테이블 없음
- **모델 파일**: /opt/models에 감정 모델 없음 (sentence-transformer만 존재)
- **API 엔드포인트**: /v1/emotion/* 엔드포인트 없음 ("Endpoint not found")
- **Gateway 서비스**: robeing-gateway 실행 중 (포트 8100)
- **결론**: 51123에 감정 시스템 관련 인프라 전혀 구현되지 않음

### 기존 코드 파일
- rb8001/app/core/emotion/base.py (EmotionState, 엔트로피, ThompsonSampler)
- rb8001/app/core/emotion/bayesian.py (베이지안 학습)
- rb8001/app/core/emotion/storage.py (사용자별 파라미터)
- rb8001/app/core/emotion/monitoring.py (감정 모니터링)
- rb8001/app/llm/emotion_llm.py (analyze_user_emotion, generate_response_with_emotion)

### 미구현 항목
- rb8001/app/core/emotion/emotion_classifier.py (rb10508_micro에서 복사 필요)
- ONNX 모델 마운트 (docker-compose.yml 볼륨 설정 없음)
- emotion_readings 테이블 (없음)
- /v1/emotion/* API 엔드포인트 (없음)

### 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
- **문제**: rb8001 컨테이너에 볼륨 마운트 안 됨

## 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

1. Docker 볼륨 마운트: rb8001 docker-compose.yml에 `../onnx_models:/code/onnx_models:ro` 추가
2. 의존성 추가: rb8001/requirements.txt에 `onnxruntime==1.18.1`, `transformers==4.45.2` 추가
3. 추론 모듈 복사: rb10508_micro/app/core/emotion/emotion_classifier.py → rb8001/app/core/emotion/
4. EmotionAwareLLM 연결: rb8001/app/llm/emotion_llm.py:25
5. LLMService 톤 조절: rb8001/app/llm/llm_service.py:133
6. DB 스키마 준비: 51123 서버에서 robeing_metrics DB에 emotion_readings 테이블 생성
7. DB 클라이언트: rb8001/app/state/database.py 활용 또는 신규 파일 생성
8. API 라우터 생성: rb8001/app/router/emotion_endpoint.py 생성 후 main.py에 include
9. 집계 쿼리 구현: time_bucket 기반

## 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 체크리스트

- 단위: 레이블 확률 합=1, 엔트로피 범위, dominant 일관성
- 통합: POST infer → DB insert 생성, GET timeseries → time_bucket 응답
- 회귀: 균등분포 제거 후 LLM 응답 톤 변화 확인