# 콜드메일 IR 자동 분석 시나리오

**날짜**: 2025-10-14
**작성자**: happybell80
**관련 파일**: `rb8001/app/scheduler/jobs/coldmail_briefing.py`

---

## 최종 목표 시나리오

### 평일 오전 9시 5분 자동 실행
1. NAVER WORKS 메일 중 콜드메일 감지 (Naive Bayes)
2. IR 첨부파일(PDF) 다운로드
3. skill-rag-file에 업로드 → 51123 HDD 영구 저장
4. AI 분석 실행:
   - 페이지별 요약 (RAG 기반 핵심 내용 추출)
   - 기업 평가 (사업분야, 재무, 기술 우위)
   - 베이지안 밸류에이션 및 신뢰도 계산
5. Slack Lists에 정리된 보고서 첨부:
   - 회사명, 이메일, IR 파일
   - 밸류에이션, 신뢰도, 핵심 평가
6. Slack 채널에 요약 메시지 + 피드백 버튼

---

## 구현 완료 (2025-10-14)

- coldmail_briefing.py:78-302: 전체 플로우
- naverworks_file_processor.py:94-135: PDF → skill-rag-file 업로드
- ir_analyzer.py:86-168: RAG 6회 쿼리 → LLM 요약
- startup_valuation.py:63-173: 베이지안 VC Method
- coldmail_briefing.py:191-221,241,246: Slack Lists 파일 첨부
- coldmail_briefing.py:262-285: Slack 피드백 버튼
- coldmail_filter.py:29-76: Naive Bayes 학습

---

## 분석 결과 예시

굿베이션 (IT 인테리어 플랫폼): 27페이지 → 14 chunks, 밸류에이션 100억원 (30-300억원), 신뢰도 90%

---

## 구현 계획

### 우선순위 1: Slack Lists 파일 첨부 (✅ 완료)
- 상세: 251014_slack_lists_file_attachment.md
- skill-rag-file/app/api/download.py: GET /api/download/{document_id}
- skill-slack/app/api/endpoints/files.py: POST /files/upload (X-API-Key)
- coldmail_briefing.py:191-221, 241, 246: document_id → file_id 변환

### 우선순위 2: LLM JSON 파싱 에러
- ir_analyzer.py:155 다음 (156 전): llm_response 전처리
  - cleaned = llm_response.strip()
  - if cleaned.startswith("```json"): cleaned = cleaned[7:]
  - if cleaned.startswith("```"): cleaned = cleaned[3:]
  - if cleaned.endswith("```"): cleaned = cleaned[:-3]
  - cleaned = cleaned.strip()
- ir_analyzer.py:156: parsed = json.loads(cleaned)

### 우선순위 3: Slack 메시지에 IR 분석 결과 추가
- coldmail_briefing.py:144 다음: processed_results = [] 추가
- coldmail_briefing.py:188 다음: processed_results.append({...}) 추가
  - company_name, ir_metrics.get("revenue"), valuation_result.median, valuation_result.confidence 포함
- coldmail_briefing.py:291 교체:
  - 기존: f"콜드메일 {processed_count}건 처리 완료 (...)"
  - 변경: summary_lines = [f"콜드메일 {processed_count}건 처리 완료"]
  - for item in processed_results: summary_lines.append(f"- {item['company']}: {item['median']}억원 (신뢰도 {int(item['confidence']*100)}%)")
  - summary_text = "\\n".join(summary_lines)

### 우선순위 4: LangGraph 워크플로우
- requirements.txt: langgraph 추가
- app/workflows/__init__.py: 빈 파일 생성
- app/workflows/coldmail_workflow.py 생성:
  - from typing import TypedDict; from langgraph.graph import StateGraph, END
  - class ColdmailState(TypedDict): emails: list, coldmail_candidates: list, processed_results: list, session: object
  - async def fetch_emails_node(state): coldmail_briefing.py:93-121 로직 이동
  - async def filter_coldmail_node(state): coldmail_briefing.py:123-141 로직 이동
  - async def process_email_node(state): coldmail_briefing.py:145-287 for 루프 내용 이동
  - async def send_summary_node(state): coldmail_briefing.py:289-300 로직 이동
  - graph = StateGraph(ColdmailState)
  - graph.add_node("fetch", fetch_emails_node), add_node("filter", filter_coldmail_node), add_node("process", process_email_node), add_node("send", send_summary_node)
  - graph.add_edge("fetch", "filter"), add_edge("filter", "process"), add_edge("process", "send"), add_edge("send", END)
  - workflow = graph.compile()
- coldmail_briefing.py:78-302: _run_coldmail_briefing() 전체 교체
  - from app.workflows.coldmail_workflow import workflow
  - initial_state = {"emails": [], "coldmail_candidates": [], "processed_results": [], "session": session}
  - result = await workflow.ainvoke(initial_state)

---

## 교훈

- 전체 시나리오 문서 먼저 작성 후 세부 구현
- LLM 응답은 항상 전처리 (마크다운 블록 제거)