# 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.*