DOCS/plans/251016_emotion_integration_plan.md

감정 분류기 통합 계획

날짜: 2025-10-16 작성자: Claude 목표: Phase 3 감정 온톨로지를 실제 대화에 통합

---

현재 상태

구현 완료

• ✅ EmotionClassifier (skill-embedding 연동)
• ✅ emotion_likelihood_ontology.py (11개 규칙)
• ✅ OntologyReasoner.reason_with_emotion()
• ✅ ethics_constraints_ontology.py (Router 통합)

미구현

• ❌ Router에 감정 분석 통합
• ❌ 감정 정보를 LLM 컨텍스트에 전달
• ❌ 실제 대화에서 감정 기반 응답

---

통합 방식 결정

방식 1: 증거 기반 우도 조정 (복잡)

흐름:

사용자 메시지 → 감정 분석 → 증거 추출 → reason_with_emotion() → 조정된 증거 → LLM

문제점:

• "증거"를 어떻게 추출할 것인가?
• 일반 대화에서는 명확한 증거가 없음
• Coldmail처럼 구조화된 데이터가 아님

적용 가능한 경우:

• 의사결정 지원 (투자, 구매 등)
• 정보 비교 (장단점 분석)

방식 2: 감정 컨텍스트 전달 (실용적) ✅ 선택

흐름:

사용자 메시지 → 감정 분석 → context에 감정 추가 → LLM (감정 고려 응답)

장점:

• 구현 간단
• 모든 대화에 적용 가능
• LLM이 감정을 자연스럽게 활용
• 추후 확장 용이

구현 방법:

# 1. 감정 분석
emotion_result = await emotion_classifier.predict_async(message)
user_emotion = emotion_result['top_label']  # fear, joy, sadness, etc.
emotion_confidence = emotion_result['top_p']

# 2. context에 추가
context['user_emotion'] = user_emotion
context['emotion_confidence'] = emotion_confidence

# 3. LLM에 전달 (프롬프트에서 활용)
llm_response = await llm_service.process_request(llm_request)

---

구현 계획

1단계: 환경변수 추가

.env:

# Emotion Analysis (Phase 3 Ontology)
USE_EMOTION_ANALYSIS=false  # 기본값: 비활성화

config.py:

USE_EMOTION_ANALYSIS: bool = os.getenv("USE_EMOTION_ANALYSIS", "false").lower() == "true"

2단계: Router에 감정 분석 통합

위치: router.py → _call_internal_llm() 메서드

추가 코드:

# Phase 3: 감정 분석 (옵션)
if settings.USE_EMOTION_ANALYSIS:
    try:
        from app.core.emotion.emotion_classifier import get_classifier
        emotion_classifier = get_classifier()

        emotion_result = await emotion_classifier.predict_async(message)
        user_emotion = emotion_result['top_label']
        emotion_confidence = emotion_result['top_p']

        # context에 추가
        if context is None:
            context = {}
        context['user_emotion'] = user_emotion
        context['emotion_confidence'] = emotion_confidence

        logger.info(f"Emotion detected: {user_emotion} (confidence: {emotion_confidence:.2f})")

    except Exception as e:
        logger.error(f"Emotion analysis failed: {e}")

3단계: LLM 프롬프트에 감정 정보 활용

위치: llm_service.py 또는 프롬프트 생성 부분

프롬프트 예시:

if context.get('user_emotion'):
    emotion = context['user_emotion']
    emotion_map = {
        'fear': '불안',
        'joy': '기쁨',
        'sadness': '슬픔',
        'anger': '분노',
        'surprise': '놀람',
        'disgust': '혐오',
        'trust': '신뢰',
        'neutral': '평온'
    }
    emotion_kr = emotion_map.get(emotion, emotion)

    prompt += f"\n\n[참고] 사용자의 현재 감정 상태: {emotion_kr}"
    prompt += f"\n이 감정을 고려하여 공감적이고 적절한 응답을 제공해주세요."

4단계: 응답에 감정 정보 포함 (디버깅용)

응답 형식:

result = {
    "success": True,
    "content": final_content,
    "model_used": llm_response.model_used,
    "emotion_detected": user_emotion,  # 추가
    "emotion_confidence": emotion_confidence  # 추가
}

---

테스트 계획

테스트 케이스

1. 불안 (fear):

   • 입력: "요즘 회사가 걱정돼요..."
   • 기대: 위로와 안정감 있는 응답

2. 기쁨 (joy):

   • 입력: "오늘 승진했어요!"
   • 기대: 축하와 긍정적인 응답

3. 슬픔 (sadness):

   • 입력: "실패해서 너무 속상해요"
   • 기대: 공감과 위로의 응답

4. 중립 (neutral):

   • 입력: "날씨가 어때요?"
   • 기대: 일반적인 정보 제공

검증 방법

# 로그 확인
docker logs rb8001 --tail 100 | grep -E "Emotion detected|user_emotion"

# 응답 확인
# Slack에서 대화 → 로그에서 감정 정보 확인

---

향후 확장 (Phase 3.5)

reason_with_emotion() 통합

적용 시나리오: 의사결정 지원

예시:

# 사용자: "이 투자 어떻게 생각하세요?"
# 감정: fear (불안)

# 1. LLM이 증거 생성
evidences = [
    {"type": "위험", "content": "시장 변동성", "prior_likelihood": 0.6},
    {"type": "긍정", "content": "성장 가능성", "prior_likelihood": 0.5}
]

# 2. 감정 기반 조정
adjusted, explanation = reasoner.reason_with_emotion("fear", evidences)
# 위험 0.6 → 0.78 (+30%)

# 3. 조정된 증거로 최종 응답

---

성능 영향

추가 처리 시간

• 감정 분석 API 호출: ~50-100ms
• skill-embedding 서비스 응답 시간

완화 방법

• 비동기 호출 (await)
• 타임아웃 설정 (10초)
• 실패 시 graceful degradation

---

롤백 방법

환경변수 비활성화

USE_EMOTION_ANALYSIS=false
docker compose down && docker compose up -d

---

일정

즉시 (오늘)

• 통합 계획 수립
• 환경변수 추가
• Router 코드 수정
• 테스트 및 검증

내일 (2025-10-17)

• 실전 데이터 수집
• 감정 분석 정확도 확인

향후 (Phase 3.5)

• reason_with_emotion() 통합 (의사결정 지원)
• 감정 기반 추천 시스템
• 베이지안 학습 (피드백 기반)

---

결론

선택한 방식: 감정 컨텍스트 전달 (방식 2)

이유:

• 간단하고 실용적
• 모든 대화에 적용 가능
• LLM의 자연어 이해 능력 활용
• 점진적 확장 가능

다음 단계: Router에 감정 분석 코드 추가