DOCS/troubleshooting/251014_coldmail_ir_analysis_scenario.md

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)