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**:
```python
# 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**:
```bash
# Emotion Analysis (Phase 3 Ontology)
USE_EMOTION_ANALYSIS=false  # 기본값: 비활성화
```

**config.py**:
```python
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**:
```python
# 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**:
```python
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**:
```python
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

```bash
# 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**:
```python
# 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
```bash
USE_EMOTION_ANALYSIS=false
docker compose down && docker compose up -d
```

---

## 일정

### 즉시 (오늘)
- [x] 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