Delete app-BACKUP.py

app-BACKUP.py

@@ -1,1953 +0,0 @@
-import gradio as gr
-import os
-import json
-import requests
-from datetime import datetime
-import time
-from typing import List, Dict, Any, Generator, Tuple
-import logging
-import re
-
-# 로깅 설정
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-# 환경 변수에서 토큰 가져오기
-FRIENDLI_TOKEN = os.getenv("FRIENDLI_TOKEN", "YOUR_FRIENDLI_TOKEN")
-BAPI_TOKEN = os.getenv("BAPI_TOKEN", "YOUR_BRAVE_API_TOKEN")
-API_URL = "https://api.friendli.ai/dedicated/v1/chat/completions"
-BRAVE_SEARCH_URL = "https://api.search.brave.com/res/v1/web/search"
-MODEL_ID = "dep89a2fld32mcm"
-TEST_MODE = os.getenv("TEST_MODE", "false").lower() == "true"
-
-# 전역 변수
-conversation_history = []
-
-class LLMCollaborativeSystem:
-    def __init__(self):
-        self.token = FRIENDLI_TOKEN
-        self.bapi_token = BAPI_TOKEN
-        self.api_url = API_URL
-        self.brave_url = BRAVE_SEARCH_URL
-        self.model_id = MODEL_ID
-        self.test_mode = TEST_MODE or (self.token == "YOUR_FRIENDLI_TOKEN")
-        
-        if self.test_mode:
-            logger.warning("테스트 모드로 실행됩니다.")
-        if self.bapi_token == "YOUR_BRAVE_API_TOKEN":
-            logger.warning("Brave API 토큰이 설정되지 않았습니다.")
-        
-    def create_headers(self):
-        """API 헤더 생성"""
-        return {
-            "Authorization": f"Bearer {self.token}",
-            "Content-Type": "application/json"
-        }
-    
-    def create_brave_headers(self):
-        """Brave API 헤더 생성"""
-        return {
-            "Accept": "application/json",
-            "Accept-Encoding": "gzip",
-            "X-Subscription-Token": self.bapi_token
-        }
-    
-    def create_supervisor_initial_prompt(self, user_query: str) -> str:
-        """감독자 AI 초기 프롬프트 생성"""
-        return f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-이 질문에 대해:
-1. 전체적인 접근 방향과 프레임워크를 제시하세요
-2. 핵심 요소와 고려사항을 구조화하여 설명하세요
-3. 이 주제에 대해 조사가 필요한 5-7개의 구체적인 키워드나 검색어를 제시하세요
-
-키워드는 다음 형식으로 제시하세요:
-[검색 키워드]: 키워드1, 키워드2, 키워드3, 키워드4, 키워드5"""
-    
-    def create_researcher_prompt(self, user_query: str, supervisor_guidance: str, search_results: Dict[str, List[Dict]]) -> str:
-        """조사자 AI 프롬프트 생성"""
-        search_summary = ""
-        for keyword, results in search_results.items():
-            search_summary += f"\n\n**{keyword}에 대한 검색 결과:**\n"
-            for i, result in enumerate(results[:3], 1):
-                search_summary += f"{i}. {result.get('title', 'N/A')}\n"
-                search_summary += f"   - {result.get('description', 'N/A')}\n"
-                search_summary += f"   - 출처: {result.get('url', 'N/A')}\n"
-        
-        return f"""당신은 정보를 조사하고 정리하는 조사자 AI입니다.
-
-사용자 질문: {user_query}
-
-감독자 AI의 지침:
-{supervisor_guidance}
-
-브레이브 검색 결과:
-{search_summary}
-
-위 검색 결과를 바탕으로:
-1. 각 키워드별로 중요한 정보를 정리하세요
-2. 신뢰할 수 있는 출처를 명시하세요
-3. 실행자 AI가 활용할 수 있는 구체적인 데이터와 사실을 추출하세요
-4. 최신 트렌드나 중요한 통계가 있다면 강조하세요"""
-    
-    def create_supervisor_execution_prompt(self, user_query: str, research_summary: str) -> str:
-        """감독자 AI의 실행 지시 프롬프트"""
-        return f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI가 정리한 조사 내용:
-{research_summary}
-
-위 조사 내용을 기반으로 실행자 AI에게 아주 구체적인 지시를 내려주세요:
-1. 조사된 정보를 어떻게 활용할지 명확히 지시하세요
-2. 실행 가능한 단계별 작업을 구체적으로 제시하세요
-3. 각 단계에서 참고해야 할 조사 내용을 명시하세요
-4. 예상되는 결과물의 형태를 구체적으로 설명하세요"""
-    
-    def create_executor_prompt(self, user_query: str, supervisor_guidance: str, research_summary: str) -> str:
-        """실행자 AI 프롬프트 생성"""
-        return f"""당신은 세부적인 내용을 구현하는 실행자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI가 정리한 조사 내용:
-{research_summary}
-
-감독자 AI의 구체적인 지시:
-{supervisor_guidance}
-
-위 조사 내용과 지시사항을 바탕으로:
-1. 조사된 정보를 적극 활용하여 구체적인 실행 계획을 작성하세요
-2. 각 단계별로 참고한 조사 내용을 명시하세요
-3. 실제로 적용 가능한 구체적인 방법론을 제시하세요
-4. 예상되는 성과와 측�� 방법을 포함하세요"""
-    
-    def create_executor_final_prompt(self, user_query: str, initial_response: str, supervisor_feedback: str, research_summary: str) -> str:
-        """실행자 AI 최종 보고서 프롬프트"""
-        return f"""당신은 세부적인 내용을 구현하는 실행자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI의 조사 내용:
-{research_summary}
-
-당신의 초기 답변:
-{initial_response}
-
-감독자 AI의 피드백 및 개선사항:
-{supervisor_feedback}
-
-위 피드백을 완전히 반영하여 최종 보고서를 작성하세요:
-1. 감독자의 모든 개선사항을 반영하세요
-2. 조사 내용을 더욱 구체적으로 활용하세요
-3. 실행 가능성을 높이는 세부 계획을 포함하세요
-4. 명확한 결론과 다음 단계를 제시하세요
-5. 전문적이고 완성도 높은 최종 보고서 형식으로 작성하세요"""
-    
-    def extract_keywords(self, supervisor_response: str) -> List[str]:
-        """감독자 응답에서 키워드 추출"""
-        keywords = []
-        
-        # [검색 키워드]: 형식으로 키워드 찾기
-        keyword_match = re.search(r'\[검색 키워드\]:\s*(.+)', supervisor_response, re.IGNORECASE)
-        if keyword_match:
-            keyword_str = keyword_match.group(1)
-            keywords = [k.strip() for k in keyword_str.split(',') if k.strip()]
-        
-        # 키워드가 없으면 기본 키워드 생성
-        if not keywords:
-            keywords = ["best practices", "implementation guide", "case studies", "latest trends", "success factors"]
-        
-        return keywords[:7]  # 최대 7개로 제한
-    
-    def brave_search(self, query: str) -> List[Dict]:
-        """Brave Search API 호출"""
-        if self.test_mode or self.bapi_token == "YOUR_BRAVE_API_TOKEN":
-            # 테스트 모드에서는 시뮬레이션된 결과 반환
-            return [
-                {
-                    "title": f"Best Practices for {query}",
-                    "description": f"Comprehensive guide on implementing {query} with proven methodologies and real-world examples.",
-                    "url": f"https://example.com/{query.replace(' ', '-')}"
-                },
-                {
-                    "title": f"Latest Trends in {query}",
-                    "description": f"Analysis of current trends and future directions in {query}, including market insights and expert opinions.",
-                    "url": f"https://trends.example.com/{query.replace(' ', '-')}"
-                },
-                {
-                    "title": f"{query}: Case Studies and Success Stories",
-                    "description": f"Real-world implementations of {query} across various industries with measurable results.",
-                    "url": f"https://casestudies.example.com/{query.replace(' ', '-')}"
-                }
-            ]
-        
-        try:
-            params = {
-                "q": query,
-                "count": 5,
-                "safesearch": "moderate",
-                "freshness": "pw"  # Past week for recent results
-            }
-            
-            response = requests.get(
-                self.brave_url,
-                headers=self.create_brave_headers(),
-                params=params,
-                timeout=10
-            )
-            
-            if response.status_code == 200:
-                data = response.json()
-                results = []
-                for item in data.get("web", {}).get("results", [])[:5]:
-                    results.append({
-                        "title": item.get("title", ""),
-                        "description": item.get("description", ""),
-                        "url": item.get("url", "")
-                    })
-                return results
-            else:
-                logger.error(f"Brave API 오류: {response.status_code}")
-                return []
-                
-        except Exception as e:
-            logger.error(f"Brave 검색 중 오류: {str(e)}")
-            return []
-    
-    def simulate_streaming(self, text: str, role: str) -> Generator[str, None, None]:
-        """테스트 모드에서 스트리밍 시뮬레이션"""
-        words = text.split()
-        for i in range(0, len(words), 3):
-            chunk = " ".join(words[i:i+3])
-            yield chunk + " "
-            time.sleep(0.05)
-    
-    def call_llm_streaming(self, messages: List[Dict[str, str]], role: str) -> Generator[str, None, None]:
-        """스트리밍 LLM API 호출"""
-        
-        # 테스트 모드
-        if self.test_mode:
-            logger.info(f"테스트 모드 스트리밍 - Role: {role}")
-            test_responses = {
-                "supervisor_initial": """이 질문에 대한 거시적 분석을 제시하겠습니다.
-
-1. **핵심 개념 파악**
-   - 질문의 본질적 요소를 심층 분석합니다
-   - 관련된 주요 이론과 원칙을 검토합니다
-   - 다양한 관점에서의 접근 방법을 고려합��다
-
-2. **전략적 접근 방향**
-   - 체계적이고 단계별 해결 방안을 수립합니다
-   - 장단기 목표를 명확히 설정합니다
-   - 리스크 요인과 대응 방안을 마련합니다
-
-3. **기대 효과와 과제**
-   - 예상되는 긍정적 성과를 분석합니다
-   - 잠재적 도전 과제를 식별합니다
-   - 지속가능한 발전 방향을 제시합니다
-
-[검색 키워드]: machine learning optimization, performance improvement strategies, model efficiency techniques, hyperparameter tuning best practices, latest ML trends 2024""",
-                
-                "researcher": """조사 결과를 종합하여 다음과 같이 정리했습니다.
-
-**1. Machine Learning Optimization**
-- 최신 연구에 따르면 모델 최적화의 핵심은 아키텍처 설계와 훈련 전략의 균형입니다
-- AutoML 도구들이 하이퍼파라미터 튜닝을 자동화하여 효율성을 크게 향상시킵니다
-- 출처: ML Conference 2024, Google Research
-
-**2. Performance Improvement Strategies**
-- 데이터 품질 개선이 모델 성능 향상의 80%를 차지한다는 연구 결과
-- 앙상블 기법과 전이학습이 주요 성능 개선 방법으로 입증됨
-- 벤치마크: ImageNet에서 95% 이상의 정확도 달성 사례
-
-**3. Model Efficiency Techniques**
-- 모델 경량화(Pruning, Quantization)로 추론 속도 10배 향상 가능
-- Knowledge Distillation으로 모델 크기 90% 감소, 성능 유지
-- 최신 트렌드: Efficient Transformers, Neural Architecture Search
-
-**4. 실제 적용 사례**
-- Netflix: 추천 시스템 개선으로 사용자 만족도 35% 향상
-- Tesla: 실시간 객체 인식 속도 50% 개선
-- OpenAI: GPT 모델 효율성 개선으로 비용 70% 절감""",
-                
-                "supervisor_execution": """조사 내용을 바탕으로 실행자 AI에게 다음과 같이 구체적으로 지시합니다.
-
-**1단계: 현재 모델 진단 (1주차)**
-- 조사된 벤치마크 기준으로 현재 모델 성능 평가
-- Netflix 사례를 참고하여 주요 병목 지점 식별
-- AutoML 도구를 활용한 초기 최적화 가능성 탐색
-
-**2단계: 데이터 품질 개선 (2-3주차)**
-- 조사 결과의 "80% 규칙"에 따라 데이터 정제 우선 실행
-- 데이터 증강 기법 적용 (조사된 최신 기법 활용)
-- A/B 테스트로 개선 효과 측정
-
-**3단계: 모델 최적화 구현 (4-6주차)**
-- Knowledge Distillation 적용하여 모델 경량화
-- 조사된 Pruning 기법으로 추론 속도 개선
-- Tesla 사례의 실시간 처리 최적화 기법 벤치마킹
-
-**4단계: 성과 검증 및 배포 (7-8주차)**
-- OpenAI 사례의 비용 절감 지표 적용
-- 조사된 성능 지표로 개선율 측정
-- 단계적 배포 전략 수립""",
-                
-                "executor": """감독자의 지시와 조사 내용을 기반으로 구체적인 실행 계획을 수립합니다.
-
-**1단계: 현재 모델 진단 (1주차)**
-- 월요일-화요일: MLflow를 사용한 현재 모델 메트릭 수집
-  * 조사 결과 참고: Netflix가 사용한 핵심 지표 (정확도, 지연시간, 처리량)
-- 수요일-목요일: AutoML 도구 (Optuna, Ray Tune) 설정 및 초기 실행
-  * 조사된 best practice에 따라 search space 정의
-- 금요일: 진단 보고서 작성 및 개선 우선순위 결정
-
-**2단계: 데이터 품질 개선 (2-3주차)**
-- 데이터 정제 파이프라인 구축
-  * 조사 결과의 "80% 규칙" 적용: 누락값, 이상치, 레이블 오류 처리
-  * 코드 예시: `data_quality_pipeline.py` 구현
-- 데이터 증강 구현
-  * 최신 기법 적용: MixUp, CutMix, AutoAugment
-  * 검증 데이터셋으로 효과 측정 (목표: 15% 성능 향상)
-
-**3단계: 모델 최적화 구현 (4-6주차)**
-- Knowledge Distillation 구현
-  * Teacher 모델: 현재 대규모 모델
-  * Student 모델: 90% 작은 크기 목표 (조사 결과 기반)
-  * 구현 프레임워크: PyTorch/TensorFlow
-- Pruning 및 Quantization 적용
-  * 구조적 pruning으로 50% 파라미터 제거
-  * INT8 quantization으로 추가 4배 속도 향상
-  * Tesla 사례 참고: TensorRT 최적화 적용
-
-**4단계: 성과 검증 및 배포 (7-8주차)**
-- 성과 지표 측정
-  * 추론 속도: 목표 10배 향상 (조사 결과 기반)
-  * 정확도 손실: 최대 2% 이내 유지
-  * 비용 절감: 70% 목표 (OpenAI 사례 참고)
-- 배포 전략
-  * A/B 테스트: 10% 트래픽으로 시작
-  * 모니터링: Prometheus + Grafana 대시보드
-  * 롤백 계획: 성능 저하 시 자동 롤백
-
-**예상 결과물**
-- 최적화된 모델 (크기 90% 감소, 속도 10배 향상)
-- 상세 성능 벤치마크 보고서
-- 프로덕션 배포 가이드 및 모니터링 대시보드
-- 재현 가능한 최적화 파이프라인 코드""",
-                
-                "supervisor_review": """실행자 AI의 계획을 검토한 결과, 조사 내용이 잘 반영되었습니다. 다음과 같은 개선사항을 제안합니다.
-
-**강점**
-- 조사된 사례들(Netflix, Tesla, OpenAI)이 각 단계에 적절히 활용됨
-- 구체적인 도구와 기법이 명시되어 실행 가능성이 높음
-- 측정 가능한 목표가 조사 결과를 기반으로 설정됨
-
-**개선 필요사항**
-1. **리스크 관리 강화**
-   - 각 단계별 실패 시나리오와 대응 방안 추가 필요
-   - 기술적 문제 발생 시 백업 계획 수립
-   
-2. **비용 분석 구체화**
-   - OpenAI 사례의 70% 절감을 위한 구체적인 비용 계산
-   - ROI 분석 및 투자 대비 효과 측정 방법
-   
-3. **팀 협업 체계화**
-   - 데이터 과학자, ML 엔지니어, DevOps 간 역할 분담 명확화
-   - 주간 진행 상황 공유 및 이슈 트래킹 프로세스
-
-**추가 권장사항**
-- 최신 연구 동향 모니터링 체계 구축
-- 경쟁사 벤치마킹을 위한 정기적인 조사 프로세스
-- 내부 지식 공유를 위한 문서화 및 세미나 계획
-- 실패 사례에서 배운 교훈을 축적하는 시스템 구축""",
-                
-                "executor_final": """감독자 AI의 피드백을 완전히 반영하여 최종 실행 보고서를 작성합니다.
-
-# 🎯 기계학습 모델 성능 향상 최종 실행 보고서
-
-## 📋 Executive Summary
-본 보고서는 웹 검색을 통해 수집된 최신 사례와 감독자 AI의 전략적 지침을 바탕으로, 8주간의 체계적인 모델 최적화 프로젝트를 제시합니다. 목표는 모델 크기 90% 감소, 추론 속도 10배 향상, 운영 비용 70% 절감입니다.
-
-## 📊 1단계: 현재 모델 진단 및 베이스라인 설정 (1주차)
-
-### 실행 계획
-**월-화요일: 성능 메트릭 수집**
-- MLflow를 통한 현재 모델 전체 분석
-- Netflix 사례 기반 핵심 지표: 정확도(92%), 지연시간(45ms), 처리량(1,000 req/s)
-- 리소스 사용량: GPU 메모리 8GB, 추론 시 CPU 사용률 85%
-
-**수-목요일: AutoML 초기 탐색**
-- Optuna로 하이퍼파라미터 최적화 (200회 시도)
-- Ray Tune으로 분산 학습 환경 구축
-- 초기 개선 가능성: 15-20% 성능 향상 예상
-
-**금요일: 진단 보고서 및 리스크 분석**
-- 주요 병목: 모델 크기(2.5GB), 배치 처리 비효율성
-- 리스크: 데이터 드리프트, 하드웨어 제약
-- 백업 계획: 클라우드 GPU 인스턴스 확보
-
-### 예상 산출물
-- 상세 성능 베이스라인 문서
-- 개선 기회 우선순위 매트릭스
-- 리스크 레지스터 및 대응 계획
-
-## 📊 2단계: 데이터 품질 개선 (2-3주차)
-
-### 실행 계획
-**2주차: 데이터 정제 파이프라인**
-```python
-# data_quality_pipeline.py 주요 구성
-class DataQualityPipeline:
-    def __init__(self):
-        self.validators = [
-            MissingValueHandler(threshold=0.05),
-            OutlierDetector(method='isolation_forest'),
-            LabelConsistencyChecker(),
-            DataDriftMonitor()
-        ]
-    
-    def process(self, data):
-        # 80% 규칙 적용: 데이터 품질이 성능의 80% 결정
-        for validator in self.validators:
-            data = validator.transform(data)
-            self.log_metrics(validator.get_stats())
-        return data
-```
-
-**3주차: 고급 데이터 증강**
-- MixUp: 15% 정확도 향상 예상
-- CutMix: 경계 검출 성능 20% 개선
-- AutoAugment: 자동 최적 증강 정책 탐색
-- A/B 테스트: 각 기법별 효과 측정
-
-### 리스크 대응
-- 데이터 품질 저하 시: 롤백 메커니즘 구현
-- 증강 과적합 방지: 검증셋 분리 및 교차 검증
-
-### 예상 산출물
-- 자동화된 데이터 품질 파이프라인
-- 데이터 품질 대시보드 (Grafana)
-- 15% 이상 성능 향상 검증 보고서
-
-## 📊 3단계: 모델 최적화 구현 (4-6주차)
-
-### 실행 계획
-**4-5주차: Knowledge Distillation**
-- Teacher 모델: 현재 2.5GB 모델
-- Student 모델 아키텍처:
-  * 파라미터 수: 250M → 25M (90% 감소)
-  * 레이어 수: 24 → 6
-  * Hidden dimension: 1024 → 256
-- 훈련 전략:
-  * Temperature: 5.0
-  * Alpha (KD loss weight): 0.7
-  * 훈련 에폭: 50
-
-**6주차: Pruning & Quantization**
-- 구조적 Pruning:
-  * Magnitude 기반 50% 채널 제거
-  * Fine-tuning: 10 에폭
-- INT8 Quantization:
-  * Post-training quantization
-  * Calibration dataset: 1,000 샘플
-- TensorRT 최적화 (Tesla 사례 적용):
-  * FP16 추론 활성화
-  * 동적 배치 최적화
-
-### 팀 협업 체계
-- ML 엔지니어: 모델 아키텍처 및 훈련
-- DevOps: 인프라 및 배포 파이프라인
-- 데이터 과학자: 성능 분석 및 검증
-- 주간 스탠드업 미팅 및 Jira 이슈 트래킹
-
-### 예상 산출물
-- 최적화된 모델 체크포인트
-- 성능 벤치마크 상세 보고서
-- 모델 변환 자동화 스크립트
-
-## 📊 4단계: 성과 검증 및 프로덕션 배포 (7-8주차)
-
-### 실행 계획
-**7주차: 종합 성능 검증**
-- 성능 지표 달성도:
-  * 추론 속도: 45ms → 4.5ms (10배 향상) ✓
-  * 모델 크기: 2.5GB → 250MB (90% 감소) ✓
-  * 정확도 손실: 92% → 90.5% (1.5% 손실) ✓
-- 비용 분석:
-  * GPU 인스턴스: $2,000/월 → $600/월
-  * 처리량 증가로 인한 서버 수 감소: 10대 → 3대
-  * 총 비용 절감: 70% 달성 ✓
-
-**8주차: 단계적 배포**
-- Canary 배포:
-  * 1일차: 1% 트래픽
-  * 3일차: 10% 트래픽
-  * 7일차: 50% 트래픽
-  * 14일차: 100% 전환
-- 모니터링 설정:
-  * Prometheus + Grafana 대시보드
-  * 알림 임계값: 지연시간 >10ms, 오류율 >0.1%
-- 롤백 계획:
-  * 자동 롤백 트리거 설정
-  * Blue-Green 배포로 즉시 전환 가능
-
-### ROI 분석
-- 초기 투자: $50,000 (인건비 + 인프라)
-- 월간 절감액: $14,000
-- 투자 회수 기간: 3.6개월
-- 1년 순이익: $118,000
-
-### 예상 산출물
-- 프로덕션 배포 완료
-- 실시간 모니터링 대시보드
-- ROI 분석 보고서
-- 운영 가이드 문서
-
-## 📈 지속적 개선 계획
-
-### 모니터링 및 유지보수
-- 월간 성능 리뷰 미팅
-- 분기별 재훈련 계획
-- 신기술 도입 검토 (Sparse Models, MoE)
-
-### 지식 공유
-- 내부 기술 세미나 (월 1회)
-- 외부 컨퍼런스 발표 준비
-- 오픈소스 기여 계획
-
-### 차기 프로젝트
-- 엣지 디바이스 배포 최적화
-- 연합 학습(Federated Learning) 도입
-- AutoML 플랫폼 구축
-
-## 📝 결론
-본 프로젝트는 최신 연구 결과와 업계 베스트 프랙티스를 적용하여, 8주 만에 모델 성능을 획기적으로 개선하고 운영 비용을 70% 절감하는 성과를 달성할 것으로 예상됩니다. 체계적인 접근과 리스크 관리, 그리고 지속적인 개선 계획을 통해 장기적인 경쟁력을 확보할 수 있습니다.
-
----
-*작성일: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}*
-*작성자: 협력적 AI 시스템 (감독자, 조사자, 실행자 AI)*"""
-            }
-            
-            # 프롬프트 내용에 따라 적절한 응답 선택
-            if role == "supervisor" and "조사자 AI가 정리한" in messages[0]["content"]:
-                response = test_responses["supervisor_execution"]
-            elif role == "supervisor" and messages[0]["content"].find("실행자 AI의 답변") > -1:
-                response = test_responses["supervisor_review"]
-            elif role == "supervisor":
-                response = test_responses["supervisor_initial"]
-            elif role == "researcher":
-                response = test_responses["researcher"]
-            elif role == "executor" and "최종 보고서" in messages[0]["content"]:
-                response = test_responses["executor_final"]
-            else:
-                response = test_responses["executor"]
-            
-            yield from self.simulate_streaming(response, role)
-            return
-        
-        # 실제 API 호출
-        try:
-            system_prompts = {
-                "supervisor": "당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.",
-                "researcher": "당신은 정보를 조사하고 체계적으로 정리하는 조사자 AI입니다.",
-                "executor": "당신은 세부적인 내용을 구현하는 실행자 AI입니다."
-            }
-            
-            full_messages = [
-                {"role": "system", "content": system_prompts.get(role, "")},
-                *messages
-            ]
-            
-            payload = {
-                "model": self.model_id,
-                "messages": full_messages,
-                "max_tokens": 2048,
-                "temperature": 0.7,
-                "top_p": 0.8,
-                "stream": True,
-                "stream_options": {"include_usage": True}
-            }
-            
-            logger.info(f"API 스트리밍 호출 시작 - Role: {role}")
-            
-            response = requests.post(
-                self.api_url,
-                headers=self.create_headers(),
-                json=payload,
-                stream=True,
-                timeout=10
-            )
-            
-            if response.status_code != 200:
-                logger.error(f"API 오류: {response.status_code}")
-                yield f"❌ API 오류 ({response.status_code}): {response.text[:200]}"
-                return
-            
-            for line in response.iter_lines():
-                if line:
-                    line = line.decode('utf-8')
-                    if line.startswith("data: "):
-                        data = line[6:]
-                        if data == "[DONE]":
-                            break
-                        try:
-                            chunk = json.loads(data)
-                            if "choices" in chunk and chunk["choices"]:
-                                content = chunk["choices"][0].get("delta", {}).get("content", "")
-                                if content:
-                                    yield content
-                        except json.JSONDecodeError:
-                            continue
-                            
-        except requests.exceptions.Timeout:
-            yield "⏱️ API 호출 시간이 초과되었습니다. 다시 시도해주세요."
-        except requests.exceptions.ConnectionError:
-            yield "🔌 API 서버에 연결할 수 없습니다. 인터넷 연결을 확인해주세요."
-        except Exception as e:
-            logger.error(f"스트리밍 중 오류: {str(e)}")
-            yield f"❌ 오류 발생: {str(e)}"
-
-# 시스템 인스턴스 생성
-llm_system = LLMCollaborativeSystem()
-
-def process_query_streaming(user_query: str, history: List):
-    """스트리밍을 지원하는 쿼리 처리"""
-    if not user_query:
-        return history, "", "", "", "", "❌ 질문을 입력해주세요."
-    
-    conversation_log = []
-    all_responses = {"supervisor": [], "researcher": [], "executor": []}
-    
-    try:
-        # 1단계: 감독자 AI 초기 분석 및 키워드 추출
-        supervisor_prompt = llm_system.create_supervisor_initial_prompt(user_query)
-        supervisor_initial_response = ""
-        
-        supervisor_text = "[초기 분석] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": supervisor_prompt}], 
-            "supervisor"
-        ):
-            supervisor_initial_response += chunk
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{supervisor_initial_response}"
-            yield history, supervisor_text, "", "", "", "🔄 감독자 AI가 분석 중..."
-        
-        all_responses["supervisor"].append(supervisor_initial_response)
-        
-        # 키워드 추출
-        keywords = llm_system.extract_keywords(supervisor_initial_response)
-        logger.info(f"추출된 키워드: {keywords}")
-        
-        # 2단계: 브레이브 검색 수행
-        researcher_text = "[웹 검색] 🔍 검색 중...\n"
-        yield history, supervisor_text, researcher_text, "", "", "🔍 웹 검색 수행 중..."
-        
-        search_results = {}
-        for keyword in keywords:
-            results = llm_system.brave_search(keyword)
-            if results:
-                search_results[keyword] = results
-                researcher_text += f"✓ '{keyword}' 검색 완료\n"
-                yield history, supervisor_text, researcher_text, "", "", f"🔍 '{keyword}' 검색 중..."
-        
-        # 3단계: 조사자 AI가 검색 결과 정리
-        researcher_prompt = llm_system.create_researcher_prompt(user_query, supervisor_initial_response, search_results)
-        researcher_response = ""
-        
-        researcher_text = "[조사 결과 정리] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": researcher_prompt}], 
-            "researcher"
-        ):
-            researcher_response += chunk
-            researcher_text = f"[조사 결과 정리] - {datetime.now().strftime('%H:%M:%S')}\n{researcher_response}"
-            yield history, supervisor_text, researcher_text, "", "", "📝 조사자 AI가 정리 중..."
-        
-        all_responses["researcher"].append(researcher_response)
-        
-        # 4단계: 감독자 AI가 조사 내용 기반으로 실행 지시
-        supervisor_execution_prompt = llm_system.create_supervisor_execution_prompt(user_query, researcher_response)
-        supervisor_execution_response = ""
-        
-        supervisor_text += "\n\n---\n\n[실행 지시] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": supervisor_execution_prompt}], 
-            "supervisor"
-        ):
-            supervisor_execution_response += chunk
-            temp_text = f"{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{supervisor_execution_response}"
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield history, supervisor_text, researcher_text, "", "", "🎯 감독자 AI가 지시 중..."
-        
-        all_responses["supervisor"].append(supervisor_execution_response)
-        
-        # 5단계: 실행자 AI가 조사 내용과 지시를 기반으로 초기 구현
-        executor_prompt = llm_system.create_executor_prompt(user_query, supervisor_execution_response, researcher_response)
-        executor_response = ""
-        
-        executor_text = "[초기 구현] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": executor_prompt}], 
-            "executor"
-        ):
-            executor_response += chunk
-            executor_text = f"[초기 구현] - {datetime.now().strftime('%H:%M:%S')}\n{executor_response}"
-            yield history, supervisor_text, researcher_text, executor_text, "", "🔧 실행자 AI가 구현 중..."
-        
-        all_responses["executor"].append(executor_response)
-        
-        # 6단계: 감독자 AI 검토 및 피드백
-        review_prompt = f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-실행자 AI의 답변:
-{executor_response}
-
-이 답변을 검토하고 개선점과 추가 고려사항을 제시해주세요. 구체적이고 실행 가능한 개선 방안을 제시하세요."""
-        
-        review_response = ""
-        supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][1]}\n\n---\n\n[검토 및 피드백] 🔄 생성 중...\n"
-        
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": review_prompt}], 
-            "supervisor"
-        ):
-            review_response += chunk
-            temp_text = f"{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][1]}\n\n---\n\n[검토 및 피드백] - {datetime.now().strftime('%H:%M:%S')}\n{review_response}"
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield history, supervisor_text, researcher_text, executor_text, "", "🔄 감독자 AI가 검토 중..."
-        
-        all_responses["supervisor"].append(review_response)
-        
-        # 7단계: 실행자 AI 최종 보고서 (피드백 반영)
-        final_executor_prompt = llm_system.create_executor_final_prompt(
-            user_query, 
-            executor_response, 
-            review_response, 
-            researcher_response
-        )
-        final_executor_response = ""
-        
-        executor_text += "\n\n---\n\n[최종 보고서] 🔄 작성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": final_executor_prompt}], 
-            "executor"
-        ):
-            final_executor_response += chunk
-            temp_text = f"[초기 구현] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['executor'][0]}\n\n---\n\n[최종 보고서] - {datetime.now().strftime('%H:%M:%S')}\n{final_executor_response}"
-            executor_text = temp_text
-            yield history, supervisor_text, researcher_text, executor_text, "", "📄 최종 보고서 작성 중..."
-        
-        all_responses["executor"].append(final_executor_response)
-        
-        # 최종 결과 생성 (최종 보고서를 메인으로)
-        final_summary = f"""## 🎯 최종 종합 보고서
-
-### 📌 사용자 질문
-{user_query}
-
-### 📄 최종 보고서 (실행자 AI - 피드백 반영)
-{final_executor_response}
-
----
-
-<details>
-<summary>📋 전체 협력 과정 보기</summary>
-
-#### 🔍 거시적 분석 (감독자 AI)
-{all_responses['supervisor'][0]}
-
-#### 📚 조사 결과 (조사자 AI)
-{researcher_response}
-
-#### 🎯 실행 지시 (감독자 AI)
-{all_responses['supervisor'][1]}
-
-#### 💡 초기 구현 (실행자 AI)
-{executor_response}
-
-#### ✨ 검토 및 개선사항 (감독자 AI)
-{review_response}
-
-</details>
-
----
-*이 보고서는 웹 검색을 통한 최신 정보와 AI들의 협력, 그리고 피드백 반영을 통해 작성되었습니다.*"""
-        
-        # 히스토리 업데이트
-        new_history = history + [(user_query, final_summary)]
-        
-        yield new_history, supervisor_text, researcher_text, executor_text, final_summary, "✅ 최종 보고서 완성!"
-        
-    except Exception as e:
-        error_msg = f"❌ 처리 중 오류: {str(e)}"
-        yield history, "", "", "", error_msg, error_msg
-
-def clear_all():
-    """모든 내용 초기화"""
-    return [], "", "", "", "", "🔄 초기화되었습니다."
-
-# Gradio 인터페이스
-css = """
-.gradio-container {
-    font-family: 'Arial', sans-serif;
-}
-.supervisor-box textarea {
-    border-left: 4px solid #667eea !important;
-    padding-left: 10px !important;
-}
-.researcher-box textarea {
-    border-left: 4px solid #10b981 !important;
-    padding-left: 10px !important;
-}
-.executor-box textarea {
-    border-left: 4px solid #764ba2 !important;
-    padding-left: 10px !important;
-}
-"""
-
-with gr.Blocks(title="협력적 LLM 시스템", theme=gr.themes.Soft(), css=css) as app:
-    gr.Markdown(
-        f"""
-        # 🤝 협력적 LLM 시스템 (조사자 포함 + 피드백 반영)
-        
-        > 감독자, 조사자, 실행자 AI가 협력하여 피드백을 반영한 완전한 보고서를 작성합니다.
-        
-        **상태**: 
-        - LLM: {'🟢 실제 모드' if not llm_system.test_mode else '🟡 테스트 모드'}
-        - Brave Search: {'🟢 활성화' if llm_system.bapi_token != "YOUR_BRAVE_API_TOKEN" else '🟡 테스트 모드'}
-        
-        **7단계 협력 프로세스:**
-        1. 🧠 **감독자**: 거시적 분석 및 검색 키워드 추출
-        2. 🔍 **조사자**: 브레이브 검색으로 최신 정보 수���
-        3. 🧠 **감독자**: 조사 내용 기반 구체적 실행 지시
-        4. 👁️ **실행자**: 초기 실행 계획 작성
-        5. 🧠 **감독자**: 검토 및 개선사항 피드백
-        6. 👁️ **실행자**: 피드백 반영한 최종 보고서 작성
-        7. 📄 **최종 산출물**: 완전한 실행 보고서
-        """
-    )
-    
-    with gr.Row():
-        # 왼쪽: 입력 및 채팅 기록
-        with gr.Column(scale=1):
-            chatbot = gr.Chatbot(
-                label="💬 대화 기록",
-                height=600,
-                show_copy_button=True,
-                bubble_full_width=False
-            )
-            
-            user_input = gr.Textbox(
-                label="질문 입력",
-                placeholder="예: 기계학습 모델의 성능을 향상시키는 방법은?",
-                lines=3
-            )
-            
-            with gr.Row():
-                submit_btn = gr.Button("🚀 분석 시작", variant="primary", scale=2)
-                clear_btn = gr.Button("🗑️ 초기화", scale=1)
-            
-            status_text = gr.Textbox(
-                label="상태",
-                interactive=False,
-                value="대기 중...",
-                max_lines=1
-            )
-        
-        # 오른쪽: AI 출력
-        with gr.Column(scale=2):
-            # 최종 결과
-            with gr.Accordion("📊 최종 종합 결과", open=True):
-                final_output = gr.Markdown(
-                    value="*질문을 입력하면 결과가 여기에 표시됩니다.*"
-                )
-            
-            # AI 출력들
-            with gr.Row():
-                # 감독자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 🧠 감독자 AI (거시적 분석)")
-                    supervisor_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["supervisor-box"]
-                    )
-            
-            with gr.Row():
-                # 조사자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 🔍 조사자 AI (웹 검색 & 정리)")
-                    researcher_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["researcher-box"]
-                    )
-                
-                # 실행자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 👁️ 실행자 AI (미시적 구현)")
-                    executor_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["executor-box"]
-                    )
-    
-    # 예제
-    gr.Examples(
-        examples=[
-            "기계학습 모델의 성능을 향상시키는 최신 방법은?",
-            "2024년 효과적인 프로젝트 관리 도구와 전략은?",
-            "지속 가능한 비즈니스 모델의 최신 트렌드는?",
-            "최신 데이터 시각화 도구와 기법은?",
-            "원격 팀의 생산성을 높이는 검증된 방법은?"
-        ],
-        inputs=user_input,
-        label="💡 예제 질문"
-    )
-    
-    # 이벤트 핸들러
-    submit_btn.click(
-        fn=process_query_streaming,
-        inputs=[user_input, chatbot],
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    user_input.submit(
-        fn=process_query_streaming,
-        inputs=[user_input, chatbot],
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    clear_btn.click(
-        fn=clear_all,
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    )
-    
-    gr.Markdown(
-        """
-        ---
-        ### 📝 사용 방법
-        1. 질문을 입력하고 Enter 또는 '분석 시작' 버튼을 클릭하세요.
-        2. 7단계 협력 프로세스가 진행됩니다:
-           - 감독자 초기 분석 → 웹 검색 → 조사 정리 → 실행 지시 → 초기 구현 → 피드백 → 최종 보고서
-        3. 각 AI의 작업 과정을 실시간으로 확인할 수 있습니다.
-        4. 최종 보고서가 상단에 표시되며, 전체 협력 과정은 접을 수 있는 형태로 제공됩니다.
-        
-        ### ⚙️ 환경 설정
-        - **LLM API**: `export FRIENDLI_TOKEN="your_token"`
-        - **Brave Search API**: `export BAPI_TOKEN="your_brave_api_token"`
-        - **테스트 모드**: `export TEST_MODE=true` (API 없이 작동)
-        
-        ### 🔗 API 키 획득
-        - Friendli API: [https://friendli.ai](https://friendli.ai)
-        - Brave Search API: [https://brave.com/search/api/](https://brave.com/search/api/)
-        
-        ### 💡 특징
-        - 완전한 피드백 루프: 감독자의 피드백이 실행자에게 전달되어 최종 개선
-        - 웹 검색 기반: 최신 정보와 사례를 활용한 실용적 답변
-        - 전문 보고서 형식: 실무에서 바로 활용 가능한 구조화된 결과물
-        """
-    )
-
-if __name__ == "__main__":
-    app.queue()  # 스트리밍을 위한 큐 활성화
-    app.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=True,
-        show_error=True
-    )import gradio as gr
-import os
-import json
-import requests
-from datetime import datetime
-import time
-from typing import List, Dict, Any, Generator, Tuple
-import logging
-import re
-
-# 로깅 설정
-logging.basicConfig(level=logging.INFO)
-logger = logging.getLogger(__name__)
-
-# 환경 변수에서 토큰 가져오기
-FRIENDLI_TOKEN = os.getenv("FRIENDLI_TOKEN", "YOUR_FRIENDLI_TOKEN")
-BAPI_TOKEN = os.getenv("BAPI_TOKEN", "YOUR_BRAVE_API_TOKEN")
-API_URL = "https://api.friendli.ai/dedicated/v1/chat/completions"
-BRAVE_SEARCH_URL = "https://api.search.brave.com/res/v1/web/search"
-MODEL_ID = "dep89a2fld32mcm"
-TEST_MODE = os.getenv("TEST_MODE", "false").lower() == "true"
-
-# 전역 변수
-conversation_history = []
-
-class LLMCollaborativeSystem:
-    def __init__(self):
-        self.token = FRIENDLI_TOKEN
-        self.bapi_token = BAPI_TOKEN
-        self.api_url = API_URL
-        self.brave_url = BRAVE_SEARCH_URL
-        self.model_id = MODEL_ID
-        self.test_mode = TEST_MODE or (self.token == "YOUR_FRIENDLI_TOKEN")
-        
-        if self.test_mode:
-            logger.warning("테스트 모드로 실행됩니다.")
-        if self.bapi_token == "YOUR_BRAVE_API_TOKEN":
-            logger.warning("Brave API 토큰이 설정되지 않았습니다.")
-        
-    def create_headers(self):
-        """API 헤더 생성"""
-        return {
-            "Authorization": f"Bearer {self.token}",
-            "Content-Type": "application/json"
-        }
-    
-    def create_brave_headers(self):
-        """Brave API 헤더 생성"""
-        return {
-            "Accept": "application/json",
-            "Accept-Encoding": "gzip",
-            "X-Subscription-Token": self.bapi_token
-        }
-    
-    def create_supervisor_initial_prompt(self, user_query: str) -> str:
-        """감독자 AI 초기 프롬프트 생성"""
-        return f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-이 질문에 대해:
-1. 전체적인 접근 방향과 프레임워크를 제시하세요
-2. 핵심 요소와 고려사항을 구조화하여 설명하세요
-3. 이 주제에 대해 조사가 필요한 5-7개의 구체적인 키워드나 검색어를 제시하세요
-
-키워드는 다음 형식으로 제시하세요:
-[검색 키워드]: 키워드1, 키워드2, 키워드3, 키워드4, 키워드5"""
-    
-    def create_researcher_prompt(self, user_query: str, supervisor_guidance: str, search_results: Dict[str, List[Dict]]) -> str:
-        """조사자 AI 프롬프트 생성"""
-        search_summary = ""
-        for keyword, results in search_results.items():
-            search_summary += f"\n\n**{keyword}에 대한 검색 결과:**\n"
-            for i, result in enumerate(results[:3], 1):
-                search_summary += f"{i}. {result.get('title', 'N/A')}\n"
-                search_summary += f"   - {result.get('description', 'N/A')}\n"
-                search_summary += f"   - 출처: {result.get('url', 'N/A')}\n"
-        
-        return f"""당신은 정보를 조사하고 정리하는 조사자 AI입니다.
-
-사용자 질문: {user_query}
-
-감독자 AI의 지침:
-{supervisor_guidance}
-
-브레이브 검색 결과:
-{search_summary}
-
-위 검색 결과를 바탕으로:
-1. 각 키워드별로 중요한 정보를 정리하세요
-2. 신뢰할 수 있는 출처를 명시하세요
-3. 실행자 AI가 활용할 수 있는 구체적인 데이터와 사실을 추출하세요
-4. 최신 트렌드나 중요한 통계가 있다면 강조하세요"""
-    
-    def create_supervisor_execution_prompt(self, user_query: str, research_summary: str) -> str:
-        """감독자 AI의 실행 지시 프롬프트"""
-        return f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI가 정리한 조사 내용:
-{research_summary}
-
-위 조사 내용을 기반으로 실행자 AI에게 아주 구체적인 지시를 내려주세요:
-1. 조사된 정보를 어떻게 활용할지 명확히 지시하세요
-2. 실행 가능한 단계별 작업을 구체적으로 제시하세요
-3. 각 단계에서 참고해�� 할 조사 내용을 명시하세요
-4. 예상되는 결과물의 형태를 구체적으로 설명하세요"""
-    
-    def create_executor_prompt(self, user_query: str, supervisor_guidance: str, research_summary: str) -> str:
-        """실행자 AI 프롬프트 생성"""
-        return f"""당신은 세부적인 내용을 구현하는 실행자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI가 정리한 조사 내용:
-{research_summary}
-
-감독자 AI의 구체적인 지시:
-{supervisor_guidance}
-
-위 조사 내용과 지시사항을 바탕으로:
-1. 조사된 정보를 적극 활용하여 구체적인 실행 계획을 작성하세요
-2. 각 단계별로 참고한 조사 내용을 명시하세요
-3. 실제로 적용 가능한 구체적인 방법론을 제시하세요
-4. 예상되는 성과와 측정 방법을 포함하세요"""
-    
-    def create_executor_final_prompt(self, user_query: str, initial_response: str, supervisor_feedback: str, research_summary: str) -> str:
-        """실행자 AI 최종 보고서 프롬프트"""
-        return f"""당신은 세부적인 내용을 구현하는 실행자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI의 조사 내용:
-{research_summary}
-
-당신의 초기 답변:
-{initial_response}
-
-감독자 AI의 피드백 및 개선사항:
-{supervisor_feedback}
-
-위 피드백을 완전히 반영하여 최종 보고서를 작성하세요:
-1. 감독자의 모든 개선사항을 반영하세요
-2. 조사 내용을 더욱 구체적으로 활용하세요
-3. 실행 가능성을 높이는 세부 계획을 포함하세요
-4. 명확한 결론과 다음 단계를 제시하세요
-5. 전문적이고 완성도 높은 최종 보고서 형식으로 작성하세요"""
-    
-    def extract_keywords(self, supervisor_response: str) -> List[str]:
-        """감독자 응답에서 키워드 추출"""
-        keywords = []
-        
-        # [검색 키워드]: 형식으로 키워드 찾기
-        keyword_match = re.search(r'\[검색 키워드\]:\s*(.+)', supervisor_response, re.IGNORECASE)
-        if keyword_match:
-            keyword_str = keyword_match.group(1)
-            keywords = [k.strip() for k in keyword_str.split(',') if k.strip()]
-        
-        # 키워드가 없으면 기본 키워드 생성
-        if not keywords:
-            keywords = ["best practices", "implementation guide", "case studies", "latest trends", "success factors"]
-        
-        return keywords[:7]  # 최대 7개로 제한
-    
-    def brave_search(self, query: str) -> List[Dict]:
-        """Brave Search API 호출"""
-        if self.test_mode or self.bapi_token == "YOUR_BRAVE_API_TOKEN":
-            # 테스트 모드에서는 시뮬레이션된 결과 반환
-            return [
-                {
-                    "title": f"Best Practices for {query}",
-                    "description": f"Comprehensive guide on implementing {query} with proven methodologies and real-world examples.",
-                    "url": f"https://example.com/{query.replace(' ', '-')}"
-                },
-                {
-                    "title": f"Latest Trends in {query}",
-                    "description": f"Analysis of current trends and future directions in {query}, including market insights and expert opinions.",
-                    "url": f"https://trends.example.com/{query.replace(' ', '-')}"
-                },
-                {
-                    "title": f"{query}: Case Studies and Success Stories",
-                    "description": f"Real-world implementations of {query} across various industries with measurable results.",
-                    "url": f"https://casestudies.example.com/{query.replace(' ', '-')}"
-                }
-            ]
-        
-        try:
-            params = {
-                "q": query,
-                "count": 5,
-                "safesearch": "moderate",
-                "freshness": "pw"  # Past week for recent results
-            }
-            
-            response = requests.get(
-                self.brave_url,
-                headers=self.create_brave_headers(),
-                params=params,
-                timeout=10
-            )
-            
-            if response.status_code == 200:
-                data = response.json()
-                results = []
-                for item in data.get("web", {}).get("results", [])[:5]:
-                    results.append({
-                        "title": item.get("title", ""),
-                        "description": item.get("description", ""),
-                        "url": item.get("url", "")
-                    })
-                return results
-            else:
-                logger.error(f"Brave API 오류: {response.status_code}")
-                return []
-                
-        except Exception as e:
-            logger.error(f"Brave 검색 중 오류: {str(e)}")
-            return []
-    
-    def simulate_streaming(self, text: str, role: str) -> Generator[str, None, None]:
-        """테스트 모드에서 스트리�� 시뮬레이션"""
-        words = text.split()
-        for i in range(0, len(words), 3):
-            chunk = " ".join(words[i:i+3])
-            yield chunk + " "
-            time.sleep(0.05)
-    
-    def call_llm_streaming(self, messages: List[Dict[str, str]], role: str) -> Generator[str, None, None]:
-        """스트리밍 LLM API 호출"""
-        
-        # 테스트 모드
-        if self.test_mode:
-            logger.info(f"테스트 모드 스트리밍 - Role: {role}")
-            test_responses = {
-                "supervisor_initial": """이 질문에 대한 거시적 분석을 제시하겠습니다.
-
-1. **핵심 개념 파악**
-   - 질문의 본질적 요소를 심층 분석합니다
-   - 관련된 주요 이론과 원칙을 검토합니다
-   - 다양한 관점에서의 접근 방법을 고려합니다
-
-2. **전략적 접근 방향**
-   - 체계적이고 단계별 해결 방안을 수립합니다
-   - 장단기 목표를 명확히 설정합니다
-   - 리스크 요인과 대응 방안을 마련합니다
-
-3. **기대 효과와 과제**
-   - 예상되는 긍정적 성과를 분석합니다
-   - 잠재적 도전 과제를 식별합니다
-   - 지속가능한 발전 방향을 제시합니다
-
-[검색 키워드]: machine learning optimization, performance improvement strategies, model efficiency techniques, hyperparameter tuning best practices, latest ML trends 2024""",
-                
-                "researcher": """조사 결과를 종합하여 다음과 같이 정리했습니다.
-
-**1. Machine Learning Optimization**
-- 최신 연구에 따르면 모델 최적화의 핵심은 아키텍처 설계와 훈련 전략의 균형입니다
-- AutoML 도구들이 하이퍼파라미터 튜닝을 자동화하여 효율성을 크게 향상시킵니다
-- 출처: ML Conference 2024, Google Research
-
-**2. Performance Improvement Strategies**
-- 데이터 품질 개선이 모델 성능 향상의 80%를 차지한다는 연구 결과
-- 앙상블 기법과 전이학습이 주요 성능 개선 방법으로 입증됨
-- 벤치마크: ImageNet에서 95% 이상의 정확도 달성 사례
-
-**3. Model Efficiency Techniques**
-- 모델 경량화(Pruning, Quantization)로 추론 속도 10배 향상 가능
-- Knowledge Distillation으로 모델 크기 90% 감소, 성능 유지
-- 최신 트렌드: Efficient Transformers, Neural Architecture Search
-
-**4. 실제 적용 사례**
-- Netflix: 추천 시스템 개선으로 사용자 만족도 35% 향상
-- Tesla: 실시간 객체 인식 속도 50% 개선
-- OpenAI: GPT 모델 효율성 개선으로 비용 70% 절감""",
-                
-                "supervisor_execution": """조사 내용을 바탕으로 실행자 AI에게 다음과 같이 구체적으로 지시합니다.
-
-**1단계: 현재 모델 진단 (1주차)**
-- 조사된 벤치마크 기준으로 현재 모델 성능 평가
-- Netflix 사례를 참고하여 주요 병목 지점 식별
-- AutoML 도구를 활용한 초기 최적화 가능성 탐색
-
-**2단계: 데이터 품질 개선 (2-3주차)**
-- 조사 결과의 "80% 규칙"에 따라 데이터 정제 우선 실행
-- 데이터 증강 기법 적용 (조사된 최신 기법 활용)
-- A/B 테스트로 개선 효과 측정
-
-**3단계: 모델 최적화 구현 (4-6주차)**
-- Knowledge Distillation 적용하여 모델 경량화
-- 조사된 Pruning 기법으로 추론 속도 개선
-- Tesla 사례의 실시간 처리 최적화 기법 벤치마킹
-
-**4단계: 성과 검증 및 배포 (7-8주차)**
-- OpenAI 사례의 비용 절감 지표 적용
-- 조사된 성능 지표로 개선율 측정
-- 단계적 배포 전략 수립""",
-                
-                "executor": """감독자의 지시와 조사 내용을 기반으로 구체적인 실행 계획을 수립합니다.
-
-**1단계: 현재 모델 진단 (1주차)**
-- 월요일-화요일: MLflow를 사용한 현재 모델 메트릭 수집
-  * 조사 결과 참고: Netflix가 사용한 핵심 지표 (정확도, 지연시간, 처리량)
-- 수요일-목요일: AutoML 도구 (Optuna, Ray Tune) 설정 및 초기 실행
-  * 조사된 best practice에 따라 search space 정의
-- 금요일: 진단 보고서 작성 및 개선 우선순위 결정
-
-**2단계: 데이터 품질 개선 (2-3주차)**
-- 데이터 정제 파이프라인 구축
-  * 조사 결과의 "80% 규칙" 적용: 누락값, 이상치, 레이블 오류 처리
-  * 코드 예시: `data_quality_pipeline.py` 구현
-- 데이터 증강 구현
-  * 최신 기법 적용: MixUp, CutMix, AutoAugment
-  * 검증 데이터셋으로 효과 측정 (목표: 15% 성능 향상)
-
-**3단계: 모델 최적화 구현 (4-6주차)**
-- Knowledge Distillation 구현
-  * Teacher 모델: 현재 대규모 모델
-  * Student 모델: 90% 작은 크기 목표 (조사 결과 기반)
-  * 구현 프레임워크: PyTorch/TensorFlow
-- Pruning 및 Quantization 적용
-  * 구조적 pruning으로 50% 파라미터 제거
-  * INT8 quantization으로 추가 4배 속도 향상
-  * Tesla 사례 참고: TensorRT 최적화 적용
-
-**4단계: ���과 검증 및 배포 (7-8주차)**
-- 성과 지표 측정
-  * 추론 속도: 목표 10배 향상 (조사 결과 기반)
-  * 정확도 손실: 최대 2% 이내 유지
-  * 비용 절감: 70% 목표 (OpenAI 사례 참고)
-- 배포 전략
-  * A/B 테스트: 10% 트래픽으로 시작
-  * 모니터링: Prometheus + Grafana 대시보드
-  * 롤백 계획: 성능 저하 시 자동 롤백
-
-**예상 결과물**
-- 최적화된 모델 (크기 90% 감소, 속도 10배 향상)
-- 상세 성능 벤치마크 보고서
-- 프로덕션 배포 가이드 및 모니터링 대시보드
-- 재현 가능한 최적화 파이프라인 코드""",
-                
-                "supervisor_review": """실행자 AI의 계획을 검토한 결과, 조사 내용이 잘 반영되었습니다. 다음과 같은 개선사항을 제안합니다.
-
-**강점**
-- 조사된 사례들(Netflix, Tesla, OpenAI)이 각 단계에 적절히 활용됨
-- 구체적인 도구와 기법이 명시되어 실행 가능성이 높음
-- 측정 가능한 목표가 조사 결과를 기반으로 설정됨
-
-**개선 필요사항**
-1. **리스크 관리 강화**
-   - 각 단계별 실패 시나리오와 대응 방안 추가 필요
-   - 기술적 문제 발생 시 백업 계획 수립
-   
-2. **비용 분석 구체화**
-   - OpenAI 사례의 70% 절감을 위한 구체적인 비용 계산
-   - ROI 분석 및 투자 대비 효과 측정 방법
-   
-3. **팀 협업 체계화**
-   - 데이터 과학자, ML 엔지니어, DevOps 간 역할 분담 명확화
-   - 주간 진행 상황 공유 및 이슈 트래킹 프로세스
-
-**추가 권장사항**
-- 최신 연구 동향 모니터링 체계 구축
-- 경쟁사 벤치마킹을 위한 정기적인 조사 프로세스
-- 내부 지식 공유를 위한 문서화 및 세미나 계획
-- 실패 사례에서 배운 교훈을 축적하는 시스템 구축""",
-                
-                "executor_final": """감독자 AI의 피드백을 완전히 반영하여 최종 실행 보고서를 작성합니다.
-
-# 🎯 기계학습 모델 성능 향상 최종 실행 보고서
-
-## 📋 Executive Summary
-본 보고서는 웹 검색을 통해 수집된 최신 사례와 감독자 AI의 전략적 지침을 바탕으로, 8주간의 체계적인 모델 최적화 프로젝트를 제시합니다. 목표는 모델 크기 90% 감소, 추론 속도 10배 향상, 운영 비용 70% 절감입니다.
-
-## 📊 1단계: 현재 모델 진단 및 베이스라인 설정 (1주차)
-
-### 실행 계획
-**월-화요일: 성능 메트릭 수집**
-- MLflow를 통한 현재 모델 전체 분석
-- Netflix 사례 기반 핵심 지표: 정확도(92%), 지연시간(45ms), 처리량(1,000 req/s)
-- 리소스 사용량: GPU 메모리 8GB, 추론 시 CPU 사용률 85%
-
-**수-목요일: AutoML 초기 탐색**
-- Optuna로 하이퍼파라미터 최적화 (200회 시도)
-- Ray Tune으로 분산 학습 환경 구축
-- 초기 개선 가능성: 15-20% 성능 향상 예상
-
-**금요일: 진단 보고서 및 리스크 분석**
-- 주요 병목: 모델 크기(2.5GB), 배치 처리 비효율성
-- 리스크: 데이터 드리프트, 하드웨어 제약
-- 백업 계획: 클라우드 GPU 인스턴스 확보
-
-### 예상 산출물
-- 상세 성능 베이스라인 문서
-- 개선 기회 우선순위 매트릭스
-- 리스크 레지스터 및 대응 계획
-
-## 📊 2단계: 데이터 품질 개선 (2-3주차)
-
-### 실행 계획
-**2주차: 데이터 정제 파이프라인**
-```python
-# data_quality_pipeline.py 주요 구성
-class DataQualityPipeline:
-    def __init__(self):
-        self.validators = [
-            MissingValueHandler(threshold=0.05),
-            OutlierDetector(method='isolation_forest'),
-            LabelConsistencyChecker(),
-            DataDriftMonitor()
-        ]
-    
-    def process(self, data):
-        # 80% 규칙 적용: 데이터 품질이 성능의 80% 결정
-        for validator in self.validators:
-            data = validator.transform(data)
-            self.log_metrics(validator.get_stats())
-        return data
-```
-
-**3주차: 고급 데이터 증강**
-- MixUp: 15% 정확도 향상 예상
-- CutMix: 경계 검출 성능 20% 개선
-- AutoAugment: 자동 최적 증강 정책 탐색
-- A/B 테스트: 각 기법별 효과 측정
-
-### 리스크 대응
-- 데이터 품질 저하 시: 롤백 메커니즘 구현
-- 증강 과적합 방지: 검증셋 분리 및 교차 검증
-
-### 예상 산출물
-- 자동화된 데이터 품질 파이프라인
-- 데이터 품질 대시보드 (Grafana)
-- 15% 이상 성능 향상 검증 보고서
-
-## 📊 3단계: 모델 최적화 구현 (4-6주차)
-
-### 실행 계획
-**4-5주차: Knowledge Distillation**
-- Teacher 모델: 현재 2.5GB 모델
-- Student 모델 아키텍처:
-  * 파라미터 수: 250M → 25M (90% 감소)
-  * 레이어 수: 24 → 6
-  * Hidden dimension: 1024 → 256
-- 훈련 전략:
-  * Temperature: 5.0
-  * Alpha (KD loss weight): 0.7
-  * 훈련 에폭: 50
-
-**6주차: Pruning & Quantization**
-- 구조적 Pruning:
-  * Magnitude 기�� 50% 채널 제거
-  * Fine-tuning: 10 에폭
-- INT8 Quantization:
-  * Post-training quantization
-  * Calibration dataset: 1,000 샘플
-- TensorRT 최적화 (Tesla 사례 적용):
-  * FP16 추론 활성화
-  * 동적 배치 최적화
-
-### 팀 협업 체계
-- ML 엔지니어: 모델 아키텍처 및 훈련
-- DevOps: 인프라 및 배포 파이프라인
-- 데이터 과학자: 성능 분석 및 검증
-- 주간 스탠드업 미팅 및 Jira 이슈 트래킹
-
-### 예상 산출물
-- 최적화된 모델 체크포인트
-- 성능 벤치마크 상세 보고서
-- 모델 변환 자동화 스크립트
-
-## 📊 4단계: 성과 검증 및 프로덕션 배포 (7-8주차)
-
-### 실행 계획
-**7주차: 종합 성능 검증**
-- 성능 지표 달성도:
-  * 추론 속도: 45ms → 4.5ms (10배 향상) ✓
-  * 모델 크기: 2.5GB → 250MB (90% 감소) ✓
-  * 정확도 손실: 92% → 90.5% (1.5% 손실) ✓
-- 비용 분석:
-  * GPU 인스턴스: $2,000/월 → $600/월
-  * 처리량 증가로 인한 서버 수 감소: 10대 → 3대
-  * 총 비용 절감: 70% 달성 ✓
-
-**8주차: 단계적 배포**
-- Canary 배포:
-  * 1일차: 1% 트래픽
-  * 3일차: 10% 트래픽
-  * 7일차: 50% 트래픽
-  * 14일차: 100% 전환
-- 모니터링 설정:
-  * Prometheus + Grafana 대시보드
-  * 알림 임계값: 지연시간 >10ms, 오류율 >0.1%
-- 롤백 계획:
-  * 자동 롤백 트리거 설정
-  * Blue-Green 배포로 즉시 전환 가능
-
-### ROI 분석
-- 초기 투자: $50,000 (인건비 + 인프라)
-- 월간 절감액: $14,000
-- 투자 회수 기간: 3.6개월
-- 1년 순이익: $118,000
-
-### 예상 산출물
-- 프로덕션 배포 완료
-- 실시간 모니터링 대시보드
-- ROI 분석 보고서
-- 운영 가이드 문서
-
-## 📈 지속적 개선 계획
-
-### 모니터링 및 유지보수
-- 월간 성능 리뷰 미팅
-- 분기별 재훈련 계획
-- 신기술 도입 검토 (Sparse Models, MoE)
-
-### 지식 공유
-- 내부 기술 세미나 (월 1회)
-- 외부 컨퍼런스 발표 준비
-- 오픈소스 기여 계획
-
-### 차기 프로젝트
-- 엣지 디바이스 배포 최적화
-- 연합 학습(Federated Learning) 도입
-- AutoML 플랫폼 구축
-
-## 📝 결론
-본 프로젝트는 최신 연구 결과와 업계 베스트 프랙티스를 적용하여, 8주 만에 모델 성능을 획기적으로 개선하고 운영 비용을 70% 절감하는 성과를 달성할 것으로 예상됩니다. 체계적인 접근과 리스크 관리, 그리고 지속적인 개선 계획을 통해 장기적인 경쟁력을 확보할 수 있습니다.
-
----
-*작성일: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}*
-*작성자: 협력적 AI 시스템 (감독자, 조사자, 실행자 AI)*"""
-            }
-            
-            # 프롬프트 내용에 따라 적절한 응답 선택
-            if role == "supervisor" and "조사자 AI가 정리한" in messages[0]["content"]:
-                response = test_responses["supervisor_execution"]
-            elif role == "supervisor" and messages[0]["content"].find("실행자 AI의 답변") > -1:
-                response = test_responses["supervisor_review"]
-            elif role == "supervisor":
-                response = test_responses["supervisor_initial"]
-            elif role == "researcher":
-                response = test_responses["researcher"]
-            elif role == "executor" and "최종 보고서" in messages[0]["content"]:
-                response = test_responses["executor_final"]
-            else:
-                response = test_responses["executor"]
-            
-            yield from self.simulate_streaming(response, role)
-            return
-        
-        # 실제 API 호출
-        try:
-            system_prompts = {
-                "supervisor": "당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.",
-                "researcher": "당신은 정보를 조사하고 체계적으로 정리하는 조사자 AI입니다.",
-                "executor": "당신은 세부적인 내용을 구현하는 실행자 AI입니다."
-            }
-            
-            full_messages = [
-                {"role": "system", "content": system_prompts.get(role, "")},
-                *messages
-            ]
-            
-            payload = {
-                "model": self.model_id,
-                "messages": full_messages,
-                "max_tokens": 2048,
-                "temperature": 0.7,
-                "top_p": 0.8,
-                "stream": True,
-                "stream_options": {"include_usage": True}
-            }
-            
-            logger.info(f"API 스트리밍 호출 시작 - Role: {role}")
-            
-            response = requests.post(
-                self.api_url,
-                headers=self.create_headers(),
-                json=payload,
-                stream=True,
-                timeout=10
-            )
-            
-            if response.status_code != 200:
-                logger.error(f"API 오류: {response.status_code}")
-                yield f"❌ API 오류 ({response.status_code}): {response.text[:200]}"
-                return
-            
-            for line in response.iter_lines():
-                if line:
-                    line = line.decode('utf-8')
-                    if line.startswith("data: "):
-                        data = line[6:]
-                        if data == "[DONE]":
-                            break
-                        try:
-                            chunk = json.loads(data)
-                            if "choices" in chunk and chunk["choices"]:
-                                content = chunk["choices"][0].get("delta", {}).get("content", "")
-                                if content:
-                                    yield content
-                        except json.JSONDecodeError:
-                            continue
-                            
-        except requests.exceptions.Timeout:
-            yield "⏱️ API 호출 시간이 초과되었습니다. 다시 시도해주세요."
-        except requests.exceptions.ConnectionError:
-            yield "🔌 API 서버에 연결할 수 없습니다. 인터넷 연결을 확인해주세요."
-        except Exception as e:
-            logger.error(f"스트리밍 중 오류: {str(e)}")
-            yield f"❌ 오류 발생: {str(e)}"
-
-# 시스템 인스턴스 생성
-llm_system = LLMCollaborativeSystem()
-
-def process_query_streaming(user_query: str, history: List):
-    """스트리밍을 지원하는 쿼리 처리"""
-    if not user_query:
-        return history, "", "", "", "", "❌ 질문을 입력해주세요."
-    
-    conversation_log = []
-    all_responses = {"supervisor": [], "researcher": [], "executor": []}
-    
-    try:
-        # 1단계: 감독자 AI 초기 분석 및 키워드 추출
-        supervisor_prompt = llm_system.create_supervisor_initial_prompt(user_query)
-        supervisor_initial_response = ""
-        
-        supervisor_text = "[초기 분석] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": supervisor_prompt}], 
-            "supervisor"
-        ):
-            supervisor_initial_response += chunk
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{supervisor_initial_response}"
-            yield history, supervisor_text, "", "", "", "🔄 감독자 AI가 분석 중..."
-        
-        all_responses["supervisor"].append(supervisor_initial_response)
-        
-        # 키워드 추출
-        keywords = llm_system.extract_keywords(supervisor_initial_response)
-        logger.info(f"추출된 키워드: {keywords}")
-        
-        # 2단계: 브레이브 검색 수행
-        researcher_text = "[웹 검색] 🔍 검색 중...\n"
-        yield history, supervisor_text, researcher_text, "", "", "🔍 웹 검색 수행 중..."
-        
-        search_results = {}
-        for keyword in keywords:
-            results = llm_system.brave_search(keyword)
-            if results:
-                search_results[keyword] = results
-                researcher_text += f"✓ '{keyword}' 검색 완료\n"
-                yield history, supervisor_text, researcher_text, "", "", f"🔍 '{keyword}' 검색 중..."
-        
-        # 3단계: 조사자 AI가 검색 결과 정리
-        researcher_prompt = llm_system.create_researcher_prompt(user_query, supervisor_initial_response, search_results)
-        researcher_response = ""
-        
-        researcher_text = "[조사 결과 정리] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": researcher_prompt}], 
-            "researcher"
-        ):
-            researcher_response += chunk
-            researcher_text = f"[조사 결과 정리] - {datetime.now().strftime('%H:%M:%S')}\n{researcher_response}"
-            yield history, supervisor_text, researcher_text, "", "", "📝 조사자 AI가 정리 중..."
-        
-        all_responses["researcher"].append(researcher_response)
-        
-        # 4단계: 감독자 AI가 조사 내용 기반으로 실행 지시
-        supervisor_execution_prompt = llm_system.create_supervisor_execution_prompt(user_query, researcher_response)
-        supervisor_execution_response = ""
-        
-        supervisor_text += "\n\n---\n\n[실행 지시] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": supervisor_execution_prompt}], 
-            "supervisor"
-        ):
-            supervisor_execution_response += chunk
-            temp_text = f"{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{supervisor_execution_response}"
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield history, supervisor_text, researcher_text, "", "", "🎯 감독자 AI가 지시 중..."
-        
-        all_responses["supervisor"].append(supervisor_execution_response)
-        
-        # 5단계: 실행자 AI가 조사 내용과 지시를 기반으로 초기 구현
-        executor_prompt = llm_system.create_executor_prompt(user_query, supervisor_execution_response, researcher_response)
-        executor_response = ""
-        
-        executor_text = "[초기 구현] 🔄 생성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": executor_prompt}], 
-            "executor"
-        ):
-            executor_response += chunk
-            executor_text = f"[초기 구현] - {datetime.now().strftime('%H:%M:%S')}\n{executor_response}"
-            yield history, supervisor_text, researcher_text, executor_text, "", "🔧 실행자 AI가 구현 중..."
-        
-        all_responses["executor"].append(executor_response)
-        
-        # 6단계: 감독자 AI 검토 및 피드백
-        review_prompt = f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-실행자 AI의 답변:
-{executor_response}
-
-이 답변을 검토하고 개선점과 추가 고려사항을 제시해주세요. 구체적이고 실행 가능한 개선 방안을 제시하세요."""
-        
-        review_response = ""
-        supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][1]}\n\n---\n\n[검토 및 피드백] 🔄 생성 중...\n"
-        
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": review_prompt}], 
-            "supervisor"
-        ):
-            review_response += chunk
-            temp_text = f"{all_responses['supervisor'][0]}\n\n---\n\n[실행 지시] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['supervisor'][1]}\n\n---\n\n[검토 및 피드백] - {datetime.now().strftime('%H:%M:%S')}\n{review_response}"
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield history, supervisor_text, researcher_text, executor_text, "", "🔄 감독자 AI가 검토 중..."
-        
-        all_responses["supervisor"].append(review_response)
-        
-        # 7단계: 실행자 AI 최종 보고서 (피드백 반영)
-        final_executor_prompt = llm_system.create_executor_final_prompt(
-            user_query, 
-            executor_response, 
-            review_response, 
-            researcher_response
-        )
-        final_executor_response = ""
-        
-        executor_text += "\n\n---\n\n[최종 보고서] 🔄 작성 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": final_executor_prompt}], 
-            "executor"
-        ):
-            final_executor_response += chunk
-            temp_text = f"[초기 구현] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['executor'][0]}\n\n---\n\n[최종 보고서] - {datetime.now().strftime('%H:%M:%S')}\n{final_executor_response}"
-            executor_text = temp_text
-            yield history, supervisor_text, researcher_text, executor_text, "", "📄 최종 보고서 작성 중..."
-        
-        all_responses["executor"].append(final_executor_response)
-        
-        # 최종 결과 생성 (최종 보고서를 메인으로)
-        final_summary = f"""## 🎯 최종 종합 보고서
-
-### 📌 사용자 질문
-{user_query}
-
-### 📄 최종 보고서 (실행자 AI - 피드백 반영)
-{final_executor_response}
-
----
-
-<details>
-<summary>📋 전체 협력 과정 보기</summary>
-
-#### 🔍 거시적 분석 (감독자 AI)
-{all_responses['supervisor'][0]}
-
-#### 📚 조사 결과 (조사자 AI)
-{researcher_response}
-
-#### 🎯 실행 지시 (감독자 AI)
-{all_responses['supervisor'][1]}
-
-#### 💡 초기 구현 (실행자 AI)
-{executor_response}
-
-#### ✨ 검토 및 개선사항 (감독자 AI)
-{review_response}
-
-</details>
-
----
-*이 보고서는 웹 검색을 통한 최신 정보와 AI들의 협력, 그리고 피드백 반영을 통해 작성되었습니다.*"""
-        
-        # 히스토리 업데이트
-        new_history = history + [(user_query, final_summary)]
-        
-        yield new_history, supervisor_text, researcher_text, executor_text, final_summary, "✅ 최종 보고서 완성!"
-        
-    except Exception as e:
-        error_msg = f"❌ 처리 중 오류: {str(e)}"
-        yield history, "", "", "", error_msg, error_msg
-
-def clear_all():
-    """모든 내용 초기화"""
-    return [], "", "", "", "", "🔄 초기화되었습니다."
-
-# Gradio 인터페이스
-css = """
-.gradio-container {
-    font-family: 'Arial', sans-serif;
-}
-.supervisor-box textarea {
-    border-left: 4px solid #667eea !important;
-    padding-left: 10px !important;
-}
-.researcher-box textarea {
-    border-left: 4px solid #10b981 !important;
-    padding-left: 10px !important;
-}
-.executor-box textarea {
-    border-left: 4px solid #764ba2 !important;
-    padding-left: 10px !important;
-}
-"""
-
-with gr.Blocks(title="협력적 LLM 시스템", theme=gr.themes.Soft(), css=css) as app:
-    gr.Markdown(
-        f"""
-        # 🤝 협력적 LLM 시스템 (조사자 포함 + 피드백 반영)
-        
-        > 감독자, 조사자, 실행자 AI가 협력하여 피드백을 반영한 완전한 보고서를 작성합니다.
-        
-        **상태**: 
-        - LLM: {'🟢 실제 모드' if not llm_system.test_mode else '🟡 테스트 모드'}
-        - Brave Search: {'🟢 활성화' if llm_system.bapi_token != "YOUR_BRAVE_API_TOKEN" else '🟡 테스트 모드'}
-        
-        **7단계 협력 프로세스:**
-        1. 🧠 **감독자**: 거시적 분석 및 검색 키워드 추출
-        2. 🔍 **조사자**: 브레이브 검색으로 최신 정보 수집
-        3. 🧠 **감독자**: 조사 내용 기반 구체적 실행 지시
-        4. 👁️ **실행자**: 초기 실행 계획 작성
-        5. 🧠 **감독자**: 검토 및 개선사항 피드백
-        6. 👁️ **실행자**: 피드백 반영한 최종 보고서 작성
-        7. 📄 **최종 산출물**: 완전한 실행 보고서
-        """
-    )
-    
-    with gr.Row():
-        # 왼쪽: 입력 및 채팅 기록
-        with gr.Column(scale=1):
-            chatbot = gr.Chatbot(
-                label="💬 대화 기록",
-                height=600,
-                show_copy_button=True,
-                bubble_full_width=False
-            )
-            
-            user_input = gr.Textbox(
-                label="질문 입력",
-                placeholder="예: 기계학습 모델의 성능을 향상시키는 방법은?",
-                lines=3
-            )
-            
-            with gr.Row():
-                submit_btn = gr.Button("🚀 분석 시작", variant="primary", scale=2)
-                clear_btn = gr.Button("🗑️ 초기화", scale=1)
-            
-            status_text = gr.Textbox(
-                label="상태",
-                interactive=False,
-                value="대기 중...",
-                max_lines=1
-            )
-        
-        # 오른쪽: AI 출력
-        with gr.Column(scale=2):
-            # 최종 결과
-            with gr.Accordion("📊 최종 종합 결과", open=True):
-                final_output = gr.Markdown(
-                    value="*질문을 입력하면 결과가 여기에 표시됩니다.*"
-                )
-            
-            # AI 출력들
-            with gr.Row():
-                # 감독자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 🧠 감독자 AI (거시적 분석)")
-                    supervisor_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["supervisor-box"]
-                    )
-            
-            with gr.Row():
-                # 조사자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 🔍 조사자 AI (웹 검색 & 정리)")
-                    researcher_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["researcher-box"]
-                    )
-                
-                # 실행자 AI 출력
-                with gr.Column():
-                    gr.Markdown("### 👁️ 실행자 AI (미시적 구현)")
-                    executor_output = gr.Textbox(
-                        label="",
-                        lines=12,
-                        max_lines=15,
-                        interactive=False,
-                        elem_classes=["executor-box"]
-                    )
-    
-    # 예제
-    gr.Examples(
-        examples=[
-            "기계학습 모델의 성능을 향상시키는 최신 방법은?",
-            "2024년 효과적인 프로젝트 관리 도구와 전략은?",
-            "지속 가능한 비즈니스 모델의 최신 트렌드는?",
-            "최신 데이터 시각화 도구와 기법은?",
-            "원격 팀의 생산성을 높이는 검증된 방법은?"
-        ],
-        inputs=user_input,
-        label="💡 예제 질문"
-    )
-    
-    # 이벤트 핸들러
-    submit_btn.click(
-        fn=process_query_streaming,
-        inputs=[user_input, chatbot],
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    user_input.submit(
-        fn=process_query_streaming,
-        inputs=[user_input, chatbot],
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    clear_btn.click(
-        fn=clear_all,
-        outputs=[chatbot, supervisor_output, researcher_output, executor_output, final_output, status_text]
-    )
-    
-    gr.Markdown(
-        """
-        ---
-        ### 📝 사용 방법
-        1. 질문을 입력하고 Enter 또는 '분석 시작' 버튼을 클릭하세요.
-        2. 7단계 협력 프로세스가 진행됩니다:
-           - 감독자 초기 분석 → 웹 검색 → 조사 정리 → 실행 지시 → 초기 구현 → 피드백 → 최종 보고서
-        3. 각 AI의 작업 과정을 실시간으로 확인할 수 있습니다.
-        4. 최종 보고서가 상단에 표시되며, 전체 협력 과정은 접을 수 있는 형태로 제공됩니다.
-        
-        ### ⚙️ 환경 설정
-        - **LLM API**: `export FRIENDLI_TOKEN="your_token"`
-        - **Brave Search API**: `export BAPI_TOKEN="your_brave_api_token"`
-        - **테스트 모드**: `export TEST_MODE=true` (API 없이 작동)
-        
-        ### 🔗 API 키 획득
-        - Friendli API: [https://friendli.ai](https://friendli.ai)
-        - Brave Search API: [https://brave.com/search/api/](https://brave.com/search/api/)
-        
-        ### 💡 특징
-        - 완전한 피드백 루프: 감독자의 피드백이 실행자에게 전달되어 최종 개선
-        - 웹 검색 기반: 최신 정보와 사례를 활용한 실용적 답변
-        - 전문 보고서 형식: 실무에서 바로 활용 가능한 구조화된 결과물
-        """
-    )
-
-if __name__ == "__main__":
-    app.queue()  # 스트리밍을 위한 큐 활성화
-    app.launch(
-        server_name="0.0.0.0",
-        server_port=7860,
-        share=True,
-        show_error=True
-    )