app-BACKUP.py

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 측정 방법을 포함하세요"""
    
    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 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: 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. 추가 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

**보완 필요사항**
1. 리스크 관리: 각 단계별 실패 시나리오와 대응 방안 추가
2. 비용 분석: OpenAI 사례의 70% 절감을 위한 구체적인 비용 계산
3. 팀 협업: 데이터 과학자, ML 엔지니어, DevOps 간 역할 분담 명확화

**추가 권장사항**
- 최신 연구 동향 모니터링 체계 구축
- 경쟁사 벤치마킹을 위한 정기적인 조사 프로세스
- 내부 지식 공유를 위한 문서화 및 세미나 계획"""
            }
            
            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"]
            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 세부 구현
        executor_prompt = llm_system.create_executor_prompt(user_query, supervisor_execution_response, researcher_response)
        executor_response = ""
        
        executor_text = "[세부 구현] 🔄 생성 중...\n"
        for chunk in llm_system.call_llm_streaming(
            [{"role": "user", "content": executor_prompt}], 
            "executor"
        ):
            executor_response += chunk
            executor_text = f"[세부 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 최종 검토
        review_prompt = llm_system.create_supervisor_initial_prompt(user_query)
        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."""
        
        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[최종 검토] 🔄 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[최종 검토] - {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..."
        
        # 최종 결과 생성
        final_summary = f"""## 🤝 협력적 AI 시스템 종합 답변

### 📌 사용자 질문
{user_query}

### 🔍 거시적 분석 (감독자 AI)
{all_responses['supervisor'][0]}

### 📚 조사 결과 (조사자 AI)
{researcher_response}

### 🎯 실행 지시 (감독자 AI)
{all_responses['supervisor'][1]}

### 💡 세부 구현 (실행자 AI)
{executor_response}

### ✨ 최종 검토 및 개선사항 (감독자 AI)
{review_response}

---
*이 답변은 웹 검색을 통한 최신 정보와 AI들의 협력을 통해 작성되었습니다.*"""
        
        # 히스토리 업데이트
        new_history = history + [(user_query, final_summary)]
        
        yield new_history, supervisor_text, researcher_text, executor_text, final_summary, "✅ 분석 완료!"
        
    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)
        
        > 감독자, 조사자, 실행자 AI가 협력하여 최상의 답변을 만들어냅니다.
        
        **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'}
        
        **시스템 구조:**
        - 🧠 **감독자 AI**: 전체적인 방향 제시 및 키워드 추출
        - 🔍 **조사자 AI**: 브레이브 검색으로 최신 정보 조사 및 정리
        - 👁️ **실행자 AI**: 조사 내용 기반 구체적 구현
        - 🔄 **협력 프로세스**: 검색 정보 기반 상호 피드백
        """
    )
    
    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. 감독자 AI가 키워드를 추출하고, 조사자 AI가 웹 검색을 수행합니다.
        3. 세 AI가 협력하여 답변을 생성하는 과정을 실시간으로 확인할 수 있습니다.
        4. 최종 종합 결과는 상단에 표시됩니다.
        
        ### ⚙️ 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/)
        """
    )

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
    )