Spaces:
Running
Running
| 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 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 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. 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 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 | |
| )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 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 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. 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 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 | |
| ) |