Delete app-backup2.py

app-backup2.py

@@ -1,1661 +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__)
-
-# 추가 임포트
-from bs4 import BeautifulSoup
-from urllib.parse import urlparse
-import urllib.request
-
-# Gemini API 임포트
-try:
-    from google import genai
-    from google.genai import types
-    GEMINI_AVAILABLE = True
-except ImportError:
-    GEMINI_AVAILABLE = False
-    logger.warning("Google Gemini API가 설치되지 않았습니다. pip install google-genai로 설치하세요.")
-
-# 환경 변수에서 토큰 가져오기
-FRIENDLI_TOKEN = os.getenv("FRIENDLI_TOKEN", "YOUR_FRIENDLI_TOKEN")
-BAPI_TOKEN = os.getenv("BAPI_TOKEN", "YOUR_BRAVE_API_TOKEN")
-GEMINI_API_KEY = os.getenv("GEMINI_API_KEY", "YOUR_GEMINI_API_KEY")
-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.gemini_api_key = GEMINI_API_KEY
-        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")
-        self.use_gemini = False
-        self.gemini_client = None
-        
-        if self.test_mode:
-            logger.warning("테스트 모드로 실행됩니다.")
-        if self.bapi_token == "YOUR_BRAVE_API_TOKEN":
-            logger.warning("Brave API 토큰이 설정되지 않았습니다.")
-        if self.gemini_api_key == "YOUR_GEMINI_API_KEY":
-            logger.warning("Gemini API 토큰이 설정되지 않았습니다.")
-        
-    def set_llm_mode(self, mode: str):
-        """LLM 모드 설정 (default 또는 commercial)"""
-        if mode == "commercial" and GEMINI_AVAILABLE and self.gemini_api_key != "YOUR_GEMINI_API_KEY":
-            self.use_gemini = True
-            if not self.gemini_client:
-                self.gemini_client = genai.Client(api_key=self.gemini_api_key)
-            logger.info("Gemini 2.5 Pro 모드로 전환되었습니다.")
-        else:
-            self.use_gemini = False
-            logger.info("기본 LLM 모드로 전환되었습니다.")
-        
-    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 = ""
-        all_results = []
-        
-        for keyword, results in search_results.items():
-            search_summary += f"\n\n**{keyword}에 대한 검색 결과:**\n"
-            for i, result in enumerate(results[:10], 1):  # 상위 10개만 표시
-                search_summary += f"{i}. {result.get('title', 'N/A')} (신뢰도: {result.get('credibility_score', 0):.2f})\n"
-                search_summary += f"   - {result.get('description', 'N/A')}\n"
-                search_summary += f"   - 출처: {result.get('url', 'N/A')}\n"
-                if result.get('published'):
-                    search_summary += f"   - 게시일: {result.get('published')}\n"
-                
-                all_results.extend(results)
-        
-        # 모순 감지
-        contradictions = self.detect_contradictions(all_results)
-        contradiction_text = ""
-        if contradictions:
-            contradiction_text = "\n\n**발견된 정보 모순:**\n"
-            for cont in contradictions[:3]:  # 최대 3개만 표시
-                contradiction_text += f"- {cont['type']}: {cont['source1']} vs {cont['source2']}\n"
-        
-        return f"""당신은 정보를 조사하고 정리하는 조사자 AI입니다.
-
-사용자 질문: {user_query}
-
-감독자 AI의 지침:
-{supervisor_guidance}
-
-브레이브 검색 결과 (신뢰도 점수 포함):
-{search_summary}
-{contradiction_text}
-
-위 검색 결과를 바탕으로:
-1. 각 키워드별로 중요한 정보를 정리하세요
-2. 신뢰할 수 있는 출처(신뢰도 0.7 이상)를 우선적으로 참고하세요
-3. 출처를 명확히 표기하여 실행자 AI가 검증할 수 있도록 하세요
-4. 정보의 모순이 있다면 양쪽 관점을 모두 제시하세요
-5. 최신 트렌드나 중요한 통계가 있다면 강조하세요
-6. 신뢰도가 낮은 정보는 주의 표시와 함께 포함하세요"""
-    
-    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 create_evaluator_prompt(self, user_query: str, supervisor_responses: List[str], researcher_response: str, executor_responses: List[str], evaluator_responses: List[str] = None) -> str:
-        """평가자 AI 프롬프트 생성"""
-        evaluator_history = ""
-        if evaluator_responses and len(evaluator_responses) > 0:
-            evaluator_history = f"""
-평가자 AI의 이전 평가들:
-- 조사 결과 평가: {evaluator_responses[0] if len(evaluator_responses) > 0 else 'N/A'}
-- 초기 구현 평가: {evaluator_responses[1] if len(evaluator_responses) > 1 else 'N/A'}
-"""
-        
-        return f"""당신은 전체 협력 과정과 결과를 평가하는 평가자 AI입니다.
-
-사용자 질문: {user_query}
-
-감독자 AI의 분석 및 지시:
-- 초기 분석: {supervisor_responses[0]}
-- 실행 지시: {supervisor_responses[1] if len(supervisor_responses) > 1 else 'N/A'}
-- 개선 지시: {supervisor_responses[2] if len(supervisor_responses) > 2 else 'N/A'}
-
-조사자 AI의 조사 결과:
-{researcher_response}
-
-실행자 AI의 구현:
-- 초기 구현: {executor_responses[0]}
-- 최종 보고서: {executor_responses[1] if len(executor_responses) > 1 else 'N/A'}
-{evaluator_history}
-위 전체 과정을 평가하여:
-1. **품질 평가**: 각 AI의 답변 품질과 역할 수행도를 평가하세요 (10점 만점)
-2. **협력 효과성**: AI 간 협력이 얼마나 효과적이었는지 평가하세요
-3. **정보 활용도**: 웹 검색 정보가 얼마나 잘 활용되었는지 평가하세요
-4. **개선점**: 향후 개선이 필요한 부분을 구체적으로 제시하세요
-5. **최종 평점**: 전체 프로세스에 대한 종합 평가를 제시하세요
-
-평가는 구체적이고 건설적으로 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 generate_synonyms(self, keyword: str) -> List[str]:
-        """키워드의 동의어/유사어 생성"""
-        synonyms = {
-            "optimization": ["improvement", "enhancement", "efficiency", "tuning"],
-            "performance": ["speed", "efficiency", "throughput", "latency"],
-            "strategy": ["approach", "method", "technique", "plan"],
-            "implementation": ["deployment", "execution", "development", "integration"],
-            "analysis": ["evaluation", "assessment", "study", "research"],
-            "management": ["administration", "governance", "control", "supervision"],
-            "best practices": ["proven methods", "industry standards", "guidelines", "recommendations"],
-            "trends": ["developments", "innovations", "emerging", "future"],
-            "machine learning": ["ML", "AI", "deep learning", "neural networks"],
-            "프로젝트": ["project", "사업", "업무", "작업"]
-        }
-        
-        # 키워드 정규화
-        keyword_lower = keyword.lower()
-        
-        # 직접 매칭되는 동의어가 있으면 반환
-        if keyword_lower in synonyms:
-            return synonyms[keyword_lower][:2]  # 최대 2개
-        
-        # 부분 매칭 확인
-        for key, values in synonyms.items():
-            if key in keyword_lower or keyword_lower in key:
-                return values[:2]
-        
-        # 동의어가 없으면 빈 리스트
-        return []
-    
-    def calculate_credibility_score(self, result: Dict) -> float:
-        """검색 결과의 신뢰도 점수 계산 (0-1)"""
-        score = 0.5  # 기본 점수
-        
-        url = result.get('url', '')
-        title = result.get('title', '')
-        description = result.get('description', '')
-        
-        # URL 기반 점수
-        trusted_domains = [
-            '.edu', '.gov', '.org', 'wikipedia.org', 'nature.com', 
-            'sciencedirect.com', 'ieee.org', 'acm.org', 'springer.com',
-            'harvard.edu', 'mit.edu', 'stanford.edu', 'github.com'
-        ]
-        
-        for domain in trusted_domains:
-            if domain in url:
-                score += 0.2
-                break
-        
-        # HTTPS 사용 여부
-        if url.startswith('https://'):
-            score += 0.1
-        
-        # 제목과 설명의 길이 (너무 짧으면 신뢰도 감소)
-        if len(title) > 20:
-            score += 0.05
-        if len(description) > 50:
-            score += 0.05
-        
-        # 광고/스팸 키워드 체크
-        spam_keywords = ['buy now', 'sale', 'discount', 'click here', '100% free']
-        if any(spam in (title + description).lower() for spam in spam_keywords):
-            score -= 0.3
-        
-        # 날짜 정보가 있으면 가산점
-        if any(year in description for year in ['2024', '2023', '2022']):
-            score += 0.1
-        
-        return max(0, min(1, score))  # 0-1 범위로 제한
-    
-    def fetch_url_content(self, url: str, max_length: int = 2000) -> str:
-        """URL에서 콘텐츠 추출"""
-        try:
-            # User-Agent 설정
-            headers = {
-                'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
-            }
-            
-            req = urllib.request.Request(url, headers=headers)
-            
-            with urllib.request.urlopen(req, timeout=5) as response:
-                html = response.read().decode('utf-8', errors='ignore')
-                
-            soup = BeautifulSoup(html, 'html.parser')
-            
-            # 스크립트와 스타일 제거
-            for script in soup(["script", "style"]):
-                script.decompose()
-            
-            # 본문 텍스트 추출
-            text = soup.get_text()
-            
-            # 공백 정리
-            lines = (line.strip() for line in text.splitlines())
-            chunks = (phrase.strip() for line in lines for phrase in line.split("  "))
-            text = ' '.join(chunk for chunk in chunks if chunk)
-            
-            # 길이 제한
-            if len(text) > max_length:
-                text = text[:max_length] + "..."
-            
-            return text
-            
-        except Exception as e:
-            logger.error(f"URL 콘텐츠 가져오기 실패 {url}: {str(e)}")
-            return ""
-    
-    def detect_contradictions(self, results: List[Dict]) -> List[Dict]:
-        """검색 결과 간 모순 감지"""
-        contradictions = []
-        
-        # 간단한 모순 감지 패턴
-        opposite_pairs = [
-            ("increase", "decrease"),
-            ("improve", "worsen"),
-            ("effective", "ineffective"),
-            ("success", "failure"),
-            ("benefit", "harm"),
-            ("positive", "negative"),
-            ("growth", "decline")
-        ]
-        
-        # 결과들을 비교
-        for i in range(len(results)):
-            for j in range(i + 1, len(results)):
-                desc1 = results[i].get('description', '').lower()
-                desc2 = results[j].get('description', '').lower()
-                
-                # 반대 개념이 포함되어 있는지 확인
-                for word1, word2 in opposite_pairs:
-                    if (word1 in desc1 and word2 in desc2) or (word2 in desc1 and word1 in desc2):
-                        # 같은 주제에 대해 반대 의견인지 확인
-                        common_words = set(desc1.split()) & set(desc2.split())
-                        if len(common_words) > 5:  # 공통 단어가 5개 이상이면 같은 주제로 간주
-                            contradictions.append({
-                                'source1': results[i]['url'],
-                                'source2': results[j]['url'],
-                                'type': f"{word1} vs {word2}",
-                                'desc1': results[i]['description'][:100],
-                                'desc2': results[j]['description'][:100]
-                            })
-        
-        return contradictions
-    
-    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
-            test_results = []
-            for i in range(5):
-                test_results.append({
-                    "title": f"Best Practices for {query} - Source {i+1}",
-                    "description": f"Comprehensive guide on implementing {query} with proven methodologies and real-world examples from industry leaders.",
-                    "url": f"https://example{i+1}.com/{query.replace(' ', '-')}",
-                    "credibility_score": 0.7 + (i * 0.05)
-                })
-            return test_results
-        
-        try:
-            params = {
-                "q": query,
-                "count": 20,  # 20개로 증가
-                "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", [])[:20]:
-                    result = {
-                        "title": item.get("title", ""),
-                        "description": item.get("description", ""),
-                        "url": item.get("url", ""),
-                        "published": item.get("published", "")
-                    }
-                    # 신뢰도 점수 계산
-                    result["credibility_score"] = self.calculate_credibility_score(result)
-                    results.append(result)
-                
-                # 신뢰도 점수 기준으로 정렬
-                results.sort(key=lambda x: x['credibility_score'], reverse=True)
-                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_gemini_streaming(self, messages: List[Dict[str, str]], role: str) -> Generator[str, None, None]:
-        """Gemini API 스트리밍 호출"""
-        if not self.gemini_client:
-            yield "❌ Gemini API 클라이언트가 초기화되지 않았습니다."
-            return
-        
-        try:
-            # 시스템 프롬프트 설정
-            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.",
-                "evaluator": "당신은 전체 협력 과정과 결과를 평가하는 평가자 AI입니다."
-            }
-            
-            # Gemini 형식의 contents 구성
-            contents = []
-            
-            # 시스템 프롬프트를 첫 번째 사용자 메시지로 추가
-            contents.append(types.Content(
-                role="user",
-                parts=[types.Part.from_text(text=system_prompts.get(role, ""))]
-            ))
-            contents.append(types.Content(
-                role="model",
-                parts=[types.Part.from_text(text="네, 이해했습니다. 제 역할을 수행하겠습니다.")]
-            ))
-            
-            # 사용자 메시지 추가
-            for msg in messages:
-                if msg["role"] == "user":
-                    contents.append(types.Content(
-                        role="user",
-                        parts=[types.Part.from_text(text=msg["content"])]
-                    ))
-            
-            # GenerateContentConfig 설정
-            generate_content_config = types.GenerateContentConfig(
-                temperature=0.7,
-                top_p=0.8,
-                max_output_tokens=4096,
-                response_mime_type="text/plain"
-            )
-            
-            # 스트리밍 생성
-            for chunk in self.gemini_client.models.generate_content_stream(
-                model="gemini-2.5-pro",
-                contents=contents,
-                config=generate_content_config,
-            ):
-                if chunk.text:
-                    yield chunk.text
-                    
-        except Exception as e:
-            logger.error(f"Gemini API 오류: {str(e)}")
-            yield f"❌ Gemini API 오류: {str(e)}"
-    
-    def call_llm_streaming(self, messages: List[Dict[str, str]], role: str) -> Generator[str, None, None]:
-        """스트리밍 LLM API 호출"""
-        
-        # Gemini 모드인 경우
-        if self.use_gemini:
-            yield from self.call_gemini_streaming(messages, role)
-            return
-        
-        # 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 (신뢰도 높음)**
-- 최신 연구에 따르면 모델 최적화의 핵심은 아키텍처 설계와 훈련 전략의 균형입니다 (신뢰도: 0.85)
-- AutoML 도구들이 하이퍼파라미터 튜닝을 자동화하여 효율성을 크게 향상시킵니다 (신뢰도: 0.82)
-- 출처: ML Conference 2024 (https://mlconf2024.org), Google Research (https://research.google)
-
-**2. Performance Improvement Strategies (신뢰도 높음)**
-- 데이터 품질 개선이 모델 성능 향상의 80%를 차지한다는 연구 결과 (신뢰도: 0.90)
-- 앙상블 기법과 전이학습이 주요 성능 개선 방법으로 입증됨 (신뢰도: 0.78)
-- 출처: Stanford AI Lab (https://ai.stanford.edu), MIT CSAIL (https://csail.mit.edu)
-
-**3. Model Efficiency Techniques (신뢰도 중간)**
-- 모델 경량화(Pruning, Quantization)로 추론 속도 10배 향상 가능 (신뢰도: 0.75)
-- Knowledge Distillation으로 모델 크기 90% 감소, 성능 유지 (신뢰도: 0.72)
-- 출처: ArXiv 논문 (https://arxiv.org/abs/2023.xxxxx)
-
-**4. 실제 적용 사례 (신뢰도 높음)**
-- Netflix: 추천 시스템 개선으로 사용자 만족도 35% 향상 (신뢰도: 0.88)
-- Tesla: 실시간 객체 인식 속도 50% 개선 (신뢰도: 0.80)
-- OpenAI: GPT 모델 효율성 개선으로 비용 70% 절감 (신뢰도: 0.85)
-
-**핵심 인사이트:**
-- 최신 트렌드는 효율성과 성능의 균형에 초점
-- 2024년 들어 Sparse Models와 MoE(Mixture of Experts) 기법이 부상
-- 실무 적용 시 단계별 검증이 성공의 핵심""",
-                
-                "supervisor_execution": """조사 내용을 바탕으로 실행자 AI에게 다음과 같이 구체적으��� 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""",
-                
-                "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
-
-**추가 권장사항**
-- 최신 연구 동향 모니터링 체계 구축
-- 경쟁사 벤치마킹을 위한 정기적인 조사 프로세스""",
-                
-                "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.
-
-### 🎯 목표 달성 지표
-
-| 지표 | 현재 | 목표 | 개선율 |
-|------|------|------|--------|
-| 모델 크기 | 2.5GB | 250MB | 90% 감소 |
-| 추론 속도 | 45ms | 4.5ms | 10배 향상 |
-| 운영 비용 | $2,000/월 | $600/월 | 70% 절감 |
-| 정확도 | 92% | 90.5% | 1.5% 손실 |
-
-## 📊 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
-  - GPU 메모리: 8GB
-
-**수-목요일: AutoML 초기 탐색**
-```python
-# Optuna 하이퍼파라미터 최적화 설정
-study = optuna.create_study(direction="maximize")
-study.optimize(objective, n_trials=200)
-
-# Ray Tune 분산 학습 설정
-analysis = tune.run(
-    train_model,
-    config=search_space,
-    num_samples=50,
-    resources_per_trial={"gpu": 1}
-)
-```
-
-### 예상 산출물
-- ✅ 상세 성능 베이스라인 문서
-- ✅ 개선 기회 우선순위 매트릭스
-- ✅ 리스크 레지스터
-
-## 📊 2단계: 데이터 품질 개선 (2-3주차)
-
-### 실행 계획
-
-**데이터 정제 파이프라인 구축**
-
-> 조사 결과의 "80% 규칙" 적용: 데이터 품질이 성능의 80%를 결정
-
-```python
-class DataQualityPipeline:
-    def __init__(self):
-        self.validators = [
-            MissingValueHandler(threshold=0.05),
-            OutlierDetector(method='isolation_forest'),
-            LabelConsistencyChecker(),
-            DataDriftMonitor()
-        ]
-    
-    def process(self, data):
-        for validator in self.validators:
-            data = validator.transform(data)
-            self.log_metrics(validator.get_stats())
-        return data
-```
-
-**고급 데이터 증강 기법**
-- **MixUp**: 15% 정확도 향상 예상
-- **CutMix**: 경계 검출 성능 20% 개선
-- **AutoAugment**: 자동 최적 증강 정책 탐색
-
-### 리스크 대응 전략
-
-| 리스크 | 확률 | 영향도 | 대응 방안 |
-|--------|------|--------|-----------|
-| 데이터 품질 저하 | 중간 | 높음 | 롤백 메커니즘 구현 |
-| 증강 과적합 | 낮음 | 중간 | 검증셋 분리 및 교차 검증 |
-| 처리 시간 증가 | 높음 | 낮음 | 병렬 처리 파이프라인 |
-
-## 📊 3단계: 모델 최적화 구현 (4-6주차)
-
-### Knowledge Distillation 상세 계획
-
-**Teacher-Student 아키텍처**
-- Teacher 모델: 현재 2.5GB 모델
-- Student 모델 스펙:
-  - 파라미터: 250M → 25M (90% 감소)
-  - 레이어: 24 → 6
-  - Hidden dimension: 1024 → 256
-
-**훈련 전략**
-```python
-distillation_config = {
-    "temperature": 5.0,
-    "alpha": 0.7,  # KD loss weight
-    "beta": 0.3,   # Original loss weight
-    "epochs": 50,
-    "learning_rate": 1e-4,
-    "batch_size": 128
-}
-```
-
-### Pruning & Quantization
-
-**구조적 Pruning 계획**
-1. Magnitude 기반 중요도 평가
-2. 50% 채널 제거
-3. Fine-tuning: 10 에폭
-4. 성능 검증 및 반복
-
-**INT8 Quantization**
-- Post-training quantization 적용
-- Calibration dataset: 1,000 샘플
-- 예상 속도 향상: 4배
-
-## 📊 4단계: 성과 검증 및 프로덕션 배포 (7-8주차)
-
-### 종합 성능 검증
-
-**성능 지표 달성도 검증**
-
-| 테스트 항목 | 방법 | 성공 기준 | 결과 |
-|-------------|------|-----------|------|
-| 추론 속도 | A/B 테스트 | <5ms | ✅ 4.5ms |
-| 정확도 | 홀드아웃 검증 | >90% | ✅ 90.5% |
-| 메모리 사용량 | 프로파일링 | <300MB | ✅ 250MB |
-| 처리량 | 부하 테스트 | >5000 req/s | ✅ 6000 req/s |
-
-### 단계적 배포 전략
-
-```mermaid
-graph LR
-    A[1% 트래픽] --> B[10% 트래픽]
-    B --> C[50% 트래픽]
-    C --> D[100% 전환]
-    
-    A -->|Day 1-3| B
-    B -->|Day 4-7| C
-    C -->|Day 8-14| D
-```
-
-### 모니터링 대시보드
-
-**핵심 메트릭**
-- 🔴 P99 지연시간: < 10ms
-- 🟡 오류율: < 0.1%
-- 🟢 CPU/GPU 사용률: < 80%
-
-## 💰 ROI 분석
-
-### 비용-효익 분석
-
-| 항목 | 비용/효익 | 세부 내역 |
-|------|-----------|-----------|
-| **초기 투자** | $50,000 | 인건비 + 인프라 |
-| **월간 절감액** | $14,000 | 서버 + GPU 비용 |
-| **투자 회수 기간** | 3.6개월 | - |
-| **1년 순이익** | $118,000 | 절감액 - 투자비 |
-
-### 장기 효과
-- 🚀 확장성 10배 향상
-- 💡 신규 서비스 출시 가능
-- 🌍 탄소 배출 70% 감소
-
-## 📈 지속적 개선 계획
-
-### 월간 모니터링
-- 성능 지표 리뷰
-- 사용자 피드백 분석
-- 기술 부채 관리
-
-### 분기별 업데이트
-- 모델 재훈련
-- 새로운 최적화 기법 도입
-- 벤치마크 업데이트
-
-### 차기 프로젝트 로드맵
-
-| 분기 | 프로젝트 | 예상 효과 |
-|------|----------|-----------|
-| Q2 2025 | 엣지 디바이스 배포 | 지연시간 90% 감소 |
-| Q3 2025 | 연합 학습 도입 | 프라이버시 강화 |
-| Q4 2025 | AutoML 플랫폼 구축 | 개발 속도 5배 향상 |
-
-## 📝 결론 및 권고사항
-
-### 핵심 성과
-- ✅ 모든 목표 지표 달성
-- ✅ 예산 내 프로젝트 완료
-- ✅ 리스크 성공적 관리
-
-### 향후 권고사항
-1. **즉시 실행**: 1-2단계 즉시 착수
-2. **팀 구성**: ML엔지니어 2명, DevOps 1명 필수
-3. **인프라 준비**: GPU 서버 사전 확보
-4. **변경 관리**: 이해관계자 사전 교육
-
-> 본 프로젝트는 최신 연구 결과와 업계 베스트 프랙티스를 적용하여, 8주 만에 모델 성능을 획기적으로 개선하고 운영 비용을 70% 절감하는 성과를 달성할 것으로 확신합니다.
-
----
-*작성일: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}*
-*작성자: 협력적 AI 시스템 (감독자, 조사자, 실행자, 평가자 AI)*""",
-                
-                "evaluator": """## 📊 전체 협력 과정 평가 보고서
-
-### 1️⃣ 품질 평가 (10점 만점)
-
-| AI 역할 | 점수 | 평가 내용 |
-|---------|------|-----------|
-| **감독자 AI** | 9.5/10 | 거시적 관점에서 체계적인 분석과 방향 제시 |
-| **조사자 AI** | 9.0/10 | 웹 검색을 통한 최신 정보 수집 우수 |
-| **실행자 AI** | 8.5/10 | 조사 내용을 잘 활용한 구체적 계획 수립 |
-
-**상세 평가:**
-- ✅ 감독자 AI: 단계별 구체적인 지시사항 제공이 탁월함
-- ✅ 조사자 AI: 신뢰도 평가와 모순 감지 기능이 효과적
-- ✅ 실행자 AI: 실행 가능한 단계별 접근법 제시 우수
-
-### 2️⃣ 협력 효과성 평가
-
-**강점:**
-- 🔄 AI 간 역할 분담이 명확하고 상호보완적
-- 📊 정보 흐름이 체계적이고 일관성 있음
-- ✨ 피드백 반영이 효과적으로 이루어짐
-
-**개선점:**
-- ⚡ 실시간 상호작용 메커니즘 추가 고려
-- 📋 중간 점검 단계 도입 필요
-
-### 3️⃣ 정보 활용도 평가
-
-| 평가 항목 | 달성도 | 세부 내용 |
-|-----------|--------|-----------|
-| 검색 범위 | 95% | 20개 이상의 웹 소스에서 정보 수집 |
-| 신뢰도 평가 | 90% | 0.7 이상의 신뢰도 소스 우선 활용 |
-| 정보 통합 | 85% | 다양한 관점의 정보를 균형있게 통합 |
-
-**우수한 점:**
-- ✅ 신뢰도 기반 정보 선별 효과적
-- ✅ 실제 기업 사례 적절히 활용
-- ✅ 최신 트렌드 반영 우수
-
-**보완 필요:**
-- 📚 학술 논문 등 더 깊이 있는 자료 활용
-- 🌍 지역별/산업별 특성 고려 필요
-
-### 4️⃣ 향후 개선 방향
-
-#### 1. **실시간 협업 강화**
-   - AI 간 중간 체크포인트 추가
-   - 동적 역할 조정 메커니즘 도입
-
-#### 2. **정보 검증 강화**
-   - 교차 검증 프로세스 추가
-   - 전문가 검토 단계 고려
-
-#### 3. **맞춤화 강화**
-   - 사용자 컨텍스트 더 깊이 반영
-   - 산업별/규모별 맞춤 전략 제공
-
-### 5️⃣ 최종 평점: ⭐⭐⭐⭐⭐ **9.0/10**
-
-> **종합 평가:**
-> 
-> 본 협력 시스템은 각 AI의 전문성을 효과적으로 활용하여 사용자 질문에 대한 종합적이고 실행 가능한 답변을 제공했습니다. 특히 웹 검색을 통한 최신 정보 활용과 단계적 피드백 반영이 우수했습니다.
-> 
-> 향후 실시간 협업과 맞춤화를 더욱 강화한다면 더욱 뛰어난 성과를 달성할 수 있을 것입니다.
-
----
-
-**평가 완료 시각**: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"""
-            }
-            
-            # 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"]
-            elif role == "evaluator":
-                response = test_responses["evaluator"]
-            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.",
-                "evaluator": "당신은 전체 협력 과정과 결과를 평가하는 평가자 AI입니다."
-            }
-            
-            full_messages = [
-                {"role": "system", "content": system_prompts.get(role, "")},
-                *messages
-            ]
-            
-            payload = {
-                "model": self.model_id,
-                "messages": full_messages,
-                "max_tokens": 4096,
-                "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()
-
-# 내부 히스토리 관리 (UI에는 표시하지 않음)
-internal_history = []
-
-def process_query_streaming(user_query: str, llm_mode: str):
-    """스트리밍을 지원하는 쿼리 처리"""
-    global internal_history
-    
-    if not user_query:
-        return "", "", "", "", "", "❌ 질문을 입력해주세요."
-    
-    # LLM 모드 설정
-    llm_system.set_llm_mode(llm_mode)
-    
-    conversation_log = []
-    all_responses = {"supervisor": [], "researcher": [], "executor": [], "evaluator": []}
-    
-    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 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 supervisor_text, researcher_text, "", "", "", "🔍 웹 검색 수행 중..."
-        
-        search_results = {}
-        total_search_count = 0
-        
-        # 원래 키워드로 검색
-        for keyword in keywords:
-            results = llm_system.brave_search(keyword)
-            if results:
-                search_results[keyword] = results
-                total_search_count += len(results)
-                researcher_text += f"✓ '{keyword}' 검색 완료 ({len(results)}개 결과)\n"
-                yield supervisor_text, researcher_text, "", "", "", f"🔍 '{keyword}' 검색 중..."
-            
-            # 동의어로 추가 검색
-            synonyms = llm_system.generate_synonyms(keyword)
-            for synonym in synonyms:
-                syn_results = llm_system.brave_search(f"{keyword} {synonym}")
-                if syn_results:
-                    search_results[f"{keyword} ({synonym})"] = syn_results
-                    total_search_count += len(syn_results)
-                    researcher_text += f"✓ 동의어 '{synonym}' 검색 완료 ({len(syn_results)}개 결과)\n"
-                    yield supervisor_text, researcher_text, "", "", "", f"🔍 동의어 '{synonym}' 검색 중..."
-        
-        researcher_text += f"\n📊 총 {total_search_count}개의 검색 결과 수집 완료\n"
-        
-        # URL 콘텐츠 가져오기 (상위 3개)
-        researcher_text += "\n[콘텐츠 분석] 📖 주요 웹페이지 내용 분석 중...\n"
-        yield supervisor_text, researcher_text, "", "", "", "📖 웹페이지 내용 분석 중..."
-        
-        content_analyzed = 0
-        for keyword, results in search_results.items():
-            for result in results[:2]:  # 각 키워드당 상위 2개만
-                if content_analyzed >= 5:  # 총 5개까지만
-                    break
-                    
-                url = result.get('url', '')
-                if url and result.get('credibility_score', 0) >= 0.7:
-                    content = llm_system.fetch_url_content(url)
-                    if content:
-                        result['content_preview'] = content[:500]  # 미리보기 저장
-                        content_analyzed += 1
-                        researcher_text += f"✓ 콘텐츠 분석 완료: {url[:50]}...\n"
-                        yield supervisor_text, researcher_text, "", "", "", f"📖 분석 중: {url[:30]}..."
-        
-        # 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 supervisor_text, researcher_text, "", "", "", "📝 조사자 AI가 정리 중..."
-        
-        all_responses["researcher"].append(researcher_response)
-        
-        # 4단계: 평가자 AI가 조사 결과 평가
-        evaluator_research_prompt = f"""당신은 전체 협력 과정과 결과를 평가하는 평가자 AI입니다.
-
-사용자 질문: {user_query}
-
-감독자 AI의 초기 분석:
-{supervisor_initial_response}
-
-조사자 AI의 조사 결과:
-{researcher_response}
-
-위 조사 결과를 평가하여:
-1. 조사의 충실도와 신뢰성을 평가하세요
-2. 누락된 중요 정보가 있는지 확인하세요
-3. 조사 결과의 활용 가능성을 평가하세요
-4. 개선이 필요한 부분을 구체적으로 제시하세요"""
-        
-        evaluator_research_response = ""
-        evaluator_text = "[조사 결과 평가] 🔄 평가 중...\n"
-        
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": evaluator_research_prompt}], 
-            "evaluator"
-        ):
-            evaluator_research_response += chunk
-            evaluator_text = f"[조사 결과 평가] - {datetime.now().strftime('%H:%M:%S')}\n{evaluator_research_response}"
-            yield supervisor_text, researcher_text, "", evaluator_text, "", "📊 평가자 AI가 조사 결과 평가 중..."
-        
-        all_responses["evaluator"].append(evaluator_research_response)
-        
-        # 5단계: 감독자 AI가 평가를 반영한 실행 지시
-        supervisor_execution_prompt = f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI가 정리한 조사 내용:
-{researcher_response}
-
-평가자 AI의 조사 결과 평가:
-{evaluator_research_response}
-
-위 조사 내용과 평가를 기반으로 실행자 AI에게 아주 구체적인 지시를 내려주세요:
-1. 평가자의 피드백을 반영하여 지시를 개선하세요
-2. 조사된 정보를 어떻게 활용할지 명확히 지시하세요
-3. 실행 가능한 단계별 작업을 구체적으로 제시하세요
-4. 예상되는 결과물의 형태를 구체적으로 설명하세요"""
-        
-        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 supervisor_text, researcher_text, "", evaluator_text, "", "🎯 감독자 AI가 지시 중..."
-        
-        all_responses["supervisor"].append(supervisor_execution_response)
-        
-        # 6단계: 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 supervisor_text, researcher_text, executor_text, evaluator_text, "", "🔧 실행자 AI가 구현 중..."
-        
-        all_responses["executor"].append(executor_response)
-        
-        # 7단계: 평가자 AI가 초기 구현 평가
-        evaluator_execution_prompt = f"""당신은 전체 협력 과정과 결과를 평가하는 평가자 AI입니다.
-
-사용자 질문: {user_query}
-
-실행자 AI의 초기 구현:
-{executor_response}
-
-감독자 AI의 지시사항:
-{supervisor_execution_response}
-
-위 초기 구현을 평가하여:
-1. 지시사항이 얼마나 잘 반영되었는지 평가하세요
-2. 구현의 실행 가능성과 구체성을 평가하세요
-3. 누락된 중요 요소가 있는지 확인하세요
-4. 개선이 필요한 부분을 구체적으로 제시하세요"""
-        
-        evaluator_execution_response = ""
-        evaluator_text += "\n\n---\n\n[초기 구현 평가] 🔄 평가 중...\n"
-        
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": evaluator_execution_prompt}], 
-            "evaluator"
-        ):
-            evaluator_execution_response += chunk
-            temp_text = f"{all_responses['evaluator'][0]}\n\n---\n\n[초기 구현 평가] - {datetime.now().strftime('%H:%M:%S')}\n{evaluator_execution_response}"
-            evaluator_text = f"[조사 결과 평가] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield supervisor_text, researcher_text, executor_text, evaluator_text, "", "📊 평가자 AI가 구현 평가 중..."
-        
-        all_responses["evaluator"].append(evaluator_execution_response)
-        
-        # 8단계: 감독자 AI가 평가를 반영한 개선 지시
-        supervisor_improvement_prompt = f"""당신은 거시적 관점에서 분석하고 지도하는 감독자 AI입니다.
-
-사용자 질문: {user_query}
-
-실행자 AI의 초기 구현:
-{executor_response}
-
-평가자 AI의 구현 평가:
-{evaluator_execution_response}
-
-위 평가를 반영하여 최종 보고서 작성을 위한 개선 지시를 내려주세요:
-1. 평가자가 지적한 모든 개선사항을 구체적으로 반영하세요
-2. 추가로 필요한 구체적인 내용을 지시하세요
-3. 최종 보고서의 구조와 포함해야 할 요소를 명확히 제시하세요"""
-        
-        supervisor_improvement_response = ""
-        supervisor_text += "\n\n---\n\n[개선 지시] 🔄 생성 중...\n"
-        
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": supervisor_improvement_prompt}], 
-            "supervisor"
-        ):
-            supervisor_improvement_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[개선 지시] - {datetime.now().strftime('%H:%M:%S')}\n{supervisor_improvement_response}"
-            supervisor_text = f"[초기 분석] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield supervisor_text, researcher_text, executor_text, evaluator_text, "", "🔄 감독자 AI가 개선 지시 중..."
-        
-        all_responses["supervisor"].append(supervisor_improvement_response)
-        
-        # 9단계: 평가자 AI가 전체 과정 최종 평가
-        evaluator_final_prompt = llm_system.create_evaluator_prompt(
-            user_query,
-            all_responses["supervisor"],
-            all_responses["researcher"][0],
-            all_responses["executor"],
-            all_responses["evaluator"]  # 이전 평가들도 전달
-        )
-        evaluator_final_response = ""
-        
-        evaluator_text += "\n\n---\n\n[전체 과정 최종 평가] 🔄 평가 중...\n"
-        for chunk in llm_system.call_llm_streaming(
-            [{"role": "user", "content": evaluator_final_prompt}], 
-            "evaluator"
-        ):
-            evaluator_final_response += chunk
-            temp_text = f"{all_responses['evaluator'][0]}\n\n---\n\n[초기 구현 평가] - {datetime.now().strftime('%H:%M:%S')}\n{all_responses['evaluator'][1]}\n\n---\n\n[전체 과정 최종 평가] - {datetime.now().strftime('%H:%M:%S')}\n{evaluator_final_response}"
-            evaluator_text = f"[조사 결과 평가] - {datetime.now().strftime('%H:%M:%S')}\n{temp_text}"
-            yield supervisor_text, researcher_text, executor_text, evaluator_text, "", "📊 평가자 AI가 최종 평가 중..."
-        
-        all_responses["evaluator"].append(evaluator_final_response)
-        
-        # 10단계: 실행자 AI 최종 보고서 (모든 피드백 반영)
-        final_executor_prompt = f"""당신은 세부적인 내용을 구현하는 실행자 AI입니다.
-
-사용자 질문: {user_query}
-
-조사자 AI의 조사 내용:
-{researcher_response}
-
-당신의 초기 구현:
-{executor_response}
-
-감독자 AI의 개선 지시:
-{supervisor_improvement_response}
-
-평가자 AI의 전체 평가:
-{evaluator_final_response}
-
-위 모든 피드백을 완전히 반영하여 최종 보고서를 작성하세요:
-1. 모든 개선사항과 지시사항을 빠짐없이 반영하세요
-2. 조사 내용을 최대한 구체적으로 활용하세요
-3. 실행 가능성을 높이는 세부 계획을 포함하세요
-4. 명확한 결론과 다음 단계를 제시하세요
-5. 전문적이고 완성도 높은 최종 보고서 형식으로 작성하세요
-
-**중요: 마크다운 형식을 적극 활용하세요**
-- 제목은 #, ##, ### 을 사용하여 계층적으로 구성
-- 중요한 내용은 **굵게** 표시
-- 리스트는 -, * 또는 1. 2. 3. 형식 사용
-- 표가 필요한 경우 마크다운 표 형식 사용:
-  | 항목 | 내용 | 비고 |
-  |------|------|------|
-  | 예시1 | 설명1 | 참고1 |
-- 코드는 ``` 로 감싸서 표시
-- 인용구는 > 를 사용
-- 구분선은 --- 사용"""
-        
-        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 supervisor_text, researcher_text, executor_text, evaluator_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 - 모든 피드백 반영)
-
-{final_executor_response}
-
----
-
-## 📊 전체 프로세스 평가 (평가자 AI)
-
-{evaluator_final_response}
-
----
-
-## 🔍 핵심 조사 결과 요약 (조사자 AI)
-
-{researcher_response[:800]}...
-
----
-
-## 📋 프로세스 완료
-
-| 항목 | 내용 |
-|------|------|
-| **사용 모델** | {'Gemini 2.5 Pro' if llm_system.use_gemini else '기본 LLM'} |
-| **프로세스** | 감독→조사→평가→감독→실행→평가→감독→평가→실행 |
-| **총 단계** | 9단계 협력 완료 |
-| **생성 시간** | {datetime.now().strftime('%Y-%m-%d %H:%M:%S')} |
-
----
-
-> 💡 **참고**: 이 보고서는 4개 AI의 협력을 통해 생성되었으며, 다단계 평가 프로세스를 거쳐 품질이 검증되었습니다."""
-        
-        # 내부 히스토리 업데이트 (UI에는 표시하지 않음)
-        internal_history.append((user_query, final_summary))
-        
-        yield supervisor_text, researcher_text, executor_text, evaluator_text, final_summary, "✅ 최종 보고서 완성!"
-        
-    except Exception as e:
-        error_msg = f"❌ 처리 중 오류: {str(e)}"
-        yield "", "", "", "", error_msg, error_msg
-
-def clear_all():
-    """모든 내용 초기화"""
-    global internal_history
-    internal_history = []
-    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;
-    background-color: #f8f9ff !important;
-}
-.researcher-box textarea {
-    border-left: 4px solid #10b981 !important;
-    padding-left: 10px !important;
-    background-color: #f0fdf4 !important;
-}
-.executor-box textarea {
-    border-left: 4px solid #764ba2 !important;
-    padding-left: 10px !important;
-    background-color: #faf5ff !important;
-}
-.evaluator-box textarea {
-    border-left: 4px solid #f59e0b !important;
-    padding-left: 10px !important;
-    background-color: #fffbeb !important;
-}
-.final-report-box {
-    border: 2px solid #3b82f6 !important;
-    border-radius: 8px !important;
-    padding: 16px !important;
-    background-color: #eff6ff !important;
-    margin-top: 10px !important;
-    font-size: 14px !important;
-    max-height: 700px !important;
-    overflow-y: auto !important;
-    line-height: 1.6 !important;
-}
-.final-report-box h1 {
-    color: #1e40af !important;
-    font-size: 24px !important;
-    margin-bottom: 12px !important;
-}
-.final-report-box h2 {
-    color: #2563eb !important;
-    font-size: 20px !important;
-    margin-top: 16px !important;
-    margin-bottom: 10px !important;
-}
-.final-report-box h3 {
-    color: #3b82f6 !important;
-    font-size: 18px !important;
-    margin-top: 12px !important;
-    margin-bottom: 8px !important;
-}
-.final-report-box table {
-    border-collapse: collapse !important;
-    width: 100% !important;
-    margin: 16px 0 !important;
-}
-.final-report-box th, .final-report-box td {
-    border: 1px solid #cbd5e1 !important;
-    padding: 8px 10px !important;
-    text-align: left !important;
-}
-.final-report-box th {
-    background-color: #e0e7ff !important;
-    font-weight: bold !important;
-    color: #1e40af !important;
-}
-.final-report-box tr:nth-child(even) {
-    background-color: #f8fafc !important;
-}
-.final-report-box tr:hover {
-    background-color: #f0f4f8 !important;
-}
-.final-report-box code {
-    background-color: #f1f5f9 !important;
-    padding: 2px 6px !important;
-    border-radius: 4px !important;
-    font-family: 'Consolas', 'Monaco', monospace !important;
-    color: #dc2626 !important;
-}
-.final-report-box pre {
-    background-color: #1e293b !important;
-    color: #e2e8f0 !important;
-    padding: 12px !important;
-    border-radius: 6px !important;
-    overflow-x: auto !important;
-    margin: 12px 0 !important;
-    font-size: 13px !important;
-}
-.final-report-box pre code {
-    background-color: transparent !important;
-    color: #e2e8f0 !important;
-    padding: 0 !important;
-}
-.final-report-box blockquote {
-    border-left: 4px solid #3b82f6 !important;
-    padding-left: 12px !important;
-    margin-left: 0 !important;
-    margin: 12px 0 !important;
-    color: #475569 !important;
-    font-style: italic !important;
-    background-color: #f0f9ff !important;
-    padding: 10px 12px !important;
-    border-radius: 0 6px 6px 0 !important;
-}
-.final-report-box ul, .final-report-box ol {
-    margin-left: 20px !important;
-    margin-bottom: 12px !important;
-}
-.final-report-box li {
-    margin-bottom: 6px !important;
-    line-height: 1.6 !important;
-}
-.final-report-box strong {
-    color: #1e40af !important;
-    font-weight: 600 !important;
-}
-.final-report-box em {
-    color: #3730a3 !important;
-}
-.final-report-box hr {
-    border: none !important;
-    border-top: 2px solid #cbd5e1 !important;
-    margin: 24px 0 !important;
-}
-.final-report-box a {
-    color: #2563eb !important;
-    text-decoration: underline !important;
-}
-.final-report-box a:hover {
-    color: #1d4ed8 !important;
-}
-"""
-
-with gr.Blocks(title="협력적 LLM 시스템 - 다단계 평가", theme=gr.themes.Soft(), css=css) as app:
-    gr.Markdown(
-        """
-        # 🤝 협력적 LLM 시스템 (다단계 평가 프로세스)
-        
-        ### 📋 프로세스 플로우
-        ```
-        감독(분석) → 조사(검색) → 평가(조사) → 감독(지시) → 실행(초안) 
-        → 평가(초안) → 감독(개선) → 평가(최종) → 실행(완성)
-        ```
-        
-        **4개 AI의 협력을 통한 최고 품질의 답변 생성**
-        """
-    )
-    
-    # 입력 섹션
-    with gr.Row():
-        with gr.Column():
-            gr.Markdown("""
-            ## 🚀 4개 AI의 협력 시스템
-            - **감독자 AI**: 거시적 분석과 전략 수립
-            - **조사자 AI**: 웹 검색과 정보 수집/정리
-            - **실행자 AI**: 구체적 계획 수립과 실행
-            - **평가자 AI**: 전체 과정 평가와 개선점 제시
-            
-            ### 🌟 주요 기능
-            - 최대 4096 토큰 지원 (긴 응답 가능)
-            - 20개 검색 결과와 동의어 검색
-            - 신뢰도 기반 정보 평가
-            - 다단계 평가와 피드백 반영
-            
-            ### 📋 프로세스
-            감독 → 조사 → 평가 → 감독 → 실행 → 평가 → 감독 → 평가 → 실행
-            """)
-            
-            # LLM 선택 옵션
-            llm_mode = gr.Radio(
-                choices=["default", "commercial"],
-                value="default",
-                label="LLM 모드 선택",
-                info="commercial을 선택하면 Gemini 2.5 Pro를 사용합니다"
-            )
-            
-            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=2
-            )
-    
-    # 최종 결과 섹션 추가
-    with gr.Row():
-        with gr.Column():
-            gr.Markdown("### 📊 최종 종합 보고서")
-            final_report = gr.Markdown(
-                value="*최종 보고서가 여기에 표시됩니다.*",
-                elem_classes=["final-report-box"]
-            )
-    
-    # AI 출력들 - 2x2 그리드
-    with gr.Row():
-        # 상단 행
-        with gr.Column():
-            gr.Markdown("### 🧠 감독자 AI (거시적 분석)")
-            supervisor_output = gr.Textbox(
-                label="",
-                lines=12,
-                max_lines=18,
-                interactive=False,
-                elem_classes=["supervisor-box"]
-            )
-        
-        with gr.Column():
-            gr.Markdown("### 🔍 조사자 AI (웹 검색 & 정리)")
-            researcher_output = gr.Textbox(
-                label="",
-                lines=12,
-                max_lines=18,
-                interactive=False,
-                elem_classes=["researcher-box"]
-            )
-    
-    with gr.Row():
-        # 하단 행
-        with gr.Column():
-            gr.Markdown("### 👁️ 실행자 AI (미시적 구현)")
-            executor_output = gr.Textbox(
-                label="",
-                lines=12,
-                max_lines=18,
-                interactive=False,
-                elem_classes=["executor-box"]
-            )
-        
-        with gr.Column():
-            gr.Markdown("### 📊 평가자 AI (전체 평가)")
-            evaluator_output = gr.Textbox(
-                label="",
-                lines=12,
-                max_lines=18,
-                interactive=False,
-                elem_classes=["evaluator-box"]
-            )
-    
-    # 예제
-    gr.Examples(
-        examples=[
-            "기계학습 모델의 성능을 향상시키는 최신 방법은?",
-            "2025년 효과적인 프로젝트 관리 도구와 전략은?",
-            "지속 가능한 비즈니스 모델의 최신 트렌드는?",
-            "최신 데이터 시각화 도구와 기법은?",
-            "원격 팀의 생산성을 높이는 검증된 방법은?",
-            "스타트업을 위한 효과적인 마케팅 전략은?",
-            "AI 윤리와 규제의 최신 동향은?",
-            "클라우드 네이티브 애플리케이션 개발 모범 사례는?"
-        ],
-        inputs=user_input,
-        label="💡 예제 질문"
-    )
-    
-    # 이벤트 핸들러
-    submit_btn.click(
-        fn=process_query_streaming,
-        inputs=[user_input, llm_mode],
-        outputs=[supervisor_output, researcher_output, executor_output, evaluator_output, final_report, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    user_input.submit(
-        fn=process_query_streaming,
-        inputs=[user_input, llm_mode],
-        outputs=[supervisor_output, researcher_output, executor_output, evaluator_output, final_report, status_text]
-    ).then(
-        fn=lambda: "",
-        outputs=[user_input]
-    )
-    
-    clear_btn.click(
-        fn=clear_all,
-        outputs=[supervisor_output, researcher_output, executor_output, evaluator_output, final_report, status_text]
-    )
-    
-
-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
-    )
-