streamlit_app.py

# 안정적인 AI 카피라이터 - 임베딩 기반 RAG 시스템
# Hugging Face Spaces 환경 최적화 버전

import streamlit as st
import pandas as pd
import numpy # 전역적으로 numpy를 먼저 임포트해봅니다.
import pickle
import google.generativeai as genai
import time
import json
import os
import sys # 디버깅용 sys 모듈 임포트
from datetime import datetime

# 환경 설정 (권한 문제 해결)
os.environ['STREAMLIT_BROWSER_GATHER_USAGE_STATS'] = 'false'

# 캐시 경로를 /tmp 로 설정 (Hugging Face Spaces에서 권장되는 쓰기 가능 경로)
TMP_DIR = "/tmp"
TRANSFORMERS_CACHE_DIR = os.path.join(TMP_DIR, '.cache', 'transformers')
SENTENCE_TRANSFORMERS_HOME_DIR = os.path.join(TMP_DIR, '.cache', 'sentence_transformers')

os.environ['TRANSFORMERS_CACHE'] = TRANSFORMERS_CACHE_DIR
os.environ['SENTENCE_TRANSFORMERS_HOME'] = SENTENCE_TRANSFORMERS_HOME_DIR

# 캐시 디렉토리 생성 (존재하지 않으면) - /tmp 아래는 일반적으로 생성 가능
try:
    os.makedirs(TRANSFORMERS_CACHE_DIR, exist_ok=True)
    os.makedirs(SENTENCE_TRANSFORMERS_HOME_DIR, exist_ok=True)
except PermissionError:
    st.warning(f"⚠️ 캐시 디렉토리 생성 권한 없음: {TRANSFORMERS_CACHE_DIR} 또는 {SENTENCE_TRANSFORMERS_HOME_DIR}. 모델 다운로드가 느릴 수 있습니다.")
except Exception as e_mkdir:
    st.warning(f"⚠️ 캐시 디렉토리 생성 중 오류: {e_mkdir}")


# 페이지 설정
st.set_page_config(
    page_title="AI 카피라이터 | RAG 기반 광고 카피 생성",
    page_icon="✨",
    layout="wide",
    initial_sidebar_state="expanded"
)

# 제목 및 설명
st.title("✨ AI 카피라이터")
st.markdown("### 🎯 37,671개 실제 광고 카피 데이터 기반 RAG 시스템")
st.markdown("---")

# --- 런타임 환경 디버깅 (애플리케이션 최상단 또는 load_system 바로 전) ---
st.sidebar.markdown("---")
st.sidebar.markdown("### ⚙️ 런타임 환경 정보 (디버깅용)")
st.sidebar.text(f"Py Exec: {sys.executable}")
st.sidebar.text(f"Py Ver: {sys.version.split()[0]}") # 간략하게 버전만
# st.sidebar.text(f"sys.path: {sys.path}") # 너무 길어서 일단 주석
st.sidebar.text(f"PYTHONPATH: {os.environ.get('PYTHONPATH', 'Not Set')}")
try:
    # numpy를 여기서 다시 임포트하고 사용
    import numpy as np_runtime_check
    st.sidebar.text(f"NumPy Ver (Runtime): {np_runtime_check.__version__}")
    # 핵심 모듈 임포트 시도
    import numpy.core._multiarray_umath
    st.sidebar.markdown("✅ NumPy core modules imported (Runtime)")
except Exception as e:
    st.sidebar.error(f"❌ NumPy import error (Runtime): {e}")
st.sidebar.markdown("---")
# --- 디버깅 코드 끝 ---


# 사이드바 설정
st.sidebar.header("🎛️ 카피 생성 설정")


# API 키 입력 (환경변수 우선 사용)
default_api_key = os.getenv("GEMINI_API_KEY", "")

api_key = st.sidebar.text_input(
    "🔑 Gemini API 키",
    value=default_api_key,
    type="password",
    help="환경변수에 GEMINI_API_KEY로 설정하면 자동 입력됩니다"
)

if not api_key:
    st.warning("⚠️ Gemini API 키를 입력해주세요")
    st.info("💡 Settings → Repository secrets에서 GEMINI_API_KEY를 설정하세요")
    st.stop()

# 시스템 초기화 (캐싱) - 임베딩 필수!
@st.cache_resource(show_spinner=False)
def load_system():
    """시스템 컴포넌트 로딩 - 임베딩 기반 RAG 시스템"""

    # --- 함수 시작 시 디버깅 정보 추가 ---
    st.write("--- load_system() 시작 ---")
    st.write(f"Python Executable (load_system): {sys.executable}")
    st.write(f"Python Version (load_system): {sys.version}")
    # st.write(f"sys.path (load_system): {sys.path}") # 너무 길어서 주석
    st.write(f"PYTHONPATH (load_system): {os.environ.get('PYTHONPATH')}")
    try:
        import numpy as np_load_system_check # 새 별칭 사용
        st.write(f"NumPy version (load_system start): {np_load_system_check.__version__}")
        import numpy.core._multiarray_umath
        st.write("load_system start: Successfully imported numpy.core._multiarray_umath")
    except Exception as e:
        st.write(f"load_system start: Error importing NumPy parts: {e}")
    # --- 디버깅 정보 끝 ---

    progress_container = st.container()

    with progress_container:
        # 전체 진행률
        total_progress = st.progress(0)
        status_text = st.empty()

        # 1단계: API 설정 (10%)
        status_text.text("🔑 Gemini API 초기화 중...")
        try:
            genai.configure(api_key=api_key)
            model_llm = genai.GenerativeModel('gemini-1.5-flash') # 모델 이름 확인 (이전엔 gemini-2.0-flash)
            total_progress.progress(10)
            st.success("✅ Gemini API 설정 완료")
        except Exception as e:
            st.error(f"❌ Gemini API 설정 실패: {e}")
            return None, None, None, None

        # 2단계: 임베딩 모델 로드 (40%)
        status_text.text("🤖 한국어 임베딩 모델 로딩 중... (1-2분 소요)")
        embedding_model_instance = None # 변수명 변경

        try:
            # sentence-transformers 임포트를 함수 내에서 유지
            from sentence_transformers import SentenceTransformer
            # from sklearn.metrics.pairwise import cosine_similarity # 여기서는 아직 필요 없음

            embedding_model_instance = SentenceTransformer('jhgan/ko-sbert-nli',
                                                cache_folder=SENTENCE_TRANSFORMERS_HOME_DIR) # 수정된 캐시 경로 사용
            total_progress.progress(40)
            st.success("✅ 한국어 임베딩 모델 로딩 완료")

        except Exception as e:
            st.error(f"❌ 임베딩 모델 로딩 실패: {e}")
            st.error("🚨 임베딩 모델 없이는 RAG 시스템이 작동할 수 없습니다!")
            return None, None, None, None

        # 3단계: 데이터 로드 (60%)
        status_text.text("📊 카피 데이터베이스 로딩 중...")
        df_data = None # 변수명 변경
        try:
            df_data = pd.read_excel('광고카피데이터_브랜드추출완료.xlsx')
            total_progress.progress(60)
            st.success(f"✅ 데이터 로딩 완료: {len(df_data):,}개 카피")
        except Exception as e:
            st.error(f"❌ 데이터 로딩 실패: {e}")
            return None, None, None, None

        # 4단계: 임베딩 데이터 로드 (90%) - 이게 핵심!
        status_text.text("🔍 벡터 임베딩 로딩 중... (RAG 시스템 핵심)")
        embeddings_array = None # 변수명 변경
        try:
            # --- pickle.load() 직전 NumPy 디버깅 ---
            import numpy as np_pickle_check # 새 별칭 사용
            st.write(f"[DEBUG] NumPy version just before pickle.load: {np_pickle_check.__version__}")
            import numpy.core._multiarray_umath
            st.write("[DEBUG] Successfully imported numpy.core._multiarray_umath before pickle.load")
            # --- 디버깅 끝 ---

            with open('copy_embeddings.pkl', 'rb') as f:
                embeddings_data = pickle.load(f)
            embeddings_array = embeddings_data['embeddings']
            total_progress.progress(90)
            st.success(f"✅ 임베딩 로딩 완료: {embeddings_array.shape[0]:,}개 × {embeddings_array.shape[1]}차원")
        except ModuleNotFoundError as mnfe: # ModuleNotFoundError를 특정해서 잡기
            st.error(f"❌ 임베딩 로딩 실패 (ModuleNotFoundError): {mnfe}")
            st.error(f"🚨 해당 모듈을 찾을 수 없습니다. sys.path: {sys.path}")
            st.error("🚨 임베딩 없이는 의미적 검색이 불가능합니다!")
            # 추가 디버깅: 현재 로드된 numpy 객체 상태
            try:
                import numpy as np_final_check
                st.error(f"[DEBUG] NumPy object at failure: {np_final_check}")
                st.error(f"[DEBUG] NumPy __file__ at failure: {np_final_check.__file__}")
            except Exception as e_np_final:
                st.error(f"[DEBUG] Could not even import numpy at failure: {e_np_final}")
            return None, None, None, None
        except Exception as e:
            st.error(f"❌ 임베딩 로딩 실패 (일반 오류): {e}")
            st.error("🚨 임베딩 없이는 의미적 검색이 불가능합니다!")
            return None, None, None, None

        # 5단계: 최종 검증 (100%)
        status_text.text("✨ 시스템 검증 중...")
        if model_llm and embedding_model_instance and df_data is not None and embeddings_array is not None:
            total_progress.progress(100)
            status_text.text("🎉 RAG 시스템 로딩 완료!")

            success_col1, success_col2, success_col3 = st.columns(3)
            with success_col1:
                st.metric("카피 데이터", f"{len(df_data):,}개")
            with success_col2:
                st.metric("임베딩 차원", f"{embeddings_array.shape[1]}D")
            with success_col3:
                st.metric("검색 엔진", "Korean SBERT")

            time.sleep(1)
            total_progress.empty()
            status_text.empty()

            # 전역 변수명과의 충돌을 피하기 위해 함수 내에서 사용한 변수명으로 반환
            return model_llm, embedding_model_instance, df_data, embeddings_array
        else:
            st.error("❌ 시스템 로딩 실패: 필수 구성요소 누락")
            return None, None, None, None

# 시스템 로딩 (변수명 충돌 방지를 위해 새로운 이름 사용)
loaded_model, loaded_embedding_model, loaded_df, loaded_embeddings = None, None, None, None
with st.spinner("🚀 AI 카피라이터 시스템 초기화 중..."):
    loaded_model, loaded_embedding_model, loaded_df, loaded_embeddings = load_system()

if loaded_model is None or loaded_embedding_model is None or loaded_df is None or loaded_embeddings is None:
    st.error("❌ 시스템을 로딩할 수 없습니다. 페이지를 새로고침하거나 관리자에게 문의하세요.")
    st.stop()

# 사이드바 설정 (시스템 로딩 성공 후)
st.sidebar.success("🎉 RAG 시스템 준비 완료!")

# 카테고리 선택
categories = ['전체'] + sorted(loaded_df['카테고리'].unique().tolist())
selected_category = st.sidebar.selectbox(
    "📂 카테고리",
    categories,
    help="특정 카테고리로 검색을 제한할 수 있습니다"
)

# 타겟 고객 설정
target_audience = st.sidebar.selectbox(
    "🎯 타겟 고객",
    ['20대', '30대', '일반', '10대', '40대', '50대+', '남성', '여성', '직장인', '학생', '주부'],
    help="타겟 고객에 맞는 톤앤매너로 카피를 생성합니다"
)

# 브랜드 톤앤매너
brand_tone = st.sidebar.selectbox(
    "🎨 브랜드 톤",
    ['세련된', '친근한', '고급스러운', '활기찬', '신뢰할 수 있는', '젊은', '따뜻한', '전문적인'],
    help="원하는 브랜드 이미지를 선택하세요"
)

# 창의성 수준
creative_level = st.sidebar.select_slider(
    "🧠 창의성 수준",
    options=['보수적', '균형', '창의적'],
    value='균형',
    help="보수적: 안전한 표현, 창의적: 독창적 표현"
)

# 메인 입력 영역
st.markdown("## 💭 어떤 카피를 만들고 싶으신가요?")

user_request = "" # 초기화
input_method = st.radio(
    "입력 방식 선택:",
    ["직접 입력", "템플릿 선택"],
    horizontal=True,
    key="input_method_radio" # 고유 키 추가
)

if input_method == "직접 입력":
    user_request = st.text_area(
        "카피 요청을 자세히 작성해주세요:",
        placeholder="예: 30대 직장 여성용 프리미엄 스킨케어 신제품 런칭 카피",
        height=100,
        key="user_request_direct" # 고유 키 추가
    )
else:
    templates = {
        "신제품 런칭": "대상 {카테고리} 신제품 런칭 카피",
        "할인 이벤트": "{카테고리} 할인 이벤트 프로모션 카피",
        "브랜드 슬로건": "{카테고리} 브랜드의 대표 슬로건",
        "앱/서비스 리뉴얼": "{서비스명} 새 버전 출시 카피",
        "시즌 한정": "{시즌} 한정 {카테고리} 특별 에디션 카피"
    }
    selected_template = st.selectbox("템플릿 선택:", list(templates.keys()), key="template_selectbox")
    template_category = ""
    service_name = ""
    season = ""

    col1, col2 = st.columns(2)
    with col1:
        template_category = st.text_input("제품/서비스:", value="", key="template_category_input")
    with col2:
        if selected_template == "앱/서비스 리뉴얼":
            service_name = st.text_input("서비스명:", placeholder="예: 배달앱, 금융앱", key="template_service_name_input")
            user_request = templates[selected_template].format(서비스명=service_name)
        elif selected_template == "시즌 한정":
            season = st.selectbox("시즌:", ["봄", "여름", "가을", "겨울", "크리스마스", "신년"], key="template_season_selectbox")
            user_request = templates[selected_template].format(시즌=season, 카테고리=template_category)
        else:
            user_request = templates[selected_template].format(카테고리=template_category)
    st.text_area("생성된 요청:", value=user_request, height=80, disabled=True, key="generated_request_template")


# 고급 옵션
with st.expander("🔧 고급 옵션"):
    col1_adv, col2_adv = st.columns(2) # 변수명 변경
    with col1_adv:
        num_concepts = st.slider("생성할 컨셉 수:", 1, 5, 3, key="num_concepts_slider")
        min_similarity = st.slider("최소 유사도:", 0.0, 1.0, 0.3, 0.1, key="min_similarity_slider")
    with col2_adv:
        show_references = st.checkbox("참고 카피 보기", value=True, key="show_references_checkbox")
        num_references = st.slider("참고 카피 수:", 3, 10, 5, key="num_references_slider")

# RAG 카피 생성 함수 (임베딩 기반 필수!)
def generate_copy_with_rag(user_req, category_filter, target_aud, brand_tn, creative_lvl, num_con): # 변수명 변경
    """RAG 기반 카피 생성 - 임베딩 필수 사용"""
    if not user_req.strip():
        st.error("❌ 카피 요청을 입력해주세요")
        return None

    progress_bar = st.progress(0)
    status_text_gen = st.empty() # 변수명 변경

    status_text_gen.text("🔍 의미적 검색 중... (RAG 핵심 기능)")
    progress_bar.progress(20)

    try:
        search_query = f"{user_req} {target_aud} 광고 카피"
        from sklearn.metrics.pairwise import cosine_similarity # generate_copy_with_rag 내에서 임포트
        query_embedding = loaded_embedding_model.encode([search_query]) # 로드된 모델 사용

        if category_filter != '전체':
            filtered_df_gen = loaded_df[loaded_df['카테고리'] == category_filter].copy() # .copy() 추가
        else:
            filtered_df_gen = loaded_df.copy() # .copy() 추가

        progress_bar.progress(40)

        if filtered_df_gen.empty:
            st.warning(f"⚠️ 선택하신 카테고리 '{category_filter}'에 해당하는 데이터가 없습니다.")
            progress_bar.empty()
            status_text_gen.empty()
            return None


        filtered_indices = filtered_df_gen.index.tolist()
        # loaded_embeddings에서 직접 인덱싱하기 전에, filtered_indices가 loaded_embeddings의 범위 내에 있는지 확인
        valid_indices_for_embedding = [idx for idx in filtered_indices if idx < len(loaded_embeddings)]
        if not valid_indices_for_embedding:
            st.warning(f"⚠️ 유효한 인덱스를 찾을 수 없어 유사도 검색을 진행할 수 없습니다. (카테고리: {category_filter})")
            progress_bar.empty()
            status_text_gen.empty()
            return None

        # 유효한 인덱스에 해당하는 임베딩만 사용
        # 이 부분은 원본 데이터프레임(loaded_df)의 인덱스를 사용해야 함
        # filtered_df_gen의 인덱스는 loaded_df의 부분집합이므로,
        # loaded_embeddings에서 이 인덱스들을 직접 사용해야 합니다.
        # 주의: filtered_indices는 loaded_df의 실제 인덱스 값이어야 함.
        # 만약 filtered_df_gen.index가 0부터 시작하는 새로운 인덱스라면, 매핑 필요.
        # 현재 코드는 filtered_df.index.tolist()가 원본 인덱스를 유지한다고 가정.

        filtered_embeddings_for_search = loaded_embeddings[valid_indices_for_embedding]
        # 유사도 계산 시 query_embedding과 filtered_embeddings_for_search의 차원 확인
        if query_embedding.shape[1] != filtered_embeddings_for_search.shape[1]:
             st.error(f"❌ 임베딩 차원 불일치: 쿼리({query_embedding.shape[1]}D), 문서({filtered_embeddings_for_search.shape[1]}D)")
             return None


        similarities = cosine_similarity(query_embedding, filtered_embeddings_for_search)[0]

        # 상위 N개 (num_references) 선택
        # similarities의 길이는 valid_indices_for_embedding의 길이와 같음
        # top_indices는 similarities 배열 내의 인덱스
        num_to_select = min(num_references, len(similarities))
        top_similarity_indices = np.argsort(similarities)[::-1][:num_to_select]


        reference_copies = []
        for i in top_similarity_indices:
            # i는 similarities 배열에서의 인덱스.
            # 이 인덱스를 사용하여 valid_indices_for_embedding에서 원본 데이터프레임의 인덱스를 가져와야 함.
            original_df_idx = valid_indices_for_embedding[i]
            row = loaded_df.iloc[original_df_idx] # 원본 df에서 가져옴
            if similarities[i] >= min_similarity:
                reference_copies.append({
                    'copy': row['카피 내용'],
                    'brand': row['브랜드'],
                    'similarity': float(similarities[i]) # float으로 변환 (JSON 직렬화 대비)
                })
        progress_bar.progress(60)

        if not reference_copies:
            st.warning(f"⚠️ 유사도 {min_similarity} 이상인 참고 카피를 찾을 수 없습니다. 유사도를 낮춰보세요.")
            # 참고 카피가 없어도 LLM에게 생성을 요청할 수는 있도록 함 (선택사항)
            # progress_bar.empty()
            # status_text_gen.empty()
            # return None
            references_text_for_prompt = "유사도 높은 참고 카피를 찾지 못했습니다."
        else:
            references_text_for_prompt = "\n".join([
                f"{j+1}. \"{ref['copy']}\" - {ref['brand']} (유사도: {ref['similarity']:.3f})"
                for j, ref in enumerate(reference_copies)
            ])


        status_text_gen.text("🤖 AI 카피 생성 중...")
        progress_bar.progress(80)

        creativity_guidance = {
            "보수적": "안전하고 검증된 표현을 사용하여",
            "균형": "창의적이면서도 적절한 수준에서",
            "창의적": "독창적이고 혁신적인 표현으로"
        }
        prompt = f"""
당신은 한국의 전문 광고 카피라이터입니다.

**요청사항:** {user_req}
**타겟 고객:** {target_aud}
**브랜드 톤:** {brand_tn}
**창의성 수준:** {creative_lvl} ({creativity_guidance[creative_lvl]})

**참고 카피들 (의미적 유사도 기반 선별):**
{references_text_for_prompt}

**작성 가이드라인:**
1. 위 참고 카피들의 스타일과 톤을 분석하고, 요청사항에 맞춰 새로운 카피 {num_con}개를 작성해주세요.
2. 만약 참고 카피가 없다면, 요청사항과 타겟 고객, 브랜드 톤, 창의성 수준에만 집중하여 작성해주세요.
3. 각 카피는 한국어로 자연스럽고 매력적이어야 합니다.
4. {target_aud}에게 어필할 수 있는 표현을 사용해주세요.
5. {brand_tn} 톤앤매너를 유지해주세요.

**출력 형식 (각 카피와 간단한 설명 포함):**
1. [생성된 카피 1]
   - 설명: (이 카피가 왜 효과적인지 또는 어떤 의도로 작성되었는지)

2. [생성된 카피 2]
   - 설명: (이 카피가 왜 효과적인지 또는 어떤 의도로 작성되었는지)
... (요청한 컨셉 수만큼 반복)

**추천 카피:** (위 생성된 카피 중 가장 추천하는 것 하나와 그 이유)
"""
        response = loaded_model.generate_content(prompt)
        progress_bar.progress(100)
        status_text_gen.text("✅ 완료!")
        time.sleep(0.5)
        progress_bar.empty()
        status_text_gen.empty()

        return {
            'references': reference_copies,
            'generated_content': response.text,
            'search_info': {
                'query': search_query,
                'total_candidates': len(filtered_df_gen),
                'selected_references': len(reference_copies)
            },
            'settings': {
                'category': category_filter,
                'target': target_aud,
                'tone': brand_tn,
                'creative': creative_lvl
            }
        }
    except Exception as e_gen:
        st.error(f"❌ 카피 생성 실패: {e_gen}")
        st.error(f"오류 타입: {type(e_gen)}") # 오류 타입 출력
        import traceback # 상세 트레이스백
        st.error(traceback.format_exc())
        progress_bar.empty()
        status_text_gen.empty()
        return None

# 생성 버튼
if st.button("🚀 카피 생성하기", type="primary", use_container_width=True, key="generate_button"):
    if not user_request or not user_request.strip():
        st.error("❌ 카피 요청을 입력해주세요")
    else:
        result = generate_copy_with_rag(
            user_req=user_request,
            category_filter=selected_category,
            target_aud=target_audience,
            brand_tn=brand_tone,
            creative_lvl=creative_level,
            num_con=num_concepts
        )
        if result:
            st.markdown("## 🎉 생성된 카피")
            st.markdown("---")
            st.info(f"🔍 **검색 정보**: {result['search_info']['total_candidates']:,}개 후보에서 "
                   f"{result['search_info']['selected_references']}개 참고 카피 선별")
            if show_references and result['references']:
                with st.expander("📚 참고한 카피들 (의미적 유사도 기반 선별)"):
                    for i, ref in enumerate(result['references'], 1):
                        st.markdown(f"**{i}.** \"{ref['copy']}\"")
                        st.markdown(f"   - 브랜드: {ref['brand']}")
                        st.markdown(f"   - 유사도: {ref['similarity']:.3f}")
                        st.markdown("")
            st.markdown("### ✨ AI가 생성한 카피:")
            st.markdown(result['generated_content'])
            try:
                result_json = json.dumps({
                    'timestamp': datetime.now().isoformat(),
                    'request': user_request,
                    'settings': result['settings'],
                    'search_info': result['search_info'],
                    'generated_content': result['generated_content'],
                    'references': result['references'] # 참고 카피도 JSON에 포함
                }, ensure_ascii=False, indent=2)
                st.download_button(
                    label="💾 결과 다운로드 (JSON)",
                    data=result_json,
                    file_name=f"copy_result_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json",
                    mime="application/json",
                    key="download_button"
                )
            except Exception as e_json:
                st.error(f"❌ 결과 다운로드 파일 생성 실패: {e_json}")


# 시스템 정보 (사이드바 하단)
st.sidebar.markdown("---")
st.sidebar.markdown("### 📊 RAG 시스템 정보")
if loaded_df is not None and loaded_embeddings is not None:
    st.sidebar.markdown(f"**카피 데이터**: {len(loaded_df):,}개")
    st.sidebar.markdown(f"**카테고리**: {loaded_df['카테고리'].nunique()}개")
    st.sidebar.markdown(f"**브랜드**: {loaded_df['브랜드'].nunique()}개")
    st.sidebar.markdown(f"**임베딩**: {loaded_embeddings.shape[1]}차원") # 로드된 임베딩 사용
    st.sidebar.markdown("**검색 엔진**: Korean SBERT")
    st.sidebar.markdown("**호스팅**: 🤗 Hugging Face")

# 사용법 가이드
with st.expander("💡 RAG 시스템 사용법 가이드"):
    st.markdown("""
    ### 🎯 효과적인 사용법
    (기존 내용과 동일)
    """)

# 푸터
st.markdown("---")
st.markdown(
    "💡 **AI 카피라이터** | 37,671개 실제 광고 카피 데이터 기반 | "
    "RAG(검색 증강 생성) 시스템 powered by Korean SBERT + Gemini AI"
)

# 성능 모니터링 (개발자용)
if os.getenv("DEBUG_MODE") == "true": # 환경변수 값을 문자열 "true"로 비교
    st.sidebar.markdown("### 🔧 디버그 정보 (활성화됨)")
    if 'loaded_embeddings' in locals() and loaded_embeddings is not None: # 로드된 변수 사용
        st.sidebar.write(f"임베딩 메모리: {loaded_embeddings.nbytes / (1024*1024):.1f}MB")
    st.sidebar.write(f"Streamlit 버전: {st.__version__}")
    st.sidebar.write(f"Pandas 버전: {pd.__version__}")
    st.sidebar.write(f"Numpy 버전 (Global): {np.__version__ if 'np' in globals() else 'Not imported globally'}")
    st.sidebar.write(f"Torch 버전: {torch.__version__ if 'torch' in globals() else 'Torch not directly used here'}") # torch는 sentence-transformers 내부 사용
    st.sidebar.write(f"google-generativeai 버전: {genai.__version__}")