feat : SWOT 기반 분석 및 경험 배치 파이프라인 설계

.gitignore

@@ -0,0 +1 @@
+.cursor/

myeongsung/.gitignore

@@ -0,0 +1,35 @@
+# Environments
+.env
+.env.*
+
+# MacOS
+.DS_Store
+
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+
+# Virtual Environments
+venv/
+.venv/
+env/
+ENV/
+
+# Python packaging & distribution
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib/
+lib64/
+parts/
+sdist/
+var/
+wheels/
+*.egg-info/
+.installed.cfg
+*.egg

myeongsung/main_api.py

@@ -0,0 +1,153 @@
+from fastapi import FastAPI, UploadFile, File, Form, HTTPException, BackgroundTasks, Response
+from pydantic import BaseModel, Field, ValidationError
+import json
+import uuid
+from typing import List, Dict, Any, Optional, Union
+from dotenv import load_dotenv
+
+# 애플리케이션 시작 전 .env 환경변수를 자동으로 불러옵니다.
+load_dotenv()
+
+from resume_strategist import create_workflow
+
+app = FastAPI(
+    title="Resume Strategist API",
+    description="JD 분석(PDF/URL) 및 경험 배치를 수행하는 LangGraph 기반 AI 에이전트 API",
+    version="1.2.0"
+)
+
+workflow = create_workflow()
+
+# ── STAR 경험 입력 스키마 ──────────────────────────────────────
+class StarContent(BaseModel):
+    situation: str = Field(..., description="[S] 상황 - 어떤 배경/맥락에서 발생한 일인지")
+    task: str      = Field(..., description="[T] 과제 - 내가 맡은 구체적 역할과 목표")
+    action: str    = Field(..., description="[A] 행동 - 내가 취한 구체적 행동과 방법")
+    result: str    = Field(..., description="[R] 결과 - 행동으로 얻은 성과 (수치 포함 권장)")
+
+class ExperienceInput(BaseModel):
+    id: Optional[str] = Field(
+        None,
+        description="경험 고유 ID (미입력 시 UUID 자동 생성)"
+    )
+    title: str    = Field(..., description="경험 제목")
+    priority: str = Field(..., pattern="^(상|중|하)$", description="경험 중요도: 상/중/하")
+    tags: List[str] = Field(default=[], description="기술/역량 태그 (선택, 추후 AI 자동 태깅)")
+    star: StarContent = Field(..., description="STAR 형식 경험 본문")
+
+# ── 응답 스키마 (플랫 구조) ──
+class PlacementResult(BaseModel):
+    essay_question:           str            = Field(..., description="자소서 문항 원문")
+    matched_experience_id:    Optional[Union[str, int]] = Field(None, description="매핑된 경험 ID (문자열 혹은 숫자)")
+    matched_experience_title: str            = Field(..., description="매핑된 경험 제목")
+    strategy:                 str            = Field(..., description="선택된 SWOT 전략 (SO/ST/WO/WT/N/A)")
+    jd_targeting:             str            = Field(..., description="[JD 타겟팅] JD에서 설정한 O/T 근거")
+    dynamic_framing:          str            = Field(..., description="[동적 프레이밍] 페르소나 기반 S/W 해석")
+    strategy_derivation:      str            = Field(..., description="[전략 도출] 전략 선택 최종 논증")
+    writing_guide:            str            = Field(..., description="자소서 작성 가이드라인 및 핵심 키워드")
+
+class PlacementResponse(BaseModel):
+    placements: List[PlacementResult]
+    errors: List[str] = []
+
+
+@app.post("/analyze-and-place", response_model=PlacementResponse)
+async def analyze_and_place(
+    background_tasks: BackgroundTasks,
+    jd_pdf: Optional[UploadFile] = File(None, description="채용공고 원문 PDF 파일 (업스테이지 파싱용)"),
+    jd_url: Optional[str] = Form(None, description="채용공고 웹페이지 URL (웹 스크래핑용)"),
+    experiences_json: str = Form(..., description="사용자 경험 데이터 JSON 문자열"),
+    essay_prompts_json: str = Form(..., description="자소서 문항 리스트 JSON 문자열"),
+    user_persona: str = Form("", description="지원자 성향/가치관 (예: '빠른 실행과 피보팅을 중시하는 개발자'). 동적 S/W 프레이밍에 사용됩니다."),
+):
+    """
+    JD PDF 혹은 URL 중 하나와, 경험 JSON 목록, 자소서 문항 배열을 받아 LangGraph를 이용해 자소서를 매핑합니다.
+    """
+
+    # [유효성 검사] PDF나 URL 중 최소 하나는 반드시 존재해야 함
+    if not jd_pdf and not (jd_url and jd_url.strip()):
+        raise HTTPException(
+            status_code=400, 
+            detail="jd_pdf (업로드 파일) 또는 jd_url 중 최소 하나는 필수적으로 제공되어야 합니다."
+        )
+
+    # 1. JSON 검증 및 STAR → 내부 포맷 변환
+    try:
+        raw_experiences = json.loads(experiences_json)
+        raw_prompts = json.loads(essay_prompts_json)
+
+        validated_experiences = []
+        for exp in raw_experiences:
+            parsed = ExperienceInput(**exp)
+
+            # UUID 자동 생성 (미입력 시)
+            exp_id = parsed.id or str(uuid.uuid4())
+
+            # STAR → LLM용 content 문자열 변환
+            s = parsed.star
+            content = (
+                f"[상황] {s.situation}\n"
+                f"[과제] {s.task}\n"
+                f"[행동] {s.action}\n"
+                f"[결과] {s.result}"
+            )
+
+            validated_experiences.append({
+                "id":       exp_id,
+                "title":    parsed.title,
+                "priority": parsed.priority,
+                "tags":     parsed.tags,
+                "content":  content,       # 내부 LLM 처리용
+                "star":     s.model_dump(), # 원본 보존 (추후 DB 저장용)
+            })
+
+        if not isinstance(raw_prompts, list):
+            raise ValueError("essay_prompts_json 필드는 문자열 배열 형태여야 합니다.")
+
+    except json.JSONDecodeError:
+        raise HTTPException(status_code=400, detail="유효하지 않은 JSON 문자열입니다.")
+    except (ValidationError, ValueError) as e:
+        raise HTTPException(status_code=400, detail=f"입력 데이터 검증 실패: {str(e)}")
+
+
+    # 2. 우선순위 판별 및 처리 
+    # 두 값이 모두 들어올 경우 jd_pdf 분석 결과를 우선 사용
+    jd_markdown = ""
+    if jd_pdf and jd_pdf.filename:
+        jd_content = await jd_pdf.read()
+        try:
+            # 실제 서비스시엔 바이너리(jd_content)를 Upstage API에 넘기고 반환된 마크다운을 씁니다.
+            jd_markdown = jd_content.decode("utf-8")
+        except UnicodeDecodeError:
+            jd_markdown = "# JD 텍스트 파싱 처리 (더미 마크다운. 실제론 Upstage API에서 넘어왔다고 가정)"
+
+
+    # 3. LangGraph 상태(State) 설정
+    initial_state = {
+        "jd_markdown": jd_markdown,
+        "jd_url": jd_url,
+        "experiences": validated_experiences,
+        "prompts": raw_prompts,
+        "user_persona": user_persona,
+        "jd_context": {},
+        "placements": [],
+        "remaining_indices": [],
+        "errors": []
+    }
+
+    # 4. 워크플로우 실행
+    try:
+        final_state = workflow.invoke(initial_state)
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"내부 파이프라인 실행 중 오류 발생: {str(e)}")
+
+    # [개선] 한글 유니코드 이스케이프 방지 (ensure_ascii=False 적용)
+    final_response = PlacementResponse(
+        placements=final_state.get("placements", []),
+        errors=final_state.get("errors", [])
+    ).model_dump()
+
+    return Response(
+        content=json.dumps(final_response, ensure_ascii=False),
+        media_type="application/json"
+    )

myeongsung/mock_data_generator.py

@@ -0,0 +1,116 @@
+import json
+import requests
+import io
+import time
+
+MOCK_JD_MARKDOWN = """
+# AI 플랫폼 백엔드 엔지니어 경력 채용
+
+## 직무 비전 및 기회 (Opportunities)
+- 대규모 언어 모델(LLM)과 RAG를 결합한 사내 및 기업용 AI 에이전트 서비스 구축
+- Vector DB (Qdrant, Pinecone 등) 설계 및 Hybrid Search 파이프라인 최적화
+- Spring Boot, FastAPI, Node.js 등을 활용한 안정적인 멀티 마이크로서비스 아키텍처(MSA) 운영 경험 제공
+
+## 직무 수행의 난관 (Threats)
+- 비정형 도메인 데이터 검색 시 나타나는 오분류 문제와 RAG의 Hallucination(환각) 리스크 최소화 역량 필수
+- 대용량 데이터 및 영상 분석 시 서버의 인프라 비용과 응답 지연(Latency)이 기하급수적으로 늘어나는 문제
+"""
+
+MOCK_EXPERIENCES = [
+    {
+        "id": 1,
+        "title": "Fin-agent: 금융 특화 AI 에이전트 및 Hybrid Retrieval 구축",
+        "content": "미래에셋 공모전에서 금융 질의응답 신뢰성을 높이기 위해 Sparse(의미) 65% + Dense(유사도) 35% 가중치를 적용한 Hybrid Retrieval 시스템을 구축함. 계열사 오분류 문제를 해결하기 위해 Reranker와 LLM 검증 단계를 추가하여 검색 정확도를 극대화함.",
+        "tags": ["LangGraph", "RAG", "Hybrid Retrieval", "Python"],
+        "priority": "상"
+    },
+    {
+        "id": 2,
+        "title": "Memoralaxy: GNN 기반 지식 추천 및 DAG 구조화",
+        "content": "비정형 문서에서 지식을 추출하고 GraphSAGE 모델을 통해 추천 시스템을 구축함. 특히 DFS 알고리즘을 활용해 관계 데이터의 사이클을 제거하고 강제로 DAG(방향성 비순환 그래프) 구조를 확보하여 학습 경로의 논리적 선후 관계를 보장함.",
+        "tags": ["GNN", "GraphSAGE", "Algorithm", "Python"],
+        "priority": "상"
+    },
+    {
+        "id": 3,
+        "title": "YAR-YAR_BE: 비용 효율적 AI 릴스 분석 시스템",
+        "content": "숏폼 영상 분석 시 발생하는 고비용 문제를 해결하기 위해 FFmpeg로 핵심 프레임(3~5장)만 추출하여 분석하는 로직을 설계함. Spring-FastAPI-MySQL 멀티 컨테이너 환경을 Docker Compose와 GitHub Actions로 CI/CD 구축함.",
+        "tags": ["Spring Boot", "FastAPI", "Docker", "FFmpeg", "비용최적화"],
+        "priority": "상"
+    },
+    {
+        "id": 4,
+        "title": "stopping: 판례 기반 스토킹 판별 RAG 시스템",
+        "content": "Qdrant Vector DB에 실제 판례를 저장하고 사용자의 상황과 유사한 데이터를 증강(RAG)하여 GPT-3.5가 법적 근거를 제시하도록 설계함. Spring 서버와 Python 임베딩 로직을 연동하여 실시간 유사도 추출 기능을 구현함.",
+        "tags": ["Vector DB", "Qdrant", "RAG", "Spring Boot"],
+        "priority": "중"
+    },
+    {
+        "id": 5,
+        "title": "TOMO: 소셜 모임 서비스 인프라 및 CI/CD 운영",
+        "content": "Nginx 리버스 프록시 및 HTTPS 환경을 구축하고 AWS/Oracle Cloud를 병행하여 VM 인스턴스를 운영함. GitHub Actions를 통해 자동 배포 파이프라인을 구축하고 실제 유저 피드백 기반 릴리즈를 경험함.",
+        "tags": ["Infrastructure", "CI/CD", "Nginx", "AWS"],
+        "priority": "중"
+    },
+    {
+        "id": 6,
+        "title": "Nomad: WebSocket 기반 실시간 채팅 및 AOP 예외처리",
+        "content": "WebSocket을 이용한 실시간 채팅과 세션 로그인을 구현함. 특히 AOP를 도입하여 서비스 단의 예외를 전역적으로 핸들링하고 클라이언트에게 표준화된 에러 응답을 전달하는 구조를 설계함.",
+        "tags": ["WebSocket", "AOP", "Spring Boot", "Java"],
+        "priority": "하"
+    }
+]
+
+MOCK_PROMPTS = [
+    "문항 1: 지원 직무와 관련하여 본인이 직면했던 가장 어려운 기술적 도전은 무엇이며, 이를 어떻게 해결했는지 기술하십시오.",
+    "문항 2: 기존의 방식에서 벗어나 효율성을 높이거나 비용을 절감했던 창의적인 문제 해결 경험이 있다면 기술하십시오.",
+    "문항 3: 본인이 가진 기술적 약점은 무엇이며, 이를 보완하기 위해 어떤 노력을 기울이고 있는지 실제 프로젝트 사례를 들어 기술하십시오."
+]
+
+def run_test():
+    url = "http://127.0.0.1:8000/analyze-and-place"
+
+    print("\\n=== [실제 명성님의 데이터를 활용한 API 테스트 실행] ===")
+
+    # 안정적인 테스트를 위해 사용자의 경험(RAG, AI 백엔드)과 정확히 매칭되는 가상의 JD PDF를 전송합니다.
+    dummy_pdf = io.BytesIO(MOCK_JD_MARKDOWN.encode("utf-8"))
+    files = {
+        "jd_pdf": ("mock_ai_jd.pdf", dummy_pdf, "application/pdf")
+    }
+
+    data = {
+        "experiences_json": json.dumps(MOCK_EXPERIENCES, ensure_ascii=False),
+        "essay_prompts_json": json.dumps(MOCK_PROMPTS, ensure_ascii=False)
+    }
+
+    print("🚀 FastAPI 서버로 분석을 요청합니다...")
+    start_time = time.time()
+
+    try:
+        response = requests.post(url, files=files, data=data)
+    except Exception as e:
+        print("네트워크 또는 FastAPI 서버 연결 오류:", e)
+        return
+
+    end_time = time.time()
+
+    if response.status_code == 200:
+        result_json = response.json()
+        print(f"✅ 분석 완료! (소요 시간: {end_time - start_time:.2f}초)\\n")
+        print(json.dumps(result_json, ensure_ascii=False, indent=2))
+
+        # 보기 좋게 요약 출력
+        print("\\n=======================================================")
+        for p in result_json.get("placements", []):
+            print(f"- [매칭 문항] : {p['question'][:30]}...")
+            print(f"  [채택 경험] : {p['experience_title']}")
+            print(f"  [전략 방향] : {p['selected_strategy']}")
+            print(f"  [가이드라인]: {p['writing_guide']}")
+            print("-" * 55)
+
+    else:
+        print(f"❌ 분석 실패 (Status Code: {response.status_code})")
+        print(response.text)
+
+if __name__ == "__main__":
+    run_test()