Feat/ 인스타 호출 기능 구현

agents/sns_analyzer/README.md

@@ -0,0 +1,65 @@
+# SNS 분석기 (SNS Analyzer)
+
+## 개요
+
+이 모듈은 Act 1: Entertainment의 SNS 성과 분석을 담당하는 LangGraph Workflow입니다. Instagram API를 통한 데이터 수집 및 월간 성과 분석을 제공하여 인플루언서의 콘텐츠 성과를 종합적으로 분석합니다.
+
+## 주요 노드
+
+### InstagramDataCollectorNode
+**목적**: Instagram API를 통한 데이터 수집 및 메트릭 계산
+- **입력**: InstagramAnalysisState (instagram_user_id, access_token, analysis_period)
+- **처리**: 
+  - 계정 인사이트 수집 (월간/일간 reach, 팔로워 수, 프로필 조회수)
+  - 미디어 목록 및 개별 인사이트 수집
+  - 참여율, 팔로워 성장률, 콘텐츠 타입별 성과 계산
+- **출력**: 수집된 데이터 요약 및 상태 업데이트
+- **에러 처리**: 재시도 로직 및 상세한 에러 분류
+
+## 구조
+
+```
+sns_analyzer/
+├── modules/                # 모듈 구성 요소
+│   ├── __init__.py        
+│   ├── errors.py          # 커스텀 예외 클래스들
+│   ├── nodes.py           # Workflow 노드 (InstagramDataCollectorNode)
+│   ├── state.py           # 상태 정의 (InstagramAnalysisState)
+│   └── tools.py           # Instagram API 호출 및 메트릭 계산 함수
+├── pyproject.toml         # 프로젝트 의존성
+├── README.md              # 이 문서
+└── workflow.py            # Instagram 분석 Workflow 정의
+```
+
+## 사용 방법
+
+SNS 분석 Workflow는 다음과 같이 사용할 수 있습니다:
+
+```python
+from agents.sns_analyzer.workflow import instagram_analysis_workflow
+
+# 초기 상태 설정
+initial_state = {
+    "instagram_user_id": "your_user_id",
+    "access_token": "your_access_token",
+    "analysis_period": "2024-01",
+    "request_type": "monthly_analysis",
+    "response": []
+}
+
+# Workflow 실행
+result = instagram_analysis_workflow.build().invoke(initial_state)
+```
+
+## 확장 방법
+
+이 모듈은 확장성을 고려하여 설계되었습니다. 새로운 기능(백로그)을 추가하려면:
+
+1. `modules/nodes.py`에 새로운 노드 클래스 추가
+2. 필요에 따라 `modules/state.py`에 상태 관리 추가
+3. 필요에 따라 `model.py`, `chain.py` 등의 해당 노드에서 사용되는 관련 모듈을 수정/추가하세요.
+4. `workflow.py`에서 Workflow에 새 노드를 엣지로 연결
+
+## 라이센스
+
+이 모듈은 Proact0의 Act 1: Entertainment의 내부 프로젝트로, 그룹 정책에 따른 라이센스가 적용됩니다.

agents/sns_analyzer/__init__.py

@@ -0,0 +1,9 @@
+"""
+Management 패키지 초기화 모듈
+
+이 모듈은 Management Workflow를 외부에 노출시키는 역할을 합니다.
+"""
+
+from agents.sns_analyzer.workflow import management_workflow
+
+__all__ = ["management_workflow"]

agents/sns_analyzer/modules/chains.py

@@ -0,0 +1,67 @@
+"""LangChain 체인을 설정하는 함수 모듈
+
+LCEL(LangChain Expression Language)을 사용하여 체인을 구성합니다.
+기본적으로 modules.prompt 템플릿과 modules.models 모듈을 사용하여 LangChain 체인을 생성합니다.
+
+"""
+
+from langchain.schema.runnable import RunnablePassthrough, RunnableSerializable
+from langchain_core.output_parsers import StrOutputParser
+
+from agents.sns_analyzer.modules.models import get_openai_model
+from agents.sns_analyzer.modules.prompts import get_resource_planning_prompt
+
+
+def set_resource_planning_chain() -> RunnableSerializable:
+    """
+    리소스 계획 수립에 사용할 LangChain 체인을 생성합니다.
+
+    이 함수는 LCEL(LangChain Expression Language)을 사용하여 체인을 구성합니다.
+    체인은 다음 단계로 구성됩니다:
+    1. 입력에서 project_id, request_type, query, team_members 등을 추출하여 프롬프트에 전달
+    2. 프롬프트 템플릿에 값을 삽입하여 최종 프롬프트 생성
+    3. LLM을 호출하여 리소스 계획 생성 수행
+    4. 결과를 문자열로 변환
+
+    이 함수는 리소스 관리 노드에서 사용됩니다.
+
+    Returns:
+        RunnableSerializable: 실행 가능한 체인 객체
+    """
+    # 리소스 계획을 위한 프롬프트 가져오기
+    prompt = get_resource_planning_prompt()
+    # OpenAI 모델 가져오기
+    model = get_openai_model()
+
+    # LCEL을 사용하여 체인 구성
+    return (
+        # 입력에서 필요한 필드 추출 및 프롬프트에 전달
+        RunnablePassthrough.assign(
+            project_id=lambda x: x["project_id"],  # 프로젝트 ID 추출
+            request_type=lambda x: x["request_type"],  # 요청 유형 추출
+            query=lambda x: x["query"],  # 사용자 쿼리 추출
+            team_members=lambda x: x.get("team_members", []),  # 팀 구성원 추출
+            resources_available=lambda x: x.get(
+                "resources_available", {}
+            ),  # 가용 리소스 추출
+        )
+        | prompt  # 프롬프트 적용
+        | model  # LLM 모델 호출
+        | StrOutputParser()  # 결과를 문자열로 변환
+    )
+
+
+def set_instagram_data_collection_chain() -> RunnableSerializable:
+    """
+    Instagram 데이터 수집 결과를 단순히 반환하는 체인을 생성합니다.
+
+    Instagram 데이터 수집 자체는 노드에서 수행하고,
+    이 체인은 수집된 데이터를 그대로 전달하는 역할만 합니다.
+
+    나중에 수집된 데이터를 LLM으로 분석하는 체인을 추가할 예정입니다.
+
+    Returns:
+        RunnableSerializable: Instagram 데이터 수집 체인 객체
+    """
+    # 현재는 입력을 그대로 전달 (패스스루)
+    return RunnablePassthrough()

agents/sns_analyzer/modules/conditions.py

@@ -0,0 +1,64 @@
+"""
+조건부 라우팅 함수 모듈
+
+이 모듈은 LangGraph Workflow에서 조건부 라우팅을 처리하는 함수들을 제공합니다.
+조건부 라우팅은 Workflow의 다음 단계를 동적으로 결정하는 데 사용됩니다.
+
+현재는 주석 처리된 예시 코드만 포함되어 있으며, 필요에 따라 실제 구현을 추가할 수 있습니다.
+이 예시 코드는 ReAct 패턴에서 LLM의 출력에 따라 다음 노드를 결정하는 라우터 함수를 보여줍니다.
+
+Workflow가 확장됨에 따라 다양한 조건부 라우팅 함수를 이 모듈에 추가할 수 있습니다.
+예를 들어, 콘텐츠 유형에 따른 라우팅, 사용자 요청 유형에 따른 라우팅 등을 구현할 수 있습니다.
+"""
+
+# from typing import Literal
+
+
+# def router(state) -> Literal["__end__", "tools"]:
+#     """
+#     모델의 출력을 기반으로 다음 노드를 결정하는 라우터 함수
+#
+#     이 함수는 LLM의 마지막 메시지를 검사하여 도구 호출이 포함되어 있는지 확인하고,
+#     그 결과에 따라 Workflow의 다음 단계를 결정합니다.
+#
+#     도구 호출이 있으면 "tools" 노드로 라우팅하고, 그렇지 않으면 Workflow를 종료합니다.
+#     이는 ReAct 패턴의 일반적인 구현 방식으로, LLM이 도구를 사용해야 할지 또는
+#     최종 응답을 생성해야 할지를 결정하게 합니다.
+#
+#     Args:
+#         state (State): 현재 Workflow 상태 객체 (메시지 기록 포함)
+#
+#     Returns:
+#         str: 다음에 실행할 노드의 이름 ("__end__" 또는 "tools")
+#
+#     Raises:
+#         ValueError: 마지막 메시지가 AIMessage 타입이 아닌 경우
+#
+#     예시:
+#     ```python
+#     # Workflow에 조건부 에지 추가
+#     builder.add_conditional_edges(
+#         "call_model",  # 소스 노드
+#         router,       # 라우터 함수
+#         {
+#             "__end__": "__end__",  # 종료 조건
+#             "tools": "execute_tools"  # 도구 실행 조건
+#         }
+#     )
+#     ```
+#     """
+#     # 상태에서 마지막 메시지 가져오기
+#     last_message = state.messages[-1]
+#
+#     # 메시지 타입 검증
+#     if not isinstance(last_message, AIMessage):
+#         raise ValueError(
+#             f"Expected AIMessage in output edges, but got {type(last_message).__name__}"
+#         )
+#
+#     # 도구 호출 여부에 따른 라우팅 결정
+#     if not last_message.tool_calls:
+#         return "__end__"  # 도구 호출이 없으면 Workflow 종료
+#
+#     # 도구 호출이 있으면 도구 실행 노드로 라우팅
+#     return "tools"