Hotfix: pre-commit README 파일 수정

README.md

@@ -119,17 +119,16 @@ $ uv run langgraph dev
 
 #### pre-commit 설정
 
-1. pre-commit 설치 및 초기화:
+1. pre-commit 초기화:
 
 ```bash
-$ uv pip install pre-commit
-$ pre-commit install
+$ uv run pre-commit install
 ```
 
 2. 모든 파일에 대해 수동으로 실행:
 
 ```bash
-$ pre-commit run --all-files
+$ uv run pre-commit run --all-files
 ```
 
 3. 커밋 시 자동 실행:
@@ -147,4 +146,4 @@ $ git commit -m "your commit message"
 ### 💡 **NOTE**:
 
 - 형식 및 가이드에 맞춰서 Commit Message, Issue, Pull Request를 작성해주세요. 상세 설명은 [여기(내부 링크)](https://www.notion.so/hon2ycomb/Git-Commit-Message-Convention-1b000c82b1388185aa3cf88a7e57f24c?pvs=4)를 참조하세요 :)
-- 본 프로젝트에서 PR 후 merge하는 경우, github action으로 포맷팅 검사를 진행합니다. vscode 및 cursor에서 포맷팅 세팅은 [여기](https://gamchan.notion.site/vscode-9b61026771cb4121bbb80d4d4f289bc2)를 참조하세요 :)
+- 본 프로젝트에서 PR 후 merge하는 경우, github action으로 포맷팅 검사를 진행합니다. vscode 및 cursor에서 포맷팅 세팅은 [여기](https://gamchan.notion.site/vscode-9b61026771cb4121bbb80d4d4f289bc2)를 참조하세요 :)

agents/focus_group_interview/modules/chains.py

@@ -4,8 +4,6 @@
 기본적으로 modules.prompt 템플릿과 modules.models 모듈을 사용하여 LangChain 체인을 생성합니다.
 """
 
-from typing import List
-
 # from agents.focus_group_interview.modules.models import get_openai_model
 # from agents.focus_group_interview.modules.prompts import (
 #     get_question_generation_prompt,

agents/focus_group_interview/modules/nodes.py

@@ -6,14 +6,15 @@
 각 노드는 execute 메서드를 구현하여 상태(state)를 입력받아 처리하고, 처리 결과를 새로운 상태 업데이트로 반환합니다.
 """
 
-from agents.base_node import BaseNode
+# from agents.base_node import BaseNode
+
 # from agents.focus_group_interview.modules.chains import set_question_generation_chain, set_response_analysis_chain
 
 
 # class QuestionGenerationNode(BaseNode):
 #     """
 #     인터뷰 주제와 대상 청중에 적합한 질문을 생성하는 노드
-#     
+#
 #     이 노드는 LangChain의 질문 생성 체인을 활용하여 포커스 그룹 인터뷰에 적합한 질문을 생성합니다.
 #     주어진 인터뷰 주제와 대상 청중에 맞게 질문을 생성하여 Workflow의 다음 단계로 전달합니다.
 #     """
@@ -26,10 +27,10 @@
 #     def execute(self, state) -> dict:
 #         """
 #         주어진 상태(state)에서 필요한 정보를 추출하여 질문을 생성하고 결과를 반환합니다.
-#         
+#
 #         Args:
 #             state (dict): Workflow의 현재 상태. interview_topic과 target_audience 정보를 포함함.
-#         
+#
 #         Returns:
 #             dict: 새로 생성된 질문들을 포함한 상태 업데이트
 #         """
@@ -48,7 +49,7 @@
 # class ResponseAnalysisNode(BaseNode):
 #     """
 #     인터뷰 응답을 분석하는 노드
-#     
+#
 #     이 노드는 LangChain의 응답 분석 체인을 활용하여 포커스 그룹 인터뷰에서 수집된 응답들을 분석합니다.
 #     응답을 분석하여 주요 통찰과 패턴을 추출하고, 이를 Workflow의 다음 단계로 전달합니다.
 #     """
@@ -61,10 +62,10 @@
 #     def execute(self, state) -> dict:
 #         """
 #         주어진 상태(state)에서 인터뷰 응답을 추출하여 분석하고 결과를 반환합니다.
-#         
+#
 #         Args:
 #             state (dict): Workflow의 현재 상태. responses, interview_topic, target_audience 정보를 포함함.
-#         
+#
 #         Returns:
 #             dict: 분석된 결과를 포함한 상태 업데이트
 #         """

agents/focus_group_interview/modules/prompts.py

@@ -4,7 +4,7 @@
 각 함수는 특정 작업에 맞는 프롬프트 템플릿을 생성합니다.
 """
 
-from langchain_core.prompts import PromptTemplate
+# from langchain_core.prompts import PromptTemplate
 
 # def get_question_generation_prompt() -> PromptTemplate:
 #     """
@@ -19,20 +19,20 @@
 #     template = """
 #     당신은 교육 분야의 포커스 그룹 인터뷰 전문가입니다.
 #     아래 주제와 대상 청중에 맞는 효과적인 포커스 그룹 인터뷰 질문 목록을 생성해주세요.
-    
+
 #     # 인터뷰 주제
 #     {interview_topic}
-    
+
 #     # 대상 청중
 #     {target_audience}
-    
+
 #     # 지침
 #     - 개방형 질문을 사용하여 참가자들이 자유롭게 의견을 표현할 수 있도록 합니다.
 #     - 교육적 맥락에 맞는 질문을 구성합니다.
 #     - 최소 5개, 최대 10개의 질문을 생성합니다.
 #     - 질문은 논리적 순서로 배열되어야 합니다.
 #     - 질문은 명확하고 이해하기 쉬워야 합니다.
-    
+
 #     다음 JSON 형식으로 질문 목록을 반환해주세요:
 #     ```json
 #     {

agents/focus_group_interview/modules/state.py

@@ -1,11 +1,10 @@
 from __future__ import annotations
 
-from typing import Annotated, TypedDict, List
+from dataclasses import dataclass
+from typing import Annotated, List, TypedDict
 
+from langchain_core.messages import AIMessage, HumanMessage
 from langgraph.graph.message import add_messages
-from langchain_core.messages import HumanMessage, AIMessage
-
-from dataclasses import dataclass
 
 
 @dataclass
@@ -15,7 +14,7 @@ class FocusGroupInterviewState(TypedDict):
 
     포커스 그룹 인터뷰를 위한 Workflow에서 사용되는 상태 정보를 정의합니다.
     LangGraph의 상태 관리를 위한 클래스로, Workflow 내에서 처리되는 데이터의 형태와 구조를 지정합니다.
-    
+
     아래는 예시 상태 변수들입니다. 실제 구현 시 필요에 따라 수정해서 사용해주세요!
     """
 

agents/focus_group_interview/modules/tools.py

@@ -26,12 +26,12 @@
 #     """
 #     포커스 그룹 인터뷰 녹취록을 분석합니다.
 #
-#     이 함수는 자연어 처리 기술을 사용하여 인터뷰 녹취록에서 주요 테마, 
+#     이 함수는 자연어 처리 기술을 사용하여 인터뷰 녹취록에서 주요 테마,
 #     감정 분석, 키워드 빈도 등을 추출합니다.
 #     """
 #     # 실제 구현에서는 NLP 라이브러리를 사용하여 분석 수행
 #     # 예: spaCy, NLTK, HuggingFace Transformers 등
-#     
+#
 #     # 예시 결과
 #     return {
 #         "themes": ["학습 경험", "교육 콘텐츠 품질", "상호작용성"],
@@ -50,7 +50,7 @@
 #     응답 데이터를 가져옵니다.
 #     """
 #     # 실제 구현에서는 설문조사 플랫폼 API를 호출하여 데이터 수집
-#     
+#
 #     # 예시 결과
 #     return {
 #         "response_count": 42,

agents/focus_group_interview/modules/utils.py

@@ -28,81 +28,81 @@
 # def extract_themes_from_responses(responses: List[str]) -> List[str]:
 #     """
 #     인터뷰 응답에서 주요 테마를 추출합니다.
-#     
-#     이 함수는 간단한 키워드 빈도 분석을 사용하여 응답에서 
+#
+#     이 함수는 간단한 키워드 빈도 분석을 사용하여 응답에서
 #     반복적으로 언급되는 주요 테마를 식별합니다.
-#     
+#
 #     Args:
 #         responses: 인터뷰 응답 목록
-#         
+#
 #     Returns:
 #         추출된 주요 테마 목록
 #     """
 #     # 실제 구현에서는 더 정교한 NLP 기법을 사용할 수 있음
 #     # 예시 구현
 #     all_text = " ".join(responses).lower()
-#     
+#
 #     # 불용어 제거 및 단어 빈도 계산 로직
 #     # ...
-#     
+#
 #     # 예시 결과
 #     return ["학습 경험", "교육 콘텐츠 품질", "상호작용성"]
 
 
 # def format_interview_report(
-#     themes: List[str], 
-#     insights: List[str], 
+#     themes: List[str],
+#     insights: List[str],
 #     recommendations: List[str]
 # ) -> str:
 #     """
 #     포커스 그룹 인터뷰 결과를 보고서 형식으로 포맷팅합니다.
-#     
+#
 #     Args:
 #         themes: 식별된 주요 테마 목록
 #         insights: 도출된 통찰 목록
 #         recommendations: 권장사항 목록
-#         
+#
 #     Returns:
 #         포맷팅된 보고서 문자열
 #     """
 #     report = "# 포커스 그룹 인터뷰 결과 보고서\n\n"
-#     
+#
 #     report += "## 주요 테마\n"
 #     for i, theme in enumerate(themes, 1):
 #         report += f"{i}. {theme}\n"
-#     
+#
 #     report += "\n## 주요 통찰\n"
 #     for i, insight in enumerate(insights, 1):
 #         report += f"{i}. {insight}\n"
-#     
+#
 #     report += "\n## 권장사항\n"
 #     for i, recommendation in enumerate(recommendations, 1):
 #         report += f"{i}. {recommendation}\n"
-#     
+#
 #     return report
 
 
 # def parse_structured_response(response: str) -> Dict[str, Any]:
 #     """
 #     LLM의 구조화된 응답을 파싱합니다.
-#     
+#
 #     이 함수는 LLM이 생성한 텍스트에서 JSON 형식의 데이터를 추출합니다.
-#     
+#
 #     Args:
 #         response: LLM의 응답 텍스트
-#         
+#
 #     Returns:
 #         파싱된 구조화 데이터
 #     """
 #     # JSON 블록 찾기
 #     json_match = re.search(r"```json\s*([\s\S]*?)\s*```", response)
-#     
+#
 #     if json_match:
 #         try:
 #             return json.loads(json_match.group(1))
 #         except json.JSONDecodeError:
 #             # JSON 파싱 실패 시 빈 딕셔너리 반환
 #             return {}
-#     
+#
 #     # JSON 블록을 찾지 못한 경우 빈 딕셔너리 반환
 #     return {}

agents/focus_group_interview/workflow.py

@@ -28,11 +28,11 @@ def build(self):
             CompiledStateGraph: 컴파일된 상태 그래프 객체
         """
         builder = StateGraph(self.state)
-        
+
         # 노드 추가 예시
         # builder.add_node("generate_questions", QuestionGenerationNode())
         # builder.add_node("analyze_responses", ResponseAnalysisNode())
-        
+
         # 에지 추가 예시 - 아래 코드는 참고용이며 실제 구현 시 주석을 해제하고 사용할 수 있습니다
         # 1. 단순 에지: 시작 노드에서 need_more_questions 함수로 연결
         # builder.add_edge("__start__", need_more_questions)
@@ -57,4 +57,4 @@ def build(self):
 
 
 # 포커스 그룹 인터뷰 Workflow 인스턴스 생성
-focus_group_interview_workflow = FocusGroupInterviewWorkflow(FocusGroupInterviewState)
+focus_group_interview_workflow = FocusGroupInterviewWorkflow(FocusGroupInterviewState)

agents/main_state.py

@@ -1,11 +1,10 @@
-
 from __future__ import annotations
 
+from dataclasses import dataclass
 from typing import Annotated, TypedDict
 
 from langgraph.graph.message import add_messages
 
-from dataclasses import dataclass
 
 @dataclass
 class MainState(TypedDict):

agents/marketing/modules/chains.py

@@ -4,8 +4,6 @@
 기본적으로 modules.prompt 템플릿과 modules.models 모듈을 사용하여 LangChain 체인을 생성합니다.
 """
 
-from typing import List
-
 # from langchain.schema.runnable import RunnablePassthrough, RunnableSerializable
 # from langchain_core.output_parsers import JsonOutputParser, StrOutputParser
 # from langchain_core.pydantic_v1 import BaseModel, Field

agents/marketing/modules/nodes.py

@@ -6,7 +6,7 @@
 각 노드는 execute 메서드를 구현하여 상태(state)를 입력받아 처리하고, 처리 결과를 새로운 상태 업데이트로 반환합니다.
 """
 
-from agents.base_node import BaseNode
+# from agents.base_node import BaseNode
 
 # from agents.marketing.modules.chains import set_campaign_generation_chain, set_content_creation_chain
 
@@ -15,7 +15,7 @@
 # class CampaignGenerationNode(BaseNode):
 #     """
 #     교육 제품/서비스에 적합한 마케팅 캠페인을 생성하는 노드
-#     
+#
 #     이 노드는 LangChain의 캠페인 생성 체인을 활용하여 교육 제품이나 서비스에 적합한 마케팅 전략을 생성합니다.
 #     대상 청중, 제품 정보, 캠페인 목표 등을 고려하여 전략을 수립하고 Workflow의 다음 단계로 전달합니다.
 #     """
@@ -28,10 +28,10 @@
 #     def execute(self, state) -> dict:
 #         """
 #         주어진 상태(state)에서 필요한 정보를 추출하여 캠페인 전략을 생성하고 결과를 반환합니다.
-#         
+#
 #         Args:
 #             state (dict): Workflow의 현재 상태. target_audience, product_name, product_description 등의 정보를 포함함.
-#         
+#
 #         Returns:
 #             dict: 생성된 캠페인 전략을 포함한 상태 업데이트
 #         """
@@ -53,7 +53,7 @@
 # class ContentCreationNode(BaseNode):
 #     """
 #     마케팅 캠페인에 필요한 콘텐츠를 생성하는 노드
-#     
+#
 #     이 노드는 LangChain의 콘텐츠 생성 체인을 활용하여 마케팅 캠페인에 필요한 다양한 콘텐츠를 생성합니다.
 #     이전 단계에서 생성된 캠페인 전략을 기반으로 각 마케팅 채널에 적합한 콘텐츠를 생성하여 Workflow의 다음 단계로 전달합니다.
 #     """
@@ -66,10 +66,10 @@
 #     def execute(self, state) -> dict:
 #         """
 #         주어진 상태(state)에서 필요한 정보를 추출하여 마케팅 콘텐츠를 생성하고 결과를 반환합니다.
-#         
+#
 #         Args:
 #             state (dict): Workflow의 현재 상태. target_audience, product_name, marketing_channels, messages 등의 정보를 포함함.
-#         
+#
 #         Returns:
 #             dict: 생성된 마케팅 콘텐츠를 포함한 상태 업데이트
 #         """