Skip to content

hongdaestreet/Persona-ChatBot

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

45 Commits
.github/workflows
.github/workflows
 
 
data
data
 
 
tests
tests
 
 
.gitignore
.gitignore
 
 
AI_PORTFOLIO.md
AI_PORTFOLIO.md
 
 
AI_PORTFOLIO_GUIDELINES.md
AI_PORTFOLIO_GUIDELINES.md
 
 
CLAUDE.md
CLAUDE.md
 
 
CLAUDE_Portfolio.md
CLAUDE_Portfolio.md
 
 
CLAUDE_SESSION.md
CLAUDE_SESSION.md
 
 
Dockerfile
Dockerfile
 
 
PORTFOLIO.md
PORTFOLIO.md
 
 
README.md
README.md
 
 
__init__.py
__init__.py
 
 
chatbot.py
chatbot.py
 
 
encryption_manager.py
encryption_manager.py
 
 
main.py
main.py
 
 
requirements.txt
requirements.txt
 
 
run.py
run.py
 
 
samconfig.toml
samconfig.toml
 
 
security_dashboard.py
security_dashboard.py
 
 
security_scheduler.py
security_scheduler.py
 
 
setup_data.py
setup_data.py
 
 
template.yaml
template.yaml
 
 
test_chatbot.py
test_chatbot.py
 
 
test_encryption.py
test_encryption.py
 
 
test_session.py
test_session.py
 
 

Repository files navigation

유재석 AI 챗봇 FastAPI 서버

ChromaDB + LangChain RAG 기반 유재석 AI 챗봇 서비스

📋 목차

🎯 프로젝트 개요

이 프로젝트는 유재석의 성격과 말투를 모방한 AI 챗봇 서비스입니다. ChromaDB를 벡터 데이터베이스로 사용하고, LangChain RAG(Retrieval-Augmented Generation) 방식으로 구현되었습니다.

주요 특징

  • FastAPI: 고성능 웹 API 프레임워크
  • ChromaDB: 로컬 벡터 데이터베이스로 유재석 관련 지식 저장
  • LangChain RAG: 검색 증강 생성으로 정확한 답변 제공
  • Upstage Solar API: 한국어 특화 LLM 및 임베딩 모델 사용
  • 유재석 페르소나: 친근하고 유머러스한 국민MC 스타일

기술 스택

  • Backend: FastAPI, Python 3.11
  • Vector DB: ChromaDB (로컬 저장)
  • AI Models: Upstage Solar Pro (LLM), Solar Embedding (임베딩)
  • Framework: LangChain
  • Deployment: AWS EC2 (계획)

⚠️ 시스템 요구사항

Python 버전 제한

중요: langchain_upstage와 langchain_chroma 패키지는 Python 3.13.x에서 호환성 문제가 있습니다.

반드시 Python 3.11 버전을 사용해야 합니다.

최소 요구사항

  • Python: 3.11.x (필수)
  • 메모리: 최소 4GB RAM
  • 저장공간: 최소 2GB (ChromaDB 포함)
  • 네트워크: Upstage API 접근을 위한 인터넷 연결

🛠️ 환경 설정

1. Python 3.11 가상환경 생성

# 1. venv311이라는 이름으로 가상환경 생성
py -3.11 -m venv venv311

# 2. 가상환경 활성화
.\venv311\Scripts\activate

# 3. pip 업그레이드 및 의존성 설치
pip install --upgrade pip
pip install -r requirements.txt

2. 환경변수 설정

.env 파일을 생성하고 다음 내용을 추가:

# Upstage API 키 (필수)
UPSTAGE_API_KEY=your_upstage_api_key_here

# ChromaDB 설정
CHROMA_PERSIST_DIR=./chroma_db

# FastAPI 서버 설정
HOST=0.0.0.0
PORT=8000
LOG_LEVEL=info

# 환경 설정
ENVIRONMENT=development

📁 프로젝트 구조

backend/
├── 📄 main.py              # FastAPI 메인 애플리케이션
├── 📄 chatbot.py           # 유재석 RAG 챗봇 클래스
├── 📄 run.py              # 서버 실행 스크립트
├── 📄 test_chatbot.py     # 챗봇 단독 테스트 스크립트
├── 📄 requirements.txt     # Python 의존성 패키지
├── 📄 .env                # 환경변수 설정 파일
├── 📄 README.md           # 프로젝트 문서 (이 파일)
├── 📄 Dockerfile          # Docker 컨테이너 설정
├── 📁 chroma_db/          # ChromaDB 벡터 데이터베이스 (팀원 제공 예정)
├── 📁 venv311/            # Python 3.11 가상환경
├── 📁 .git/               # Git 버전 관리
├── 📁 .github/            # GitHub Actions 워크플로우
├── 📁 events/             # 테스트용 이벤트 파일
├── 📁 tests/              # 단위 테스트 파일들
└── 📁 __pycache__/        # Python 캐시 파일

🔧 핵심 컴포넌트

1. main.py - FastAPI 애플리케이션

역할: 웹 API 서버의 진입점

주요 기능:

  • FastAPI 애플리케이션 설정 및 CORS 처리
  • 생명주기 관리 (lifespan 이벤트)
  • API 엔드포인트 정의 (/answer, /health, /)
  • 요청/응답 모델 정의 (Pydantic)
  • 예외 처리 및 로깅

핵심 클래스:

  • ChatRequest: 사용자 요청 모델
  • ChatResponse: 챗봇 응답 모델
  • HealthResponse: 헬스체크 응답 모델

2. chatbot.py - RAG 챗봇 클래스

역할: 유재석 AI 챗봇의 핵심 로직

주요 기능:

  • Upstage Solar API 연동 (LLM + 임베딩)
  • ChromaDB 벡터 데이터베이스 연결
  • LangChain RAG 파이프라인 구성
  • 유재석 페르소나 프롬프트 관리
  • 답변 생성 및 품질 관리

핵심 메서드:

  • _setup_models(): AI 모델 초기화
  • _load_chromadb(): 벡터 DB 로드
  • _setup_rag_chain(): RAG 체인 구성
  • get_answer(): 답변 생성
  • health_check(): 상태 확인

3. run.py - 서버 실행 스크립트

역할: FastAPI 서버 실행 및 환경 관리

주요 기능:

  • 환경변수 검증 및 설정
  • 개발/운영 환경 구분
  • 서버 설정 최적화
  • AWS EC2 배포 지원

4. test_chatbot.py - 테스트 스크립트

역할: 챗봇 기능 단독 테스트

주요 기능:

  • 챗봇 초기화 테스트
  • 헬스체크 검증
  • 대화 기능 테스트
  • 대화형 테스트 모드

📡 API 명세서

Base URL

http://localhost:8000

엔드포인트

1. 루트 정보 조회

GET /

응답 예시:

{
  "service": "유재석 AI 챗봇",
  "version": "1.0.0",
  "description": "ChromaDB + LangChain RAG 기반",
  "endpoints": {
    "POST /answer": "챗봇과 대화",
    "GET /health": "서비스 상태 확인"
  },
  "example": {
    "request": {"prompt": "안녕하세요!"},
    "response": {"answer": "안녕하세요! 유재석입니다! 하하하!"}
  }
}

2. 챗봇 대화

POST /answer
Content-Type: application/json

요청 본문:

{
  "prompt": "유재석님의 대표 프로그램은 뭐예요?"
}

응답 본문:

{
  "answer": "아! 제 대표 프로그램이라고 하면 무한도전과 런닝맨이 있죠! 무한도전은 2006년부터 2018년까지 정말 즐겁게 했고, 런닝맨은 2010년부터 지금까지 계속하고 있어요! 하하하!"
}

오류 응답:

// 400 Bad Request - 빈 프롬프트
{
  "detail": "빈 메시지는 보낼 수 없습니다."
}

// 503 Service Unavailable - 챗봇 미초기화
{
  "detail": "챗봇이 초기화되지 않았습니다. 잠시 후 다시 시도해주세요."
}

// 500 Internal Server Error - 서버 오류
{
  "detail": "답변 생성 중 오류가 발생했습니다. 다시 시도해주세요."
}

3. 헬스체크

GET /health

응답 예시:

{
  "status": "healthy",
  "message": "서비스가 정상 작동 중입니다.",
  "vectorstore_status": "connected",
  "documents_count": 1247
}

HTTP 상태 코드

코드 설명
200 성공
400 잘못된 요청 (빈 프롬프트 등)
405 지원하지 않는 HTTP 메서드
500 서버 내부 오류
503 서비스 사용 불가 (챗봇 미초기화)

🔗 LangChain 구조

RAG 파이프라인 구성

graph LR
    A[사용자 질문] --> B[임베딩 변환]
    B --> C[ChromaDB 검색]
    C --> D[관련 문서 추출]
    D --> E[프롬프트 구성]
    E --> F[Solar Pro LLM]
    F --> G[유재석 답변]
Loading

핵심 컴포넌트

1. 임베딩 모델

embeddings = UpstageEmbeddings(
    model="solar-embedding-1-large",
    api_key=upstage_api_key
)
  • 역할: 텍스트를 벡터로 변환
  • 사용 시점: 질문 검색 시, 데이터 저장 시

2. 언어 모델 (LLM)

llm = ChatUpstage(
    model="solar-pro",
    api_key=upstage_api_key
)
  • 역할: 최종 답변 생성
  • 특징: 한국어 특화, 대화 형태

3. 벡터 데이터베이스

vectorstore = Chroma(
    client=client,
    embedding_function=embeddings,
    collection_name="yujaeseuk_knowledge"
)
  • 역할: 유재석 관련 지식 저장 및 검색
  • 검색 알고리즘: MMR (Maximal Marginal Relevance)

4. 검색기 (Retriever)

retriever = vectorstore.as_retriever(
    search_type="mmr",
    search_kwargs={"k": 3}
)
  • 역할: 질문과 관련된 상위 3개 문서 검색
  • 알고리즘: MMR (관련성과 다양성 고려)

5. 프롬프트 템플릿

prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 유재석입니다. 성격: 밝고 긍정적..."),
    ("human", "{question}")
])
  • 역할: 유재석 페르소나 정의
  • 구성: 시스템 프롬프트 + 사용자 질문

6. RAG 체인

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm 
    | StrOutputParser()
)
  • 역할: 전체 파이프라인 연결
  • 흐름: 검색 → 프롬프트 → LLM → 파싱

⚙️ 작동 원리

1. 서버 시작 과정

sequenceDiagram
    participant User as 사용자
    participant FastAPI as FastAPI 서버
    participant ChatBot as YuJaeSukRAGBot
    participant Upstage as Upstage API
    participant ChromaDB as ChromaDB

    User->>FastAPI: python run.py
    FastAPI->>ChatBot: 챗봇 초기화
    ChatBot->>Upstage: API 키 검증
    ChatBot->>ChromaDB: 벡터 DB 연결
    ChatBot->>ChatBot: RAG 체인 구성
    ChatBot-->>FastAPI: 초기화 완료
    FastAPI-->>User: 서버 실행 준비
Loading

2. 대화 처리 과정

sequenceDiagram
    participant User as 사용자
    participant FastAPI as FastAPI
    participant ChatBot as 챗봇
    participant Embeddings as 임베딩 모델
    participant ChromaDB as ChromaDB
    participant LLM as Solar Pro

    User->>FastAPI: POST /answer {"prompt": "질문"}
    FastAPI->>ChatBot: get_answer("질문")
    ChatBot->>Embeddings: 질문 벡터화
    Embeddings-->>ChatBot: 질문 벡터
    ChatBot->>ChromaDB: 유사 문서 검색
    ChromaDB-->>ChatBot: 관련 문서 3개
    ChatBot->>LLM: 프롬프트 + 검색 결과
    LLM-->>ChatBot: 유재석 스타일 답변
    ChatBot-->>FastAPI: 최종 답변
    FastAPI-->>User: {"answer": "답변"}
Loading

3. RAG 파이프라인 상세

Step 1: 질문 임베딩

# 사용자 질문: "유재석 프로그램은?"
question_vector = embeddings.embed_query("유재석 프로그램은?")
# 결과: [0.1, 0.5, -0.3, 0.8, ...]

Step 2: 유사도 검색

# ChromaDB에서 MMR 알고리즘으로 검색
similar_docs = vectorstore.similarity_search(
    query="유재석 프로그램은?", 
    k=3
)
# 결과: ["무한도전은...", "런닝맨은...", "해피투게더..."]

Step 3: 프롬프트 구성

system_prompt = "당신은 유재석입니다..."
context = "무한도전은... 런닝맨은... 해피투게더..."
user_question = "유재석 프로그램은?"

final_prompt = f"{system_prompt}\n참고정보: {context}\n질문: {user_question}"

Step 4: LLM 답변 생성

response = llm.invoke(final_prompt)
# 결과: "아! 제 대표 프로그램이라고 하면 무한도전과 런닝맨이 있죠!"

4. 데이터 흐름

📝 사용자 입력
    ↓ (FastAPI 검증)
🔍 질문 벡터화 (Solar Embedding)
    ↓ (MMR 검색)
📚 ChromaDB 문서 검색
    ↓ (컨텍스트 구성)
🎭 유재석 프롬프트 + 검색 결과
    ↓ (Solar Pro LLM)
💬 유재석 스타일 답변 생성
    ↓ (FastAPI 응답)
✅ JSON 형태로 반환

🚀 설치 및 실행

1. 기본 설정

# 프로젝트 클론
git clone <repository-url>
cd backend

# Python 3.11 가상환경 생성
py -3.11 -m venv venv311

# 가상환경 활성화
.\venv311\Scripts\activate

# 의존성 설치
pip install --upgrade pip
pip install -r requirements.txt

2. 환경변수 설정

.env 파일 생성:

UPSTAGE_API_KEY=your_api_key_here
CHROMA_PERSIST_DIR=./chroma_db
HOST=0.0.0.0
PORT=8000
LOG_LEVEL=info
ENVIRONMENT=development

3. ChromaDB 데이터 준비

현재 상황: 팀원으로부터 chroma_db/ 폴더를 받아야 함

# 팀원으로부터 받은 chroma_db/ 폴더를 프로젝트 루트에 배치
# 폴더 구조:
# backend/
# ├── chroma_db/
# │   ├── chroma.sqlite3
# │   ├── [collection-id]/
# │   └── ...

4. 서버 실행

# 서버 시작 전 반드시 데이터 임베딩 필요
python setup_data.py

# 방법 1: run.py 사용 (권장)
python run.py

# 방법 2: uvicorn 직접 사용
uvicorn main:app --reload --host 0.0.0.0 --port 8000

# 방법 3: main.py 직접 실행
python main.py

🧪 테스트

1. 챗봇 단독 테스트

# 기본 테스트 실행
python test_chatbot.py

테스트 내용:

  • 챗봇 임포트 및 초기화
  • 헬스체크 검증
  • 5개 질문 대화 테스트
  • 대화형 테스트 모드

2. API 테스트

# 서버 실행 후 다른 터미널에서
curl -X POST "http://localhost:8000/answer" \
     -H "Content-Type: application/json" \
     -d '{"prompt":"안녕하세요!"}'

3. 웹 브라우저 테스트

서버 실행 후 브라우저에서 접속:

4. 테스트 케이스

테스트 입력 기대 결과
기본 인사 "안녕하세요!" 유재석 스타일 인사
프로그램 질문 "대표 프로그램은?" 무한도전, 런닝맨 언급
성격 질문 "어떤 성격이세요?" 밝고 긍정적 등 언급
빈 입력 "" 400 에러
잘못된 형식 잘못된 JSON 400 에러

🌐 배포

AWS EC2 배포

1. EC2 인스턴스 설정

  • AMI: Ubuntu 22.04 LTS
  • 인스턴스 타입: t3.medium (최소 t3.small)
  • 보안그룹: 22(SSH), 8000(FastAPI) 포트 오픈

2. 서버 설정

# 시스템 업데이트
sudo apt update && sudo apt upgrade -y

# Python 3.11 설치
sudo apt install python3.11 python3.11-venv python3-pip -y

# 프로젝트 배포
git clone <repository>
cd backend

# 가상환경 설정
python3.11 -m venv venv311
source venv311/bin/activate
pip install -r requirements.txt

3. 환경변수 설정

# .env 파일 생성
nano .env
# UPSTAGE_API_KEY 등 설정

4. 서비스 등록

# systemd 서비스 파일 생성
sudo nano /etc/systemd/system/yujaeseuk-chatbot.service

# 서비스 내용:
[Unit]
Description=YuJaeSuk AI Chatbot
After=network.target

[Service]
Type=simple
User=ubuntu
WorkingDirectory=/home/ubuntu/backend
Environment=PATH=/home/ubuntu/backend/venv311/bin
ExecStart=/home/ubuntu/backend/venv311/bin/python run.py
Restart=always

[Install]
WantedBy=multi-user.target

# 서비스 등록 및 시작
sudo systemctl daemon-reload
sudo systemctl enable yujaeseuk-chatbot
sudo systemctl start yujaeseuk-chatbot

5. 접속 확인

# 서비스 상태 확인
sudo systemctl status yujaeseuk-chatbot

# 브라우저에서 접속
http://<EC2-PUBLIC-IP>:8000

🔧 문제 해결

자주 발생하는 오류

1. Python 버전 문제

# 오류: langchain_upstage import 실패
❌ ImportError: cannot import name 'UpstageEmbeddings'

# 해결: Python 3.11 사용 확인
python --version  # Python 3.11.x 여야 함

2. ChromaDB 연결 오류

# 오류: ChromaDB 디렉토리 없음
❌ FileNotFoundError: ChromaDB 디렉토리가 없습니다

# 해결: 팀원으로부터 chroma_db/ 폴더 받기
# 또는 임시 더미 데이터 생성

3. API 키 오류

# 오류: API 키 없음
❌ ValueError: UPSTAGE_API_KEY가 설정되지 않았습니다

# 해결: .env 파일 확인
cat .env | grep UPSTAGE_API_KEY

4. 포트 충돌

# 오류: 포트 8000 이미 사용 중
❌ OSError: [Errno 98] Address already in use

# 해결: 다른 포트 사용 또는 기존 프로세스 종료
lsof -ti:8000 | xargs kill -9

5. 메모리 부족

# 오류: ChromaDB 로딩 중 메모리 부족
❌ MemoryError

# 해결: 더 큰 인스턴스 타입 사용
# 또는 Swap 메모리 설정

로그 확인

# 애플리케이션 로그
tail -f app.log

# systemd 서비스 로그
sudo journalctl -u yujaeseuk-chatbot -f

# FastAPI 개발 서버 로그
python run.py  # 콘솔에 직접 출력

성능 최적화

1. ChromaDB 최적화

  • 적절한 chunk_size 설정 (현재: 1000)
  • MMR 알고리즘의 k 값 조정 (현재: 3)

2. 서버 최적화

  • 운영 환경에서 멀티워커 사용
  • 적절한 인스턴스 타입 선택

3. 응답 시간 개선

  • 프롬프트 길이 최적화
  • 캐싱 전략 고려

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Contributors 2

  •  
  •  

Languages