Update app.py

app.py

@@ -3429,16 +3429,19 @@ def handle_chat(n_send, n_submit, quick_clicks,
     return chat_items, history, ""
 
 # ════════════════════════════════════════════════════════════
-# 15. LLM API 연동
+# 15. LLM API 연동 (Claude / Anthropic 전용)
 # ════════════════════════════════════════════════════════════
 
 # ── 설정 ──────────────────────────────────────────────────
-LLM_PROVIDER   = os.environ.get("LLM_PROVIDER",  "openai")   # "openai" | "anthropic" | "local"
-LLM_MODEL      = os.environ.get("LLM_MODEL",     "gpt-4o-mini")
-LLM_API_KEY    = os.environ.get("LLM_API_KEY",   "")
-LLM_API_URL    = os.environ.get("LLM_API_URL",   "")         # local/custom endpoint
+# ★ 환경변수 우선, 없으면 아래 기본값 사용
+LLM_PROVIDER   = "anthropic"
+LLM_MODEL      = os.environ.get("LLM_MODEL",      "claude-sonnet-4-5")
+LLM_API_KEY    = os.environ.get(
+                     "ANTHROPIC_API_KEY",
+                     "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"
+                 )
 LLM_MAX_TOKENS = int(os.environ.get("LLM_MAX_TOKENS", "1024"))
-LLM_TEMP       = float(os.environ.get("LLM_TEMP", "0.4"))
+LLM_TEMP       = float(os.environ.get("LLM_TEMP",     "0.4"))
 
 SYSTEM_PROMPT = """당신은 야구 데이터 분석 전문가 AI입니다.
 KBO, NPB, 마이너리그 투수 데이터를 분석하고 인사이트를 제공합니다.
@@ -3449,36 +3452,18 @@ KBO, NPB, 마이너리그 투수 데이터를 분석하고 인사이트를 제
 """
 
 
-# ── OpenAI 호출 ───────────────────────────────────────────
-def _call_openai(question, context, history):
-    import openai
-    client = openai.OpenAI(api_key=LLM_API_KEY)
-
-    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
-    for h in (history or [])[-10:]:
-        messages.append({"role": h["role"], "content": h["content"]})
-    messages.append({
-        "role":    "user",
-        "content": f"[데이터 컨텍스트]\n{context}\n\n[질문]\n{question}",
-    })
-
-    resp = client.chat.completions.create(
-        model       = LLM_MODEL,
-        messages    = messages,
-        max_tokens  = LLM_MAX_TOKENS,
-        temperature = LLM_TEMP,
-    )
-    return resp.choices[0].message.content.strip()
-
-
-# ── Anthropic 호출 ────────────────────────────────────────
+# ── Anthropic (Claude) 호출 ───────────────────────────────
 def _call_anthropic(question, context, history):
     import anthropic
+
     client = anthropic.Anthropic(api_key=LLM_API_KEY)
 
+    # user/assistant 교대 메시지 구성
     messages = []
     for h in (history or [])[-10:]:
-        messages.append({"role": h["role"], "content": h["content"]})
+        if h["role"] in ("user", "assistant"):
+            messages.append({"role": h["role"], "content": h["content"]})
+
     messages.append({
         "role":    "user",
         "content": f"[데이터 컨텍스트]\n{context}\n\n[질문]\n{question}",
@@ -3493,67 +3478,30 @@ def _call_anthropic(question, context, history):
     return resp.content[0].text.strip()
 
 
-# ── Local / Custom Endpoint 호출 ──────────────────────────
-def _call_local(question, context, history):
-    import requests as req
-
-    messages = [{"role": "system", "content": SYSTEM_PROMPT}]
-    for h in (history or [])[-10:]:
-        messages.append({"role": h["role"], "content": h["content"]})
-    messages.append({
-        "role":    "user",
-        "content": f"[데이터 컨텍스트]\n{context}\n\n[질문]\n{question}",
-    })
-
-    payload = {
-        "model":       LLM_MODEL,
-        "messages":    messages,
-        "max_tokens":  LLM_MAX_TOKENS,
-        "temperature": LLM_TEMP,
-        "stream":      False,
-    }
-    headers = {}
-    if LLM_API_KEY:
-        headers["Authorization"] = f"Bearer {LLM_API_KEY}"
-
-    r = req.post(
-        LLM_API_URL or "http://localhost:11434/v1/chat/completions",
-        json    = payload,
-        headers = headers,
-        timeout = 60,
-    )
-    r.raise_for_status()
-    data = r.json()
-    return data["choices"][0]["message"]["content"].strip()
-
-
 # ── 통합 호출 함수 ────────────────────────────────────────
 def call_llm_api(question, context="", history=None):
     """
-    LLM_PROVIDER 환경변수에 따라 적절한 백엔드를 호출합니다.
-    LLM_API_KEY 미설정 시 규칙 기반 ���백을 반환합니다.
+    Claude API를 호출합니다.
+    API 키 미설정 시 규칙 기반 폴백을 반환합니다.
     """
-    if not LLM_API_KEY and LLM_PROVIDER != "local":
+    if not LLM_API_KEY:
         return _rule_based_answer(question, context)
 
     try:
-        if LLM_PROVIDER == "anthropic":
-            return _call_anthropic(question, context, history)
-        elif LLM_PROVIDER == "local":
-            return _call_local(question, context, history)
-        else:
-            return _call_openai(question, context, history)
-    except ImportError as e:
-        return f"⚠️ 라이브러리 미설치: {e}\n`pip install openai` 또는 `pip install anthropic`"
+        return _call_anthropic(question, context, history)
+    except ImportError:
+        return (
+            "⚠️ anthropic 라이브러리가 설치되지 않았습니다.\n"
+            "`pip install anthropic` 을 실행해 주세요."
+        )
     except Exception as e:
-        return f"⚠️ LLM 호출 오류: {e}"
+        return f"⚠️ Claude API 호출 오류: {e}"
 
 
 # ── 규칙 기반 폴백 (API 키 없을 때) ──────────────────────
 def _rule_based_answer(question, context):
     q = question.lower()
 
-    # 컨텍스트 파싱
     ctx = {}
     for part in context.split("|"):
         part = part.strip()
@@ -3561,62 +3509,78 @@ def _rule_based_answer(question, context):
             k, v = part.split("=", 1)
             ctx[k.strip()] = v.strip()
 
-    pitcher = ctx.get("투수", "해당 투수")
-    era     = ctx.get("ERA",  "—")
-    k9      = ctx.get("K9",   "—")
-    bb9     = ctx.get("BB9",  "—")
-    whip    = ctx.get("WHIP", "—")
-    fip     = ctx.get("FIP",  "—")
-    spd     = ctx.get("평균구속", "—")
-    pitches = ctx.get("주력 구종", "—")
+    pitcher = ctx.get("투수",    "해당 투수")
+    era     = ctx.get("ERA",     "—")
+    k9      = ctx.get("K9",      "—")
+    bb9     = ctx.get("BB9",     "—")
+    whip    = ctx.get("WHIP",    "—")
+    fip     = ctx.get("FIP",     "—")
+    spd     = ctx.get("평균구속","—")
+    pitches = ctx.get("주력 구종","—")
 
     if any(w in q for w in ["구종", "주력", "pitch"]):
-        return (f"**{pitcher}**의 주력 구종은 **{pitches}** 입니다.\n\n"
-                f"평균 구속은 **{spd} km/h** 이며, "
-                f"K9={k9}, BB9={bb9} 기준으로 "
-                f"{'탈삼진 능력이 우수합니다.' if k9 != '—' and float(k9.replace('—','0')) > 8 else '제구력 중심의 투수입니다.'}")
+        try:
+            k9_val = float(k9)
+            k9_txt = "탈삼진 능력이 우수합니다." if k9_val > 8 else "제구력 중심의 투수입니다."
+        except ValueError:
+            k9_txt = "제구력 중심의 투수입니다."
+        return (
+            f"**{pitcher}**의 주력 구종은 **{pitches}** 입니다.\n\n"
+            f"평균 구속은 **{spd} km/h** 이며, "
+            f"K9={k9}, BB9={bb9} 기준으로 {k9_txt}"
+        )
 
     if any(w in q for w in ["약점", "카운트", "count"]):
-        return (f"카운트별 약점 분석은 **카운트별 탭**에서 히트맵을 확인해 주세요.\n\n"
-                f"일반적으로 볼카운트가 불리할 때(2-0, 3-1) 패스트볼 비율이 높아지므로 "
-                f"타자가 노리기 쉬운 경향이 있습니다.")
+        return (
+            "카운트별 약점 분석은 **카운트별 탭**에서 히트맵을 확인해 주세요.\n\n"
+            "일반적으로 볼카운트가 불리할 때(2-0, 3-1) 패스트볼 비율이 높아지므로 "
+            "타자가 노리기 쉬운 경향이 있습니다."
+        )
 
     if any(w in q for w in ["좌타", "우타", "stand", "타자 유형"]):
-        return (f"좌타/우타 분석은 **사이드바의 타자 유형 필터**를 변경하여 "
-                f"각 탭에서 비교해 보세요.\n\n"
-                f"무브먼트 차트와 로케이션 차트에서 유형별 차이를 확인할 수 있습니다.")
+        return (
+            "좌타/우타 분석은 **사이드바의 타자 유형 필터**를 변경하여 "
+            "각 탭에서 비교해 보세요.\n\n"
+            "무브먼트 차트와 로케이션 차트에서 유형별 차이를 확인할 수 있습니다."
+        )
 
     if any(w in q for w in ["구속", "속도", "speed", "트렌드"]):
-        return (f"**{pitcher}**의 평균 구속은 **{spd} km/h** 입니다.\n\n"
-                f"게임로그 탭에서 날짜별 구속 추이를 확인하거나, "
-                f"무브먼트 탭의 구속 vs 무브먼트 스캐터 차트를 참고하세요.")
+        return (
+            f"**{pitcher}**의 평균 구속은 **{spd} km/h** 입니다.\n\n"
+            "게임로그 탭에서 날짜별 구속 추이를 확인하거나, "
+            "무브먼트 탭의 구속 vs 무브먼트 스캐터 차트를 참고하세요."
+        )
 
     if any(w in q for w in ["리그", "비교", "순위", "rank"]):
-        return (f"**{pitcher}** 리그 비교 지표:\n\n"
-                f"- ERA: **{era}**\n"
-                f"- FIP: **{fip}**\n"
-                f"- WHIP: **{whip}**\n"
-                f"- K9: **{k9}**\n"
-                f"- BB9: **{bb9}**\n\n"
-                f"자세한 리그 순위는 **리그비교 탭**을 확인해 주세요.")
+        return (
+            f"**{pitcher}** 리그 비교 지표:\n\n"
+            f"- ERA: **{era}**\n"
+            f"- FIP: **{fip}**\n"
+            f"- WHIP: **{whip}**\n"
+            f"- K9: **{k9}**\n"
+            f"- BB9: **{bb9}**\n\n"
+            "자세한 리그 순위는 **리그비교 탭**을 확인해 주세요."
+        )
 
     if any(w in q for w in ["강점", "잘하", "good", "best"]):
-        return (f"**{pitcher}**의 주요 지표:\n\n"
-                f"ERA={era}, K9={k9}, BB9={bb9}, WHIP={whip}\n\n"
-                f"수치가 낮은 ERA/WHIP/BB9와 높은 K9이 강점 지표입니다. "
-                f"리그비교 탭에서 평균 대비 우위 항목을 확인하세요.")
-
-    # 기본 응답
-    return (f"**{pitcher}** ({ctx.get('연도','—')}, {ctx.get('리그','—')}) 기본 스탯:\n\n"
-            f"| 지표 | 값 |\n|------|----|\n"
-            f"| ERA  | {era}  |\n"
-            f"| FIP  | {fip}  |\n"
-            f"| WHIP | {whip} |\n"
-            f"| K9   | {k9}   |\n"
-            f"| BB9  | {bb9}  |\n"
-            f"| 평균구속 | {spd} |\n\n"
-            f"더 구체적인 질문을 해주시면 더 정확한 분석을 드릴 수 있습니다. 😊\n\n"
-            f"*(LLM_API_KEY 설정 시 AI 분석이 활성화됩니다)*")
+        return (
+            f"**{pitcher}**의 주요 지표:\n\n"
+            f"ERA={era}, K9={k9}, BB9={bb9}, WHIP={whip}\n\n"
+            "수치가 낮은 ERA/WHIP/BB9와 높은 K9이 강점 지표입니다. "
+            "리그비교 탭에서 평균 대비 우위 항목을 확인하세요."
+        )
+
+    return (
+        f"**{pitcher}** ({ctx.get('연도','—')}, {ctx.get('리그','—')}) 기본 스탯:\n\n"
+        f"| 지표 | 값 |\n|------|----|\n"
+        f"| ERA  | {era}  |\n"
+        f"| FIP  | {fip}  |\n"
+        f"| WHIP | {whip} |\n"
+        f"| K9   | {k9}   |\n"
+        f"| BB9  | {bb9}  |\n"
+        f"| 평균구속 | {spd} |\n\n"
+        "더 구체적인 질문을 해주시면 더 정확한 분석을 드릴 수 있습니다. 😊"
+    )
 
 
 # ════════════════════════════════════════════════════════════