# Insight Repository > **Version:** 2.2 | **Last Updated:** 2026-02-15 | **Owner:** UX Research Team > > **HuggingFace Space:** [https://huggingface.co/spaces/YGCXLab/ux-research-agent-slackbot](https://huggingface.co/spaces/YGCXLab/ux-research-agent-slackbot) --- # 1. 개요 > ℹ️ **Insight Repository**는 여기어때 UX 리서치팀의 리서치 자산을 슬랙에서 즉시 검색하고, 전략적 인사이트를 제공하는 AI 에이전트입니다. 유저가 슬랙에서 질문하면, 사내 리서치 보고서 · Baymard 이커머스 가이드라인 · NN/g 리서치 아티클을 동시에 검색하여 **교차 분석된 답변**을 생성합니다. 단순 문서 검색을 넘어, 리서치 설계 제안 · 가설 검증 · 전략적 조언까지 가능한 **UX 리서치 컨설턴트** 역할을 수행합니다. ## 1.1 핵심 가치 | 기능 | 설명 | | --- | --- | | ⭐ **3-Source 통합 검색** | 사내 리서치 145건 + Baymard 520건 + NN/g 420건을 동시 검색 | | ⭐ **교차 분석** | "사내에서는 A, 글로벌 표준에서는 B" — 자동으로 소스 간 대조 인사이트 제공 | | ⭐ **전략적 자문** | 리서치 설계, 가설 검증, 방법론 추천 등 컨설턴트 수준의 조언 | | ⭐ **멀티모달 분석** | UI 스크린샷/영상 업로드 시 UX 관점 분석 + 관련 가이드라인 인용 | | ⭐ **후속 탐색 가이드** | 매 답변마다 맥락에 맞는 후속 질문 2-3개 추천 | | ⭐ **검색 전략 확인** | 답변 전 분석 결과를 보여주고, 유저가 검색 방식을 선택할 수 있는 Confirmation UX | | ⭐ **실시간 스트리밍** | 답변 생성 과정을 실시간으로 확인 — 체감 대기 시간 대폭 단축 | | ⭐ **병렬 검색** | 3개 데이터 소스를 동시 검색하여 응답 속도 3배 향상 | --- # 2. 시스템 아키텍처 ## 2.1 전체 파이프라인 ``` 유저 질문 (Slack) │ ▼ ┌─────────────────────────────────────────┐ │ 1. Intent Router (LLM) │ │ 6개 인텐트 분류 + confidence 점수 │ │ + secondary_intent (블렌딩 지원) │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 2. Query Expansion (LLM) │ │ 키워드 → 번역 + 동의어 + 약어 확장 │ │ 예: "CVR" → ["CVR","전환율", │ │ "conversion rate"] │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 2.5 Confirmation UX (v2.1) │ │ 분석 결과 요약 + 검색 전략 버튼 제시 │ │ [간단 검색] [심층 분석] [✅ 전략 자문] │ │ 2분 타임아웃 → 추천 방식 자동 진행 │ │ ※ CHAT/MULTIMODAL/SPECIFIC은 스킵 │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 3. Hybrid Search (Fuzzy + Vector) │ │ ┌──────────┬──────────┬──────────┐ │ │ │ 사내 145 │ Baymard │ NN/g 420 │ │ │ │ 건 │ 520건 │ 건 │ │ │ └──────────┴──────────┴──────────┘ │ │ ⚡ 병렬 검색 (ThreadPoolExecutor) │ │ 3-Tier Ranking + Fallback │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 4. Answer Generation (LLM Streaming) │ │ 인텐트별 전문 프롬프트 체인 │ │ chain.stream() → 실시간 청크 전송 │ │ + 교차 분석 + 톤 적응 │ │ + 후속 질문 생성 │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 4.5 Streaming UX (v2.2) │ │ ⏳ placeholder → ✍️ 실시간 미리보기 │ │ → Block Kit 최종 렌더링 │ │ 1초 간격 throttle (Slack rate limit) │ └────────────────┬────────────────────────┘ │ ▼ ┌─────────────────────────────────────────┐ │ 5. Slack Block Kit 렌더링 │ │ 답변 + 소스 섹션 + 후속 질문 카드 │ └─────────────────────────────────────────┘ ``` ## 2.2 기술 스택 | 구성 요소 | 기술 | 용도 | | --- | --- | --- | | **LLM** | Google Gemini 3 Flash | 인텐트 분류, 쿼리 확장, 답변 생성 | | **프레임워크** | LangChain + LangGraph + LangChain-Google-GenAI | LLM 체인 오케스트레이션 + Agentic RAG | | **Fuzzy Matching** | thefuzz + python-Levenshtein | 메타데이터 기반 유사 문자열 매칭 | | **Slack** | slack-bolt (Socket Mode) | 슬랙 이벤트 수신 및 응답 | | **Web UI** | Streamlit | 웹 인터페이스 (테스트용) | | **Logging** | Supabase | 사용 로그 기록 (질문/답변/인텐트) | | **배포** | HuggingFace Spaces (Docker) | Python 3.10, 포트 7860 | --- # 3. 질문 유형 및 답변 방식 ## 3.1 인텐트 분류 체계 (6가지) ### SIMPLE_SEARCH — 단순 검색 **설명:** 빠른 사실 확인, 정의, 자료 목록 요청 **예시 질문:** - "리뷰 관련 사내 리서치 있어?" - "NPS가 뭐야?" - "해외숙소 리서치 자료" **응답 형태:** 소스별 그룹핑된 문서 목록 (제목 + 요약 + 링크) + 교차 분석 1-2줄 --- ### DEEP_RESEARCH — 심층 분석 **설명:** 여러 소스를 종합한 깊이 있는 분석/비교/트렌드 리포트 **예시 질문:** - "결제 프로세스 이탈율 줄이는 방법 종합적으로 분석해줘" - "모바일 체크아웃 UX 트렌드는?" **응답 형태:** 개요 → 핵심 발견 (테마별, 소스 교차) → 🔍 교차 분석 → 권장 사항 + 후속 질문 --- ### ADVISORY — 전략적 자문 (v2.0 신규) **설명:** 리서치 설계, 가설 검증, 방법론 추천, 전략 제안 등 컨설턴트형 조언 **예시 질문:** - "UT 설계를 도와줘" - "이탈 사용자를 잡기 위한 전략은?" - "이 가설이 맞는지 검증해줘" - "결제 관련 리서치 찾아주고, 개선 방향도 제안해줘" (블렌딩: SEARCH + ADVISORY) **응답 형태:** 상황 분석 → 핵심 제안 → 근거 자료 (교차 대조) → 실행 가이드 + 후속 질문 > 📝 ADVISORY는 단순 검색과 다르게 **명확한 입장**을 취합니다. 옵션을 나열하는 것이 아니라 최선의 방법을 추천하고 그 이유를 설명합니다. --- ### SPECIFIC_ITEM_ANALYSIS — 특정 문서 분석 **설명:** 특정 리서치 보고서 1건을 지정하여 상세 분석 **예시 질문:** - "[IDI] Hotel Partner Journey에 대해 알려줘" - "[UT] 숙소 상세페이지 사용성 조사 내용은?" **응답 형태:** 해당 문서의 5-10줄 요약 + 핵심 발견점 + 링크 --- ### MULTIMODAL_ANALYSIS — 이미지/영상 분석 **설명:** UI 스크린샷이나 영상을 업로드하면 UX 관점에서 분석 **지원 파일:** PNG, JPG, JPEG, MP4, MOV, PDF, DOCX **예시 질문:** - (체크아웃 화면 캡처 첨부) "이 화면의 문제점이 뭐야?" - (날짜 선택 UI 첨부) "이런 UI와 관련된 가이드라인 찾아줘" **응답 형태:** 시각적 분석 + 관련 Baymard/사내 가이드라인 인용 + 후속 질문 --- ### CHAT — 일상 대화 **설명:** 인사, 잡담, 봇 기능 질문 등 검색이 필요 없는 대화 **예시 질문:** "안녕!", "뭘 도와줄 수 있어?", "고마워!" **응답 형태:** 자연스러운 대화 + 탐색 시작을 위한 가이드 --- ## 3.2 인텐트 블렌딩 하나의 질문이 여러 인텐트에 걸칠 때, 시스템은 **primary_intent**와 **secondary_intent**를 동시에 판단합니다. | 질문 예시 | Primary | Secondary | Confidence | 처리 방식 | | --- | --- | --- | --- | --- | | "사내 리서치 자료 찾아줘" | SIMPLE_SEARCH | — | 0.95 | 단순 검색 | | "모바일 이탈율 줄이는 방법" | DEEP_RESEARCH | ADVISORY | 0.6 | 블렌딩 → 자문 모드 | | "결제 리서치 찾아주고 개선 방향도 제안해줘" | ADVISORY | SIMPLE_SEARCH | 0.7 | 자문 (검색 근거 포함) | > ℹ️ confidence가 0.7 미만이고 secondary_intent가 ADVISORY인 경우, 시스템은 자동으로 자문 모드로 전환하여 검색 결과 + 전략적 제안을 함께 제공합니다. --- # 4. 데이터 소스 | 소스 | 건수 | 내용 | 검색 방식 | | --- | --- | --- | --- | | **📂 사내 리서치** | 145건 | 여기어때 내부 UX 리서치 보고서 (IDI, UT, Survey, FGI, Diary Study 등) | Fuzzy(메타데이터) + Vector(시맨틱) 하이브리드 | | **📖 Baymard Guidelines** | 520건 | 이커머스 UX 베스트 프랙티스 (결제, 네비게이션, 카트, 폼 등) | Fuzzy + Vector 하이브리드 | | **🌐 NN/g Articles** | 420건 | Nielsen Norman Group 리서치 아티클 (UX 원칙, 사용성, 정보 설계 등) | Fuzzy + Vector 하이브리드 | ## 4.1 검색 랭킹 시스템 3단계 티어 기반 하이브리드 랭킹: | 티어 | 매칭 방식 | 점수 범위 | 우선순위 | | --- | --- | --- | --- | | **Tier 1** | Fuzzy 고신뢰 매칭 (제목/리서처/방법론) | 90+ | 최우선 | | **Tier 2** | Vector 시맨틱 매칭 (의미 유사도) | 임베딩 거리 기반 | 중간 | | **Tier 3** | Fuzzy 중신뢰 매칭 | 80-89 | 보조 | > 📝 **Fallback 메커니즘:** 검색 결과가 3건 미만일 경우, 임계값을 80 → 60으로 낮추고 키워드를 확장하여 재검색합니다. ## 4.2 LLM 기반 쿼리 확장 유저의 검색어를 LLM이 자동으로 확장합니다: ``` 유저 입력: "CVR 개선 방법" ↓ LLM Query Expansion 확장된 검색어: ["CVR", "전환율", "conversion rate", "전환률", "개선", "improvement", "optimization", "최적화"] ``` 한↔영 번역, 동의어, 약어 확장이 자동으로 수행되어 수동 시노님 관리가 불필요합니다. --- # 5. 핵심 기능 상세 ## 5.1 교차 분석 (Proactive Cross-Reference) 모든 답변에서 사내 리서치와 글로벌 표준을 자동으로 대조합니다: > **🔍 교차 분석:** > > - **일치:** 사내 '이탈 원인 조사'에서 결제 단계 추가 비용이 1위 이탈 원인으로 나타났으며, Baymard 'Cart Abandonment' 가이드라인에서도 동일한 패턴을 보고하고 있습니다. > - **차이:** 사내 리서치에서는 배송 정보 입력이 주요 불편 사항이었으나, Baymard에서는 계정 생성 강제를 더 심각한 이슈로 지적합니다. > - **공백:** 이 주제에 대한 사내 리서치는 없지만, NN/g에 따르면 progressive disclosure가 효과적입니다. ## 5.2 톤 적응 (Conversational UX) 유저의 질문 스타일에 맞춰 답변 톤이 자동 조절됩니다: | 유저 톤 | 질문 예시 | 답변 톤 | | --- | --- | --- | | 캐주얼 | "리뷰 관련 자료 있어?" | "리뷰 관련 자료 찾았어요!" | | 포멀 | "리뷰에 관한 리서치 자료를 요청드립니다" | "리뷰 관련 사내 리서치 자료를 정리해 드리겠습니다." | ## 5.3 후속 질문 추천 매 답변 끝에 맥락 기반 후속 질문 2-3개를 추천합니다: > **💡 이런 것도 물어보세요:** > > 1. 이탈 원인에 대한 사내 UT 결과를 더 자세히 볼까요? > 2. Baymard의 결제 프로세스 최적화 가이드라인도 확인해 볼까요? > 3. 이탈율 개선을 위한 전략을 제안해 드릴까요? 후속 질문은 단순 필터링이 아니라, 현재 답변의 맥락에서 **다음 탐색 경로**를 제안합니다. ## 5.4 검색 전략 확인 — Confirmation UX (v2.1 신규) 검색형 질문(SIMPLE_SEARCH, DEEP_RESEARCH, ADVISORY)의 경우, 답변 생성 전에 분석 결과를 먼저 보여주고 유저가 검색 방식을 선택할 수 있습니다. ``` 🔍 질문을 분석했어요: > "결제 이탈률 개선 방안을 제안해줘" 📋 검색 키워드: 결제, 이탈률, checkout, abandonment rate... 💡 추천 검색 방식: 전략 자문 [간단 검색] [심층 분석] [✅ 전략 자문] ⏱️ 2분 내 선택이 없으면 추천 방식으로 자동 진행합니다. ``` ### 동작 방식 | 단계 | 설명 | | --- | --- | | **1. 라우팅** | Intent Router + Query Expansion까지만 수행 (검색/LLM 답변 생성 없음) | | **2. 확인 메시지** | 분석된 인텐트, 확장된 키워드, 추천 전략을 Slack 버튼과 함께 표시 | | **3. 유저 선택** | 버튼 클릭 시 선택한 전략으로 실행 / 2분 타임아웃 시 추천 전략으로 자동 진행 | ### 스킵되는 인텐트 CHAT, MULTIMODAL_ANALYSIS, SPECIFIC_ITEM_ANALYSIS은 전략 선택이 불필요하므로 확인 단계 없이 즉시 실행됩니다. ### 유저 Preference 유저별로 확인 단계를 끄거나 켤 수 있습니다: | 명령어 | 동작 | | --- | --- | | "바로 답변해줘", "확인 없이", "스킵해줘" | 확인 단계 OFF (즉시 답변) | | "확인 절차 켜줘", "확인하고 답변해줘" | 확인 단계 ON (기본값) | 설정은 Supabase `user_preferences` 테이블에 저장되어 유저별로 유지됩니다. ## 5.5 실시간 스트리밍 응답 (v2.2 신규) 답변 생성 중 유저에게 실시간 진행 상황을 보여줍니다: ``` 1. ⏳ "답변을 생성하고 있어요..." ← placeholder 메시지 즉시 전송 2. ✍️ "답변 작성 중..." ← 1초 간격으로 미리보기 업데이트 > 리뷰 관련 자료를 찾았어요!... 3. [최종 Block Kit 응답] ← JSON 파싱 → 구조화된 답변으로 교체 ``` ### 동작 방식 | 단계 | 설명 | | --- | --- | | **1. Placeholder** | `chat_postMessage`로 "⏳ 답변을 생성하고 있어요..." 즉시 전송 | | **2. Streaming** | `chain.stream()`으로 LLM 출력을 청크 단위로 수신, `chat_update`로 실시간 업데이트 | | **3. Final Render** | 전체 응답 완료 후 JSON 파싱 → Block Kit 변환 → `chat_update`로 최종 교체 | ### 인텐트별 스트리밍 지원 | 인텐트 | 스트리밍 | 미리보기 형식 | | --- | --- | --- | | SIMPLE_SEARCH | ✅ | "✍️ 답변 작성 중..." + 텍스트 미리보기 | | DEEP_RESEARCH | ✅ | "✍️ 답변 작성 중..." + 텍스트 미리보기 | | ADVISORY | ✅ | "✍️ 답변 작성 중..." + 텍스트 미리보기 | | CHAT | ✅ | 실제 텍스트 실시간 표시 | | MULTIMODAL_ANALYSIS | ❌ | invoke 후 단일 응답 | | SPECIFIC_ITEM_ANALYSIS | ❌ | invoke 후 단일 응답 | ### Throttle 설정 - `STREAM_UPDATE_INTERVAL = 1.0초` — Slack API rate limit (~3req/s) 대비 안전 마진 - `STREAM_MIN_CHARS = 20자` — 최소 글자 수 이후 첫 업데이트 시작 ## 5.6 병렬 검색 (v2.2 신규) 3개 데이터 소스(사내 리서치, Baymard, NN/g)를 `ThreadPoolExecutor`로 동시에 검색합니다: ``` 기존 (v2.1): 사내 → Baymard → NN/g (순차, ~1.5s) 개선 (v2.2): 사내 ┬ Baymard ┬ NN/g (병렬, ~0.5s) 동시 실행 (ThreadPoolExecutor) ``` Fallback 검색(임계값 하향 재검색) 시에도 동일하게 병렬 실행됩니다. ## 5.7 Structured Output (v2.2 신규) 유틸리티 체인(Query Expansion, Confirmation Interpret)에 Pydantic 모델 + `with_structured_output()`을 적용하여 LLM 응답을 구조화합니다: ```python # Before (v2.1): JSON 텍스트 → 4단계 파싱 시도 (실패 가능) result_str = chain.invoke(input) parsed = _parse_llm_json(result_str) # direct → fence → brace → quote fix # After (v2.2): Pydantic 객체 직접 반환 (실패 불가) result = chain.invoke(input) keywords = result.expanded_keywords # 타입 안전 접근 ``` 메인 답변 체인(simple_search, deep_research 등)은 스트리밍 호환을 위해 기존 `StrOutputParser()` 유지. ## 5.8 필터링 기능 대화 중 자연어로 결과를 좁힐 수 있습니다: | 필터 유형 | 질문 예시 | | --- | --- | | 소스별 | "사내 리서치만 보여줘", "Baymard 가이드라인만" | | 담당자별 | "Shane이 진행한 연구", "욘두 리서치" | | 방법론별 | "UT 관련 자료", "서베이 결과" | | 도메인별 | "결제 관련", "해외숙소 리서치" | | 기간별 | "2024년 자료", "최근 연구" | | 맥락 기반 | "그 중에서 사내 리서치만 보여줘" (이전 대화 기억) | --- # 6. 슬랙 사용 방법 ## 6.1 채널에서 사용 봇을 멘션하여 질문합니다: ``` @Insight Repository 결제 이탈 관련 사내 리서치 있어? ``` ## 6.2 DM으로 사용 봇에게 직접 메시지를 보냅니다 (멘션 불필요): ``` 결제 이탈 관련 사내 리서치 있어? ``` ## 6.3 이미지/파일 분석 파일을 첨부하고 질문을 함께 입력합니다: ``` [checkout_screen.png 첨부] 이 결제 화면에서 UX 문제점을 분석해줘 ``` **지원 파일:** PNG, JPG, JPEG, MP4, MOV, PDF, DOCX ## 6.4 스레드 대화 스레드 내에서 후속 질문을 이어갈 수 있습니다. 봇은 최근 6개 메시지를 기억합니다: ``` 유저: 이탈 관련 리서치 찾아줘 봇: [검색 결과 + 교차 분석] 유저: 그 중에서 Baymard 가이드라인만 보여줘 ← 맥락 유지 봇: [Baymard 결과만 필터링] 유저: 이걸 바탕으로 개선 전략 제안해줘 ← ADVISORY로 전환 봇: [전략적 자문 응답] ``` --- # 7. 응답 구조 ## 7.1 Confirmation 메시지 (검색형 질문) 검색형 인텐트(SIMPLE_SEARCH, DEEP_RESEARCH, ADVISORY)의 경우, 먼저 확인 메시지가 표시됩니다: ``` ┌──────────────────────────────────────┐ │ 🔍 질문을 분석했어요: │ │ > 분석 이유 (reason) │ ├──────────────────────────────────────┤ │ 📋 검색 키워드: keyword1, keyword2... │ │ 💡 추천 검색 방식: 전략 자문 │ ├──────────────────────────────────────┤ │ [간단 검색] [심층 분석] [✅ 전략 자문] │ ├──────────────────────────────────────┤ │ ⏱️ 2분 내 선택이 없으면 추천 방식으로 │ │ 자동 진행합니다. │ └──────────────────────────────────────┘ ``` ## 7.2 답변 메시지 유저가 전략을 선택하면 (또는 타임아웃 시), 슬랙 응답은 다음과 같은 구조로 제공됩니다: ``` ┌──────────────────────────────────────┐ │ 📝 답변 (톤 적응) │ │ 핵심 인사이트 요약 │ │ ... │ │ 🔍 교차 분석: 사내 vs 글로벌 표준 비교 │ ├──────────────────────────────────────┤ │ 📂 사내 리서치 결과 │ │ *제목* (날짜) │ │ • 요약: ... │ │ • 링크: 자세히 보기 │ ├──────────────────────────────────────┤ │ 📖 Baymard 가이드라인 │ │ *제목* │ │ • 요약: ... │ │ • 링크: 자세히 보기 │ ├──────────────────────────────────────┤ │ 🌐 NN/g 아티클 │ │ *제목* (날짜) │ │ • 요약: ... │ │ • 링크: 자세히 보기 │ ├──────────────────────────────────────┤ │ 💡 이런 것도 물어보세요: │ │ 1. 후속 질문 A │ │ 2. 후속 질문 B │ │ 3. 후속 질문 C │ └──────────────────────────────────────┘ ``` --- # 8. 시스템 사양 | 항목 | 수치 | | --- | --- | | 인텐트 수 | 6개 (SIMPLE_SEARCH, DEEP_RESEARCH, ADVISORY, SPECIFIC_ITEM_ANALYSIS, MULTIMODAL_ANALYSIS, CHAT) | | LLM 체인 | 8개 (simple_search, deep_research, advisory, specific_analysis, chat, query_expansion, confirmation_ask, confirmation_interpret) | | 프롬프트 템플릿 | 10개 | | 데이터 소스 | 3개 (사내 145 + Baymard 520 + NN/g 420 = 총 1,085건) | | 사내 고유 시노님 | 10개 (리서처 6 + 서비스 약어 4) | | 대화 컨텍스트 | 최근 6개 메시지 (스레드 기반) | | Slack 블록 제한 | 최대 50 블록/메시지 | | 긴 메시지 처리 | 3,000자 단위 자동 분할 | | Confirmation 타임아웃 | 2분 (자동 추천 전략 실행) | | 유저 Preference 저장 | Supabase `user_preferences` 테이블 | | 병렬 검색 | ThreadPoolExecutor (max_workers=3) | | Structured Output | Pydantic 모델 2개 (QueryExpansionResponse, ConfirmationInterpretResponse) | | 스트리밍 업데이트 간격 | 1.0초 (STREAM_UPDATE_INTERVAL) | | 스트리밍 최소 글자 | 20자 (STREAM_MIN_CHARS) | --- # 9. 프로젝트 구조 ``` insight-repository/ ├── slack_bot.py # Slack 이벤트 핸들러 (진입점) ├── app.py # Streamlit 웹 인터페이스 ├── run_app.sh # Docker 실행 스크립트 ├── Dockerfile # HF Spaces 배포 설정 ├── requirements.txt # Python 의존성 │ ├── src/engine/ │ ├── search_engine.py # 메인 오케스트레이터 (8 체인 + 6 핸들러 + Confirmation UX + Streaming) │ ├── router.py # 인텐트 분류 (6개 인텐트 + 블렌딩) │ ├── retriever.py # Fuzzy 검색 + Agentic Retriever 도구 │ ├── prompt_manager.py # 프롬프트 로더 (10개 템플릿) │ ├── document_processor.py # 파일 처리 (이미지/PDF/DOCX) │ ├── data_loader.py # 데이터 소스 로더 │ │ │ └── prompts/ │ ├── intent_router.md # 인텐트 분류 규칙 │ ├── query_expansion.md # LLM 쿼리 확장 │ ├── simple_search.md # 단순 검색 답변 │ ├── deep_research.md # 심층 분석 답변 │ ├── advisory.md # 전략적 자문 답변 │ ├── specific_analysis.md # 특정 문서 분석 │ ├── multimodal_analysis.md # 이미지/영상 분석 │ ├── chat.md # 일상 대화 │ ├── formatting_slack.md # Slack JSON 스키마 │ └── formatting_web.md # Web 마크다운 규칙 │ └── data/ ├── research_report.json # 사내 리서치 메타데이터 (145건) ├── baymard_unified_database_v2.json # Baymard 가이드라인 (520건) ├── nng_articles.json # NN/g 아티클 (420건) ├── research_pages/ # 사내 리서치 본문 (마크다운 191개) ├── pdfs/ # Baymard PDF └── nngroup_pdf/ # NN/g PDF ``` --- # 10. 버전 히스토리 | 버전 | 날짜 | 주요 변경 | | --- | --- | --- | | **v2.2** | 2026-02-15 | LangChain 최적화 — 병렬 3소스 검색 (ThreadPoolExecutor, ~1.5s→~0.5s) · Structured Output (Pydantic 모델, 유틸리티 체인 JSON 파싱 제거) · 실시간 스트리밍 응답 (placeholder→미리보기→Block Kit) | | **v2.1** | 2026-02-15 | Confirmation UX 도입 — 검색 전 전략 확인 단계 (간단 검색/심층 분석/전략 자문 선택) · 2분 타임아웃 자동 진행 · 유저별 Preference 저장 (Supabase `user_preferences`) · `routing_only()` 분리로 라우팅-실행 2단계 아키텍처 | | **v2.0** | 2026-02-14 | ADVISORY 인텐트 추가 (전략적 자문) · 인텐트 블렌딩 (confidence + secondary_intent) · 교차 분석 (Proactive Cross-Reference) 도입 · LLM 기반 쿼리 확장 (하드코딩 시노님 대체) · 톤 적응 (Conversational UX) · 후속 질문 추천 기능 · 소스별 구조화된 컨텍스트 전달 | | **v1.0** | 2026-01-30 | 초기 릴리즈 — 5개 인텐트, 3-Source 하이브리드 검색, Slack/Web 지원 |