본문으로 건너뛰기

팟캐스트모드 에이전트 가이드

문서 버전: v2.2 | 작성일: 2026-04-13 | 최종 수정: 2026-04-17 11:30 | 상태: 최신화 완료 ✅

개요​

팟캐스트 파이프라인 12개 에이전트 가이드 — Mind-Log 팟캐스트 파이프라인은 TIER 0~4 + 비동기 후처리 구조로 구성된 총 12개 에이전트(TIER 0~4의 9개 + 독립 2개 + Learning Agent 1개)로 이루어집니다. Orchestrator 없이 LangGraph StateGraph가 TIER 흐름을 조율하며, 에이전트 간 공유 상태는 AgentState(TypedDict)로 통합됩니다.

에이전트 구성 (12개)​

#에이전트TIER모델파일 위치
01Intent ClassifierTIER 0Haikusrc/agents/podcast/intent_classifier.py
02Safety AgentTIER 1 (병렬)Sonnet 3.7src/agents/podcast/safety.py
03Emotion AgentTIER 1 (병렬)Haikusrc/agents/podcast/emotion.py
04Content AnalyzerTIER 1 (병렬)Haikusrc/agents/podcast/content_analyzer.py
05Podcast ReasoningTIER 1 (병렬)Sonnet 3.7src/agents/podcast/podcast_reasoning.py
06Episode Memory독립 (DI)Sonnet 3.5src/agents/podcast/episode_memory.py
07Knowledge Agent독립 (DI)Sonnet 3.5src/agents/podcast/knowledge.py
08Script GeneratorTIER 2 (병렬)Haikusrc/agents/podcast/script_generator.py
09VisualizationTIER 2 (병렬)Haiku + Bedrock Titansrc/agents/podcast/visualization.py
10Batch ValidatorTIER 3Haikusrc/agents/podcast/batch_validator.py
11Script PersonalizerTIER 4Sonnet 3.7src/agents/podcast/script_personalizer.py
부가Learning Agent비동기Sonnet 3.5src/agents/shared/learning.py

프롬프트 버전 (settings.yaml 2026-04-14 동기화 기준)​

config/settings.yaml의 prompts.versions 섹션에서 에이전트별 사용 버전을 핀닝합니다. 다음은 2026-04-14 기준 운영 핀닝 버전입니다.

에이전트프롬프트 버전비고
Content Analyzerv2.2.04-키 emotional_journey(climax/closing) 복원, target_duration/narrative_structure 복원
Podcast Reasoningv3.2.0Phase별 컨텍스트 주입 (GoT/ToT/CoT 분리)
Batch Validatorv2.3.0score/decision LLM hallucination 방지 보정
Visualizationv1.19.0Titan 콘텐츠 차단 방어 + JSON 파싱 fallback

상세 가이드: docs/guides/PROMPT_VERSIONING.md. 버전 변경 시 settings.yaml 단일 진실 소스(SSOT)를 우선 수정한 뒤 본 문서를 동기화합니다.

처리 특성​

항목값
처리 방식배치 처리 (TIER 0→1→2→3→4 순차/병렬)
예상 응답 시간TIER 1 병렬 완료 기준 ~60초 이내
출력 형식구조화된 팟캐스트 스크립트 + 커버 이미지
모드mode: Literal["podcast"] 전용

TIER 0 — Intent Classifier​

역할: 사용자 입력 분류 + 실행 계획 수립 + 1차 위기 감지

핵심 동작:

  • rule-based 키워드 감지 + LLM 분류 (Haiku APAC CRIS)
  • complexity_score (0.0~1.0) 산출 — Podcast Reasoning의 GoT 추론 깊이에 영향
  • execution_plan 생성 (TIER 경로 결정)
  • risk_level, risk_score, safety_flags 초기 설정 (Safety Agent가 덮어씀)
  • Redis 캐시 (선택적 활성화)

출력 필드: intent, risk_level, risk_score, safety_flags, execution_plan, next_step

TIER 1 — 병렬 Fan-out (asyncio)​

4개 에이전트가 동시 실행. asyncio.as_completed() 방식.

Safety Agent​

역할: 위험 레벨 판정 + CRISIS 선점

  • 위험 레벨 L0(Safe)~L4(Emergency) 판정
  • SAFETY_MESSAGES 상수로 required_in_script 주입 → Script Personalizer에서 최종 출력에 삽입
  • CRISIS 흐름 (PR #159 최신화): safety_flags.status='crisis' 판정 시 cancel_event 미발행. TIER 2~4는 LLM 미호출 + 하드코딩 위기 응답 폴백으로 즉시 응답. cancel_event는 TIER 1 타임아웃 전용으로만 사용됨 (workflow.py:378)
  • next_step="crisis_response" 설정 후 파이프라인 즉시 단락

출력 필드: risk_level, risk_score, safety_flags, next_step

Emotion Agent​

역할: 감정 벡터 추출

  • valence (-1.01.0), arousal (0.01.0) 산출
  • AgentDataPublisher로 백엔드 저장 (emotion_logs)
  • _build_intent_context()로 프롬프트 토큰 400~700개 절약

출력 필드: emotion_vectors

Content Analyzer​

역할: 팟캐스트 주제/구조 분석

  • complexity 기반 분석 깊이: light | moderate | deep
  • target_duration: 3~5분 범위 검증
  • narrative_structure: personal_story | expert_qa | reflection | comparative
  • AgentDataPublisher로 백엔드 저장 (content_analyses)

출력 필드: content_analysis (main_theme, sub_themes, target_duration, narrative_structure, depth)

Podcast Reasoning​

역할: GoT→ToT→CoT 추론으로 에피소드 구조 기획

  • full_threshold=0.0 → 모든 요청이 Full GoT+ToT+CoT 실행
  • GoT 결과를 Neo4j에 저장 (_save_got_to_neo4j())
  • MySQL 누적 그래프 업데이트 (publish_graph_to_rdb())
  • 조건부 DI 호출: complexity ≥ 0.6 → Episode Memory, complexity ≥ 0.5 → Knowledge Agent

출력 필드: reasoning_result (episode_structure, got_graph, tot_branches, selected_strategy)

독립 에이전트 (DI 패턴)​

StateGraph 노드가 아닌 Podcast Reasoning이 직접 메서드 호출로 사용.

Episode Memory​

  • KT Cloud RAG Suite Embedding passage 엔드포인트 사용 (저장 경로)
  • KT Cloud 임베딩 엔드포인트 구성 (query/passage/textgen)
  • Phase별 컨텍스트 주입 — GoT/ToT/CoT 단계별로 분리하여 Podcast Reasoning 내부 phase 경로에 맞게 삽입 (PR #134)
  • Pinecone 직접 HTTP API
  • Pinecone 인덱스: **rag-suite-knowledge**로 통일 (PR #153), 네임스페이스: mem_podcast_episode_{user_id}
  • 임계값 0.25 (PR #155, KT Cloud Query↔Passage 실측 score 0.20~0.35 반영)
  • chunk_size=400, top_k=5

Knowledge Agent​

  • Expert RAG 5단계: expand_query → search_kb → get_docs → assess_applicability → synthesize
  • Pinecone 인덱스: **rag-suite-knowledge**로 통일 (PR #153, 단일 통합 인덱스)
  • DI(pinecone_client, embedding_client, db_client)

TIER 2 — Script Generator & Visualization (병렬)​

Script Generator​

역할: 팟캐스트 스크립트 세그먼트별 배치 생성

  • WORDS_PER_MINUTE=150 (KBS 아나운서 기준 발화 속도)
  • 세그먼트 순서대로 생성 (이전 세그먼트 마지막 150자 context 주입)
  • 재시도 시 validation_result의 revision_feedback 주입

출력 필드: script_draft (episode_title, segments, key_insights, total_duration)

Visualization​

역할: 에피소드 커버 이미지 생성

  • AWS Bedrock Titan Image Generator v2 (amazon.titan-image-generator-v2:0, us-east-1)
  • boto3로 S3 업로드 (mindlog-images/vis/ 프리픽스)
  • 내부 retry loop
  • SKIP_VISUALIZATION=true 환경변수로 건너뛰기 가능 (개발/테스트용)

출력 필드: visual_data (image_url, generation_model, status)

TIER 3 — Batch Validator​

역할: 스크립트 품질 검증 + 재시도 제어

  • verdict: PASS | FAIL | CRITICAL_FAIL
  • action.decision: approve | revise | escalate
  • FAIL 시 next_step="retry_tier2" → Script Generator 재실행
  • max_retries=1 (settings.yaml) 초과 시 forced_pass=true로 강제 통과

출력 필드: validation_result (verdict, action, scores, forced_pass)

TIER 4 — Script Personalizer​

역할: 사용자 성향에 맞게 스크립트 개인화

  • rule-based: FORMALITY_REPLACEMENTS, STYLE_MAPPINGS, ATTITUDE_SETTINGS 테이블 기반 변환
  • optional LLM deep: deep_personalization: false (settings.yaml, 기본 비활성)
  • warning 상태 시 required_in_script 문구를 final_output 말미에 삽입
  • 완료 시 memory_write=True, memory_text, memory_metadata를 AgentState에 기록

출력 필드: final_output, memory_write, memory_text, memory_metadata

8종 호스트 페르소나 (PR #152)​

사용자 맞춤 진행자 페르소나를 Script Personalizer에 주입합니다. 상세 정의는 config/app_config.py:121-170에 위치하며, 각 항목은 formality / attitude / keywords 세 축으로 구성됩니다.

#호스트 페르소나formalityattitudekeywords
1따뜻한 공감자informalempathetic공감, 위로, 따뜻함
2이성적인 분석가formalanalytical분석, 논리, 객관
3열정적인 코치informalmotivational동기부여, 열정, 실행
4고요한 새벽지기formalcalm고요, 성찰, 새벽
5유쾌한 팩트폭격기informaldirect팩트, 유머, 솔직
6몰입형 이야기꾼informalnarrative서사, 몰입, 스토리
7신뢰의 전문가formalauthoritative전문성, 신뢰, 검증
8편안한 동네 친구informalfriendly편안, 일상, 친근

비동기 후처리 (async_post_processing)​

TIER 4 완료 후 비동기 실행:

  • Learning Agent: BackendClient.save(RESOURCE_LEARNING) 호출. AgentState 변경 없음.
  • Episode Memory 저장: memory_write=True이면 memory_text + memory_metadata를 Pinecone에 저장.

노드 인터페이스 규칙​

# 매 요청마다 새 인스턴스 생성 — 동시 요청 간 상태 격리
async def agent_node(state: AgentState) -> dict[str, Any]:
    agent = SomeAgent()
    return await agent.process(state)

모든 노드 함수는 이 패턴을 따름. 모듈 레벨 싱글톤 금지 (v27에서 전면 제거).

타임아웃 (settings.yaml)​

TIER타임아웃
TIER 020s
TIER 1 (병렬)60s
TIER 2 (병렬)280s
TIER 3100s
TIER 420s
async60s