app.py

# ============================================================
# 실습 4 (웹 배포판): 네이버 뉴스 기반 팩트체크 파이프라인
#   - 원본 CLI 스크립트(langgraph_factcheck.py)를 Streamlit 웹앱으로 변환
#   - Hugging Face Spaces(SDK: Streamlit)에 그대로 올려 배포하는 것을 목표로 함
# ============================================================
#
# [이 파일이 원본과 다른 점]
#   1) print(...) 로 터미널에 찍던 출력을 → 화면(Streamlit 위젯)으로 보여준다.
#   2) 코드에 박아두던 주장(claim) 을 → 사용자가 입력창에 직접 넣는다.
#   3) API 키를 .env 가 아니라 → Hugging Face "Secrets"(=환경변수)에서 읽는다.
#   4) 그래프(LangGraph) 조립은 매 실행마다 다시 만들 필요가 없으므로
#      @st.cache_resource 로 한 번만 만들어 재사용한다(속도/비용 절약).
#
# [Hugging Face Spaces 배포 방법 — 요약]
#   - Space 생성 시 SDK를 "Streamlit" 으로 선택한다.
#   - 이 파일 이름을 app.py 로 두면 Spaces가 자동으로 실행한다(진입점).
#   - requirements.txt 에 의존성(아래 목록)을 적어 둔다.
#   - Space의 Settings → "Repository secrets" 에 아래 3개 키를 등록한다:
#       GEMINI_API_KEY, NAVER_CLIENT_ID, NAVER_CLIENT_SECRET
#     (Secrets에 넣으면 코드에서 os.environ 으로 읽을 수 있다.)
# ============================================================


# ── 환경 설정 ──────────────────────────────────────────────
import os
import re
import requests
import streamlit as st

# 로컬에서 테스트할 때만 .env 를 읽는다.
#   - Hugging Face Spaces 에서는 .env 파일이 없고 Secrets(환경변수)로 주입되므로,
#     python-dotenv 가 없거나 .env 가 없어도 오류 없이 넘어가도록 try 로 감싼다.
try:
    from dotenv import load_dotenv
    load_dotenv()
except Exception:
    pass

# Gemini 라이브러리는 GOOGLE_API_KEY 라는 이름을 찾는다.
#   - 우리가 등록한 건 GEMINI_API_KEY 이므로, 값이 있으면 그 이름으로 복사해 준다.
if os.environ.get("GEMINI_API_KEY"):
    os.environ["GOOGLE_API_KEY"] = os.environ["GEMINI_API_KEY"]


# ── 패키지 임포트 ──────────────────────────────────────────
from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langchain_google_genai import ChatGoogleGenerativeAI


# ============================================================
# 0단계: 페이지 기본 설정 — 브라우저 탭 제목, 아이콘, 레이아웃
# ============================================================
st.set_page_config(
    page_title="뉴스 기반 팩트체크",   # 브라우저 탭에 뜨는 제목
    page_icon="🔎",                    # 탭 아이콘(파비콘)
    layout="centered",                  # 가운데 정렬 레이아웃
)


# ============================================================
# 1단계: 상태(State) 정의 — 그래프 전체에서 공유하는 데이터
# ============================================================
# 노드들이 차례로 이 딕셔너리의 빈 칸을 채워 나간다. (원본과 동일)
class FactCheckState(TypedDict):
    claim: str       # [입력] 검증할 주장 (예: "한국은행이 기준금리를 인상했다")
    query: str       # extract_query가 채움: 뉴스 검색에 쓸 검색어
    evidence: str    # search_news가 채움: 검색된 뉴스 원문(제목+본문)
    summary: str     # summarize가 채움: 근거로 쓸 요약문
    verdict: str     # fact_check가 채움: 최종 판정 결과


# ── 네이버 뉴스 검색 "도구" 함수 ────────────────────────────
# LLM에게 주는 게 아니라 우리가 직접 호출하는 일반 함수다. (원본과 동일)
def naver_news_search(query: str, display: int = 5) -> str:
    """네이버 뉴스 검색 API를 호출해 상위 기사 몇 개의 제목+요약을 문자열로 돌려준다."""
    cid = os.environ.get("NAVER_CLIENT_ID", "")
    secret = os.environ.get("NAVER_CLIENT_SECRET", "")
    if not cid or not secret:
        return "(네이버 API 키 없음 — Spaces Secrets의 NAVER_CLIENT_ID / NAVER_CLIENT_SECRET 확인)"

    url = "https://openapi.naver.com/v1/search/news.json"
    headers = {                          # 네이버는 헤더로 인증한다
        "X-Naver-Client-Id": cid,
        "X-Naver-Client-Secret": secret,
    }
    params = {"query": query, "display": display, "sort": "sim"}  # sim=정확도순

    try:
        r = requests.get(url, headers=headers, params=params, timeout=10)
        r.raise_for_status()             # 200이 아니면 예외 발생
        items = r.json().get("items", [])
    except Exception as e:
        return f"(뉴스 검색 실패: {e})"

    if not items:
        return "(검색 결과 없음)"

    # 결과의 <b></b> 같은 HTML 태그와 특수문자를 제거해 깔끔한 텍스트로 만든다
    def clean(text: str) -> str:
        text = re.sub(r"<[^>]+>", "", text)        # 모든 <...> 태그 제거
        text = text.replace("&quot;", '"').replace("&amp;", "&")
        text = text.replace("&lt;", "<").replace("&gt;", ">").replace("&nbsp;", " ")
        return text.strip()

    lines = []
    for i, it in enumerate(items, 1):    # enumerate(..., 1): 번호를 1부터 매김
        title = clean(it.get("title", ""))
        desc = clean(it.get("description", ""))
        lines.append(f"{i}) {title}\n   {desc}")
    return "\n".join(lines)


# ============================================================
# 2단계: 그래프(LLM + 노드 + 엣지) 만들기
# ============================================================
# @st.cache_resource :
#   - "한 번 만든 무거운 객체(여기선 컴파일된 그래프)를 메모리에 캐싱"하는 데코레이터.
#   - 사용자가 버튼을 누를 때마다 그래프를 새로 조립하면 느리고 낭비이므로,
#     최초 1회만 만들고 그 뒤로는 같은 객체를 재사용한다.
@st.cache_resource(show_spinner="🧠 팩트체크 엔진을 준비하는 중...")
def build_app():
    # ── LLM(두뇌) 초기화 ──
    #   temperature=0 : 팩트체크는 일관성이 중요하므로 창의성을 최소화한다.
    llm = ChatGoogleGenerativeAI(model="gemini-2.5-flash-lite", temperature=0)

    # ── 노드 1: 주장에서 검색어 뽑기 ──
    def extract_query(state: FactCheckState) -> dict:
        claim = state["claim"]
        prompt = (
            f"다음 주장을 사실 확인하려고 한다. 네이버 뉴스에서 검색할 핵심 키워드만 "
            f"5단어 이내로, 다른 말 없이 키워드만 출력해라.\n주장: {claim}"
        )
        query = llm.invoke(prompt).content.strip()
        return {"query": query}          # 바뀐 키만 반환 → LangGraph가 상태에 합쳐 줌

    # ── 노드 2: 네이버 뉴스 검색 ──
    def search_news(state: FactCheckState) -> dict:
        evidence = naver_news_search(state["query"], display=5)
        return {"evidence": evidence}

    # ── 노드 3: 근거 요약 ──
    def summarize(state: FactCheckState) -> dict:
        prompt = (
            "다음 뉴스 검색 결과를 사실 확인의 근거로 쓰려고 한다. "
            "핵심 사실만 3~4문장으로 요약해라. 추측은 빼고 보도된 내용만.\n\n"
            f"{state['evidence']}"
        )
        summary = llm.invoke(prompt).content.strip()
        return {"summary": summary}

    # ── 노드 4: 팩트체크 (요약을 근거로 진위 판정) ──
    def fact_check(state: FactCheckState) -> dict:
        prompt = (
            "너는 팩트체커다. 아래 '근거'(뉴스 요약)만을 토대로 '주장'의 진위를 판정해라.\n"
            "형식을 정확히 지켜 출력:\n"
            "판정: [사실 / 거짓 / 불확실] 중 하나\n"
            "이유: 근거에 비춰 1~2문장\n\n"
            f"[주장]\n{state['claim']}\n\n"
            f"[근거]\n{state['summary']}"
        )
        verdict = llm.invoke(prompt).content.strip()
        return {"verdict": verdict}

    # ── 그래프 조립 — 노드를 한 줄로 이어 파이프라인 구성 ──
    graph = StateGraph(FactCheckState)
    graph.add_node("extract_query", extract_query)
    graph.add_node("search_news", search_news)
    graph.add_node("summarize", summarize)
    graph.add_node("fact_check", fact_check)

    # 분기 없이 한 방향으로 쭉 흐른다 (직선형 워크플로우)
    #   [START] → extract_query → search_news → summarize → fact_check → [END]
    graph.add_edge(START, "extract_query")
    graph.add_edge("extract_query", "search_news")
    graph.add_edge("search_news", "summarize")
    graph.add_edge("summarize", "fact_check")
    graph.add_edge("fact_check", END)

    return graph.compile()               # 컴파일된 실행 가능한 앱 객체를 돌려준다


# ============================================================
# 3단계: 화면(UI) 구성
# ============================================================
st.title("🔎 뉴스 기반 팩트체크")
st.caption("LangGraph 워크플로우 · 네이버 뉴스 검색 · Gemini")

# 사이드바: 앱 설명과 동작 원리를 접어서(expander) 보여준다.
with st.sidebar:
    st.header("ℹ️ 어떻게 동작하나요?")
    st.markdown(
        """
        주장 하나를 입력하면 아래 **4단계 파이프라인**이 순서대로 흐릅니다.

        1. **검색어 추출** — 주장에서 핵심 키워드를 뽑습니다.
        2. **뉴스 검색** — 네이버 뉴스 API로 관련 기사를 모읍니다.
        3. **근거 요약** — 검색 결과의 핵심 사실만 요약합니다.
        4. **진위 판정** — 요약을 근거로 사실/거짓/불확실을 판정합니다.

        > LLM의 '기억'이 아니라 '최신 뉴스'를 근거로 삼는 것이 핵심입니다.
        """
    )
    st.divider()
    st.markdown(
        "**배포 메모**: 이 앱은 `GEMINI_API_KEY`, `NAVER_CLIENT_ID`, "
        "`NAVER_CLIENT_SECRET` 환경변수가 필요합니다."
    )

# ── 필수 환경변수 점검 ──
#   키가 없으면 LLM 호출이 실패하므로, 미리 친절히 안내하고 멈춘다.
missing = [
    name for name in ("GEMINI_API_KEY", "NAVER_CLIENT_ID", "NAVER_CLIENT_SECRET")
    if not os.environ.get(name)
]
if missing:
    st.error(
        "다음 환경변수가 설정되지 않았습니다: "
        + ", ".join(f"`{m}`" for m in missing)
        + "\n\nHugging Face Space의 **Settings → Repository secrets** 에 등록해 주세요."
    )
    st.stop()                            # 키가 없으면 아래 코드를 실행하지 않고 중단

# ── 예시 주장(샘플) — 버튼으로 입력창을 빠르게 채워 볼 수 있게 ──
EXAMPLES = [
    "한국은행이 최근 기준금리를 동결했다.",
    "삼성전자가 3나노 공정 양산을 시작했다.",
]

# st.session_state : 사용자가 버튼을 눌렀을 때의 값을 다음 실행까지 기억하는 저장소.
#   - "claim_text" 키가 아직 없으면 첫 예시로 초기화한다.
if "claim_text" not in st.session_state:
    st.session_state["claim_text"] = EXAMPLES[0]

st.write("**예시로 빠르게 시작하기:**")
cols = st.columns(len(EXAMPLES))         # 예시 개수만큼 가로 칸을 만든다
for col, example in zip(cols, EXAMPLES):
    # 예시 버튼을 누르면 입력창(claim_text)에 그 문장을 넣어 준다.
    if col.button(example, use_container_width=True):
        st.session_state["claim_text"] = example

# ── 주장 입력창 ──
#   key="claim_text" 로 위 session_state 와 연결 → 예시 버튼 클릭이 즉시 반영된다.
claim = st.text_area(
    "검증할 주장을 입력하세요",
    key="claim_text",
    height=80,
    placeholder="예: 한국은행이 최근 기준금리를 동결했다.",
)

# ── 실행 버튼 ──
run = st.button("✅ 팩트체크 실행", type="primary", use_container_width=True)


# ============================================================
# 4단계: 버튼을 눌렀을 때 — 파이프라인 실행 & 결과 표시
# ============================================================
if run:
    # 빈 입력 방어
    if not claim.strip():
        st.warning("주장을 먼저 입력해 주세요.")
        st.stop()

    app = build_app()                    # 캐시된 그래프를 가져온다(최초 1회만 조립)

    # 단계별 진행 상황을 사용자가 볼 수 있도록 status 위젯을 쓴다.
    #   - 각 노드를 직접 호출하지 않고, 전체 그래프를 invoke 하면 결과만 한 번에 나온다.
    #   - 학습용으로 "어떤 단계가 도는 중인지"를 보여주기 위해 단계 메시지를 함께 띄운다.
    with st.status("파이프라인 실행 중...", expanded=True) as status:
        try:
            st.write("① 검색어 추출 → ② 뉴스 검색 → ③ 근거 요약 → ④ 진위 판정")
            # invoke: START부터 END까지 파이프라인을 한 번 실행하고 최종 상태를 돌려준다.
            #   비어 있는 칸(query/evidence/summary/verdict)을 노드들이 채워 나간다.
            result = app.invoke({
                "claim": claim,
                "query": "",
                "evidence": "",
                "summary": "",
                "verdict": "",
            })
            status.update(label="완료!", state="complete", expanded=False)
        except Exception as e:
            # API 키 오류, 네트워크 오류 등은 여기서 잡아 화면에 보여준다.
            status.update(label="오류 발생", state="error")
            st.exception(e)
            st.stop()

    # ── 결과 출력 ──
    st.subheader("⚖️ 팩트체크 결과")

    verdict_text = result["verdict"]
    # 판정 키워드에 따라 색이 다른 박스로 강조한다(사실=초록, 거짓=빨강, 그 외=노랑).
    if "사실" in verdict_text and "거짓" not in verdict_text:
        st.success(verdict_text)
    elif "거짓" in verdict_text:
        st.error(verdict_text)
    else:
        st.warning(verdict_text)

    # 근거 요약은 접이식 박스로 함께 제공 → 판정의 '투명성' 확보.
    with st.expander("📰 근거로 쓴 뉴스 요약 보기", expanded=True):
        st.write(result["summary"])

    # 검색어와 원문 근거도 펼쳐 볼 수 있게 둔다(디버깅/학습용).
    with st.expander("🔧 자세히 보기 (검색어 · 뉴스 원문)"):
        st.markdown(f"**추출된 검색어:** `{result['query']}`")
        st.text(result["evidence"])


# ============================================================
# 학습 포인트 (원본 CLI 버전의 정리를 화면 하단에 그대로 보존)
# ============================================================
st.divider()
with st.expander("📝 이 실습에서 배운 것"):
    st.markdown(
        """
        1. **에이전트 vs 워크플로우**: 에이전트는 LLM이 도구를 스스로 고르고,
           워크플로우는 우리가 흐름(검색→요약→판정)을 미리 고정한다.
           흐름이 정해져 있으면 워크플로우가 더 예측 가능하고 안정적이다.
        2. **외부 API 활용**: 네이버 뉴스를 노드 안에서 호출해 LLM의 '기억'이 아닌
           '최신 뉴스'를 근거로 삼는다(RAG의 기본 아이디어).
        3. **상태 누적**: `claim → query → evidence → summary → verdict` 순으로
           상태의 빈 칸이 채워지며 정보가 풍부해진다.
        4. **투명성**: '요약을 근거로 판정'하는 구조라 사람이 판단 근거를 함께 확인할 수 있다.
        """
    )