feat: Tier 4 대응 권고 LLM+RAG 구현

agents/response.py

@@ -1,11 +1,127 @@
-"""Tier 4 대응 권고 에이전트 (M2에서 구현)
+"""Tier 4 대응 권고 에이전트
 
-입력: 알람 컨텍스트 + Tier 1·2·3 결과
-출력: core.schema.Tier4 (즉시 조치 + 중장기 조치 + 근거 자료)
-모델: GPT-5 (오케스트레이터급) + RAG, SOP/표준 절차 문서 검색
+알람 + Tier 1/2/3 결과와 RAG 지식을 바탕으로
+- immediate: 즉시 조치 목록 (LLM)
+- longterm: 중장기 조치 목록 (LLM)
+- refs: 근거 자료 (RAG로 검색된 문서 ID와 제목, 결정론적)
+
+모델: GPT-5 mini (agents.llm.SUBAGENT_MODEL)
 """
+import json
+
+from agents.llm import SUBAGENT_MODEL, client
+from agents.rag.store import load_document, search
 from core.schema import Tier1, Tier2, Tier3, Tier4
 
+TOP_K_DOCS = 4
+
+# LLM이 채울 부분만 스키마로, refs는 검색 결과에서 결정론적으로 구성
+LLM_PART_SCHEMA = {
+    "type": "object",
+    "properties": {
+        "immediate": {
+            "type": "array",
+            "items": {
+                "type": "object",
+                "properties": {
+                    "text": {"type": "string"},
+                    "meta": {"type": ["string", "null"]},
+                },
+                "required": ["text", "meta"],
+                "additionalProperties": False,
+            },
+        },
+        "longterm": {
+            "type": "array",
+            "items": {
+                "type": "object",
+                "properties": {
+                    "text": {"type": "string"},
+                    "meta": {"type": ["string", "null"]},
+                },
+                "required": ["text", "meta"],
+                "additionalProperties": False,
+            },
+        },
+    },
+    "required": ["immediate", "longterm"],
+    "additionalProperties": False,
+}
+
+SYSTEM_PROMPT = """당신은 반도체 공정 대응 권고 전문가입니다.
+이상 알람과 그동안의 분석(탐지·원인·영향)을 종합하여 구체적인 조치를 권고합니다.
+
+산출물:
+1. immediate: 즉시 조치 (시간 단위 안에 수행, 예: PM 투입, 후공정 hold, 일정 재조정)
+2. longterm: 중장기 조치 (재발 방지, PM 주기 조정, 모니터링 강화, 절차 개정)
+
+각 조치는 text(권고 본문)와 meta(부가 정보, 예: "예상 2시간", "Etch hold", "PPC 협조")로 구성합니다.
+meta가 필요 없으면 null로 둡니다. 제공된 지식 문서를 근거로 작성하고, 근거가 약한 권고는 포함하지 않습니다."""
+
+
+def _doc_description(doc_id: str) -> str:
+    """문서 첫 줄(# 제목)에서 ID 다음 부분을 desc로 추출"""
+    text = load_document(doc_id)
+    if not text:
+        return doc_id
+    first_line = text.split("\n", 1)[0].lstrip("# ").strip()
+    for sep in (" — ", " - "):
+        if sep in first_line:
+            return first_line.split(sep, 1)[1].strip()
+    return first_line
+
+
+def _build_query(alarm: dict, tier2: Tier2) -> str:
+    causes = " ".join(c["name"] for c in tier2["causes"])
+    return f"{alarm['title']} 대응 PM 조치 보류 재조정 모니터링 {causes}"
+
 
 def run_response(alarm: dict, tier1: Tier1, tier2: Tier2, tier3: Tier3) -> Tier4:
-    raise NotImplementedError("M2: Tier 4 대응 권고 에이전트 구현 예정")
+    doc_ids = search(_build_query(alarm, tier2), top_k=TOP_K_DOCS)
+    knowledge = "\n\n".join(f"[{d}]\n{load_document(d)}" for d in doc_ids)
+
+    cause_lines = "\n".join(
+        f"- {c['name']} ({c['pct']}%)" for c in tier2["causes"]
+    )
+    impact_lots_text = ", ".join(
+        f"{l['label']} {l['lots']}lot/{l['wafers']}장" for l in tier3["impact_lots"]
+    )
+    user_prompt = f"""## 이상 알람
+- 공정: {alarm['title']}
+- lot: {alarm['lot_id']}
+
+## Tier 1 이상 탐지
+- 이상 점수: {tier1['score']}
+
+## Tier 2 원인 (기여도 순)
+{cause_lines}
+
+## Tier 3 영향
+- 예상 수율 손실: {tier3['yield_loss']} %p
+- 영향 WIP: {impact_lots_text}
+
+## 사내 지식 문서
+{knowledge}
+
+위 분석을 종합해 immediate와 longterm 조치를 권고해 주세요."""
+
+    resp = client().chat.completions.create(
+        model=SUBAGENT_MODEL,
+        messages=[
+            {"role": "system", "content": SYSTEM_PROMPT},
+            {"role": "user", "content": user_prompt},
+        ],
+        response_format={
+            "type": "json_schema",
+            "json_schema": {"name": "tier4_part", "schema": LLM_PART_SCHEMA, "strict": True},
+        },
+    )
+    llm_out = json.loads(resp.choices[0].message.content)
+
+    refs = [{"id": d, "desc": _doc_description(d)} for d in doc_ids]
+
+    return {
+        "immediate": llm_out["immediate"],
+        "longterm": llm_out["longterm"],
+        "refs": refs,
+    }