hgzero/design/backend/sequence/inner/ai-결정사항제안.puml

@startuml
!theme mono

title AI Service 내부 시퀀스 - 결정사항제안

participant "SuggestionController" as Controller
participant "DecisionSuggestionService" as Service
participant "LLMClient" as LLM
participant "SuggestionRepository" as Repo
participant "TranscriptRepository" as TranscriptRepo
database "Azure OpenAI<<E>>" as OpenAI
database "PostgreSQL<<E>>" as DB

== 실시간 결정사항 제안 요청 ==

note over Controller
  TranscriptService로부터 호출
  또는 API 직접 호출:
  POST /api/ai/suggestions/decision
  Body: {
    "meetingId": "{meetingId}",
    "transcriptText": "최근 대화 내용"
  }
end note

Controller -> Service: suggestDecisions(meetingId, transcriptText)
activate Service

== 회의 맥락 및 이전 결정 조회 ==

Service -> TranscriptRepo: getMeetingContext(meetingId)
activate TranscriptRepo

TranscriptRepo -> DB: SELECT meeting_info, participants\nFROM meeting_context
activate DB

DB --> TranscriptRepo: 회의 정보
deactivate DB

TranscriptRepo --> Service: meetingContext
deactivate TranscriptRepo

Service -> Repo: getPreviousDecisions(meetingId)
activate Repo

Repo -> DB: SELECT content FROM ai_suggestions\nWHERE meeting_id = {meetingId}\nAND suggestion_type = 'DECISION'\nAND status = 'APPLIED'
activate DB

DB --> Repo: 이미 확정된 결정사항
deactivate DB

Repo --> Service: previousDecisions
deactivate Repo

== LLM 기반 결정사항 패턴 감지 ==

Service -> Service: 결정사항 감지 프롬프트 생성
note right
  시스템 프롬프트:
  - 역할: 결정사항 추출 전문가
  - 목표: 대화에서 결정 패턴 감지

  결정 패턴 예시:
  - "~하기로 했습니다"
  - "~로 결정했습니다"
  - "~하는 것으로 합의했습니다"
  - "~로 진행하겠습니다"
  - "~은 이렇게 처리하겠습니다"

  사용자 프롬프트:
  - 회의 참석자: {participants}
  - 이미 확정된 결정: {previousDecisions}
  - 현재 대화 내용: {transcriptText}

  지시사항:
  - 위 패턴이 포함된 문장 찾기
  - 결정 내용 구조화
  - 결정자/참여자 식별
  - 결정 카테고리 분류
  - 신뢰도 점수 계산

  응답 형식:
  {
    "decisions": [
      {
        "content": "결정 내용",
        "category": "기술|일정|리소스|정책|기타",
        "decisionMaker": "결정자 이름",
        "participants": ["참여자1", "참여자2"],
        "confidence": 0.0-1.0,
        "extractedFrom": "원문 발췌",
        "context": "결정 배경"
      }
    ]
  }
end note

Service -> LLM: detectDecisionPatterns(prompt)
activate LLM

LLM -> OpenAI: POST /chat/completions
activate OpenAI
note right
  요청 파라미터:
  - model: gpt-4o
  - temperature: 0.2
    (정확한 패턴 감지 위해 낮은 값)
  - response_format: json_object
  - max_tokens: 1500
end note

OpenAI -> OpenAI: 대화 텍스트 분석
note right
  처리 단계:
  1. 문장별로 결정 패턴 검사
  2. "하기로 함" 등 키워드 탐지
  3. 결정 내용 추출 및 정리
  4. 발언자 식별 (누가 결정했나)
  5. 결정 맥락 파악
  6. 신뢰도 계산
     - 명확한 결정 표현: 0.9-1.0
     - 암묵적 합의: 0.7-0.9
     - 추정: 0.5-0.7
  7. 카테고리 분류
     - 기술: 기술 스택, 아키텍처
     - 일정: 마감일, 일정 조정
     - 리소스: 인력, 예산
     - 정책: 프로세스, 규칙
end note

OpenAI --> LLM: 결정사항 제안 목록 (JSON)
deactivate OpenAI

LLM --> Service: decisionSuggestions
deactivate LLM

== 제안 검증 및 필터링 ==

Service -> Service: 결정사항 검증
note right
  검증 기준:
  - 신뢰도 70% 이상만 선택
  - 중복 제거 (이미 확정된 결정)
  - 명확성 검증
    * 주어, 목적어가 명확한가?
    * 결정 내용이 구체적인가?
  - 카테고리별 정렬
  - 신뢰도 높은 순 정렬
end note

loop 각 제안마다

    Service -> Service: 제안 메타데이터 보강
    note right
      추가 정보:
      - 생성 시각
      - 회의 진행 시점 (분)
      - 원문 위치 (라인 번호)
      - 상태: PENDING
      - 관련 논의사항 참조
    end note

end

== 제안 저장 ==

loop 각 검증된 제안마다

    Service -> Repo: saveSuggestion(meetingId, decision)
    activate Repo

    Repo -> DB: INSERT INTO ai_suggestions
    activate DB
    note right
      저장 데이터:
      - meeting_id
      - suggestion_type: 'DECISION'
      - content: {decision 내용}
      - category: 결정 카테고리
      - decision_maker: 결정자
      - participants: 참여자 목록 (JSON)
      - confidence_score: 0.0-1.0
      - extracted_from: 원문
      - context: 결정 배경
      - status: PENDING
      - created_at
    end note

    DB --> Repo: suggestionId
    deactivate DB

    Repo --> Service: suggestionId
    deactivate Repo

end

== 응답 구성 ==

Service -> Service: 응답 데이터 구성
note right
  프론트엔드 전달 형식:
  {
    "suggestions": [
      {
        "id": "suggestion-uuid",
        "content": "결정 내용",
        "category": "기술",
        "decisionMaker": "김철수",
        "confidence": 0.85,
        "extractedFrom": "원문 발췌",
        "context": "결정 배경 설명",
        "canApply": true
      }
    ],
    "totalCount": 제안 개수,
    "displayHint": "오른쪽 탭 '결정사항' 섹션"
  }
end note

Service --> Controller: 결정사항 제안 생성 완료
deactivate Service

Controller --> Controller: 200 OK 응답 반환
note right
  프론트엔드 처리:
  - 오른쪽 "추천" 탭의 "결정사항" 섹션 표시
  - "적용" 버튼 활성화
  - 신뢰도 표시 (%)
  - 카테고리별 아이콘 표시
  - 원문 보기 링크 제공
end note

== 사용자가 제안 적용 시 ==

note over Controller
  사용자가 "적용" 버튼 클릭 시:
  PUT /api/ai/suggestions/{suggestionId}/apply
end note

Controller -> Service: applySuggestion(suggestionId, meetingId)
activate Service

Service -> Repo: updateSuggestionStatus(suggestionId, "APPLIED")
activate Repo

Repo -> DB: UPDATE ai_suggestions\nSET status = 'APPLIED',\napplied_at = NOW()
activate DB

DB --> Repo: 업데이트 완료
deactivate DB

Repo --> Service: 완료
deactivate Repo

Service -> Service: 결정사항을 회의록에 추가
note right
  Meeting Service API 호출하여
  "결정사항" 섹션에 항목 추가
end note

Service --> Controller: 적용 완료
deactivate Service

Controller --> Controller: 200 OK

note over Controller, DB
처리 시간:
- 맥락 조회: 100-200ms
- LLM 패턴 감지: 2-3초
- 검증 및 필터링: 100-200ms
- 저장 처리: 200-300ms
총 처리 시간: 약 3-4초

제안 정책:
- 신뢰도 70% 이상만 제안
- 명확한 결정 표현 우선
- 중복 제거 (이미 확정된 것 제외)
- 카테고리별로 최대 10개까지
- 실시간으로 계속 감지
end note

@enduml