3단계_서비스_아키텍처_모듈화_성향기반_익명닉네임_생성

✅ 전체 시스템 아키텍처

---

2. 각 모듈의 책임(domain) 및 기능 설명

---

nickname.py (MVP: 익명 닉네임 생성 메인 API)

FastAPI 기반으로 구성된 이 모듈은 사용자의 성향(MBTI) 및 취미 데이터를 기반으로
대형 언어 모델(LLM)을 호출하여 감성적이고 익명성이 있는 닉네임을 생성합니다.
LangChain, RAG, MCP 등 다양한 AI 컴포넌트들과 연결되도록 설계되었습니다.

---

1. 입력 방식 (POST)

• 엔드포인트: /ai/nickname/generate
• 요청 방식: POST

입력 파라미터

파라미터명	타입	설명
user_id	str	사용자 고유 식별자
mbti	str	MBTI 유형 (예: INFP, ESTJ)
hobby	str	사용자 취미 키워드 (예: 독서, 여행)

---

2. 내부 모듈 및 모델 구성

이 API는 다음과 같은 서브모듈 및 컴포넌트와 함께 동작합니다:

• InputParsing
  사용자의 MBTI 및 취미 데이터를 템플릿화된 자연어 프롬프트로 구조화

• LangChain PromptTemplate
  닉네임 생성을 위한 감성 프롬프트 구성 (조건: 익명성, 감성 표현, 길이 제한 등)

• LLMInvocation
  LangChain을 통해 LLM을 호출하고, MCP를 기반으로 적절한 모델(Gemma, LLaMA 등)을 선택하여 생성

• FilteringModule
  생성된 닉네임 리스트에서 욕설, 조건 불충족 항목, 중복 결과를 필터링

• RAG Retrieval
  기존 닉네임 DB 또는 유사 사용자 데이터로부터 생성 결과를 보강

• MCP (Model Control Pipeline)
  생성 상황, 입력 조건에 따라 가장 적절한 언어모델을 자동으로 선택

---

3. 출력 결과 예시

{
  "user_id": "user123",
  "nicknames": [
    "사색하는별빛",
    "감성탐험가",
    "책읽는여행자"
  ]
}

3. 모듈 간 인터페이스 설계

출발 → 도착	방식	포맷	설명
Frontend → Backend	REST	JSON	사용자 입력 전달
Backend → Gateway	내부 REST	JSON	보안 인증 후 라우팅
Gateway → Input Parser	내부 호출	Dict	구조화된 입력 가공
Parser → LangChain	Chain API	PromptTemplate	템플릿 기반 LLM 호출 구성
LangChain ↔ MCP	설정 객체	Dict	모델 선택 및 파라미터 전달
LangChain ↔ RAG	벡터 검색	문장 리스트	유사 닉네임 데이터 제공
LangChain → LLM	Prompt 호출	텍스트	닉네임 생성 요청
LLM → Filter	문자열 리스트	문자열 배열	결과 정제
Filter → LangChain	상태 코드	Bool	재생성 여부 전달
Backend → Dataset	로그 저장	JSON	전체 요청/응답 기록
Dataset → Semantic Similarity	검색 + 비교	벡터	입력 문장 기반 MBTI 예측
Semantic Similarity → Processing	내부 호출	ChatML 포맷	추론 결과 정제

---

4. 모듈화로 기대되는 효과

항목	효과
🔧 유지보수성	각 기능이 독립되어 수정 및 테스트가 용이함
🧪 실험 유연성	모델, 프롬프트, 필터링 등 개별 실험 가능
🔁 재사용성	LangChain, MCP, Filtering 모듈은 다른 AI 프로젝트에서도 사용 가능
📈 확장성	추후 감정 기반 추천, 스타일 필터 기능 추가 용이
🔐 보안성	Gateway 중심 구조로 인증/트래픽 관리 강화
🧠 학습 고도화	Dataset 로그 기반 사용자 행동 분석 가능

---

5. 모듈화 구조가 시나리오에 적합한 이유

• 사용자 성향 기반 익명 닉네임 생성이라는 목적은 다양한 입력(MBTI, 취미, 문장)을 다루며, 프롬프트 구성·LLM 호출·후처리 등 복잡한 처리 과정이 요구됨
• 따라서 각 처리 단계를 독립 모듈로 나눠야 확장성과 실험 유연성이 확보됨
• 모델(MCP), 추천 맥락(RAG), 필터링 등은 서로 영향을 주기 때문에 모듈화 없이 복잡도가 높아짐
• 이 구조는 실시간 응답, 자동 성향 분석, 생성 품질 개선 등 복합 목적에 모두 대응 가능한 구조임

---