<<<<<<< HEAD

입찰메이트 RFP RAG 시스템

코드잇 AI 4기 4팀 - 공공입찰 컨설팅 스타트업 ‘입찰메이트(BidMate)’ AI 엔지니어링 팀

📋 목차

• 프로젝트 개요
  
• 핵심 기능
  
• 팀 구성
  
• 기술 스택
  
• 시작하기
  
• 개발 일정
  
• 성과 및 결과
  

---

🎯 프로젝트 개요

미션

자연어 기반 질의를 통해 공공기관의 RFP(제안요청서) 문서에서
핵심 정보(사업명, 예산, 요구사항, 제출일 등)를 자동 추출·요약·검색하는
Retrieval-Augmented Generation (RAG) 시스템을 개발합니다.

배경

공공입찰 컨설팅 스타트업 입찰메이트(BidMate) 는
매일 수백 건의 RFP 문서를 검토해야 하며, 컨설턴트가 문서 전체를 수동으로 읽는 데 어려움을 겪고 있습니다.
본 시스템은 RFP 분석을 자동화하여 입찰 기회 탐색 및 컨설팅 효율을 향상시키는 것을 목표로 합니다.

프로젝트 제약사항

• 개발 기간: 2025.11.10 ~ 2025.11.28 (18일)
• 팀 구성: 4명 (PM 1명 + 전문가 3명)
• 데이터: 100개 RFP 문서(hwp/pdf) + 메타데이터(csv)
• 평가: 팀별 보고서 및 발표 (정확도, 응답 품질, 응답 속도 중심)

---

✨ 핵심 기능

graph LR
    A["사용자 질의 (예: '한국전력의 AI 기반 예측 요구사항 요약')"] --> B["문서 파싱 및 청킹"]
    B --> C["임베딩 생성 및 Vector DB 저장"]
    C --> D["유사 문서 검색 (Retrieval)"]
    D --> E["LLM 응답 생성 (RAG Pipeline)"]
    E --> F["결과 요약 및 출력"]

Loading

• 문서 파싱: PDF/HWP 포맷 자동 텍스트 변환
• 청킹 전략: 문단 기반 중첩 청킹 (최적 토큰 단위 실험)
• Retrieval: FAISS + MMR 기반 하이브리드 검색
• Generation: GPT-5-mini / Gemma 2B 등 비교 실험
• 대화형 질의응답: 후속 질문에서도 맥락 유지
• 결과 요약: 핵심 요구조건·예산·대상기관 자동 추출

👥 팀 구성

역할	담당자	핵심 업무
Project Manager	김민혁	프로젝트의 협업 과정을 매니징, 애자일/스프린트 방식으로 단위를 분리하고 회의를 주도, 성능 평가
데이터 처리 담당	김남중	문서별 메타데이터 처리, 문서 청킹 전략 설계 및 검증
Retrieval 담당	이현석	임베딩 생성 및 Vector DB 구축, 메타데이터 필터링 및 Retrieval 기법 고도화
Generation 담당	이재영	모델 선정 및 텍스트 생성 옵션 설정, 모델 응답 고도화, 대화 흐름 유지 및 히스토리 반영 전략 설계

🛠 기술 스택

AI Frameworks

• LLM: OpenAI GPT-5-mini / HuggingFace LLaMA 3
• Embedding: text-embedding-3-small / all-MiniLM-L6-v2
• Vector DB: FAISS, Chroma
• Pipeline: LangChain, LlamaIndex

Backend & Infra

• Python 3.10+, FastAPI, GCP L4 GPU VM
• Supabase (vector API), Docker, GitHub Actions

Evaluation Tools

• BLEU / ROUGE / F1
• Human Eval (응답 품질)
• Latency 측정

🚀 시작하기

시스템 요구사항

Hardware:
  GPU: "NVIDIA RTX 3060 이상 (선택 사항, HuggingFace 모델 로컬 실행 시 필요)"
  CPU: "Intel i7 또는 AMD Ryzen 5 이상"
  RAM: "16GB 이상 권장 (벡터 검색 및 캐시 효율성 확보)"
  Storage: "20GB 이상 (임베딩 및 문서 캐시 저장용)"

Software:
  OS: "Ubuntu 22.04 / Windows 10 이상"
  Python: "3.10+"
  CUDA: "12.0+ (옵션, GPU 모델 실험 시)"
  Key Libraries:
    - "langchain>=0.2.5"
    - "openai>=1.30.0"
    - "faiss-cpu>=1.8.0"
    - "chromadb>=0.5.0"
    - "pandas>=2.0.0"
    - "numpy>=1.25.0"
    - "fastapi>=0.110.0"

프로젝트 구조

📅 개발 일정

전체 타임라인

📊 성과 및 결과

=======

LangGraph RAG Starter

이 프로젝트는 LangGraph 기반으로 RAG 파이프라인을 빠르게 구성하기 위한 최소 템플릿입니다. LangGraph 전용 워크플로를 src/ 아래에서 정의합니다.

구성

LangGraph_rag/
├── README.md
├── requirements.txt
├── data/
│   ├── data_list.csv|xlsx   # 기관/사업 메타데이터
│   ├── files/               # 원본 문서(HWP/PDF/DOCX 등)
│   ├── questions.json       # 평가용 질문(자동 생성)
│   ├── results.json         # run_eval 결과
│   └── vectorstore.json     # 문서 임베딩 캐시
└── src/
    ├── build_vectorstore.py # data/files → vectorstore.json 생성
    ├── data_loader.py       # data_list.* + 문서 본문 로딩
    ├── document_parser.py   # TXT/PDF/DOCX 파서
    ├── generate_questions.py # 메타데이터 기반 질문 생성
    ├── graph_state.py       # LangGraph 상태 정의(TypedDict)
    ├── nodes/               # LangGraph 노드(question/retrieve/answer/update)
    ├── run_chat.py          # 대화형 테스트 CLI
    ├── run_eval.py          # 질문 세트 일괄 평가
    ├── vector_store.py      # 임베딩 생성/검색 헬퍼
    └── workflow.py          # LangGraph DAG 정의

데이터 준비

• data/data_list.csv 또는 data/data_list.xlsx : 기관/사업 메타데이터. 열 이름은 자유롭게 사용하되, 아래 키 중 하나와 매칭되면 자동으로 인식됩니다.
  • 기관 : 발주 기관, 발주기관, agency
  • 사업명 : 사업명, project_name, title
  • 요약 : 사업 요약, 요약, summary
• data/files/ : 실제 문서가 위치할 디렉터리(향후 문서 로딩/벡터스토어 구성에 사용).

빠른 시작

1. 가상환경 생성 및 패키지 설치

   python -m venv .venv
   .venv/Scripts/activate   # Windows
   pip install -r requirements.txt

2. .env 파일에 OpenAI API Key 설정

   echo OPENAI_API_KEY=sk-... > .env

   (기존 환경 변수 사용도 가능하며, python-dotenv가 자동으로 .env를 읽습니다.)
3. 사업 메타데이터 기반 질문 생성

   python -m src.generate_questions
   # (--limit, --follow-up 등의 옵션으로 샘플 수/후속 질문 생성 여부 조정 가능)

4. 벡터스토어 생성 (문서를 LLM이 참조하도록, 최초 1회 또는 데이터 변경 시)

   python -m src.build_vectorstore
   # 결과: data/vectorstore.json

5. LangGraph 워크플로 실행

   python -m src.run_eval
   # (--questions, --output 옵션으로 경로 커스터마이징 가능)

6. 대화형 테스트(선택)

   python -m src.run_chat
   # 'exit' 입력 시 종료, --reset 옵션으로 매 질문마다 상태 초기화 가능

주요 CLI 옵션

• generate_questions
  • --limit <int>: data_list 상단에서 몇 개의 행을 사용할지 지정 (기본 3).
  • --follow-up: 각 사업마다 후속 질문 추가 생성 여부(플래그).
  • --csv/--xlsx/--output <path>: 입력/출력 경로를 바꾸고 싶을 때 지정.
• run_eval
  • --questions <path>: 기본 data/questions.json 대신 다른 질문 파일 사용.
  • --output <path>: 결과 JSON 저장 위치 지정(기본 data/results.json).
• run_chat
  • --reset: 매 질문마다 상태 초기화(기본은 세션 상태 유지).
• build_vectorstore
  • --output <path>: 생성된 벡터스토어 JSON 위치 지정(기본 data/vectorstore.json).

TODO

• data/files 내 HWP 등 특수 포맷 파서 보강
• 자동 평가 지표/스코어 산출 스크립트 추가
• run_chat UI/로그 저장 등 편의 기능 확장

462ebe9 (Initial LangGraph baseline)