o2o-site-AEO/backend/services/grounding/extract.py

"""추출 결과 검증 — "AI 가 원문에서 찾아온 것인가, 지어낸 것인가" 를 코드로 가른다.

★ 이 파일이 없으면 URL·붙여넣기 추출은 쓸 수 없다.
  프롬프트로 "지어내지 마라" 를 아무리 적어도 그건 부탁이지 보장이 아니다.
  보장은 하나뿐이다 — **모델이 적어 낸 근거 문장이 원문에 실제로 있는지 대조하는 것.**
  없으면 그 항목을 버린다. 통과한 것만 fact 후보(UNVERIFIED)로 올라가고,
  그 다음 관문은 여전히 사장님 확인이다.

★ 왜 '값' 이 아니라 '근거 문장' 을 대조하는가
  값만 대조하면 "3" 같은 짧은 값이 원문 아무 데나 있다는 이유로 통과한다
  ("최대 3인" 을 못 찾아도 "3층" 이 있으면 통과해 버린다).
  근거 문장을 통째로 대조하면 그 값이 **그 맥락에서** 나왔다는 것까지 확인된다.
"""
import re

from common.category_schema import CategorySchema

# 원문 대조 전 정규화: 공백·따옴표·괄호 종류 차이로 어긋나는 것을 막는다.
# ★ 글자 자체는 지우지 않는다 — 지우기 시작하면 "불가" 가 사라져 부정이 긍정으로 뒤집힌다.
_WS = re.compile(r"\s+")
_QUOTES = str.maketrans({
    "“": '"', "”": '"', "‘": "'", "’": "'", "＂": '"',
    "－": "-", "–": "-", "—": "-", "~": "~", "～": "~",
    "（": "(", "）": ")", "：": ":", "，": ",", "．": ".",
})

# evidence 가 이보다 짧으면 대조가 의미 없다("3" 은 원문 어디에나 있다).
MIN_EVIDENCE = 6
# 값이 evidence 안에 있는지까지 볼 필요가 없는 타입.
#   bool 은 "true"/"false" 라 원문에 그 글자가 있을 리 없고,
#   부호 판정은 아래 _bool_ok 가 따로 본다.
_SKIP_VALUE_CHECK = {"bool"}

_FALSE_WORDS = ("false", "불가", "없음", "없슴", "미제공", "제공하지", "안됨", "안 됨", "불가능", "금지", "않습니다", "제한")
_TRUE_WORDS = ("true", "가능", "있음", "제공", "완비", "무료", "구비")

_NUMBER_OK = re.compile(r"^\d+(\.\d+)?$")


def normalize(text: str) -> str:
    """대조용 정규화. 공백을 하나로, 특수 문장부호를 표준형으로."""
    return _WS.sub(" ", (text or "").translate(_QUOTES)).strip().lower()


def loose(text: str) -> str:
    """값 대조 전용 — 공백과 자릿수 쉼표까지 지운다.

    ★ 왜 따로 두는가 (실측)
      number 필드는 규칙상 "19000" 으로 오는데 원문 표기는 "19,000원" 이다.
      normalize 만으로 대조하면 **모든 메뉴 가격이 '고쳐 쓴 값' 으로 반려된다** —
      속초항아리물회 홈페이지에서 가격 5건이 통째로 날아갔다.
      쉼표·공백은 같은 수를 다르게 적은 것일 뿐 값을 바꾸지 않으므로 여기서만 지운다.
      ★ 글자는 여전히 지우지 않는다 — "불가" 가 사라지면 부호가 뒤집힌다.
    """
    return normalize(text).replace(",", "").replace(" ", "")


def _bool_ok(value: str, evidence: str) -> tuple[bool, str]:
    """bool 값의 부호가 근거 문장과 맞는가.

    ★ 부호가 뒤집히면 "반려동물 동반 불가" 가 "동반 가능" 이 된다 —
      숙박·음식점 모두 critical 항목이라 예약 클레임으로 직결된다.
    """
    v = value.strip().lower()
    if v not in ("true", "false"):
        return False, f"bool 필드인데 값이 'true'/'false' 가 아니다: {value!r}"

    ev = evidence.lower()
    has_false = any(w in ev for w in _FALSE_WORDS)
    has_true = any(w in ev for w in _TRUE_WORDS)

    # 근거에 부정 표현이 있는데 true 로 올렸다면 뒤집힌 것이다. 그 반대도 같다.
    if v == "true" and has_false and not has_true:
        return False, "근거 문장은 부정인데 true 로 올렸다"
    if v == "false" and has_true and not has_false:
        return False, "근거 문장은 긍정인데 false 로 올렸다"
    return True, ""


def verify(
    rows: list[dict],
    *,
    source_text: str,
    schema: CategorySchema,
) -> tuple[list[dict], list[tuple[str, str]]]:
    """추출 결과를 걸러 (통과, 반려) 로 나눈다.

    반려는 조용히 버리지 않고 (항목, 사유) 로 남긴다 —
    운영자가 "왜 이 값이 안 들어왔나" 를 이 목록으로 읽는다.

    통과한 dict 는 {key, value, scope, unit_name, evidence} 형태다.
    """
    haystack = normalize(source_text)
    passed: list[dict] = []
    rejected: list[tuple[str, str]] = []
    seen: set[tuple[str, str]] = set()

    for row in rows:
        key = str(row.get("key") or "").strip()
        value = str(row.get("value") or "").strip()
        unit_name = str(row.get("unit_name") or "").strip()
        evidence = str(row.get("evidence") or "").strip()
        label = f"{key}={value[:30]}" if key else "(key 없음)"

        # 1) 업종 스키마에 있는 key 인가. ★ 없는 key 는 fact 기록 단계에서도 거부되지만,
        #    여기서 먼저 걸러야 반려 사유가 남는다.
        spec = schema.get(key)
        if spec is None:
            rejected.append((label, f"업종 스키마에 없는 key: {key!r}"))
            continue
        if not value:
            rejected.append((label, "값이 비었다"))
            continue

        # 2) 스코프 계약. unit 스코프인데 이름이 없으면 어느 객실 것인지 알 수 없다.
        if spec.scope == "unit" and not unit_name:
            rejected.append((label, "unit 스코프인데 unit_name 이 없다"))
            continue
        if spec.scope == "place" and unit_name:
            unit_name = ""      # place 스코프에 이름이 붙어 온 것은 무시하고 진행한다

        # 3) 근거 문장이 원문에 실제로 있는가. ★ 이 검사가 이 파일의 존재 이유다.
        if len(evidence) < MIN_EVIDENCE:
            rejected.append((label, f"근거 문장이 너무 짧다({len(evidence)}자) — 대조할 수 없다"))
            continue
        if normalize(evidence) not in haystack:
            rejected.append((label, "근거 문장이 원문에 없다 — 지어낸 값으로 본다"))
            continue

        # 4) 타입 계약.
        if spec.type == "bool":
            ok, why = _bool_ok(value, evidence)
            if not ok:
                rejected.append((label, why))
                continue
        elif spec.type == "number":
            if not _NUMBER_OK.match(value.replace(",", "")):
                rejected.append((label, f"number 필드인데 숫자가 아니다: {value!r}"))
                continue
            value = value.replace(",", "")

        # 5) 값이 근거 안에 실제로 적혀 있는가(bool 제외).
        #    ★ 근거는 원문에서 가져왔는데 값이 그 안에 없다면, 값 쪽을 모델이 고쳐 쓴 것이다
        #      — "오후 3시" 를 "15:00" 으로 환산한 경우가 여기서 걸린다.
        if spec.type not in _SKIP_VALUE_CHECK and loose(value) not in loose(evidence):
            rejected.append((label, "값이 근거 문장 안에 없다 — 원문 표기를 고쳐 쓴 것으로 본다"))
            continue

        # 6) 같은 (key, unit) 중복은 첫 건만.
        dedupe = (key, unit_name)
        if dedupe in seen:
            rejected.append((label, "같은 key 가 이미 들어왔다"))
            continue
        seen.add(dedupe)

        passed.append({
            "key": key,
            "value": value,
            "scope": spec.scope,
            "unit_name": unit_name or None,
            "evidence": evidence,
        })

    return passed, rejected