o2o-site-AEO/solution/backend/services/external/gemini_extract.py

"""원문 텍스트 → fact 후보 추출 — 겹들을 엮어 결과를 만드는 자리.

이 파일이 하는 일은 **엮는 것뿐**이다. 고칠 것이 생기면 해당 겹으로 바로 간다:

    무엇을 묻는가      services/prompts/extract.py       프롬프트·응답 스키마
    어떻게 부르는가    services/llm/gemini.py            HTTP·재시도·토큰·비용
    답을 믿을 것인가   services/grounding/extract.py     evidence 원문 대조
    무엇을 돌려주는가  여기                              호출 → 검증 → CollectedFact 조립

★ 입력이 무엇이든 여기로 모인다
  사장님이 붙여넣은 텍스트도, static_html 어댑터가 받아온 페이지 본문도
  똑같이 '원문 문자열' 하나다. 도메인마다 파서를 짜는 대신 여기 한 곳을 쓴다.

★ 나가는 값은 전부 후보다
  통과한 fact 도 UNVERIFIED 로 들어간다. 사장님이 확인해야 사이트에 나간다 —
  그 게이트는 fact 계층이 담당한다. 여기서는 '원문에 있었다' 까지만 보장한다.
"""
import json
from dataclasses import dataclass, field
from typing import Optional

import httpx

from common.category_schema import get_schema
from common.enums import PlaceCategory
from common.logger import LOG
from services.collector.base import CollectedFact
from services.grounding.extract import verify
from services.llm.gemini import (
    DEFAULT_MODEL,
    GeminiInvalidOutput,
    GeminiNotConfigured,
    call,
    extract_text,
    is_configured,
    price,
    read_usage,
)
from services.prompts.extract import RESPONSE_SCHEMA, build_prompt

# 이보다 짧은 원문은 호출하지 않는다. 메뉴판 한 줄도 안 되는 분량에서 나올 fact 는 없고,
# 호출비만 나간다.
MIN_SOURCE_CHARS = 80


@dataclass
class ExtractResult:
    """추출 결과. facts 는 검증을 통과한 것만 담긴다.

    rejected 에는 (항목, 사유) 가 들어간다 — 조용히 버리지 않는다.
    운영자가 "왜 체크인 시간이 안 들어왔나" 를 이 목록으로 읽는다.
    """

    facts: list[CollectedFact] = field(default_factory=list)
    rejected: list[tuple[str, str]] = field(default_factory=list)

    @property
    def ok(self) -> bool:
        return bool(self.facts)


async def extract_facts(
    place_name: str,
    category: PlaceCategory,
    source_text: str,
    *,
    source_url: str,
    model: str = DEFAULT_MODEL,
    max_retries: int = 2,
    client: Optional[httpx.AsyncClient] = None,
) -> ExtractResult:
    """원문 텍스트에서 업종 스키마 fact 를 뽑는다.

    ★ source_url 은 필수다. 출처 없는 fact 는 FACT_SOURCE_REQUIRED 로 거부되므로
      여기서 구조적으로 찍어 둔다(사장님 붙여넣기면 'owner:paste' 같은 식별자라도 넣는다).
    ★ 원문이 짧으면 **API 를 호출하지 않는다** — 근거가 없는데 부르면 그게 곧 환각 유발이다.
    """
    if not is_configured():
        raise GeminiNotConfigured("GEMINI_API_KEY 가 설정되지 않았다")
    if not (source_url or "").strip():
        raise ValueError("source_url 이 비었다 — 출처 없는 추출은 하지 않는다")

    text = (source_text or "").strip()
    if len(text) < MIN_SOURCE_CHARS:
        LOG.i(f"[gemini-extract] '{place_name}' 원문 {len(text)}자 — 짧아서 호출하지 않는다")
        return ExtractResult(rejected=[("(전체)", f"원문이 {len(text)}자로 너무 짧다 — 호출하지 않았다")])

    body = {
        "contents": [{"role": "user", "parts": [{"text": build_prompt(place_name, category, text)}]}],
        "generationConfig": {
            "responseMimeType": "application/json",
            "responseSchema": RESPONSE_SCHEMA,
            # ★ 0.0 — 옮겨 적는 작업이다. 창의성이 개입할 자리가 없다.
            "temperature": 0.0,
        },
    }

    owns_client = client is None
    client = client or httpx.AsyncClient(timeout=httpx.Timeout(120.0, connect=10.0))
    try:
        payload = await call(client, model, body, max_retries)
        parsed = json.loads(extract_text(payload))
    except json.JSONDecodeError as ex:
        raise GeminiInvalidOutput(f"구조화 출력 파싱 실패: {ex}") from ex
    finally:
        if owns_client:
            await client.aclose()

    rows = parsed.get("facts")
    if not isinstance(rows, list):
        raise GeminiInvalidOutput(f"facts 가 배열이 아니다: {type(rows).__name__}")

    # ★ 여기가 관문이다. 모델이 뭘 적어 냈든 원문과 대조해서 통과한 것만 나간다.
    passed, rejected = verify(rows, source_text=text, schema=get_schema(category))

    facts = [
        CollectedFact(
            key=row["key"],
            value=row["value"],
            scope=row["scope"],
            unit_name=row["unit_name"],
            source_url=source_url,
        )
        for row in passed
    ]

    usage = read_usage(payload)
    LOG.i(
        f"[gemini-extract] '{place_name}' 추출 {len(rows)}건 → 통과 {len(facts)}건 · "
        f"반려 {len(rejected)}건 · model={model} · "
        f"tokens in={usage.input_tokens} out={usage.output_tokens} · 약 ${price(model, usage)}"
    )
    if rejected:
        for label, why in rejected[:10]:
            LOG.w(f"[gemini-extract]   반려 {label} — {why}")

    return ExtractResult(facts=facts, rejected=rejected)