# -*- coding: utf-8 -*- """ domain_prompt.py 기능: - D:\\test\\report 아래의 pdf/xlsx/png/txt/md 파일들의 파일명과 내용 일부를 샘플링한다. - 이 샘플을 기반으로, 문서 묶음의 분야/업무 맥락을 파악하고 "너는 ~~ 분야의 전문가이다. 나는 ~~를 하고 싶다..." 형식의 도메인 전용 시스템 프롬프트를 자동 생성한다. - 결과는 output/context/domain_prompt.txt 로 저장된다. 이 domain_prompt.txt 내용은 이후 모든 GPT 호출(system role)에 공통으로 붙여 사용할 수 있다. """ import os import sys import json from pathlib import Path import pdfplumber import fitz # PyMuPDF from PIL import Image import pytesseract import pandas as pd from openai import OpenAI import pytesseract from api_config import API_KEYS pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" # ===== 경로 설정 ===== DATA_ROOT = Path(r"D:\for python\survey_test\extract") OUTPUT_ROOT = Path(r"D:\for python\survey_test\output") CONTEXT_DIR = OUTPUT_ROOT / "context" LOG_DIR = OUTPUT_ROOT / "logs" for d in [OUTPUT_ROOT, CONTEXT_DIR, LOG_DIR]: d.mkdir(parents=True, exist_ok=True) # ===== OpenAI 설정 (구조만 유지, 키는 마스터가 직접 입력) ===== OPENAI_API_KEY = API_KEYS.get('GPT_API_KEY', '') GPT_MODEL = "gpt-5-2025-08-07" client = OpenAI(api_key=OPENAI_API_KEY) # ===== OCR 설정 ===== OCR_LANG = "kor+eng" SKIP_DIR_NAMES = {"System Volume Information", "$RECYCLE.BIN", ".git", "__pycache__"} def log(msg: str): print(msg, flush=True) with (LOG_DIR / "domain_prompt_log.txt").open("a", encoding="utf-8") as f: f.write(msg + "\n") def safe_rel(p: Path) -> str: try: return str(p.relative_to(DATA_ROOT)) except Exception: return str(p) def ocr_image(img_path: Path) -> str: try: return pytesseract.image_to_string(Image.open(img_path), lang=OCR_LANG).strip() except Exception as e: log(f"[WARN] OCR 실패: {safe_rel(img_path)} | {e}") return "" def sample_from_pdf(p: Path, max_chars: int = 1000) -> str: texts = [] try: with pdfplumber.open(str(p)) as pdf: # 앞쪽 몇 페이지만 샘플링 for page in pdf.pages[:3]: t = page.extract_text() or "" if t: texts.append(t) if sum(len(x) for x in texts) >= max_chars: break except Exception as e: log(f"[WARN] PDF 샘플 추출 실패: {safe_rel(p)} | {e}") joined = "\n".join(texts) return joined[:max_chars] def sample_from_xlsx(p: Path, max_chars: int = 1000) -> str: texts = [f"[파일명] {p.name}"] try: xls = pd.ExcelFile(str(p)) for sheet_name in xls.sheet_names[:3]: try: df = xls.parse(sheet_name) except Exception as e: log(f"[WARN] 시트 로딩 실패: {safe_rel(p)} | {sheet_name} | {e}") continue texts.append(f"\n[시트] {sheet_name}") texts.append("컬럼: " + ", ".join(map(str, df.columns))) head = df.head(5) texts.append(head.to_string(index=False)) if sum(len(x) for x in texts) >= max_chars: break except Exception as e: log(f"[WARN] XLSX 샘플 추출 실패: {safe_rel(p)} | {e}") joined = "\n".join(texts) return joined[:max_chars] def sample_from_text_file(p: Path, max_chars: int = 1000) -> str: try: t = p.read_text(encoding="utf-8", errors="ignore") except Exception: t = p.read_text(encoding="cp949", errors="ignore") return t[:max_chars] def gather_file_samples( max_files_per_type: int = 100, max_total_samples: int = 300, max_chars_per_sample: int = 1000, ): file_names = [] samples = [] count_pdf = 0 count_xlsx = 0 count_img = 0 count_txt = 0 for root, dirs, files in os.walk(DATA_ROOT): dirs[:] = [d for d in dirs if d not in SKIP_DIR_NAMES and not d.startswith(".")] cur_dir = Path(root) for fname in files: fpath = cur_dir / fname ext = fpath.suffix.lower() # 파일명은 전체 다 모으되, 샘플 추출은 제한 file_names.append(safe_rel(fpath)) if len(samples) >= max_total_samples: continue try: if ext == ".pdf" and count_pdf < max_files_per_type: s = sample_from_pdf(fpath, max_chars=max_chars_per_sample) if s.strip(): samples.append(f"[PDF] {safe_rel(fpath)}\n{s}") count_pdf += 1 continue if ext in {".xlsx", ".xls"} and count_xlsx < max_files_per_type: s = sample_from_xlsx(fpath, max_chars=max_chars_per_sample) if s.strip(): samples.append(f"[XLSX] {safe_rel(fpath)}\n{s}") count_xlsx += 1 continue if ext in {".png", ".jpg", ".jpeg"} and count_img < max_files_per_type: s = ocr_image(fpath) if s.strip(): samples.append(f"[IMG] {safe_rel(fpath)}\n{s[:max_chars_per_sample]}") count_img += 1 continue if ext in {".txt", ".md"} and count_txt < max_files_per_type: s = sample_from_text_file(fpath, max_chars=max_chars_per_sample) if s.strip(): samples.append(f"[TEXT] {safe_rel(fpath)}\n{s}") count_txt += 1 continue except Exception as e: log(f"[WARN] 샘플 추출 실패: {safe_rel(fpath)} | {e}") continue return file_names, samples def build_domain_prompt(): """ 파일명 + 내용 샘플을 GPT에게 넘겨 '너는 ~~ 분야의 전문가이다...' 형태의 시스템 프롬프트를 생성한다. """ log("도메인 프롬프트 생성을 위한 샘플 수집 중...") file_names, samples = gather_file_samples() if not file_names and not samples: log("파일 샘플이 없어 도메인 프롬프트를 생성할 수 없습니다.") sys.exit(1) file_names_text = "\n".join(file_names[:80]) sample_text = "\n\n".join(samples[:30]) prompt = f""" 다음은 한 기업의 '이슈 리포트 및 시스템 관련 자료'로 추정되는 파일들의 목록과, 각 파일에서 일부 추출한 내용 샘플이다. [파일명 목록] {file_names_text} [내용 샘플] {sample_text} 위 자료를 바탕으로 다음을 수행하라. 1) 이 문서 묶음이 어떤 산업, 업무, 분야에 대한 것인지, 핵심 키워드를 포함해 2~3줄 정도로 설명하라. 2) 이후, 이 문서들을 다루는 AI에게 사용할 "프롬프트 머리말"을 작성하라. 이 머리말은 모든 후속 프롬프트 앞에 항상 붙일 예정이며, 다음 조건을 만족해야 한다. - 첫 문단: "너는 ~~ 분야의 전문가이다." 형식으로, 이 문서 묶음의 분야와 역할을 정의한다. - 두 번째 문단 이후: "나는 ~~을 하고 싶다.", "우리는 ~~ 의 문제를 분석하고 개선방안을 찾고자 한다." 등 사용자가 AI에게 요구하는 전반적 목적과 관점을 정리한다. - 총 5~7줄 정도의 한국어 문장으로 작성한다. - 이후에 붙을 프롬프트(청킹, 요약, RAG, 보고서 작성 등)와 자연스럽게 연결될 수 있도록, 역할(role), 목적, 기준(추측 금지, 사실 기반, 근거 명시 등)을 모두 포함한다. 출력 형식: - 설명과 머리말을 한 번에 출력하되, 별도의 마크다운 없이 순수 텍스트로만 작성하라. - 이 출력 전체를 domain_prompt.txt에 그대로 저장할 것이다. """ resp = client.chat.completions.create( model=GPT_MODEL, messages=[ { "role": "system", "content": "너는 문서 묶음의 분야를 식별하고, 그에 맞는 AI 시스템 프롬프트와 컨텍스트를 설계하는 컨설턴트이다." }, { "role": "user", "content": prompt } ], ) content = (resp.choices[0].message.content or "").strip() out_path = CONTEXT_DIR / "domain_prompt.txt" out_path.write_text(content, encoding="utf-8") log(f"도메인 프롬프트 생성 완료: {out_path}") return content def main(): log("=== 도메인 프롬프트 생성 시작 ===") out_path = CONTEXT_DIR / "domain_prompt.txt" if out_path.exists(): log(f"이미 domain_prompt.txt가 존재합니다: {out_path}") log("기존 파일을 사용하려면 종료하고, 재생성이 필요하면 파일을 삭제한 뒤 다시 실행하십시오.") else: build_domain_prompt() log("=== 도메인 프롬프트 작업 종료 ===") if __name__ == "__main__": main()