Persona MCP Server

""" FGI (Focus Group Interview) survey tools - 대화형 심층 인터뷰 """ import os import uuid import json from datetime import datetime, timedelta from groq import Groq from ...db.database import get_session from ...db.models import FGISurvey, FGIResponse, Persona from ...utils.cache import get_cache # ======================================== # 1단계: 기본 프로필 질문 (선택적) # ======================================== BASIC_PROFILE_QUESTIONS = { "age_range": { "text": "나이대를 선택해주세요", "type": "choice", "options": ["10대", "20대 초반", "20대 후반", "30대 초반", "30대 후반", "40대 이상"] }, "gender": { "text": "성별을 선택해주세요", "type": "choice", "options": ["남성", "여성", "기타", "답변 안 함"] }, "location": { "text": "거주 지역을 선택해주세요", "type": "choice", "options": ["서울", "경기", "인천", "부산", "대구", "광주", "대전", "기타"] }, "occupation_category": { "text": "직업 분야를 선택해주세요", "type": "choice", "options": ["IT/개발", "디자인", "마케팅", "교육", "서비스", "학생", "기타"] }, "income_range": { "text": "월 소득 범위는? (선택사항)", "type": "choice", "optional": True, "options": ["200만원 미만", "200-300만원", "300-500만원", "500만원 이상", "답변 안 함"] } } # ======================================== # 2단계: 카테고리별 오프닝 질문 # ======================================== OPENING_QUESTIONS = { "technology": "요즘 기술 분야에서 가장 관심있는 주제나 배우고 싶은 것이 있나요?", "lifestyle": "평소 여가 시간을 어떻게 보내시나요? 가장 좋아하는 활동은?", "fashion": "당신의 패션 스타일을 어떻게 설명하시겠어요? 어떤 옷을 즐겨 입나요?", "food": "평소 식사는 주로 어떻게 해결하시나요? 좋아하는 음식 종류는?", "culture": "최근에 본 영화, 드라마, 책 중에 인상 깊었던 게 있나요?", "general": "요즘 당신의 일상이나 삶에서 가장 중요한 것은 무엇인가요?" } def get_basic_profile_questions(): """ 기본 프로필 질문 목록을 반환합니다. :return: 기본 프로필 질문 딕셔너리 """ return { "questions": BASIC_PROFILE_QUESTIONS, "description": "페르소나의 기본 정보를 수집하기 위한 질문 목록입니다.", "usage": "각 질문에 대한 답변을 수집한 후 update_basic_profile_tool을 사용하여 저장하세요.", "required_fields": ["age_range", "gender", "location", "occupation_category"], "optional_fields": ["income_range"] } def check_basic_profile_complete(persona_id: str = None): """ 기본 프로필이 완전한지 확인합니다. :param persona_id: 페르소나 ID (None이면 모든 페르소나 확인) :return: { "is_complete": bool, "missing_fields": list, "persona_id": str or None, "message": str } """ required_fields = ["age_range", "gender", "location", "occupation_category"] try: with get_session() as session: if persona_id: # 특정 페르소나 확인 persona = session.query(Persona).filter_by(id=persona_id).first() if not persona: return { "is_complete": False, "missing_fields": required_fields, "persona_id": persona_id, "message": f"페르소나 '{persona_id}'가 존재하지 않습니다. 먼저 기본 프로필을 설정해주세요.", "exists": False } missing = [field for field in required_fields if not getattr(persona, field, None)] return { "is_complete": len(missing) == 0, "missing_fields": missing, "persona_id": persona_id, "message": f"기본 프로필이 {'완전합니다' if len(missing) == 0 else '불완전합니다'}. 누락된 필드: {', '.join(missing) if missing else '없음'}", "exists": True } else: # 모든 페르소나 확인 (최소 하나라도 완전한 프로필이 있는지) personas = session.query(Persona).all() if not personas: return { "is_complete": False, "missing_fields": required_fields, "persona_id": None, "message": "등록된 페르소나가 없습니다. 먼저 기본 프로필을 설정해주세요.", "persona_count": 0 } complete_personas = [] for persona in personas: missing = [field for field in required_fields if not getattr(persona, field, None)] if len(missing) == 0: complete_personas.append(persona.id) if not complete_personas: return { "is_complete": False, "missing_fields": required_fields, "persona_id": None, "message": f"등록된 페르소나 {len(personas)}개 중 완전한 기본 프로필을 가진 페르소나가 없습니다. 먼저 기본 프로필을 설정해주세요.", "persona_count": len(personas), "complete_count": 0 } return { "is_complete": True, "missing_fields": [], "persona_id": None, "message": f"완전한 기본 프로필을 가진 페르소나 {len(complete_personas)}개가 있습니다.", "persona_count": len(personas), "complete_count": len(complete_personas), "complete_persona_ids": complete_personas } except Exception as e: return { "is_complete": False, "missing_fields": required_fields, "persona_id": persona_id, "message": f"기본 프로필 확인 중 오류: {str(e)}", "error": str(e) } def update_basic_profile(persona_id: str, profile_data: dict): """ 1단계: 기본 프로필 업데이트 :param persona_id: 페르소나 ID :param profile_data: { "age_range": "20대 후반", "gender": "남성", "location": "서울", "occupation_category": "IT/개발", "income_range": "300-500만원" (선택) } :return: success, persona_id, profile, freshness """ try: with get_session() as session: # 페르소나 조회 또는 생성 persona = session.query(Persona).filter_by(id=persona_id).first() old_freshness = 0.0 if not persona: persona = Persona( id=persona_id, freshness_score=0.0, created_at=datetime.now(), last_updated=datetime.now() ) session.add(persona) else: old_freshness = persona.freshness_score # 기본 프로필 업데이트 persona.age_range = profile_data.get("age_range") persona.gender = profile_data.get("gender") persona.location = profile_data.get("location") persona.occupation_category = profile_data.get("occupation_category") persona.income_range = profile_data.get("income_range") # 기본 프로필 점수 계산 (최대 25점) profile_score = 0 if persona.age_range: profile_score += 5 if persona.gender: profile_score += 5 if persona.location: profile_score += 5 if persona.occupation_category: profile_score += 5 if persona.income_range: profile_score += 5 # 신선도 업데이트 (무제한 누적) persona.freshness_score = old_freshness + profile_score persona.last_updated = datetime.now() session.commit() return { "success": True, "persona_id": persona_id, "profile": { "age_range": persona.age_range, "gender": persona.gender, "location": persona.location, "occupation_category": persona.occupation_category, "income_range": persona.income_range }, "old_freshness": old_freshness, "new_freshness": persona.freshness_score, "points_earned": profile_score, "message": f"기본 프로필 저장! 데이터 가치 +{profile_score}점 (현재: {persona.freshness_score:.0f}점)" } except Exception as e: return {"error": f"프로필 업데이트 중 오류: {str(e)}", "success": False} def create_fgi_survey(category: str, persona_id: str = None): """ 2단계: 카테고리별 오프닝 질문으로 설문 시작 :param category: 설문 카테고리 (technology, lifestyle, culture, fashion, food, general) :param persona_id: 페르소나 ID (선택사항) :return: survey_id, opening_question, created_at """ try: survey_id = f"survey_{uuid.uuid4().hex[:12]}" # 오프닝 질문 opening_question = { "id": "q1", "type": "open", "text": OPENING_QUESTIONS.get(category, OPENING_QUESTIONS["general"]) } # DB에 설문 저장 with get_session() as session: survey = FGISurvey( id=survey_id, category=category, questions=[opening_question], news_source={"type": "adaptive", "category": category}, created_at=datetime.now() ) session.add(survey) return { "survey_id": survey_id, "category": category, "question": opening_question, "created_at": datetime.now().isoformat(), "message": "설문이 시작되었습니다! 답변을 주시면 다음 질문을 생성합니다." } except Exception as e: return {"error": f"설문 생성 중 오류 발생: {str(e)}"} def generate_next_question(survey_id: str, previous_qa: list, category: str = "general", max_questions: int = None): """ 3단계: 이전 답변을 분석해서 다음 질문을 동적으로 생성 **최소한의 질문으로 최대한의 정보를 수집**하는 것이 목표입니다. :param survey_id: 설문 ID :param previous_qa: 이전 질문/답변 쌍 [{"question": "...", "answer": "..."}] :param category: 카테고리 :param max_questions: 최대 질문 수 (선택사항, None이면 무제한) :return: next_question, question_number, is_final, info_completeness """ try: # 캐시 확인 (질문 생성은 유사한 컨텍스트에서 재사용 가능) cache = get_cache() cache_key = cache._generate_cache_key( "question", survey_id=survey_id, qa_count=len(previous_qa), category=category, max_questions=max_questions, # previous_qa의 마지막 2개만 포함 (최근 컨텍스트) recent_qa=previous_qa[-2:] if len(previous_qa) >= 2 else previous_qa ) cached_result = cache.get(cache_key, ttl=timedelta(hours=12)) if cached_result is not None: return cached_result groq_api_key = os.getenv("GROQ_API_KEY") if not groq_api_key: return {"error": "GROQ_API_KEY가 설정되지 않았습니다"} client = Groq(api_key=groq_api_key) # 대화 컨텍스트 구성 qa_context = "\n\n".join([ f"Q{i+1}: {qa['question']}\nA{i+1}: {qa['answer']}" for i, qa in enumerate(previous_qa) ]) question_num = len(previous_qa) + 1 # 최대 질문 수 체크 if max_questions and question_num > max_questions: return { "success": True, "question": None, "question_number": question_num - 1, "is_final": True, "info_completeness": "최대 질문 수 도달", "message": f"최대 {max_questions}개 질문을 완료했습니다. 충분한 정보가 수집되었습니다." } # 이전 질문들의 주제 분석 (중복 방지용) previous_topics = [] for qa in previous_qa: # 먼저 저장된 target_area 확인 (더 정확) if 'target_area' in qa and qa['target_area']: previous_topics.append(qa['target_area']) else: # 없으면 키워드 기반 추출 (하위 호환성) q_text = qa.get('question', '').lower() if any(word in q_text for word in ['기술', 'ai', '개발', '코딩', '프로그래밍', '소프트웨어', '직업']): previous_topics.append('기술') elif any(word in q_text for word in ['여가', '취미', '시간', '활동', '운동', '여행', '일상']): previous_topics.append('라이프스타일') elif any(word in q_text for word in ['패션', '옷', '스타일', '브랜드']): previous_topics.append('패션') elif any(word in q_text for word in ['음식', '식사', '맛집', '요리']): previous_topics.append('음식') elif any(word in q_text for word in ['영화', '드라마', '책', '문화', '예술']): previous_topics.append('문화') elif any(word in q_text for word in ['소비', '구매', '가격', '비용', '투자']): previous_topics.append('소비패턴') elif any(word in q_text for word in ['가치', '중요', '생각', '믿음']): previous_topics.append('가치관') elif any(word in q_text for word in ['성격', '성향', 'mbti', '에너지', '결정', '스트레스', '계획', '즉흥', '논리', '감정']): previous_topics.append('성향') elif any(word in q_text for word in ['관계', '친구', '사람', '소통', '사회']): previous_topics.append('관계') elif any(word in q_text for word in ['미래', '목표', '계획', '꿈']): previous_topics.append('미래') # 주제별 빈도 계산 (같은 주제를 몇 번 다뤘는지) from collections import Counter topic_counts = Counter(previous_topics) topics_summary = ", ".join([f"{topic}({count}회)" for topic, count in topic_counts.most_common()]) if previous_topics else "없음" # 가장 많이 다룬 주제 (피해야 할 주제) most_covered_topic = topic_counts.most_common(1)[0][0] if topic_counts else None # 정보 수집 완료도 평가 (LLM으로) info_completeness_prompt = f"""다음 질문/답변을 분석하여 페르소나 파악에 필요한 정보가 얼마나 수집되었는지 평가해주세요. 질문/답변: {qa_context} 평가 기준: - 기본 정보 (나이, 직업, 관심사): 0-25% - 라이프스타일/일상 패턴: 0-25% - 가치관/성향/성격: 0-25% - 소비 패턴/구매 행동: 0-25% JSON 형식: {{ "completeness": 0-100, "covered_areas": ["이미 파악한 영역들"], "missing_areas": ["아직 파악하지 못한 영역들"], "enough_info": true/false, "reason": "평가 이유" }}""" try: completeness_response = client.chat.completions.create( model="llama-3.3-70b-versatile", messages=[{"role": "user", "content": info_completeness_prompt}], response_format={"type": "json_object"}, max_tokens=300, temperature=0.3 ) completeness_data = json.loads(completeness_response.choices[0].message.content) info_completeness = completeness_data.get("completeness", 0) enough_info = completeness_data.get("enough_info", False) missing_areas = completeness_data.get("missing_areas", []) except: info_completeness = (question_num - 1) * 15 # 간단한 추정 enough_info = False missing_areas = [] # 충분한 정보가 모였고, 최대 질문 수에 도달했으면 종료 if enough_info and (not max_questions or question_num >= max_questions): return { "success": True, "question": None, "question_number": question_num - 1, "is_final": True, "info_completeness": f"{info_completeness}%", "message": f"충분한 정보가 수집되었습니다 ({info_completeness}% 완료). 페르소나 예측이 가능합니다." } prompt = f"""당신은 전문 시장조사 인터뷰어입니다. **최소한의 질문으로 사용자의 전체적인 페르소나를 빠르게 파악**하는 것이 목표입니다. 카테고리: {category} 진행 상황: {question_num-1}개 질문 완료 정보 수집 완료도: {info_completeness}% {f"최대 질문 수: {max_questions}개 (남은 질문: {max_questions - question_num + 1}개)" if max_questions else ""} {f"아직 파악하지 못한 영역: {', '.join(missing_areas) if missing_areas else '없음'}" if missing_areas else ""} **지금까지의 대화:** {qa_context} **핵심 원칙: 효율적인 정보 수집** - **최소한의 질문으로 최대한의 정보 수집**이 목표입니다 - 이미 충분히 파악한 주제는 피하세요 (이미 다룬 주제: {topics_summary}) {f"- ⚠️ 특히 '{most_covered_topic}' 주제는 이미 충분히 다뤘으니 절대 반복하지 마세요!" if most_covered_topic and topic_counts[most_covered_topic] >= 2 else ""} - 같은 주제를 계속 파고들지 마세요 (예: 기술 질문만 반복 ❌) - **전체적인 페르소나 그림**을 그리기 위해 다양한 영역을 탐색하세요 - **정보 밀도 높은 질문**: 하나의 질문으로 여러 측면을 파악할 수 있는 질문을 만드세요 - 예: "평소 여가 시간을 어떻게 보내시나요? 그런 활동을 선택하는 기준은 무엇인가요?" (라이프스타일 + 가치관) - 예: "중요한 결정을 내릴 때 어떤 과정을 거치시나요? 논리적으로 분석하시나요, 아니면 감정과 가치를 중시하시나요?" (의사결정 + 성향) **페르소나 파악을 위한 필수 영역:** 1. **기술/직업**: 기술 스택, 업무 방식, 전문성 2. **라이프스타일**: 일상 패턴, 여가 활동, 생활 습관 3. **가치관/성격**: 중요하게 생각하는 것, 결정 기준, 성격 특성 4. **소비 패턴**: 구매 행동, 가격 민감도, 브랜드 선호도 5. **관계/사회**: 인간관계, 소통 방식, 사회적 활동 6. **문화/취미**: 문화 소비, 취미 활동, 관심사 7. **미래/목표**: 계획, 목표, 우려사항 8. **성향/성격 유형**: MBTI 스타일 성향 파악 (외향/내향, 감각/직관, 사고/감정, 판단/인식) **질문 전략 (효율성 우선):** 1. **정보 밀도 높은 질문**: 하나의 질문으로 여러 측면을 동시에 파악 - 예: "평소 여가 시간을 어떻게 보내시나요? 그런 활동을 선택하는 기준은 무엇인가요?" → 라이프스타일 + 가치관 + 소비 패턴을 한 번에 - 예: "중요한 결정을 내릴 때 어떤 과정을 거치시나요? 논리적으로 분석하시나요, 아니면 감정과 가치를 중시하시나요?" → 의사결정 스타일 + 성향(사고/감정) + 가치관을 한 번에 - 예: "스트레스를 받을 때 어떻게 대처하시나요? 혼자 해결하시나요, 아니면 사람들과 상담하시나요?" → 스트레스 대처 + 성향(외향/내향) + 관계 패턴을 한 번에 2. **아직 파악하지 못한 영역 우선**: {', '.join(missing_areas) if missing_areas else '모든 영역'}에 집중 - 빠르게 다양한 영역을 커버하세요 - 이미 충분히 파악한 영역은 건너뛰세요 3. **연결고리 만들기**: 이전 답변과 새 영역을 자연스럽게 연결 - 예: "기술에 관심 많으시는 것 같은데, 일상에서도 기술을 어떻게 활용하시나요?" - 예: "개발 일 하시면서, 퇴근 후에는 어떻게 스트레스를 푸시나요?" 4. **깊이 있는 탐색**: 새 영역으로 전환한 후에는 그 영역을 깊게 파악 - "왜?" (동기, 이유) - "구체적인 경험" (최근에 ~한 적?) - "선택 기준" (A vs B, 무엇이 중요한가?) - "성향 파악" (MBTI 스타일: 외향/내향, 계획/즉흥, 논리/감정 등) **다음 질문 생성 규칙 (절대 규칙):** - 이전 질문들이 {topics_summary}에 집중했다면, **반드시 다른 영역**으로 전환 - 같은 주제를 2번 이상 다뤘다면, **무조건 다른 주제**로 이동 - 전체적인 페르소나를 그리기 위해 **균형잡힌 질문** 생성 - **절대로** 이전 질문과 같은 주제를 반복하지 마세요 - 기술 질문만 하지 말고, 라이프스타일, 가치관, 소비패턴 등 **다양한 영역**을 탐색하세요 **성향/성격 파악 질문 예시 (MBTI 스타일):** - 외향/내향: "에너지를 얻는 방식은? (사람들과 어울리기 vs 혼자 시간)" - 감각/직관: "정보 처리 방식은? (구체적 사실 vs 가능성과 패턴)" - 사고/감정: "결정할 때 무엇을 중시하나요? (논리와 객관성 vs 가치와 조화)" - 판단/인식: "일상 스타일은? (계획적이고 체계적 vs 유연하고 즉흥적)" - 스트레스 대처: "스트레스를 받을 때 어떻게 하나요?" - 의사결정: "중요한 결정을 내릴 때 어떤 과정을 거치나요?" **다음 질문 1개를 생성해주세요:** JSON 형식: {{ "question": "질문 내용 (자연스럽고 대화하듯이, 이전 주제와 다른 영역으로 전환)", "purpose": "이 질문으로 파악하려는 것 (어떤 영역의 어떤 측면?)", "target_area": "목표 영역 (기술/라이프스타일/가치관/소비패턴/관계/문화/미래/성향 중 하나)", "type": "질문 타입 (choice/open/scenario)" }} """ response = client.chat.completions.create( model="llama-3.3-70b-versatile", messages=[{"role": "user", "content": prompt}], response_format={"type": "json_object"}, max_tokens=400, temperature=0.8 ) result = json.loads(response.choices[0].message.content) next_question = { "id": f"q{question_num}", "type": result.get("type", "open"), "text": result["question"], "purpose": result.get("purpose", ""), "target_area": result.get("target_area", "general") # 질문이 다루는 영역 저장 } # DB 업데이트: 설문에 질문 추가 with get_session() as session: survey = session.query(FGISurvey).filter_by(id=survey_id).first() if survey: questions = survey.questions or [] questions.append(next_question) survey.questions = questions session.commit() result = { "success": True, "question": next_question, "question_number": question_num, "is_final": False, "info_completeness": f"{info_completeness}%", "message": f"{question_num}번째 질문입니다. (정보 수집: {info_completeness}% 완료)" } # 캐시 저장 (성공한 경우만) if result.get("success") and not result.get("error"): cache.set(cache_key, result, ttl=timedelta(hours=12)) return result except Exception as e: return {"error": f"다음 질문 생성 중 오류: {str(e)}", "success": False} def evaluate_response_quality(question: str, answer: str) -> dict: """ 응답 품질을 LLM으로 평가 :param question: 질문 내용 :param answer: 사용자 답변 :return: {"score": 0-15, "evaluation": {...}} """ try: # 캐시 확인 (유사한 질문/답변은 재사용) cache = get_cache() cache_key = cache._generate_cache_key( "quality", question_hash=hash(question[:100]), # 질문의 해시 answer_length=len(answer), answer_hash=hash(answer[:200]) if len(answer) > 50 else hash(answer) # 답변의 해시 ) cached_result = cache.get(cache_key, ttl=timedelta(hours=24)) if cached_result is not None: return cached_result groq_api_key = os.getenv("GROQ_API_KEY") if not groq_api_key: return {"score": 8, "evaluation": {"error": "API key not found"}} client = Groq(api_key=groq_api_key) prompt = f"""당신은 데이터 품질 평가 전문가입니다. 사용자의 설문 응답이 **페르소나 파악에 얼마나 유용한지** 평가해주세요. 질문: {question} 답변: {answer} 평가 기준: 1. **구체성** (0-5점): 구체적이고 상세한 정보를 포함하는가? - 5점: 매우 구체적 (예: 숫자, 브랜드명, 구체적 경험) - 3점: 보통 - 1점: 모호하거나 짧음 2. **정보량** (0-5점): 페르소나 파악에 유용한 정보가 많은가? - 5점: 다양한 인사이트 (직업, 관심사, 소비 패턴 등 복합) - 3점: 기본 정보 - 1점: 정보 부족 3. **진정성** (0-3점): 진솔하고 개인적 경험이 담겨있는가? - 3점: 개인적 경험과 감정이 담김 - 2점: 일반적 답변 - 1점: 피상적 4. **활용도** (0-2점): 마케팅/타겟팅에 활용 가능한가? - 2점: 즉시 활용 가능 - 1점: 부분 활용 - 0점: 활용 어려움 JSON 형식으로 반환: {{ "specificity": 숫자, "information": 숫자, "authenticity": 숫자, "usability": 숫자, "total": 총점, "reason": "평가 이유 (한 줄)" }} """ response = client.chat.completions.create( model="llama-3.3-70b-versatile", messages=[{"role": "user", "content": prompt}], response_format={"type": "json_object"}, max_tokens=300, temperature=0.3 ) result = json.loads(response.choices[0].message.content) evaluation_result = { "score": result.get("total", 8), "evaluation": result } # 캐시 저장 cache.set(cache_key, evaluation_result, ttl=timedelta(hours=24)) return evaluation_result except Exception as e: return {"score": 8, "evaluation": {"error": str(e)}} def submit_fgi_response(persona_id: str, survey_id: str, responses: list): """ 사용자 응답 저장 + 신선도 점수 업데이트 (응답 품질 기반) :param persona_id: 페르소나 ID :param survey_id: 설문 ID :param responses: 응답 리스트 [{"question_id": "q1", "answer": "답변"}] :return: success, old_freshness, new_freshness, points_earned, quality_details """ try: with get_session() as session: # 1. 페르소나 조회 또는 생성 persona = session.query(Persona).filter_by(id=persona_id).first() if not persona: persona = Persona( id=persona_id, freshness_score=0.0, created_at=datetime.now(), last_updated=datetime.now() ) session.add(persona) session.flush() old_freshness = 0.0 else: old_freshness = persona.freshness_score # 2. 설문 조회 (질문 정보 필요) survey = session.query(FGISurvey).filter_by(id=survey_id).first() questions_dict = {} if survey and survey.questions: questions_dict = {q["id"]: q["text"] for q in survey.questions} # 3. 각 응답의 품질 평가 total_points = 0 quality_details = [] for resp in responses: question_id = resp.get("question_id", "") answer = resp.get("answer", "") question_text = questions_dict.get(question_id, "질문 내용 없음") quality = evaluate_response_quality(question_text, answer) score = quality["score"] total_points += score quality_details.append({ "question_id": question_id, "score": score, "evaluation": quality.get("evaluation", {}) }) # 4. 응답 저장 response_id = f"resp_{uuid.uuid4().hex[:12]}" fgi_response = FGIResponse( id=response_id, persona_id=persona_id, survey_id=survey_id, responses=responses, submitted_at=datetime.now() ) session.add(fgi_response) # 5. 신선도 점수 업데이트 new_freshness = persona.freshness_score + total_points persona.freshness_score = new_freshness persona.last_updated = datetime.now() session.commit() # 신선도 등급 계산 if new_freshness >= 500: grade = "SS급 (완벽한 데이터)" elif new_freshness >= 300: grade = "S급 (최고 가치 데이터)" elif new_freshness >= 200: grade = "A급 (고가치 데이터)" elif new_freshness >= 100: grade = "B급 (중간 가치 데이터)" elif new_freshness >= 50: grade = "C급 (기본 데이터)" else: grade = "D급 (불완전 데이터)" return { "success": True, "response_id": response_id, "old_freshness": old_freshness, "new_freshness": new_freshness, "points_earned": total_points, "grade": grade, "quality_details": quality_details, "message": f"데이터 가치가 {old_freshness:.1f}에서 {new_freshness:.1f}로 상승! ({grade})" } except Exception as e: return {"error": f"응답 제출 중 오류 발생: {str(e)}", "success": False}