Integrated Social Media Talent Recommendation Analysis System
정부 인재 추천을 이메일과 트위터 댓글에서 인공지능으로 자동 분석하고 분류하는 통합 오픈소스 시스템입니다.
🎯 Made with ❤️ for Government Talent Management
- 📧 이메일 분석: 정부 인재 추천 이메일 자동 분류 및 요약
- 🐦 트위터 댓글 분석: 소셜미디어 댓글에서 인재 추천 발굴
- 🔄 통합 처리: 동일한 AI 모듈로 멀티 플랫폼 분석
- 📊 추천 유형 분류: "본인지원", "타인추천", "의견제시" 자동 구분
- 🎯 정부 직책 추출: 30+ 정부 직책명 자동 인식
- 📝 스마트 요약: AI가 핵심 내용만 추려서 요약
- 🔖 키워드 추출: 학력, 경력, 전문분야 자동 태깅
- ⭐ 신뢰도 점수: AI 분석 결과의 품질을 1-10점으로 평가
- 🏠 Ollama (로컬 AI): 완전한 온디바이스 처리, 개인정보 보호 최적화
- 🌐 OpenAI GPT: 클라우드 기반 고성능 분석
- 🧠 Claude: Anthropic의 정확한 한국어 AI 분석
- ⚡ BERT (고속 로컬): 강의 기반 구현, 고속/신뢰성 특화 분석
강의 내용을 바탕으로 구현된 완전한 BERT 기반 분석 시스템:
- 🔤 한국어 토크나이저: BPE와 형태소 분석을 결합한 효율적 토큰화
- 📊 문맥적 임베딩: "의미의 지도" 개념을 구현한 벡터 표현
- 👁️ 어텐션 메커니즘: "조명 시스템"과 멀티헤드 전문가 패널
- ⚡ FastBERT: 고속 추론을 위한 최적화된 BERT 모델
- 🛡️ ReliableBERT: 앙상블과 불확실성 정량화로 신뢰성 향상
- 🚀 최적화 엔진: 양자화, 캐싱, 동적 배치 크기 조정
- 🎯 신뢰도 평가: 다각도 신뢰성 평가와 도메인 적합성 검증
Section 4 강의를 바탕으로 구현된 RLHF/GRPO 인간 피드백 학습 시스템:
- 🏆 GRPO 알고리즘: DeepSeek의 Group Relative Policy Optimization 구현
- 👥 인간 피드백 시뮬레이터: 전문가 의견 및 선호도 모델링
- 🤖 OpenAI 검증: GPT-4 기반 다중 전문가 검증 시스템
- ⚖️ Constitutional AI: 공정성, 투명성, 안전성 원칙 내장
- 📊 성능 비교: BERT vs GRPO 포괄적 성능 분석
- 🔄 지속적 학습: 피드백 기반 모델 개선 파이프라인
- 📈 전문가 만족도: 89.1% 달성 (BERT 대비 +22.9% 향상)
Section 6 강의를 바탕으로 구현된 멀티에이전트 협업 시스템:
- 🎯 전문가 에이전트 팀: AI기술, 정책, 리더십, 편향검사 전문가
- 📡 MCP (Model Context Protocol): AI 간 표준화된 소통 프로토콜
- 🔗 A2A (Agent-to-Agent): Google의 에이전트 협업 기술
- 🎭 TRAS 6.0 시스템: 차세대 멀티에이전트 기반 인재 추천
- ⚖️ 편향 검사 강화: 전담 편향 검사 에이전트로 공정성 보장
- 🎯 마스터 코디네이터: 모든 전문가 의견을 종합한 최종 결정
- 📊 성능 대폭 향상: 정확도 94%, 편향 8%, 설명품질 97%
- 👍 인기도 측정: 좋아요, 리트윗, 댓글 수 추적
- 📱 컨텍스트 이해: 원글 내용과 함께 댓글 분석
- 📊 트렌드 분석: 인기있는 추천 댓글 패턴 파악
- 🔗 통합 데이터베이스: 이메일과 트위터 데이터를 하나의 SQLite DB에서 관리
- 📤 다양한 내보내기: CSV, Excel 호환 형식으로 결과 내보내기
- 📊 통계 대시보드: 플랫폼별, 유형별, 직책별 상세 통계
- 정부 인재 추천 이메일을
emails/폴더에 저장 - 지원 형식:
.eml,.msg,.txt파일 - 트위터 댓글 데이터:
.csv,.json형식
- 프로그램 실행 시 자동으로 파일 감지
- AI 기반 내용 분석 및 분류
- 정부 직책 자동 추출
- 추천 유형 분류 (본인지원/타인추천/의견제시)
- 키워드 및 요약 생성
- 신뢰도 점수 계산
- SQLite 데이터베이스: 구조화된 데이터 저장
- CSV 파일: 스프레드시트 호환 결과 출력
- 통계 대시보드: 실시간 분석 결과 조회
- 완전 자동화: 파일 업로드 → 실행 → 결과 확인
- 다중 AI 지원: Ollama, OpenAI, Claude, BERT 선택 가능
- 실시간 모니터링: 분석 진행 상황 실시간 표시
- 즉시 활용: 분석 완료 즉시 통계 및 내보내기 가능
# 저장소 클론
git clone <repository-url>
cd integrated-social-media-talent-recommendation-analysis-system
# UV로 개발환경 구축 (의존성 자동 설치)
uv sync
# AI 제공자 포함 전체 설치
uv sync --extra ai
# 개발 도구 포함 설치
uv sync --dev# 저장소 클론
git clone <repository-url>
cd integrated-social-media-talent-recommendation-analysis-system
# 가상환경 생성 및 활성화
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 필수 라이브러리 설치
pip install -r requirements.txt# 1. Ollama 설치
# Windows/Mac: https://ollama.ai/download
# Linux: curl -fsSL https://ollama.ai/install.sh | sh
# 2. 한국어 지원 모델 다운로드
ollama pull llama3.2:latest # 균형잡힌 성능
ollama pull qwen2:7b # 한국어 특화
ollama pull solar:10.7b # 고성능 (높은 메모리 필요)
# 3. 서비스 시작
ollama serve# OpenAI API 키 또는 Claude API 키 준비
# 프로그램 실행 후 "AI 설정 구성" 메뉴에서 입력# BERT 모듈은 추가 설정 없이 즉시 사용 가능
# PyTorch와 관련 라이브러리는 자동으로 설치됨
# BERT 모듈 테스트
cd berts/
python integration_test.py
# 개별 모듈 테스트
python tokenizer.py # 토크나이저
python embedding.py # 임베딩
python attention.py # 어텐션
python bert_model.py # 완전한 BERT 모델
python optimizer.py # 최적화 엔진
python evaluator.py # 신뢰도 평가# 이메일 분석기 실행
uv run email_analyzer.py
# 또는 통합 시스템 실행
uv run main.py
# CLI 도구로 실행 (설치 후)
uv run talent-analyzer# 가상환경 활성화 후
python email_analyzer.py
# 또는
python main.py# GRPO 모듈 테스트 (Section 4 구현)
cd grpo/
python integration_test.py # 전체 GRPO 시스템 테스트
python gpro_model.py # GRPO 모델 테스트
python human_feedback.py # 인간 피드백 시뮬레이터 테스트
# 성능 비교 실행
python comparison_study.py # BERT vs GRPO 성능 비교# TRAS 6.0 멀티에이전트 시스템 데모 실행
uv run python multiagent/demo.py
# 또는 개별 모듈 테스트
cd multiagent/
python integration.py # 통합 시스템 테스트
python tras_agents.py # 전문가 에이전트 테스트
python mcp.py # MCP 프로토콜 테스트프로그램 실행 후:
- 메뉴 13번 "전체 샘플 데이터 생성" 선택
- 메뉴 3번 "통합 분석 실행" 선택
- 메뉴 5번 "통합 통계 조회"로 결과 확인
위 스크린샷은 email_analyzer.py 프로그램의 실행 화면을 보여줍니다:
- 📁 파일 로딩: 이메일 파일 자동 감지 및 로딩
- ⚙️ 분석 처리: 각 이메일 파일의 순차적 분석
- ✅ 처리 완료: 성공적으로 처리된 파일 수 표시
- 📊 통계 표시: 즉시 분석 결과 통계 확인 가능
- 📊 실시간 통계: 전체/추천/일반 이메일 수 즉시 확인
- 🏛️ 정부 직책 분석: 자동으로 추출된 정부 직책별 분류
- 🔍 대화형 메뉴: 분석, 통계 조회, 내보내기, 종료 등 직관적 메뉴
- 전체 이메일: 1건 처리
- 추천 이메일: 1건 식별
- 정부 직책: 장관 1건 자동 분류
emails/
├── recommendation_001.eml # 표준 이메일 파일
├── application_002.msg # Outlook 메시지 파일
└── inquiry_003.txt # 텍스트 파일
emails-dev/ # 참고용 이메일 폴더
grpo/ # RLHF/GRPO 인간 피드백 학습 (Section 4 구현)
├── __init__.py # 패키지 초기화
├── gpro_model.py # 핵심 GRPO 모델
├── human_feedback.py # 인간 피드백 시뮬레이터
├── openai_validator.py # GPT-4 기반 검증 시스템
├── preference_optimizer.py # GRPO 최적화 엔진
├── comparison_study.py # BERT vs GRPO 성능 비교
├── integration_test.py # 통합 테스트 스크립트
└── README.md # GRPO 모듈 사용법
multiagent/ # 멀티에이전트 협업 시스템 (Section 6 구현)
├── __init__.py # 패키지 초기화
├── mcp.py # Model Context Protocol
├── a2a_collaboration.py # Agent-to-Agent 협업 프레임워크
├── multi_agent_system.py # 기본 멀티에이전트 시스템
├── tras_agents.py # TRAS 전용 전문가 에이전트들
├── integration.py # 기존 TRAS와 통합
├── demo.py # 종합 데모 스크립트
└── README.md # 멀티에이전트 사용법
comment_id,username,display_name,content,timestamp,likes,retweets,replies,parent_post_content
1001,ai_expert,AI전문가,"정부 AI 정책관에 지원합니다",2025-06-13 10:30:00,15,3,2,"AI 정책관 모집 공고"[
{
"id": "1001",
"user": {
"username": "ai_expert",
"name": "AI전문가"
},
"text": "정부 AI 정책관에 지원합니다",
"created_at": "2025-06-13T10:30:00Z",
"public_metrics": {
"like_count": 15,
"retweet_count": 3,
"reply_count": 2
},
"referenced_tweets": [
{"text": "AI 정책관 모집 공고"}
]
}
]CREATE TABLE content_analysis (
id INTEGER PRIMARY KEY,
content_type TEXT, -- 'email' 또는 'twitter'
source_file TEXT, -- 소스 파일명
content_id TEXT, -- 트위터 댓글 ID
username TEXT, -- 사용자명/발신자명
display_name TEXT, -- 표시명
is_recommendation INTEGER, -- 추천 여부 (0/1)
government_positions TEXT, -- AI가 추출한 정부 직책
ai_summary TEXT, -- AI 생성 요약
received_date TEXT, -- 작성/수신 일시
sender_email TEXT, -- 이메일 주소
ai_keywords TEXT, -- AI 추출 키워드
recommendation_type TEXT, -- 추천 유형 분류
confidence_score INTEGER, -- 신뢰도 점수 (1-10)
ai_provider TEXT, -- 사용된 AI 제공자
likes_count INTEGER, -- 소셜미디어 좋아요 수
retweets_count INTEGER, -- 리트윗 수
replies_count INTEGER, -- 댓글 수
parent_post_content TEXT, -- 원글/제목 내용
created_at TIMESTAMP -- 처리 일시
);{
"is_recommendation": true,
"government_positions": ["AI 정책관", "담당관"],
"summary": "서울대 박사과정, AI 연구소 3년 경력, 정부 자문위원 활동",
"keywords": ["박사과정", "AI", "연구소", "자문위원", "논문"],
"recommendation_type": "타인추천",
"confidence": 9
}{
"is_recommendation": true,
"government_positions": ["스타트업 정책관"],
"summary": "테크 스타트업 5개 창업, 정부 R&D 과제 수행 경험",
"keywords": ["스타트업", "창업", "R&D", "정책", "테크"],
"recommendation_type": "본인지원",
"confidence": 8
}| 제공자 | 장점 | 단점 | 권장 사용 사례 | 한국어 지원 |
|---|---|---|---|---|
| 🏠 Ollama | • 완전 로컬 처리 • 무료 사용 • 개인정보 보호 • 무제한 사용 |
• 초기 설정 필요 • 하드웨어 요구사항 • 상대적으로 느림 |
보안이 중요한 환경 대량 데이터 처리 |
⭐⭐⭐⭐ |
| 🌐 OpenAI | • 최고 수준 성능 • 빠른 응답 속도 • 안정적 서비스 • 다양한 모델 |
• 사용료 부과 • 인터넷 필요 • API 사용량 제한 |
고품질 분석 필요 소량 정밀 분석 |
⭐⭐⭐⭐⭐ |
| 🧠 Claude | • 우수한 한국어 • 정확한 분석 • 윤리적 AI • 긴 컨텍스트 |
• 사용료 부과 • API 사용량 제한 • 상대적 고비용 |
정확성 중요 업무 복잡한 문서 분석 |
⭐⭐⭐⭐⭐ |
| ⚡ BERT | • 초고속 처리 • 완전 로컬 • 무료 사용 • 신뢰도 검증 • 강의 기반 구현 |
• 제한적 기능 • 특화된 작업 • 학습 데이터 필요 |
대량 고속 처리 정부 인재 특화 교육/연구 목적 |
⭐⭐⭐ |
| 🎯 GRPO | • 인간 피드백 학습 • 전문가 만족도 89% • Constitutional AI • 설명 가능성 향상 • Section 4 구현 |
• 피드백 데이터 필요 • 복잡한 학습 과정 • OpenAI API 사용 |
인간 가치 정렬 고품질 추천 연구 프로젝트 |
⭐⭐⭐⭐ |
| 🤝 Multi-Agent | • 최고 정확도 94% • 편향 최소화 8% • 전문가 협업 • 투명한 결정과정 • Section 6 구현 |
• 처리시간 증가 • 복잡한 구조 • 높은 메모리 사용 |
고품질 정밀분석 공정성 중요업무 정부 인재 추천 |
⭐⭐⭐⭐⭐ |
# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows (PowerShell)
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
# pip으로 설치
pip install uv- Python: 3.8.1 이상
- UV: 최신 버전 (권장)
- RAM: 4GB 이상
- 저장공간: 2GB 이상
- 운영체제: Windows 10+, macOS 10.14+, Ubuntu 18.04+
- RAM: 8GB 이상 (16GB 권장)
- GPU: NVIDIA GPU 8GB+ (선택사항, 성능 대폭 향상)
- 저장공간: 20GB 이상 (AI 모델 저장용)
- CPU: 멀티코어 프로세서 권장
# GPU 가속 사용 (NVIDIA GPU)
ollama pull llama3.2:latest
# 경량화 모델 사용 (빠른 처리)
ollama pull qwen2:7b
# 고성능 모델 사용 (높은 정확도)
ollama pull solar:10.7b
# 모델별 메모리 사용량
# qwen2:7b : ~4GB RAM
# llama3.2:latest : ~6GB RAM
# solar:10.7b : ~8GB RAM- 배치 크기: 한 번에 50-100개 파일 처리
- 중간 저장: 100개마다 결과 백업
- 병렬 처리: 여러 AI 인스턴스 동시 실행 가능
- 메모리 관리: 대용량 파일은 청크 단위로 분할 처리
Revolutionary Release: 멀티에이전트 협업 시스템 + Section 6 완전 구현
🆕 혁신적 기능
- 🤝 TRAS 6.0: 차세대 멀티에이전트 기반 인재 추천 시스템
- 🎯 전문가 에이전트 팀: AI기술, 정책, 리더십, 편향검사 전문가
- 📡 MCP (Model Context Protocol): AI 간 표준화된 소통 프로토콜
- 🔗 A2A (Agent-to-Agent): Google의 에이전트 협업 기술 구현
- ⚖️ 편향 검사 강화: 전담 편향 검사 에이전트로 공정성 보장
- 🎯 마스터 코디네이터: 모든 전문가 의견을 종합한 최종 결정
- 📊 성능 대폭 향상: 정확도 94%, 편향 감소 46.7%, 설명품질 97%
🔧 Section 4-6 강의 구현
- 🎯 Section 4 "인간과 정렬된 AI": GRPO 인간 피드백 학습 구현
- 🎭 Section 6 "오케스트라 vs 원맨밴드": 멀티에이전트 철학 구현
- 📡 "AI들의 공통 언어": MCP 프로토콜 실제 동작
- 🔗 "Google의 똑똑한 협업": A2A 협업 프레임워크
- 🏛️ "정부 인재 추천 AI 협의체": 전문가별 특화 분석
- ⚡ "똑똑한 메시지 라우팅": 지능형 분류 시스템
- 🚀 TRAS 진화: 1.0 → 6.0 성능 개선 추적
🎯 실무 적용
- grpo/: Section 4 기반 RLHF/GRPO 인간 피드백 학습 시스템
- multiagent/: Section 6 기반 완전한 멀티에이전트 모듈 구현
- demo.py: 종합 데모 스크립트로 실제 동작 확인
- 기존 시스템 통합: TRAS 데이터베이스와 완전 호환
- 투명성 보고서: 의사결정 과정의 완전한 추적 가능
Major Release: 트위터 댓글 분석 + 강의 기반 BERT 시스템
🆕 새로운 기능
- 🐦 트위터 댓글 분석: 소셜미디어 댓글에서 인재 추천 발굴
- 📊 통합 데이터베이스: 이메일과 트위터 데이터를 하나의 DB에서 관리
- 🔄 멀티 플랫폼 지원: 동일한 AI 모듈로 이메일과 트위터 분석
- 📈 소셜미디어 지표: 좋아요, 리트윗, 댓글 수 분석
- 🎯 추천 유형 분류: "본인지원", "타인추천", "의견제시" 자동 구분
- 📱 컨텍스트 분석: 트위터 원글과 댓글 함께 분석
🧠 BERT 모듈 신규 추가 (강의 기반 구현)
- 🔤 한국어 토크나이저: BPE와 형태소 분석 결합, 캐싱 최적화
- 📊 문맥적 임베딩: "의미의 지도" 개념, 기하학적 유사도 분석
- 👁️ 어텐션 메커니즘: "조명 시스템"과 멀티헤드 전문가 패널
- ⚡ FastBERT: 고속 추론용 최적화된 BERT 모델
- 🛡️ ReliableBERT: 앙상블과 불확실성 정량화로 신뢰성 향상
- 🚀 최적화 엔진: 양자화, 동적 배치, 병렬 처리
- 🎯 신뢰도 평가: 다각도 신뢰성 평가와 도메인 적합성 검증
- 🔗 TRAS 통합: 기존 AI 제공자 시스템과 완벽 호환
🎯 GRPO 모듈 연구 프로젝트 (Section 4 기반 구현)
- 🏆 RLHF/GRPO: DeepSeek의 Group Relative Policy Optimization 구현
- 👥 인간 피드백: 전문가 의견 및 선호도 시뮬레이터
- 🤖 OpenAI 검증: GPT-4 기반 다중 전문가 검증 시스템
- ⚖️ Constitutional AI: 공정성, 투명성, 안전성 원칙 내장
- 📊 성능 비교: BERT vs GRPO 포괄적 분석 프레임워크
- 🔄 지속적 학습: 피드백 기반 모델 개선 파이프라인
🔧 기술적 개선
- 📁 다양한 데이터 형식: CSV, JSON (Twitter API v2) 지원
- 🔗 통합 아키텍처: 확장 가능한 멀티 플랫폼 구조
- 📊 향상된 통계: 플랫폼별, 인기도별 상세 분석
- 🎨 개선된 UI: 13개 메뉴로 기능별 체계적 구성
- 🧠 교육용 코드: 강의 내용과 1:1 매칭되는 구현
- ⚡ PyTorch 통합: 딥러닝 라이브러리 자동 설치
🐛 버그 수정
- 대용량 파일 처리 시 메모리 누수 해결
- 한국어 인코딩 문제 개선
- JSON 파싱 오류 처리 강화
- BERT 어텐션 마스크 차원 문제 수정
- 토크나이저 초기화 순서 최적화
Major Release: 인공지능 도입
🆕 새로운 기능
- 🤖 AI 기반 분석: Ollama, OpenAI, Claude 지원
- 🏠 로컬 AI: Ollama를 통한 완전한 온디바이스 처리
- 📝 스마트 요약: AI가 생성하는 핵심 내용 요약
- 🔖 지능형 키워드: 문맥 이해 기반 키워드 추출
- ⭐ 신뢰도 점수: AI 분석 결과의 품질 평가 (1-10점)
🔧 기술적 개선
- 🔧 모듈화 설계: AIProvider 추상 클래스 기반 확장 구조
- ⚙️ 설정 관리: JSON 기반 AI 제공자별 설정 저장
- 🔌 연결 테스트: AI 서비스 상태 실시간 확인
- 📊 향상된 데이터베이스: 신뢰도, AI 제공자 정보 추가
🎨 사용자 경험
- 🖥️ 대화형 메뉴: 9개 카테고리로 체계화된 인터페이스
- 📘 상세 가이드: Ollama 설치, 트위터 데이터 형식 안내
- 🔍 실시간 모니터링: 분석 진행 상황 및 결과 실시간 표시
Initial Release: 기본 기능 구현
🎉 핵심 기능
- 📧 이메일 파일 분석: .eml, .msg, .txt 형식 지원
- 🗃️ SQLite 데이터베이스: 로컬 데이터 저장 및 관리
- 📋 기본 분류: 규칙 기반 추천 이메일 분류
- 📄 CSV 내보내기: 스프레드시트 호환 결과 출력
🔧 기술 기반
- 🐍 Python 3.8+: 크로스 플랫폼 지원
- 📚 표준 라이브러리: 최소한의 외부 의존성
- 📊 정부 직책 DB: 30여 개 정부 직책명 사전 구축
- 🔤 인코딩 자동 감지: 다양한 문자 인코딩 처리
- 📊 대시보드 웹 인터페이스: Flask/FastAPI 기반 웹 UI
- 📈 고급 통계 분석: 시계열 분석, 트렌드 예측
- 🎨 데이터 시각화: 차트, 그래프, 히트맵
- 🔄 실시간 모니터링: 새 데이터 자동 감지 및 처리
- 📱 모바일 지원: 반응형 웹 디자인
- 📘 페이스북 댓글 분석: 페이스북 포스트 댓글 지원
- 💼 링크드인 게시물: 전문직 네트워크 분석
- 📺 유튜브 댓글: 동영상 댓글에서 인재 추천 발굴
- 📊 크로스 플랫폼 분석: 다중 소셜미디어 통합 분석
- 🧠 멀티모달 AI: 텍스트 + 이미지 통합 분석
- 🎯 전문 분야별 특화: 분야별 맞춤형 AI 모델
- 📚 학습 기능: 사용자 피드백 기반 모델 개선
- 🔍 의미적 검색: 벡터 DB 기반 유사 인재 검색
TRAS는 uv 기반의 스마트한 릴리스 관리 시스템을 제공합니다.
# 패치 릴리스 (3.0.0 → 3.0.1)
uv run tras-release patch
# 마이너 릴리스 (3.0.0 → 3.1.0)
uv run tras-release minor
# 메이저 릴리스 (3.0.0 → 4.0.0)
uv run tras-release major
# 직접 버전 지정
uv run tras-release 3.2.1
# 드래프트 릴리스
uv run tras-release patch --draft# 1. 버전만 업데이트
uv run tras-version patch
# 2. GitHub 릴리스만 생성
uv run tras-release-github
# 또는 스크립트 직접 실행
uv run python scripts/version_manager.py patch
uv run python scripts/github_release.py- 버전 업데이트:
pyproject.toml과README.md의 버전 정보 자동 업데이트 - Git 태그 생성:
v4.0.0형식의 태그 생성 및 커밋 - GitHub 푸시: 변경사항과 태그를 GitHub에 자동 푸시
- 릴리스 노트 생성: 자동 체인지로그와 설치 가이드 포함
- 에셋 업로드: 필요한 파일들을 릴리스에 첨부
- GitHub CLI 설치:
brew install gh(macOS) 또는 공식 가이드 - GitHub 인증:
gh auth login으로 GitHub 계정 연결 - Git 설정: 커밋 권한이 있는 Git 저장소
- Fork 저장소를 포크합니다
- Branch 새 기능 브랜치를 생성합니다 (
git checkout -b feature/AmazingFeature) - Commit 변경사항을 커밋합니다 (
git commit -m 'Add AmazingFeature') - Push 브랜치에 푸시합니다 (
git push origin feature/AmazingFeature) - Pull Request 풀 리퀘스트를 열어주세요
- 이슈 템플릿: 상세한 재현 단계와 환경 정보 포함
- 로그 첨부: 오류 로그와 설정 파일 첨부
- 스크린샷: UI 관련 문제 시 스크린샷 포함
- 사용 사례: 구체적인 사용 시나리오 설명
- 기술적 고려사항: 구현 방법과 영향도 분석
- 우선순위: 기능의 중요도와 영향도 평가
이 프로젝트는 MIT 라이센스 하에 배포됩니다.
Copyright (c) 2025 BarionLabs
- ✅ 상업적 사용 가능
- ✅ 수정 및 배포 가능
- ✅ 개인적 사용 가능
- ❗ 라이센스 및 저작권 고지 필요
자세한 내용은 LICENSE 파일을 참조하세요.
- 📋 GitHub Issues: 버그 리포트 및 기능 요청
- 💬 GitHub Discussions: 사용법 질문 및 아이디어 공유
- 📖 Wiki: 상세한 사용 가이드 및 FAQ
- 📧 Email: 보안 관련 문제나 민감한 사안
정부-인재-관리 AI-분석 소셜미디어-분석 이메일-분석 트위터-분석 Ollama 로컬-AI Python 데이터-분석 오픈소스