Skip to content

README.md

Latest commit

 

History

History
280 lines (215 loc) · 9.18 KB

README.md

File metadata and controls

280 lines (215 loc) · 9.18 KB

25-2_DSL_Modeling_NLP2_HospitalAgent

Hospital Reservation System with Multi-Agent Orchestration

This project was conducted by the Natural Language Processing Team 2 as part of the 2025 Fall modeling project at Data Science Lab, Yonsei University.

병원 예약 시스템을 위한 LangGraph 기반 Multi-Agent Chat System입니다.

👥 Team

Cohort Members
12th Eunhee Kim, Kunwoo Kim
13th Sehyun Park (Leader)
14th Dongjun Shin, Junho Yeo

🚀 Quick Start

How to Run Code

# 1. Install dependencies
pip install -r requirements.txt
pip install langgraph-cli

# 2. Set up environment variables
cp env_example.txt .env
# Edit .env file with your API keys (OPENAI_API_KEY, TAVILY_API_KEY, etc.)

# 3. Start the RAG server (in first terminal)
cd rag_doctor_agent && python a2a_wrapper.py

# 4. Run LangGraph (in second terminal)
cd ../ && langgraph dev

# 5. (Optional) Use custom chat interface (in third terminal)
# LangGraph Studio UI automatically launches in the browser when you run `langgraph dev`
# But you can also use the custom terminal interface:
python chat_interface.py

접속 정보:

  • LangGraph Studio UI: http://localhost:8123 (자동으로 브라우저에서 열림)
  • Chat Interface: 터미널에서 python chat_interface.py 실행

🏗️ 아키텍처

새로운 3-Agent 시스템

사용자 입력
    ↓
에이전트1(관리자) 🎯
    ├─ 예약 관련 → 에이전트2(예약) 📅
    ├─ 증상-의료진 매핑 → 에이전트3(RAG) 🧠  
    └─ 병원 정보 → Tavily 검색 툴 🔍

에이전트2(예약) 📅
    ├─ 사용자 정보 수집 (LLM 기반)
    ├─ 증상 수집 → 에이전트3 호출
    └─ Supabase 툴들 (조회/생성/변경)

에이전트3(RAG) 🧠
    └─ 기존 rag_doctor_agent 활용

폴더 구조

medical_reservation_agent/
├── chat_interface.py        # 💬 터미널 채팅 인터페이스
├── graph.py                 # 📊 LangGraph 진입점
├── langgraph.json           # LangGraph Studio 설정 파일
├── main/
│   ├── agents/              # 🤖 에이전트들
│   │   ├── agent1_manager.py      # 관리자 에이전트
│   │   ├── agent2_reservation.py  # 예약 에이전트
│   │   └── agent3_rag.py          # RAG 에이전트
│   ├── tools/               # 🔧 툴들
│   │   ├── tavily_search.py       # Tavily 웹검색 툴
│   │   └── supabase_mcp_tool.py   # Supabase MCP 툴
│   ├── langgraph_workflow.py      # LangGraph 워크플로우 정의
│   └── langgraph_state.py         # 상태 모델 정의
├── rag_doctor_agent/        # 🧠 RAG 서버
│   ├── a2a_wrapper.py             # Agent-to-Agent 래퍼
│   └── main/                      # RAG 파이프라인
└── test/                    # 🧪 테스트 파일들

📋 환경 변수 설정

.env 파일 생성 후 다음 API 키들을 설정하세요:

필수:

  • OPENAI_API_KEY: OpenAI API 키 (LLM 사용)
  • TAVILY_API_KEY: Tavily 검색 API 키 (병원 정보 검색)

선택사항:

  • LANGSMITH_*: LangSmith 추적 (워크플로우 디버깅)
  • SUPABASE_*: Supabase 데이터베이스 (예약 관리)
    • Supabase 프로젝트에서 URL과 키 발급

💬 사용 방법

1. LangGraph Studio UI (추천)

langgraph dev
  • 브라우저에서 자동으로 http://localhost:8123 열림
  • 그래픽 인터페이스로 워크플로우 시각화
  • 실시간 디버깅 및 추적 가능

2. 터미널 채팅 인터페이스

python chat_interface.py

주요 기능:

  • 💬 실시간 대화 인터페이스
  • 📝 세션 관리 및 컨텍스트 유지
  • 🔧 시스템 명령어 (/help, /status, /history, /save 등)
  • 🎯 다중 턴 예약 플로우
  • 💾 대화 저장/불러오기

사용 예시:

👤 사용자: 예약하고 싶어요
🤖 어시스턴트: 📋 **예약 정보 수집 중**
누락된 정보: 환자명, 전화번호

👤 사용자: 홍길동입니다. 010-1234-5678이에요
🤖 어시스턴트: ✅ **예약 정보 수집 완료**
어떤 증상으로 예약하시나요?

자세한 사용법: CHAT_GUIDE.md 참고

🧪 테스트

테스트 파일 실행

# 각 에이전트 개별 테스트
python test/test_agent1_routing.py      # Agent1 라우팅 테스트
python test/test_rag_agent.py          # RAG Agent 테스트

# 통합 테스트
python test/test_full_system.py        # 전체 시스템 통합 테스트
python test/test_multi_turn_conversation.py  # 다중 턴 대화 테스트
python test/test_schedule_booking.py    # 예약 플로우 테스트

# 툴 테스트
python test/test_tool_calling.py       # Supabase MCP 툴 테스트

LangGraph Studio에서 테스트

langgraph dev 실행 후 브라우저에서:

  • medical_reservation 그래프 선택
  • 워크플로우 시각화 확인
  • 각 노드별 실행 상태 모니터링
  • 실시간 디버깅

🤖 에이전트 시스템 설명

에이전트1 (관리자) 🎯

  • 역할: LLM 기반 사용자 입력 분석 및 지능형 라우팅
  • 분기 로직:
    • 예약 관련 요청 → 에이전트2(예약)
    • 증상-의료진 매핑 요청 → 에이전트3(RAG)
    • 병원 정보 요청 → Tavily 검색 툴
  • 특징: 프롬프트 기반 의도 분류, LLM을 활용한 지능형 판단

에이전트2 (예약) 📅

  • 역할: LLM 기반 예약 관련 모든 처리 (생성, 확인, 취소)
  • 기능:
    • 프롬프트 기반 사용자 정보 수집 (이름, 성별, 연락처)
    • 누락된 정보에 대한 친절한 재요청
    • 증상 수집 후 에이전트3 호출
    • Supabase 툴을 사용한 예약 관리
  • 특징: LLM이 사용자 입력을 이해하고 적절히 응답

에이전트3 (RAG) 🧠

  • 역할: 증상을 기반으로 적절한 의료진 추천
  • 기능:
    • 기존 rag_doctor_agent 활용
    • 증상 분석 및 진료과 매핑
    • 의료진 추천 및 신뢰도 제공
  • 특징: 기존 RAG 파이프라인 재사용

툴들 🔧

Tavily 검색 툴

  • 용도: 바른마디병원 웹사이트(https://barunjoint.kr/) 전용 검색
  • 제한사항: 반드시 해당 도메인에서만 검색
  • 검색 유형: 휴무일, 운영시간, 연락처, 위치 등

Supabase 툴들 (4개 전문화)

  • supabase_read_tool: 예약 데이터 조회 (슬롯 조회, 환자 예약 목록)
  • supabase_create_tool: 새 예약 생성
  • supabase_update_tool: 예약 정보 수정
  • supabase_delete_tool: 예약 취소
  • 특징: 각 작업별로 전문화된 별도 툴, 프롬프트 기반 자동 선택

🔄 워크플로우 흐름

  1. 사용자 입력 → 에이전트1(관리자)
  2. 의도 분석 → 적절한 에이전트/툴 선택
  3. 라우팅:
    • 예약 → 에이전트2 → 필요시 에이전트3 호출 → Supabase MCP 툴
    • 의료진 추천 → 에이전트3 → RAG 파이프라인
    • 병원 정보 → Tavily 검색 툴
  4. 응답 생성 → 사용자에게 결과 전달

📝 주요 기능

  • ✅ Multi-Agent Orchestration - 3개 에이전트의 협업 시스템
  • ✅ LangGraph 워크플로우 - 상태 기반 워크플로우 관리
  • ✅ RAG 기반 의료진 추천 - 증상 분석 및 적절한 의료진 매핑
  • ✅ 실시간 채팅 인터페이스 - 터미널 및 LangGraph Studio UI
  • ✅ 세션 관리 - 사용자별 대화 컨텍스트 유지
  • ✅ Supabase MCP 통합 - 예약 데이터 관리
  • ✅ Tavily 웹 검색 - 병원 정보 실시간 검색
  • ✅ LangSmith 추적 - 워크플로우 디버깅 및 성능 분석

🛠️ 개발 및 디버깅

LangSmith 연동

LangGraph Studio에서 워크플로우 실행을 추적하고 디버깅할 수 있습니다:

  • LangSmith 대시보드: https://smith.langchain.com
  • 모든 LLM 호출, 에이전트 실행, 도구 사용 추적
  • 성능 분석 및 최적화

로그 확인

각 에이전트 실행 시 상세한 로그가 콘솔에 출력됩니다:

🎯 Agent1: 사용자 의도 분석 중...
📅 Agent2: 예약 정보 수집 중...
🧠 Agent3: RAG 기반 의료진 추천...
✅ 워크플로우 완료

📚 추가 문서

  • CHAT_GUIDE.md: 채팅 인터페이스 상세 사용법
  • LANGGRAPH_STUDIO_SETUP.md: LangGraph Studio 설정 가이드
  • MCP_SERVER_SETUP.md: MCP 서버 설정 방법
  • test/TEST_GUIDE.md: 테스트 실행 가이드

📞 문제 해결

문제가 발생하면 다음을 확인해주세요:

  1. 모든 의존성이 설치되었는지 확인 (pip install -r requirements.txt)
  2. RAG 서버가 실행 중인지 확인 (python rag_doctor_agent/a2a_wrapper.py)
  3. 환경 변수가 올바르게 설정되었는지 확인 (.env 파일)
  4. LangGraph Studio에서 워크플로우 상태 확인
  5. LangSmith에서 에러 로그 확인

📄 License

This project is part of the Data Science Lab, Yonsei University modeling project.