Copy# 패키지 설치
pip install -e ".[dev]"
 
# VectorWave 의존성 (Weaviate 실행 필요)
docker compose up -d

Copyfrom vectorwave import VectorWaveDatasetManager
from vector_trainer.extractor import DensityBasedExtractor
from vector_trainer.synthesizer import run_synthesis_pipeline
from vector_trainer.pipeline import OpenAITrainer, TrainingPipeline
from vector_trainer.dashboard import CLIDashboard
from vector_trainer.types import FeedbackPair
 
# ── 1. VectorWave 연결 ──────────────────────────────────
dataset_manager = VectorWaveDatasetManager()
 
# ── 2. 골든 데이터 선별기 생성 ──────────────────────────
extractor = DensityBasedExtractor(
    dataset_manager=dataset_manager,
    epsilon=0.3,   # 유사도 임계값 (낮을수록 엄격)
    top_k=50,      # 전략별 최대 선별 수
)
 
# ── 3. 피드백 쌍 정의 ───────────────────────────────────
# "모델이 이렇게 답했는데(bad), 이렇게 답했어야 했다(fixed)"
feedback_pairs = [
    FeedbackPair(
        input_prompt="이 제품의 리뷰를 요약해주세요",
        bad_output="좋은 제품입니다",
        fixed_output="이 제품은 내구성과 디자인이 우수하며, 배송도 빠릅니다.",
        context={"function": "generate_review_summary"},
    ),
    FeedbackPair(
        input_prompt="사용자 리뷰를 분석해주세요",
        bad_output="별로입니다",
        fixed_output=(
            "사용자 리뷰 분석 결과: 긍정 요소(디자인, 가격)와 "
            "개선 필요 요소(AS, 설명서)가 혼재합니다. 만족도: 3.8/5."
        ),
        context={"function": "generate_review_summary"},
    ),
]
 
# ── 4. 트레이너 & 대시보드 ──────────────────────────────
trainer = OpenAITrainer(api_key="sk-...")
dashboard = CLIDashboard()
 
# ── 5. 파이프라인 조립 & 실행 ───────────────────────────
pipeline = TrainingPipeline(
    extractor=extractor,
    synthesizer_output_dir="./output/hooks",
    trainer=trainer,
    monitor=dashboard,
)
 
result = pipeline.run(
    function_name="generate_review_summary",
    feedback_pairs=feedback_pairs,
    output_dir="./output",
)
 
# ── 6. 결과 확인 ────────────────────────────────────────
dashboard.summary()
print(f"파인튜닝 모델: {result['train']['fine_tuned_model']}")
print(f"골든 데이터: {result['golden_data_path']}")
print(f"훅 스크립트: {result['hook_script_path']}")

Copyfrom vector_trainer.extractor import DensityBasedExtractor
 
extractor = DensityBasedExtractor(
    dataset_manager=dataset_manager,
    epsilon=0.3,
    top_k=50,
)
 
# 정상 상태 (Steady State): 고밀도 클러스터의 중심점
# → 모델의 '기본기' 강화용 데이터
steady = extractor.select_steady_state("generate_review_summary")
for c in steady[:5]:
    print(f"  [{c.uuid}] 밀도={c.density:.4f} | {c.return_value[:60]}")
 
# 이상치 (Anomaly): 저밀도이지만 SUCCESS인 노드
# → 새로운 패턴 학습을 위한 경계 데이터
anomalies = extractor.select_anomalies("generate_review_summary")
for c in anomalies[:5]:
    print(f"  [{c.uuid}] 밀도={c.density:.4f} | {c.return_value[:60]}")
 
# ChatML JSONL로 내보내기 (OpenAI 파인튜닝 포맷)
extractor.extract_golden_data("generate_review_summary", "./golden_data.jsonl")

Copy{
  "messages": [
    {"role": "system", "content": "You are a function executor for 'generate_review_summary'. ..."},
    {"role": "user", "content": "function_name: generate_review_summary
strategy: steady
density: 23.05"},
    {"role": "assistant", "content": "이 제품은 품질이 우수하고 배송이 빠릅니다. 평점: 5/5"}
  ]
}

Copyfrom vector_trainer.synthesizer import (
    FeedbackDiffAnalyzer,
    RuleSetSynthesizer,
    HookScriptGenerator,
    run_synthesis_pipeline,
)
from vector_trainer.types import FeedbackPair
 
# ── 방법 1: 한 줄로 실행 ────────────────────────────────
hook_path = run_synthesis_pipeline(
    pairs=feedback_pairs,
    output_dir="./hooks",
)
print(f"훅 스크립트 생성 완료: {hook_path}")
 
# ── 방법 2: 단계별 실행 ─────────────────────────────────
 
# 2-1. 피드백 차이 분석
analyzer = FeedbackDiffAnalyzer()
for pair in feedback_pairs:
    diff = analyzer.analyze(pair)
    print(f"  편집거리={diff['edit_distance']}, 유사도={diff['similarity_score']:.3f}")
 
# 2-2. 규칙 합성
diffs = [analyzer.analyze(p) for p in feedback_pairs]
synthesizer = RuleSetSynthesizer()
rules = synthesizer.synthesize(diffs)
for rule in rules:
    print(f"  [{rule.rule_id}] {rule.description[:60]}")
 
# 2-3. 훅 스크립트 생성
generator = HookScriptGenerator()
hook_path = generator.generate(rules, "./hooks")

Copy# 생성된 훅 스크립트를 임포트하여 즉시 적용
from generated_prompt_hook import intercept_prompt, intercept_output
 
# 사용자 입력 전처리
modified_prompt = intercept_prompt(user_input, context={})
 
# 모델 출력 후처리
corrected_output = intercept_output(model_output, context={})

Copyfrom vector_trainer.pipeline import OpenAITrainer
 
trainer = OpenAITrainer(api_key="sk-...")
 
# 데이터 업로드
file_id = trainer.prepare_data("./golden_data.jsonl")
 
# 파인튜닝 시작
job_id = trainer.start_training(file_id, model="gpt-4o-mini-2024-07-18")
 
# 상태 확인
status = trainer.get_status(job_id)
print(f"상태: {status['status']}")
 
# 결과 조회
result = trainer.get_result(job_id)
print(f"파인튜닝 모델: {result['fine_tuned_model']}")

Copypython demo.py

Copystreamlit run streamlit_app.py

Copy# Mock 모드 (VectorWave/OpenAI 없이 즉시 실행)
python demo.py
 
# 실제 VectorWave 연동 (Weaviate + OpenAI 키 필요)
export OPENAI_API_KEY='sk-...'
docker compose -f /path/to/vectorwave/docker-compose.yml up -d
python demo.py

Copy# 전체 테스트 (42개)
pytest tests/ -v
 
# 모듈별 테스트
pytest tests/ -v -k "extractor"
pytest tests/ -v -k "synthesizer"
pytest tests/ -v -k "pipeline"
pytest tests/ -v -k "dashboard"