Arda 기술 해부 노트

backend/app/api/interviews.py — 흐름 요약def _seed_questions_bg(session_id: int) -> None:
    with SessionLocal() as db:
        session = db.get(InterviewSession, session_id)
        if session is None: return
        existing = db.scalar(select(InterviewTurn).where(InterviewTurn.session_id == session_id))
        if existing is not None: return       # 담당자가 수동으로 먼저 넣었으면 존중

        application = db.get(Application, session.application_id)
        sources = sources_of(application, db)  # 자소서 · 이력서 · 공고 요건 재료
        claims = generate_probes(sources)      # LLM 이 5주장 × 2질문 뽑는다

        questions = []
        if claims:
            # 주장별 첫 질문을 먼저 · 그다음 둘째 (같은 주장 질문이 붙지 않게 재조립)
            for i in range(2):
                for c in claims:
                    qs = c.get("questions") or []
                    if i < len(qs): questions.append(qs[i].strip())
            questions = questions[:10]

        if not questions:
            questions = ["성함과 지원하신 직무를 말씀해 주세요.",
                         "가장 자신 있는 기술 하나만 말씀해 주세요.",
                         "입사하면 가장 먼저 하고 싶은 일은 무엇인가요?"]

        if db.get(InterviewSession, session_id) is None:  # #171: 그 사이 삭제됐으면 조용히
            return
        for seq, q in enumerate(questions, start=1):
            db.add(InterviewTurn(session_id=session_id, seq=seq, question=q))
        try: db.commit()
        except Exception: db.rollback(); return

• 주장별 첫 질문을 먼저 뽑아 다양성 확보. 같은 주장의 두 질문이 붙어 나가면 지원자가 지루하다.
• 담당자가 이미 넣은 세션은 건드리지 않음 (existing 검사).
• 폴백 3개 는 어느 지원자에게든 물을 수 있는 안전한 첫 세 개.
• 실패해도 무해 — 로그만 남기고 세션은 그대로 (담당자가 수동으로 넣을 수 있음).

backend/app/agent/interview_probe.py:probe_from_answerFOLLOWUP_MIN_ANSWER_CHARS = 20   # 짧은 답변은 억지로 꼬리 뽑지 않는다
FOLLOWUP_MAX_TOKENS = 200

def probe_from_answer(prev_question, prev_answer, applicant_summary="") -> str | None:
    if len(prev_answer.strip()) < FOLLOWUP_MIN_ANSWER_CHARS:
        return None
    backend = get_summary_backend()
    if backend.unavailable_reason(): return None

    prompt = (
        "면접 진행자다. 방금 지원자가 답한 것을 재료로 **한 문장 짜리 꼬리 질문**을 만든다.\n"
        "- 답변에서 지원자가 실제로 한 말을 근거로 삼는다\n"
        "- 추궁이 아니라 지원자가 세부를 펼칠 자리를 만든다\n"
        "- 60자 이내 · 물음표로 끝난다\n"
        "- 감상·다짐만 있어 물을 세부가 없으면 `SKIP`\n\n"
        f"[지원자 요약]\n{applicant_summary}\n\n[직전 질문]\n{prev_question}\n\n[지원자 답변]\n{prev_answer}\n\n[꼬리 질문]"
    )
    result = backend.complete(prompt=prompt, max_tokens=FOLLOWUP_MAX_TOKENS)
    text = result.text.strip()
    # ```..``` · 앞뒤 따옴표 벗기기 · SKIP 처리 · 250자 초과 폐기
    ...
    return text or None

DB 삽입 · seq = max+1 로 뒤에 붙는다max_seq = (db.query(InterviewTurn.seq).filter(InterviewTurn.session_id == session_id)
             .order_by(InterviewTurn.seq.desc()).limit(1).scalar() or 0)
db.add(InterviewTurn(session_id=session_id, seq=max_seq + 1,
                     question=question,
                     generated_from_turn_id=prev_turn_id))

• 20자 미만 답변은 즉시 None. "파이썬입니다" 같은 짧은 답변에 억지 꼬리 붙이면 면접관에게 해롭다 (interview_probe.py 원본 정책 그대로).
• SKIP · 감상만 있으면 뽑지 않는다 — LLM 이 SKIP 을 반환하면 취소.
• 250자 초과는 다듬어도 못 살림. 프롬프트를 뚫고 큰 응답이 온 경우.

feature_extractor.py — 한국어 라벨 매핑_EXPRESSION_KO = {
    "angry":"화남", "disgust":"역겨움", "fear":"무서움",
    "happy":"웃음", "sad":"슬픔", "surprise":"놀람", "neutral":"무표정",
}

def expressions_from_frame(frame, top_k: int = 3) -> list[dict] | None:
    if not VIT_MODEL: return None
    lm, rgb = _detect(frame)             # mediapipe · 얼굴 랜드마크
    if lm is None: return None
    crop = _crop_of(lm, rgb)             # 랜드마크 덮는 사각형만
    if crop is None: return None         # < 60px 면 폐기
    probs = expression_rows([crop])      # ViT 로 7종 확률
    if not len(probs): return None
    labels = _vit_labels()               # id2label
    row = probs[0]
    order = np.argsort(row)[::-1][:top_k]
    return [{"label": labels[int(i)],
             "label_ko": _EXPRESSION_KO.get(labels[int(i)].lower(), labels[int(i)]),
             "prob": round(float(row[i]), 3)} for i in order]

interview_ws.py:LiveScorer — 최근 프레임 하나 캐시class LiveScorer:
    def __init__(self, ...):
        ...
        self._latest_frame = None       # ViT 판정용 · 한 장만
    def add_frame(self, bgr) -> None:
        self._latest_frame = bgr        # 얼굴 잡힐 때마다 갱신
    def snapshot(self):
        return bytes(self._pcm), [r for _, r in self._rows], self._latest_frame

interview_ws.py:score — 판정 옆에 표정 붙임def score(pcm, rows, seconds, latest_frame=None) -> dict:
    ...
    # 표정: 프레임이 있고 VIT_MODEL 이 켜져 있을 때만
    expressions = None
    if latest_frame is not None:
        try:    expressions = expressions_from_frame(latest_frame, top_k=3)
        except: logger.exception("표정 판정 실패 — 판정은 그대로 낸다")

    out = {"ok": True, "pred": int(...), "truth_pct": ..., "lie_pct": ...,
           "signals": face_signals(arr, seconds)}
    if expressions: out["expressions"] = expressions
    return out

frontend/app/src/pages/useLiveAnalysis.ts — 파싱export type Expression = { label: string; label_ko: string; prob: number }
export type LiveVerdict = {
  truth_pct?: number; lie_pct?: number;
  signals?: FaceSignal[];
  expressions?: Expression[];       // 신규
  reason?: string; at: number;
}
// onmessage 에서: expressions: Array.isArray(m.expressions) ? m.expressions : undefined,

InterviewRoom.tsx — 판정 옆에 top-3 블록{analysis.latest.expressions?.length ? (
  <div className={styles.expressions}>
    <p className={styles.expressionsLabel}>표정 (우리 ViT · 판정엔 안 들어감)</p>
    <ul className={styles.expressionsList}>
      {analysis.latest.expressions.slice(0, 3).map((ex) => (
        <li key={ex.label} className={styles.expressionRow}>
          <span className={styles.expressionName}>{ex.label_ko || ex.label}</span>
          <span className={styles.expressionPct}>{Math.round(ex.prob * 100)}%</span>
        </li>
      ))}
    </ul>
  </div>
) : null}

| seq | question | 저장된 답변                |
|-----|----------|-----------------------------|
|   1 | 3k 동시…  | [전사 지연 · 발화 98.0초]  |  ← 상한 초과
|   2 | disconnect… | [전사 지연 · 발화 63.8초] |  ← 상한 초과

interview_ws.py — 계산 근거 주석과 함께# **면접 답변은 3분까지 갈 수 있다** (2026-09-10 실측). CPU int8 실측 속도(1.8배속)
# 로 3분 발화가 100초 안에 처리되고, 여기에 여유 80초를 더한 180초로 상향한다.
# 이 시간에 다음 질문은 이미 나가 있으므로 지원자를 대기시키지 않는다.
#
# GPU 로 옮기면 30~50배속이라 3분 답변도 ~5초에 끝난다. 그때는 상한을 다시
# 45초로 되돌려도 된다 — 짧게 두면 STT 스레드가 CPU 자원을 오래 잡지 않는다.
STT_TIMEOUT_SEC = float(os.getenv("STT_TIMEOUT_SEC", "180"))

interviews.py — 순서가 중요@router.delete("/interview-sessions/{session_id}",
               status_code=HTTPStatus.NO_CONTENT)
def delete_session(session_id, db, user):
    from app.models import InterviewFinding
    session = db.get(InterviewSession, session_id)
    if session is None:
        raise HTTPException(HTTPStatus.NOT_FOUND, "면접 세션을 찾을 수 없습니다")

    # 자식 먼저 — FK ondelete 가 없어 순서를 지켜야 한다
    db.execute(InterviewFinding.__table__.delete()
               .where(InterviewFinding.session_id == session_id))
    db.execute(InterviewTurn.__table__.delete()
               .where(InterviewTurn.session_id == session_id))
    db.delete(session)
    db.commit()

• 상태 제한 없음 — 어제 in_progress 로 남았던 세션 23 스타일도 여기서 정리 가능.
• 지원자 접속 중이어도 허용 — 방이 닫힐 뿐 되돌릴 수 없는 손해 없음.
• 확인창 필수 — 자식 다 함께 지워짐 명시.

• current_stage === 'rejected' (실제 불합격)
• doc_decision === 'reject' (자동 심사 불합격 판정)
• decision_source === 'agent' (사람이 아니라 아르)
• doc_score_detail 있음

• 🔴 아르 자동 불합격 배지 + 총점 / 기준점 (예: 50점 · 기준 60점)
• 필수 · 우대 · 인재상 세 축 점수 (담당자가 어느 축이 부족했나 즉시 판독)
• 불합격 사유 (concerns) 목록

frontend/app/src/api/types.ts — 백엔드 스키마는 이미 갖고 있었으나 프론트 타입에서 빠져 있었다export interface DocScoreDetail {
  requirements?: number
  preferred?: number
  culture?: number
  fit?: string[]
  concerns?: string[]
  evidence?: string[]
  weights?: Record<string, number>
  threshold?: number
}

export interface ApplicationDetail {
  ...
  doc_score?: number | null
  doc_score_detail?: DocScoreDetail | null
  doc_decision?: 'pass' | 'reject' | 'hold' | null
  decision_source?: 'agent' | 'human' | null
}

ApplicantPanel.tsx — 조건부 렌더{detail.current_stage === 'rejected'
  && detail.doc_decision === 'reject'
  && detail.decision_source === 'agent'
  && detail.doc_score_detail
  && (
    <RejectionReason
      score={detail.doc_score ?? null}
      threshold={detail.doc_score_detail.threshold ?? null}
      detail={detail.doc_score_detail}
    />
  )}

아르의 요약
[요약 · 강점 · 확인 필요]

━━━━━━━━━━━━━━━━━━━━━━━━━
🔴 아르 자동 불합격        50점 · 기준 60점
필수 35 · 우대 50 · 인재상 75

불합격 사유
• Python·FastAPI 실무 경험 없음, React·TypeScript 전문가
• PostgreSQL 등 백엔드 스택 경험 여부 확인 필요
• 우대사항 없어 추가 가산점 기준 부재
━━━━━━━━━━━━━━━━━━━━━━━━━

#31 108.9 ERROR: Could not install packages due to an OSError:
       [Errno 28] No space left on device
       (설치 중: nvidia-cusparselt-cu13, cuda-toolkit, triton, sympy, ...,
                torch, torchvision)

ai/lie-detection/requirements-vit.txt — CPU-only 인덱스# CPU 서버(t3.large) 에서 도는 자리라 **CPU-only torch** 로 설치한다.
# 기본 (`pip install torch`) 은 CUDA 패키지(nvidia-cudnn·nvidia-cublas 등)를 통째로
# 끌고 와 이미지 · 디스크가 ~5GB 넘게 부풀고, 우리 서버 (29G 중 8G 남음) 에서
# `No space left on device` 로 배포가 계속 실패했다 (2026-09-10 실측).
#
# 아래 `--index-url` 는 CPU 전용 whl 저장소. torch 자체는 ~200MB.
# **버전을 pin 하지 않는다** — CPU 인덱스에 있는 최신을 자동으로 잡는다. 옛 특정
# `+cpu` 태그 (예: torchvision==0.20.1+cpu) 는 게시가 취소된 것들이 있어서 pin 하면
# 오히려 다시 터진다. 지금은 `>=` 만 걸고 pip 에게 결정을 맡긴다.
#
# GPU 서버로 옮길 때는 이 `--extra-index-url` 줄만 지우고 다시 빌드한다.
--extra-index-url https://download.pytorch.org/whl/cpu

torch>=2.5
torchvision>=0.20
transformers>=4.40
pillow>=10.0

• 단계 1 · PR #169 — --extra-index-url 만 추가 후 torch==2.5.1+cpu 로 pin. 실패: torchvision==0.20.1+cpu 가 CPU 인덱스에서 yanked 로 게시 취소.
• 단계 2 · PR #170 — +cpu pin 해제. 성공. 인덱스에 있는 최신 +cpu 변종 자동 선택.
• 단계 3 · 사용자 손 — AWS 콘솔에서 EBS 29 → 50GB 확장. growpart /dev/nvme0n1 1 && resize2fs /dev/nvme0n1p1. 확장 후 여유 27GB (44% 사용). 월 $3 추가.

wipe_fit_check.sql — 트랜잭션 원자성으로 안전BEGIN;
-- 대상 지원자 id (홍지민 be-05 제외 · 시연 배지 대상으로 유지)
CREATE TEMP TABLE _targets AS
SELECT id FROM applications
WHERE email LIKE 'fitcheck-%@example.com' AND email <> 'fitcheck-be-05@example.com';

-- 자식 표 먼저 (interview_findings · turns · sessions 등 11개)
DELETE FROM interview_findings WHERE session_id IN (
  SELECT id FROM interview_sessions WHERE application_id IN (SELECT id FROM _targets));
-- ... 나머지 9개 자식 표 삭제 ...

-- document_anchors 를 files 보다 먼저 지운다 (document_anchors.file_id FK → files.id)
ALTER TABLE document_anchors DISABLE TRIGGER trg_document_anchors_append_only;
DELETE FROM document_anchors WHERE application_id IN (SELECT id FROM _targets);
ALTER TABLE document_anchors ENABLE TRIGGER trg_document_anchors_append_only;

DELETE FROM files WHERE application_id IN (SELECT id FROM _targets);
DELETE FROM applications WHERE id IN (SELECT id FROM _targets);

-- 검증 (반드시 확인)
SELECT tgname, tgenabled FROM pg_trigger
WHERE tgname LIKE 'trg_document_anchors%';  -- 두 개 다 'O' 여야 함

COMMIT;

• 트랜잭션 원자성 — BEGIN...COMMIT 사이 어디서든 실패 시 자동 ROLLBACK → 트리거 상태·데이터 다 되돌림.
• DDL 문도 트랜잭션 안 — PostgreSQL 의 ALTER TABLE 은 트랜잭션 내에서 롤백 가능.
• 커밋 뒤 검증 필수 — SELECT tgname, tgenabled FROM pg_trigger WHERE tgname='trg_document_anchors_append_only' 로 'O' (ENABLED) 확인.
• 스크립트 사후 삭제 — rm wipe_fit_check.sql · 서버·컨테이너·로컬 모두. 뚫은 방법이 남아 있으면 다시 뚫릴 수 있다.

• 총 fit-check 지원자: 24명 (23 새것 + 홍지민 1)
• 홍지민 (id=52): 옛 application · 옛 anchor · 새 S3 PDF → "내용이 바뀜" 배지 시연 대상
• 새 23명 (id 60~82): 새 application · 새 anchor · 새 S3 → 배지 없음 (정상)
• 트리거: 두 개 다 ENABLED · DELETE 시도 시 ERROR: 무결성 원장은 삭제할 수 없습니다
• Sepolia 게시된 앵커 (seq 30 · seq 78) 영향 없음 (우리가 삭제한 것은 seq > 78)