DEVOCEAN

Q: "시청자들이 이 영상에서 가장 좋아한 부분이 뭐야?"
A: "댓글 분석 결과, 시청자들이 가장 좋아한 부분은 
   1) 3:45 부분의 편집 퀄리티 (32개 댓글)
   2) 출연자의 자연스러운 리액션 (28개 댓글)
   3) 배경음악 선곡 (15개 댓글) 입니다."

graph LR
    A[YouTube URL 입력] --> B[상위 500개 댓글 수집]
    B --> C[벡터 DB에 저장]
    C --> D[사용자 질문 입력]
    D --> E[쿼리 타입 분석]
    E --> F[적응형 검색]
    F --> G[AI 응답 생성]

def get_video_comments(self, video_id: str, max_results: int = 500) -> List[Document]:
    comments = []
    next_page_token = None
    
    while len(comments) < max_results:
        request = self.youtube.commentThreads().list(
            part="snippet,replies",
            videoId=video_id,
            order="relevance",  # 핵심: 관련성 높은 댓글 우선
            maxResults=min(100, max_results - len(comments)),
            pageToken=next_page_token
        )
        response = request.execute()
        
        for item in response.get('items', []):
            # 메인 댓글 처리
            top_comment = item['snippet']['topLevelComment']['snippet']
            doc = Document(
                page_content=top_comment['textDisplay'],
                metadata={
                    'author': top_comment['authorDisplayName'],
                    'likes': top_comment.get('likeCount', 0),
                    'reply_count': item['snippet'].get('totalReplyCount', 0),
                    'is_top_level': True
                }
            )
            comments.append(doc)
            
            # 답글도 포함 (최대 5개)
            if 'replies' in item:
                for reply in item['replies']['comments'][:5]:
                    # 답글 처리...

# vector_store.py
youtube_comments_vector_store = QdrantVectorStore(
    client=qdrant_client,
    collection_name=youtube_comments_collection,
    embedding=OpenAIEmbeddings(model="text-embedding-3-small"),
)

# 댓글 저장
youtube_comments_vector_store.add_documents(documents=comments)

def analyze_query_node(state: GraphState, config: RunnableConfig) -> dict:
    last_message = state.messages[-1].content
    
    # 키워드 기반 쿼리 타입 판단
    comprehensive_keywords = ["overall", "general", "전체", "전반", "요약"]
    sentiment_keywords = ["positive", "negative", "긍정", "부정", "좋아", "싫어"]
    
    # 타입별 처리
    if any(kw in last_message for kw in comprehensive_keywords):
        query_type = "comprehensive"
    elif any(kw in last_message for kw in sentiment_keywords):
        query_type = "sentiment"
    else:
        query_type = "specific"

def search_node(state: GraphState, config: RunnableConfig) -> dict:
    query = state.messages[-1].content
    
    if state.query_type == "comprehensive":
        # 포괄적 분석: 다양한 관점에서 댓글 수집
        batch_queries = [
            query,
            "positive opinion",
            "negative opinion", 
            "suggestions improvements"
        ]
        all_results = []
        for batch_query in batch_queries:
            results = search_comments(batch_query, video_id, k=30)
            all_results.extend(results)
        # 중복 제거 후 최대 100개 반환
        
    elif state.query_type == "sentiment":
        # 감정 분석: 감정 키워드 중심 검색
        search_results = search_comments(query, video_id, k=20)
        
    else:
        # 구체적 질문: 표준 검색
        search_results = search_comments(query, video_id, k=15)

def create_graph():
    workflow = StateGraph(GraphState, input=InputState, config_schema=Configuration)
    
    # 노드 추가
    workflow.add_node("collect_comments", collect_comments_node)
    workflow.add_node("analyze_query", analyze_query_node)
    workflow.add_node("search", search_node)
    workflow.add_node("generate_response", generate_response_node)
    
    # 조건부 라우팅
    workflow.set_conditional_entry_point(route_initial)
    workflow.add_conditional_edges(
        "collect_comments",
        route_after_collect,
        {
            "analyze_query": "analyze_query",
            "end": END
        }
    )
    
    # 순차적 엣지
    workflow.add_edge("analyze_query", "search")
    workflow.add_edge("search", "generate_response")
    
    return workflow.compile()

# 필요 패키지 설치 (pyproject.toml 기준)
uv pip install langchain-google-genai langchain-qdrant google-api-python-client

# 환경 변수 설정 (.env)
YOUTUBE_API_KEY=your_youtube_api_key
OPENAI_API_KEY=your_openai_api_key
QDRANT_URL=your_qdrant_url
QDRANT_API_KEY=your_qdrant_api_key
GOOGLE_API_KEY=your_google_api_key

from agent.graph import graph
from langchain_core.messages import HumanMessage

# 1. YouTube 영상 댓글 수집 및 분석
youtube_url = "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

# 전반적인 반응 분석
response = graph.invoke({
    "messages": [HumanMessage(content=f"{youtube_url} 이 영상의 전반적인 반응이 어때?")],
    "youtube_url": youtube_url
})

# 구체적인 질문
response = graph.invoke({
    "messages": [HumanMessage(content="편집에 대한 의견은 어때?")],
    "youtube_url": youtube_url,
    "comments_collected": True,
    "video_id": "dQw4w9WgXcQ"
})

# 감정 분석
response = graph.invoke({
    "messages": [HumanMessage(content="부정적인 반응들은 주로 무엇 때문이야?")],
    "youtube_url": youtube_url,
    "comments_collected": True,
    "video_id": "dQw4w9WgXcQ"
})

YouTube 댓글 분석 결과, 시청자들의 전반적인 반응은 매우 긍정적입니다.

**긍정적 측면:**
- 편집 퀄리티에 대한 높은 평가 (특히 트랜지션과 효과음)
- 출연자의 자연스러운 케미스트리
- 유머러스한 내용 구성

**부정적 측면:**
- 영상 길이가 너무 길다는 의견
- 일부 장면의 음질 문제 지적
- 자막 싱크가 맞지 않는 부분

**전반적 감정:**
대부분의 시청자가 재미있게 시청했으며, 다음 영상을 기대한다는 반응이 많습니다.

(Analysis based on 87 relevant comments)

# 현재의 단순한 키워드 매칭 방식
comprehensive_keywords = ["overall", "general", "summary", "전체", "전반", "요약"]
if any(kw in last_message for kw in comprehensive_keywords):
    query_type = "comprehensive"