경영진을 설득하기 위한 AI 코딩 도구 도입 제안서를 작성해주세요.

[회사 현황]
- 업종: 핀테크 스타트업 (Series A)
- 개발팀: 15명 (프론트엔드 5명, 백엔드 7명, DevOps 2명, QA 1명)
- 현재 주요 문제: 개발 속도 느림, 기술 부채 누적, 신규 기능 TTM 3개월
- 예산: AI 도구 도입 예산 미확보 (제안서로 확보 필요)

[제안 내용]
- 도입 도구: GitHub Copilot Business + Claude Code Max (팀 전체)
- 예상 비용: 월 $500 (15인 기준)
- 기대 효과: 개발 속도 40% 향상, TTM 3개월 → 1.5개월

[포함할 항목]
1. 경영진이 관심 갖는 비즈니스 임팩트 (매출 연결, 경쟁 우위)
2. 구체적 ROI 계산 (비용 대비 절감액)
3. 리스크와 완화 방안 (보안, 코드 품질)
4. 3개월 파일럿 계획 (단계적 접근으로 리스크 최소화)
5. 경쟁사 AI 도입 현황 (도입 안 하면 뒤처진다는 위기감)

A4 2페이지 분량, 경영진 보고서 형식으로 작성해주세요.
숫자와 데이터 중심으로, 설득력 있게 작성해주세요.

Python으로 사내 문서 검색 RAG 챗봇을 만들어줘.

기술 스택:
- LLM: Claude Sonnet 4.6 (Anthropic API)
- 벡터 DB: ChromaDB (로컬)
- 임베딩: sentence-transformers (all-MiniLM-L6-v2)
- 웹 UI: Streamlit
- 문서 포맷: PDF, Markdown

기능:
1. PDF/MD 파일 업로드 → 자동 청킹 (512토큰, 50토큰 오버랩)
2. 임베딩 생성 → ChromaDB 저장
3. 사용자 질문 → 하이브리드 검색 → Top-5 문서 추출
4. Claude API로 답변 생성 (출처 포함)
5. 대화 히스토리 유지

프로젝트 구조와 각 파일의 코드를 작성해줘.

Spring Boot + LangChain4j로 AI 챗봇 REST API를 만들어줘.

기술 스택:
- Java 17, Spring Boot 3.3, LangChain4j 1.0
- langchain4j-spring-boot-starter, langchain4j-anthropic
- LLM: Claude Sonnet 4.6 (Anthropic API)
- 빌드: Gradle Kotlin DSL

기능:
1. POST /api/chat — AiService 기반 채팅
   - @SystemMessage로 챗봇 역할 정의
   - ChatMemory로 사용자별 대화 히스토리 유지 (@MemoryId)
2. POST /api/analyze — 텍스트를 받아 구조화된 분석 결과 반환
   - 반환 타입을 AnalysisResult record로 정의하면 자동 파싱
   - 감성(enum Sentiment), 키워드(List), 요약(String)을 한 번에 수행
3. POST /api/classify — 감성 분석 (enum 직접 반환)
4. GET /api/chat/stream — TokenStream 기반 SSE 스트리밍

LangChain4j의 AiService 인터페이스 패턴을 활용하고,
application.yml에 Anthropic API 키 설정 포함해서 작성해줘.

참고: Spring AI의 ChatClient 방식과 비교하면, AiService는
인터페이스만 정의하면 구현체가 자동 생성되어 코드가 훨씬 간결함.

Spring Boot + LangChain4j로 사내 문서 검색 RAG API를 만들어줘.

기술 스택:
- Java 17, Spring Boot 3.3, LangChain4j 1.0
- langchain4j-spring-boot-starter, langchain4j-anthropic
- langchain4j-pgvector, langchain4j-document-parser-apache-tika
- LLM: Claude Sonnet 4.6 (Anthropic API)
- 벡터 DB: PostgreSQL 16 + pgvector 0.7
- 임베딩: OpenAI text-embedding-ada-002

기능:
1. POST /api/documents/upload
   - PDF/DOCX 멀티파트 업로드
   - DocumentParser(Tika)로 텍스트 추출
   - DocumentSplitter로 청킹 (512토큰, 50 오버랩)
   - EmbeddingStore(PgVector)에 저장
   - 메타데이터: 파일명, 업로드 일시, 부서, 페이지 번호

2. POST /api/chat
   - AiService + ContentRetriever로 RAG 질의응답
   - EmbeddingStoreContentRetriever (Top-5, minScore 0.7)
   - 응답에 출처 문서명 + 페이지 번호 포함

3. GET /api/documents — 업로드된 문서 목록 조회
4. DELETE /api/documents/{id} — 문서 및 관련 벡터 삭제

AiService 인터페이스에 ContentRetriever를 연결하는 방식으로 구현하고,
docker-compose.yml에 PostgreSQL + pgvector 설정도 포함해줘.

Spring Boot + LangChain4j로 업무 자동화 AI 에이전트를 만들어줘.

기술 스택:
- Java 17, Spring Boot 3.3, LangChain4j 1.0
- langchain4j-spring-boot-starter, langchain4j-anthropic
- LLM: Claude Sonnet 4.6
- DB: PostgreSQL (직원/프로젝트 데이터)

AiService 인터페이스:
- @SystemMessage로 에이전트 역할 정의
- ChatMemory로 대화 히스토리 유지
- @MemoryId로 사용자별 상태 격리

에이전트 도구 (@Tool + @P):
1. searchEmployees(@P("부서명 또는 역할") query) — 직원 검색
2. getProjectStatus(@P("프로젝트 ID") projectId) — 진행 상황 조회
3. sendEmail(@P("수신자") to, @P("제목") subject, @P("본문") body) — 이메일 발송
4. generateReport(@P("보고서 유형") type, @P("기간") dateRange) — PDF 보고서 생성
5. createJiraTicket(@P("요약") summary, @P("설명") desc, @P("담당자") assignee) — Jira 이슈

시나리오 예시:
- "개발팀 이번 달 프로젝트 현황을 정리해서 팀장에게 이메일로 보내줘"
  → searchEmployees → getProjectStatus → generateReport → sendEmail (자동 체이닝)

AiServices.builder()로 에이전트를 구성하고,
도구 실행 실패 시 재시도 로직과 최대 5회 도구 호출 제한도 넣어줘.

Spring Boot로 사내 시스템 연동 MCP 서버를 만들어줘.

기술 스택:
- Java 17, Spring Boot 3.3
- MCP Java SDK (spring-ai-mcp-server)
- 트랜스포트: SSE (HTTP 기반)

MCP Tool 목록:
1. query_database(sql) — PostgreSQL 쿼리 실행 (SELECT만 허용, 보안 검증)
2. search_jira_issues(project, status, assignee) — Jira 이슈 검색
3. create_jira_issue(project, summary, description, type) — Jira 이슈 생성
4. get_confluence_page(spaceKey, title) — Confluence 페이지 내용 조회
5. send_slack_message(channel, message) — Slack 메시지 발송

MCP Resource:
- jira://projects — 프로젝트 목록
- confluence://spaces — 스페이스 목록
- db://tables — 테이블 스키마 정보

보안:
- SQL Injection 방지 (파라미터 바인딩, DDL/DML 차단)
- API 키는 환경변수로 관리
- Rate Limiting (분당 60회)

Claude Desktop에서 바로 연동할 수 있도록
claude_desktop_config.json 설정 예시도 포함해줘.

2단계에서 만든 RAG 서비스를 프로덕션 배포 가능하게 만들어줘.

추가 기능:
1. Docker 배포
   - Dockerfile (멀티스테이지 빌드, JVM 메모리 512MB)
   - docker-compose.yml (앱 + PostgreSQL + Grafana + Prometheus)
   - Spring Profiles: dev / prod 분리

2. AI 모니터링 (Micrometer + Grafana)
   - 커스텀 메트릭: ai.tokens.input, ai.tokens.output, ai.cost.usd
   - 요청별 토큰 사용량 & 비용 자동 계산
   - Grafana 대시보드 JSON (토큰 추이, 비용 추이, 에러율)

3. 비용 관리
   - Redis 캐싱 — 동일 질문 24시간 캐시
   - 일일 토큰 예산 제한 (100K 토큰/일)
   - 예산 80% 도달 시 Slack 웹훅 알림

4. 운영 안정성
   - Circuit Breaker (Resilience4j) — LLM API 장애 시 폴백 응답
   - Rate Limiting — 사용자당 분당 10회 제한
   - 헬스체크 엔드포인트 (LLM 연결 상태 포함)

// 인터페이스만 정의하면 LangChain4j가 구현을 자동 생성
public interface AssistantService {

    @SystemMessage("당신은 {{role}} 전문가입니다. 한국어로 답변하세요.")
    String chatAs(@V("role") String role,
                  @UserMessage String question);

    // 구조화된 출력 — 반환 타입에 맞게 자동 파싱
    @SystemMessage("주어진 텍스트를 분석하세요.")
    AnalysisResult analyze(@UserMessage String text);

    // 감성 분석 — enum 반환도 가능
    @UserMessage("다음 리뷰의 감성을 분류하세요: {{it}}")
    Sentiment classifySentiment(String review);
}

public interface RagAssistant {
    @SystemMessage("사내 문서 기반으로 답변하세요. 출처를 포함하세요.")
    String answer(@UserMessage String question);
}

@Bean
RagAssistant ragAssistant(ChatLanguageModel model,
                          EmbeddingStore<TextSegment> store,
                          EmbeddingModel embeddingModel) {
    ContentRetriever retriever = EmbeddingStoreContentRetriever.builder()
        .embeddingStore(store).embeddingModel(embeddingModel)
        .maxResults(5).minScore(0.7).build();

    return AiServices.builder(RagAssistant.class)
        .chatLanguageModel(model)
        .contentRetriever(retriever)
        .chatMemory(MessageWindowChatMemory.withMaxMessages(10))
        .build();
}

@Component
public class CompanyTools {
    @Tool("직원 정보를 이름 또는 부서로 검색합니다")
    public List<Employee> searchEmployees(
            @P("검색할 직원 이름 또는 부서명") String query) {
        return employeeRepository.searchByNameOrDept(query);
    }
}

// 도구를 가진 에이전트 구성
@Bean
AssistantService agent(ChatLanguageModel model, CompanyTools tools) {
    return AiServices.builder(AssistantService.class)
        .chatLanguageModel(model).tools(tools)
        .chatMemory(MessageWindowChatMemory.withMaxMessages(20))
        .build();
}
// "김철수의 프로젝트 현황 조회해서 메일로 보내줘"
// → searchEmployees → getProjectStatus → sendEmail 자동 체이닝