Merge pull request #29 from KKU-NoteFlow/feat/generate_problems

feat/generate problems

Author: BcKmini

main.py

@@ -13,6 +13,7 @@
 from routers.folder import router as folder_router
 from routers.checklist import router as checklist_router
 from routers.file import router as file_router
+from routers import qg_router
 
 
 # 1) 환경변수 로드 (상단에서 선 로드됨)
@@ -42,6 +43,7 @@
 app.include_router(folder_router)
 app.include_router(file_router)
 app.include_router(checklist_router)
+app.include_router(qg_router.router)
 
 @app.get("/")
 def root():

qg_answers.json

@@ -0,0 +1,29 @@
+{
+    "answers": [
+        {
+            "id": 1,
+            "question_preview": "다음 중 인공지능(AI)의 정의로 가장 적절한 것은 무엇인가요?...",
+            "correct_answer": "인간의 지능적 행동을 기계가 수행할 수 있도록 하는 기술"
+        },
+        {
+            "id": 2,
+            "question_preview": "지도학습(Supervised Learning)에서 학습에 사용되는 데이터는 어떤 특징을 가...",
+            "correct_answer": "입력과 정답이 함께 주어진 데이터를 이용하여 학습"
+        },
+        {
+            "id": 3,
+            "question_preview": "강화학습(Reinforcement Learning)에서 학습하는 주요 목표는 무엇인가요?...",
+            "correct_answer": "환경과 상호작용하며 보상을 최대화하는 행동 학습"
+        },
+        {
+            "id": 4,
+            "question_preview": "딥러닝(DL)의 핵심 기술은 무엇인가요?...",
+            "correct_answer": "인공신경망을 여러 층으로 깊게 쌓아 복잡한 패턴을 학습하는 기술"
+        },
+        {
+            "id": 5,
+            "question_preview": "대규모 언어모델(LLM)은 어떤 특징을 가지고 있나요?...",
+            "correct_answer": "수십억 개 이상의 파라미터를 가진 언어모델로, 다양한 언어 태스크에서 활용"
+        }
+    ]
+}

qg_questions.json

@@ -0,0 +1,54 @@
+{
+    "questions": [
+        {
+            "id": 1,
+            "question": "다음 중 인공지능(AI)의 정의로 가장 적절한 것은 무엇인가요?",
+            "options": [
+                "데이터를 저장하고 관리하는 기술",
+                "인간의 지능적 행동을 기계가 수행할 수 있도록 하는 기술",
+                "컴퓨터가 물리적인 작업을 자동으로 수행하는 방법",
+                "네트워크를 통해 정보를 전송하는 방식"
+            ]
+        },
+        {
+            "id": 2,
+            "question": "지도학습(Supervised Learning)에서 학습에 사용되는 데이터는 어떤 특징을 가지나요?",
+            "options": [
+                "정답 없이 데이터의 구조를 찾아내는 학습",
+                "입력과 정답이 함께 주어진 데이터를 이용하여 학습",
+                "환경과 상호작용하며 보상을 최대화하는 학습",
+                "복잡한 패턴을 학습하기 위해 여러 층의 신경망을 사용하는 학습"
+            ]
+        },
+        {
+            "id": 3,
+            "question": "강화학습(Reinforcement Learning)에서 학습하는 주요 목표는 무엇인가요?",
+            "options": [
+                "데이터를 분석하여 패턴을 발견하는 것",
+                "환경과 상호작용하며 보상을 최대화하는 행동 학습",
+                "객체를 인식하고 분류하는 것",
+                "자연어를 이해하고 생성하는 것"
+            ]
+        },
+        {
+            "id": 4,
+            "question": "딥러닝(DL)의 핵심 기술은 무엇인가요?",
+            "options": [
+                "자연어를 이해하고 생성하는 기술",
+                "이미지나 영상 데이터를 분석하는 기술",
+                "생성자와 판별자가 경쟁하며 데이터와 유사한 샘플을 생성하는 모델",
+                "인공신경망을 여러 층으로 깊게 쌓아 복잡한 패턴을 학습하는 기술"
+            ]
+        },
+        {
+            "id": 5,
+            "question": "대규모 언어모델(LLM)은 어떤 특징을 가지고 있나요?",
+            "options": [
+                "대규모 데이터로 일반적 표현을 학습한 후 특정 태스크에 맞게 미세조정",
+                "입력과 정답이 함께 주어진 데이터를 이용하여 학습",
+                "수십억 개 이상의 파라미터를 가진 언어모델로, 다양한 언어 태스크에서 활용",
+                "생성자와 판별자가 경쟁하며 데이터와 유사한 샘플을 생성하는 모델"
+            ]
+        }
+    ]
+}

routers/qg_router.py

@@ -0,0 +1,47 @@
+from fastapi import APIRouter, HTTPException
+from pydantic import BaseModel, Field
+from typing import List
+import asyncio
+
+# qg_service.py에서 정의할 서비스 함수를 가져옵니다.
+from utils.qg_service import generate_questions_from_text
+
+# schemas에서 정의할 모델을 가져옵니다.
+from schemas import QuestionGenerationRequest, QuestionGenerationResponse, QuestionItem
+
+router = APIRouter(prefix="/qg", tags=["Question Generation"])
+
+@router.post(
+    "/generate",
+    response_model=QuestionGenerationResponse,
+    summary="요약 텍스트를 기반으로 예상 문제(객관식)를 생성합니다."
+)
+async def generate_questions_endpoint(request: QuestionGenerationRequest):
+    """
+    제공된 텍스트(주로 LLM 요약 결과)를 사용하여 예상 문제를 생성합니다.
+    """
+    if not request.text or len(request.text.strip()) < 100:
+        raise HTTPException(
+            status_code=400,
+            detail="문제 생성을 위한 텍스트 내용이 너무 짧거나 비어 있습니다. (최소 100자 이상 필요)"
+        )
+    
+    try:
+        # 비동기적으로 문제 생성 서비스 호출
+        questions = await generate_questions_from_text(
+            text=request.text,
+            num_questions=request.num_questions,
+            question_type=request.question_type,
+            language=request.language
+        )
+        
+        return QuestionGenerationResponse(
+            questions=questions
+        )
+    except Exception as e:
+        # 실제 환경에서는 로깅이 필요합니다.
+        print(f"문제 생성 중 오류 발생: {e}")
+        raise HTTPException(
+            status_code=500,
+            detail="문제 생성 서비스 처리 중 서버 오류가 발생했습니다."
+        )

schemas/__init__.py

@@ -6,4 +6,10 @@
     GoogleLoginRequest, NaverLoginRequest,
     KakaoLoginRequest,
 )
+
+from .qg_schema import (
+    QuestionItem,
+    QuestionGenerationRequest,
+    QuestionGenerationResponse,
+)
 

schemas/qg_schema.py

@@ -0,0 +1,26 @@
+from pydantic import BaseModel, Field
+from typing import List, Literal, Optional
+
+# =========================================================
+# 문제 생성(Question Generation, QG) 스키마
+# =========================================================
+
+class QuestionItem(BaseModel):
+    """생성된 문제 하나에 대한 데이터 모델"""
+    question: str = Field(..., description="질문 내용")
+    answer: str = Field(..., description="정답 내용")
+    # 객관식일 경우 4개의 보기, 주관식일 경우 빈 리스트
+    options: List[str] = Field(default_factory=list, description="질문 보기를 포함하는 리스트") 
+
+class QuestionGenerationRequest(BaseModel):
+    """문제 생성 요청 시 사용되는 입력 모델"""
+    text: str = Field(..., description="문제를 생성할 기반 텍스트 (LLM 요약 결과 등)")
+    num_questions: int = Field(5, description="생성할 문제 개수 (1-10)", ge=1, le=10)
+    question_type: Literal["multiple_choice", "short_answer"] = Field(
+        "multiple_choice", description="생성할 문제 유형"
+    )
+    language: Literal["ko", "en"] = Field("ko", description="텍스트의 언어 (ko 또는 en)")
+
+class QuestionGenerationResponse(BaseModel):
+    """문제 생성 결과 응답 모델"""
+    questions: List[QuestionItem] = Field(..., description="생성된 문제 리스트")