SK Hynix HBM 경쟁사 R&D 기술 동향 자동 분석 시스템
Samsung·Micron의 HBM 관련 공개 정보(특허·논문·채용공고·IR)를 자동 수집·분석하여, TRL(Technology Readiness Level) 기반 경쟁사 기술 전략 보고서를 생성하는 멀티에이전트 AI 시스템입니다.
| 항목 | 내용 |
|---|---|
| 분석 대상 | Samsung, Micron의 HBM4 / PIM / CXL R&D 기술 동향 |
| 분석 관점 | SK Hynix R&D 팀 즉시 활용 가능한 경쟁사 위협 평가 |
| 핵심 방법론 | TRL 1~9 단계 평가 + 간접지표(특허·논문·채용) 기반 추정 |
| 최종 산출물 | TRL 비교 매트릭스 포함 Markdown/PDF 보고서 (outputs/) |
START
│
▼
Supervisor (GPT-4o)
├──► RAG Agent → 내부 기술 문서 검색 (FAISS + BM25 Hybrid)
├──► Web Agent → 공개 정보 수집 (Tavily / ArXiv / KIPRIS / Semantic Scholar)
├──► TRL Evaluator → HBM4·PIM·CXL 3사 TRL 구조화 평가
└──► Report Generator → TRL 매트릭스 포함 Markdown 보고서 생성
│
▼
END → PDF / Markdown 저장 (outputs/)
모든 Sub-Agent는 Supervisor로 복귀. Supervisor가 수집 충분성을 판단해 다음 단계를 결정합니다.
| 소스 | 도구 | 수집 대상 |
|---|---|---|
| 내부 문서 | FAISS + BM25 (RAG) | PDF·TXT 기술 문서 |
| 웹 검색 | Tavily Search API | 뉴스·IR·기술 블로그 |
| 학술 논문 | ArXiv, Semantic Scholar | ISSCC·IEDM·VLSI 논문 |
| 특허 | KIPRIS API | 삼성전자 HBM·PIM·CXL 특허 |
| 채용공고 | Samsung Careers 크롤러 | R&D 채용 키워드 |
- RAG 파이프라인: PDF·TXT 문서 → FAISS 벡터스토어 → BM25+Dense RRF + CrossEncoder Reranker
- 하이브리드 검색: BM25 + Dense Retrieval을 RRF(Reciprocal Rank Fusion)로 통합
- TRL 자동 평가: RAG + Web 수집 결과 기반 HBM4·PIM·CXL 기술별 TRL 구조화
- 확증 편향 방지: RAG(내부)·Web(외부)를 독립 수집 후 Supervisor가 통합 판단
- 보고서 자동 생성: Markdown → PDF 자동 변환 (weasyprint 사용)
- 폴백 모드: Tavily·RAG 없이도 LLM 단독 모드로 실행 가능
| 분류 | 기술 |
|---|---|
| 에이전트 프레임워크 | LangGraph ≥ 0.2.50, LangChain ≥ 0.3.0 |
| LLM | GPT-4o (Supervisor·TRL·Report), GPT-4o-mini (RAG·Web) |
| 임베딩 | intfloat/multilingual-e5-large (HuggingFace) |
| 벡터 DB | FAISS (faiss-cpu) |
| 키워드 검색 | rank-bm25 |
| Reranker | cross-encoder/ms-marco-MiniLM-L-6-v2 |
| 웹 검색 | Tavily Search API |
| 특허 검색 | KIPRIS REST API |
| 논문 검색 | Semantic Scholar API (무료) |
| PDF 출력 | weasyprint + markdown2 |
| 실행 환경 | Python 3.11+, Jupyter Notebook |
hbm-competitive-intel/
├── agents/
│ ├── supervisor.py # 라우팅·수집 충분성 판단·종료 결정
│ ├── rag_agent.py # 내부 문서 벡터 검색
│ ├── web_search_agent.py # 경쟁사 공개정보 수집
│ ├── trl_evaluator.py # TRL 구조화 평가 에이전트
│ └── report_generator.py # Markdown 보고서 초안 생성
├── graph/
│ ├── state.py # AgentState TypedDict 정의
│ └── workflow.py # LangGraph StateGraph 구성
├── prompts/ # 에이전트별 프롬프트 템플릿
├── rag/
│ ├── vectorstore.py # FAISS 벡터스토어 빌드·로드
│ ├── retriever.py # HBMRetriever (BM25+Dense RRF + Reranker)
│ ├── embeddings.py # HuggingFace 임베딩 설정
│ └── indexer.py # 문서 인덱싱
├── utils/
│ ├── pdf_exporter.py # Markdown → PDF 변환
│ └── pretty_print.py # 출력 유틸리티
├── data/
│ └── vectorstore/ # FAISS 인덱스 (로컬 생성, git 제외)
├── outputs/ # 생성된 보고서 저장 (git 제외)
├── tool_kipris.py # KIPRIS 특허 수집 도구
├── tool_semantic_scholar.py # Semantic Scholar 논문 수집 도구
├── tool_careers_crawler.py # Samsung Careers 채용공고 크롤러
├── main.ipynb # Jupyter 실행 진입점
├── app.py # CLI 실행 스크립트
├── requirements.txt
└── .env.example # 환경변수 템플릿 (키 값 없음)
cd hbm-competitive-intel
# 가상환경 생성
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
# 패키지 설치
pip install -r requirements.txtcp .env.example .env
# .env 파일에 아래 키 입력OPENAI_API_KEY=sk-... # 필수
TAVILY_API_KEY=tvly-... # 선택 (없으면 LLM 폴백)
LANGCHAIN_API_KEY=lsv2_... # 선택 (LangSmith 트레이싱)
KIPRIS_API_KEY=... # 선택 (특허 수집)# Jupyter 노트북 (권장)
jupyter notebook main.ipynb
# CLI 실행
python app.py --query "Samsung HBM4 Hybrid Bonding 기술 동향 분석"
# RAG 없이 LLM 폴백 모드
python app.py --query "..." --no-rag
# 벡터스토어 강제 재빌드
python app.py --query "..." --rebuild-rag| 지표 | 목표값 | 설명 |
|---|---|---|
| Hit Rate@5 | ≥ 0.80 | HBM 도메인 특화 평가셋 10건 기준 |
| MRR | ≥ 0.70 | 첫 번째 정답 순위 기반 역수 평균 |
| Avg Latency | — | 쿼리당 검색 지연 시간 |
main.ipynb Section 7에서 4가지 검색 전략 비교 평가 실행 가능 (Naive / Hybrid / HyDE / MultiQuery).
| TRL 구간 | 의미 | 신뢰도 |
|---|---|---|
| 1~3 | 기초 연구 / 개념 검증 | 중 |
| 4~6 | 개발 / 시제품 검증 (비공개 구간) | 낮음 (★간접지표 추정) |
| 7~8 | 파일럿 / 실증 배치 | 높음 |
| 9 | 양산 / 상용화 | 높음 |
TRL 4~6 구간은 영업비밀로 직접 확인 불가. 특허·채용공고·학회 발표를 간접지표로 추정하며 반드시 ★간접지표 기반 추정 명시.