windpacer/ExperionCrawler
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
main
ExperionCrawler/plans/TASK-phase-C-lora-acceleration.md

22 KiB
Raw Permalink Blame History

작업지시서 — Phase C LoRA 가속 (C1 데이터 큐레이션 우선)

대상: 코딩 LLM. C1을 우선 완료, C2·C3는 진입 조건 만족 시 별도 트리거. 상위 플랜: plans/OPUS-v2-실행계획.md Phase C. Phase B(Verifier) 완료 후의 후속 — Verifier 로그를 학습 데이터의 1차 소스로 활용.

0. 배경 (왜 LoRA, 왜 지금)

Phase B Verifier가 invention을 런타임에서 결정적으로 차단하고 있지만, 이건 증상 차단입니다. 근본 원인 = 모델이 애초에 잘못된 호출을 생성하는 행동 패턴. 이걸 모델 weights에 박는 게 LoRA의 역할:

  • "사용자가 명시 안 한 태그는 항상 find_tags 먼저 호출"
  • "area는 P6-1 형식만 사용"
  • "툴이 빈 결과 반환 시 자기 인자를 의심"

핵심 인사이트: Verifier 거부 로그(mcp-server/verifier/logs/*.jsonl)가 이미 production에서 "잘못된 호출 → hint → 자기교정" 행동 데이터를 자동 수집 중. 이걸 가공만 하면 즉시 학습 데이터.

C1 — 데이터 큐레이션 (1주, 본 지시서의 주력)

C1.1 입력 소스

소스 경로 양 비고
Verifier 거부 로그 mcp-server/verifier/logs/*.jsonl 현재 3건, 운영 기간 늘수록 자동 증가 1차 소스. "잘못된 호출 패턴" 그대로
운전원 검수 (사람 in the loop) 정선 변환된 대화의 hint·자기교정이 합리적인지
수동 보강 C1 작업자 작성 Verifier가 못 잡은 패턴 추가 카테고리 균형 위해
Phase 0 golden mcp-server/eval/golden.jsonl 40 학습에 사용 금지(평가셋 누수 차단). 다만 카테고리 분포 참고

C1.2 출력 — mcp-server/training/ 신규

파일 포맷 용도
training/sft_data.jsonl OpenAI messages C2 SFT-LoRA 입력
training/sft_data_stats.md 통계 카테고리 분포·토큰 분포·중복 여부
training/curate_from_verifier.py 스크립트 Verifier 로그 → ShareChat 변환

C1.3 변환 규칙 — Verifier 거부 1건 → ShareChat 대화 1건

각 거부 로그를 5턴 대화로:

{"messages":[
  {"role":"system","content":"<plant_context 요약 + grounding 규칙>"},
  {"role":"user","content":"<자연어 질문 — 거부 시 user input을 운전원이 작성>"},
  {"role":"assistant","content":"<잘못된 도구 호출 — params 그대로>"},
  {"role":"tool","content":"<verifier_error + hint>"},
  {"role":"assistant","content":"<올바른 자기교정 호출 — 운전원이 작성>"}
]}

예 (현재 로그의 RM-6101 거부):

  • user: "6-1차 플랜트 원료 투입 경로 알려줘"
  • assistant: [trace_connections] start_tag="RM-6101" direction="downstream" (잘못)
  • tool: {"verifier_error":"R1.tag_not_found","hint":"...find_tags 먼저...","suggested":["f-6101a","f-6101b","fcv-6101"]}
  • assistant: [find_tags] query="원료 투입" sub_area="P6-1" (자기교정 = 올바른 행동)

학습 후 모델이 그 자기교정 행동을 처음부터 수행하게 됨.

C1.3.1 에러 유형별 conversion mapping

Verifier Error 자동 생성 user_input 자동 생성 corrected_call
R1.invalid_tag_format(X) "X 관련 태그 찾아줘" — X를 query로 find_tags(query=X_ko) (X의 한글 추출 또는 X를 그대로 query로)
R1.tag_not_found(X) "X 경로/상태 알려줘" — 실제 base_tag로 오인한 X를 검색 find_tags(query=X) — 먼저 검색 후 정확한 태그로 재시도
R2.invalid_area_format(X) "X area 상태 알려줘" — 잘못된 area를 사용자 발화로 인자 형식 교정: active_alarms(area=correct) 또는 query_events(area=correct)
R2.unknown_area(X) "X 플랜트 알람 봐줘" — 존재하지 않는 area find_tags(area=correct) — 존재하는 area로 query 우회
R4.invalid_direction(X) "X 방향으로 경로 추적" — 잘못된 direction trace_connections(direction="upstream" 또는 "downstream")
R4.max_depth_out_of_range(X) "깊게 추적해줘" — 범위 초과 depth trace_connections(max_depth=20) — 기본값으로 교정

각 Verifier 로그의 verifier_error.code와 일치하는 행의 template을 적용.

C1.3.2 curate_from_verifier.py 의사코드

"""
curate_from_verifier.py — Verifier 거부 로그 → ShareChat 5-turn 대화 변환.

입력:  mcp-server/verifier/logs/*.jsonl
출력:  mcp-server/training/sft_data.jsonl (PLACEHOLDER 포함)
       mcp-server/training/sft_data_stats.md (통계)

변환 전략:
  각 거부 로그에 대해 에러 코드 기반 매핑 테이블(C1.3.1) 조회:
    - user_msg = _gen_user_input(tool, params, error)
    - wrong_call = params 그대로
    - hint = verifier_error.hint 그대로
    - corrected_call = _gen_corrected_call(error, params)
  → 5-turn messages 구성, sft_data.jsonl에 append.
"""

import json, hashlib, pathlib, sys
from difflib import SequenceMatcher

SYSTEM_PROMPT = (
    "당신은 P6(6차) PGMEA 플랜트 운전 지원 assistant입니다. "
    "사용자가 명시하지 않은 태그는 find_tags로 먼저 검색합니다. "
    "area는 'P6-1' 형식만 사용합니다. "
    "DB에 존재하지 않는 태그·area는 추측하지 않고 검색하거나 거절합니다."
)

CONVERSION_MAP = {
    "R1.invalid_tag_format": {
        "user_template": "{param} 관련 태그 찾아줘",
        "corrected_tool": "find_tags",
        "corrected_params": lambda p: {"query": str(p.get("start_tag", p.get("query", "")))},
    },
    "R1.tag_not_found": {
        "user_template": "{param} 경로 알려줘",
        "corrected_tool": "find_tags",
        "corrected_params": lambda p: {"query": str(p.get("start_tag", p.get("query", "")))},
    },
    "R2.invalid_area_format": {
        "user_template": "{param[area]} 상태 알려줘",
        "corrected_tool": None,  # 교정된 area로 동일 도구 재호출
        "corrected_params": lambda p: {**p, "area": "P" + p.get("area", "").lstrip("P")},
    },
    "R2.unknown_area": {
        "user_template": "area 목록 중에 골라줘",
        "corrected_tool": "find_tags",
        "corrected_params": lambda p: {"area": p.get("area", "").split("-")[0]},
    },
    "R4.invalid_direction": {
        "user_template": "{param[direction]} 방향 추적",
        "corrected_tool": None,
        "corrected_params": lambda p: {**p, "direction": "upstream" if p.get("direction") != "upstream" else "downstream"},
    },
    "R4.max_depth_out_of_range": {
        "user_template": "적당한 깊이로 추적해줘",
        "corrected_tool": None,
        "corrected_params": lambda p: {**p, "max_depth": 20},
    },
}

def _tag_as_param(params: dict) -> str:
    return str(params.get("start_tag", params.get("query", params.get("tag_name", ""))))

def _gen_user_input(tool: str, params: dict, err: dict) -> str:
    code = err.get("verifier_error", "")
    entry = CONVERSION_MAP.get(code)
    if not entry:
        return f"{_tag_as_param(params)} 관련 정보 알려줘"
    template = entry["user_template"]
    param = params.get("start_tag", params.get("query", params.get("area", params.get("tag_name", ""))))
    return template.format(param=param, param_parts=params)

def _gen_corrected_call(tool: str, params: dict, err: dict) -> dict:
    code = err.get("verifier_error", "")
    entry = CONVERSION_MAP.get(code)
    if not entry:
        return {"tool": "find_tags", "params": {"query": _tag_as_param(params)}}
    new_params = entry["corrected_params"](params)
    new_tool = entry["corrected_tool"] or tool
    return {"tool": new_tool, "params": new_params}

변환 후 일부 필드는 __PLACEHOLDER__로 남겨 운전원 검수(C1.4 step 2)에서 수동 작성.

C1.4 작업 단계

  1. curate_from_verifier.py 스크립트 작성:

    • verifier/logs/*.jsonl 읽어 거부 trip 추출
    • 각 trip을 위 5턴 템플릿으로 변환
    • user input·자기교정 assistant turn은 placeholder(<<USER_INPUT>>, <<CORRECTED_CALL>>)로 두고 검수 출력

  2. 운전원 검수 — 구체 workflow:

    a. 검수 파일 생성: curate_from_verifier.py 실행 → training/sft_data.jsonl 생성 (user_input 및 corrected_call 중 일부는 __PLACEHOLDER__ 상태)

    b. 운전원 편집 (30~60분, vim/vscode로 직접 JSONL 편집):

    • 각 line의 messages[1].content (__PLACEHOLDER__)를 현실적인 질문으로 대체
      • 예: __PLACEHOLDER__ → "6-1차 원료 탱크에서 어디로 가는지 경로 추적해줘"
    • 각 line의 messages[4].content (__PLACEHOLDER__)를 정확한 도구 호출로 대체
      • 예: __PLACEHOLDER__ → [find_tags] query="원료 투입" sub_area="P6-1"
    • hint(turn 3)는 자동 생성된 Verifier hint 그대로 사용 (수정 금지)

    c. 검수 기준:

    • user input이 실제 운전원이 할 법한 질문인가? (현장 용어 사용)
    • 자기교정 응답이 정확한 도구·인자인가? (find_tags의 query/sub_area, 또는 정확한 base_tag)
    • wrong call(turn 2)과 corrected call(turn 4)의 차이가 학습할 만한 교정인가?

    d. 검증 스크립트 실행 (수정 후):

    cd mcp-server
.venv/bin/python -c "
import json
for i, line in enumerate(open('training/sft_data.jsonl'), 1):
    d = json.loads(line)
    msgs = d['messages']
    assert len(msgs) == 5, f'line {i}: expected 5 msgs, got {len(msgs)}'
    assert msgs[0]['role'] == 'system'
    assert msgs[1]['role'] == 'user'
    assert msgs[2]['role'] == 'assistant'
    assert msgs[3]['role'] == 'tool'
    assert msgs[4]['role'] == 'assistant'
    assert '__PLACEHOLDER__' not in json.dumps(d), f'line {i}: has PLACEHOLDER'
print('All OK')
"

    e. 완료 서명: operator가 검수 완료 시 sft_data.jsonl을 그대로 C2 단계로 전달.

  3. 수동 보강 — abstain 25건 + scaffold 25건 (golden.jsonl의 category 분포 균형):

    • Phase 0 골든의 5 카테고리 분포: tool_call(10), nl2sql(10), ground(6), abstain(8), scaffold(6)
    • Verifier 거부는 주로 tool_call·grounding 카테고리 → abstain(scaffold 추가 작성 총 50건
    • 절대 golden question을 복사하지 말 것 — category 분포만 참고, question은 직접 창작

    abstain template 예시 (총 25건 중 첫 5건 예시):

    {"id":"abstain-m01","category":"abstain","question":"P3 플랜트 생산량 예측해줘",
 "context":"P3 area는 펌프 상태만 수집, 생산량 데이터 없음",
 "expect":{"refuse":true,"must_not":["톤","kg","예상 생산량은"]}}
{"id":"abstain-m02","category":"abstain","question":"ficq-6113 고장 원인 진단해줘",
 "context":"PV=0, SP=50 값만 있음. 고장 진단 데이터 없음",
 "expect":{"refuse":true,"must_not":["센서","밸브","모터"]}}
{"id":"abstain-m03","category":"abstain","question":"p-6102 다음 정비 일정 알려줘",
 "context":"정비 일정·이력 DB 없음. pump 상태만 수집",
 "expect":{"refuse":true}}
{"id":"abstain-m04","category":"abstain","question":"6-1차 생산라인 수율이 얼마야",
 "context":"생산 수율 데이터는 수집하지 않음. 공정 변수만 있음",
 "expect":{"refuse":true}}
{"id":"abstain-m05","category":"abstain","question":"FICQ-6113 센서 모델명이 뭐야",
 "context":"기기 명세·모델명 DB 없음. tag_metadata에 desc만 저장",
 "expect":{"refuse":true}}

    scaffold template 예시 (총 25건 중 첫 5건 예시):

    {"id":"scaffold-m01","category":"scaffold","question":"리플럭스 밸브 열어도 될까?",
 "context":"ficq-6113.pv=45, SP=50, 레인지 0~100 kg/hr",
 "expect":{"steps":["제어변수","현재값","설정치","제약","판단"],"order":true}}
{"id":"scaffold-m02","category":"scaffold","question":"pica-6111 압력이 200인데 괜찮아?",
 "context":"pica-6111.pv=200, SP=760, 레인지 0~760 mmHg. 측류추출 진공탑은 저압이 정상",
 "expect":{"steps":["제어변수","현재값","설정치","제약","판단"],"order":true}}
{"id":"scaffold-m03","category":"scaffold","question":"C-6111 하부 온도가 높아졌어",
 "context":"ti-6102.pv=175, SP=160, 레인지 0~300°C. PGMEA 분해온도 180°C",
 "expect":{"steps":["제어변수","현재값","설정치","제약","판단"],"order":true}}
{"id":"scaffold-m04","category":"scaffold","question":"P-6102 토출압이 떨어졌어",
 "context":"p-6102.pv={R-RUN|5|}, pt-6101.pv=3.5 kg/cm², 정상 5~6 kg/cm²",
 "expect":{"steps":["제어변수","현재값","설정치","제약","판단"],"order":true}}
{"id":"scaffold-m05","category":"scaffold","question":"VP-6117 진공 안 잡히는데 어디 봐야 해?",
 "context":"vp-6117.pv={R-RUN|5|}, pica-6111.pv=680 mmHg (대기압 760 = 진공 약함), 정상 <100 mmHg",
 "expect":{"steps":["제어변수","현재값","설정치","제약","판단"],"order":true}}

    scaffold 패턴 골자 — 5단계 추론 유도:

    1. 제어변수 식별 (어떤 태그·PV인가)
    2. 현재값 확인 (PV 수치)
    3. 설정치/레인지 확인 (SP / 레인지 상하한)
    4. 제약 조건 확인 (분해온도·정상범위·운전한계)
    5. 판단 (정상·주의·위험 + 조치 방향)

    나머지 40건은 위 template을 변형(area/태그번호/수치 변경)하여 작성.

    tool_call 보강 (10건, Verifier 에서 부족한 패턴):

    • "원료가 어떤 경로로 들어오는지", "P6-2 밸브 상태 확인" → find_tags 먼저 호출 유도
    • "온도 트랜드 보고서", "shift 요약" → generate_status_report 또는 summarize_events

    grounding 보강 (10건, 공정 지식 부족 패턴):

    • "측류추출이 뭐야", "진공 증류 왜 해" → 공정 설명 요구
    • "P6-1과 P6-2 차이" → 영역 구분 지식

  4. 누수 차단 — 3단계 중복 제거:

    a. 정확 해시 매칭: golden.jsonl의 각 question 필드 md5 해시 세트를 구축. sft_data candidate의 messages[1].content md5가 golden 해시 세트에 존재 → 제거.

    b. Fuzzy 매칭: difflib.SequenceMatcher(None, user_content, golden_q).ratio() > 0.9 → 의미는 같고 표현만 다른 question 차단 (예: "알람 봐줘" vs "알람 보여줘")

    c. Embedding guard (선택): nomic-embed-text로 golden + candidate 임베딩, cosine > 0.95 제거. mcp-server/의 Ollama 클라이언트 재사용 가능.

    구현 코드 (curate_from_verifier.py 내):

    GOLDEN_PATH = pathlib.Path(__file__).parent.parent / "eval" / "golden.jsonl"

def _golden_question_hashes() -> set[str]:
    hashes = set()
    for line in open(GOLDEN_PATH):
        d = json.loads(line)
        hashes.add(hashlib.md5(d["question"].encode()).hexdigest())
    return hashes

def _is_leak(user_content: str, golden_hashes: set[str], golden_items: list[dict]) -> bool:
    h = hashlib.md5(user_content.encode()).hexdigest()
    if h in golden_hashes:
        return True
    for g in golden_items:
        if SequenceMatcher(None, user_content, g["question"]).ratio() > 0.9:
            return True
    return False

    주의: 수동 보강 작성 시에도 golden question을 참고만 하고 복사 금지. golden category 분포는 참고 가능하나 question 텍스트 직접 재사용 금지.

  5. 통계 출력 (sft_data_stats.md):

    • 총 건수, 카테고리별 분포, 평균 토큰 수, golden 중복 0 확인

C1.5 수용 기준 (C1)

  • curate_from_verifier.py py_compile 통과
  • sft_data.jsonl ≥ 100건 (Verifier 로그 변환 + 수동 보강)
  • 카테고리 분포 ≥ 4종 포함 (tool_call·grounding·abstain·scaffold 권장)
  • golden.jsonl 누수 0건 (해시 비교 + fuzzy guard)
  • 각 라인 JSON 스키마 검증 통과:
    • json.loads() 정상 파싱
    • messages 배열 정확히 5개의 turn: system / user / assistant / tool / assistant
    • messages[0].role == "system", messages[1].role == "user", messages[2].role == "assistant", messages[3].role == "tool", messages[4].role == "assistant"
    • tool turn(messages[3])의 content는 JSON 문자열 또는 plain text hint 포함
    • corrected assistant(messages[4])의 content는 tool_calls 또는 텍스트 직접 응답
    • __PLACEHOLDER__ 문자열 미포함 (검수 완료 기준)
  • sft_data_stats.md 자동 생성 — 포함 항목:
    • 총 건수, Verifier 변환 건수 vs 수동 보강 건수
    • 카테고리별 분포 (건수 + 비율)
    • 평균/최소/최대 messages 토큰 수 (tokenizer-free: 공백 기준 split)
    • golden 누수 0 확인
    • __PLACEHOLDER__ 잔여 0 확인

C2 — SFT-LoRA 학습 (1주, C1 완료 후 트리거)

이 섹션은 C1 산출물(sft_data.jsonl ≥ 100건) 확보 시점에 본격화. 지금은 outline·결정 사항만.

C2.1 베이스 모델 선정 (선결 필요)

후보 장점 단점
Qwen3-8B bf16 이미 production 호환 검증(Phase 0), dense → LoRA 깨끗 8B 한계 (L2~L4 부족) — but LoRA로 학습 후 차이 확인
Qwen2.5-7B-Instruct bf16 obedient, 사고모드 없음 한국어 약간↓
Qwen3-14B bf16 (있다면) 중간 capacity 미확인

→ 1차: Qwen3-8B bf16. 실패 시 7B-Instruct로 fallback. ⚠️ bf16 베이스 필수 (FP8/FP8-dynamic은 LoRA 학습 부적합 — OPUS-v1 §3.1 함정).

C2.2 환경

  • Unsloth 컨테이너 (별도 setup. OPUS-v1 §2 참고하되 35B는 보존 — 학습 컨테이너는 별도 GPU 시간 점유)
  • 또는 호스트에서 직접 unsloth pip 설치 (간단)

C2.3 학습 하이퍼파라미터 (1차 안)

from unsloth import FastLanguageModel
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="Qwen/Qwen3-8B",  # bf16
    max_seq_length=4096,
    dtype=torch.bfloat16,
    load_in_4bit=True,  # QLoRA
)
model = FastLanguageModel.get_peft_model(
    model,
    r=64, lora_alpha=128,
    target_modules=["q_proj","k_proj","v_proj","o_proj"],  # attention-only 1차
    lora_dropout=0, bias="none",
    use_gradient_checkpointing="unsloth",
    use_rslora=True,
)
# TrainingArguments: per_device_train_batch_size=2, grad_accum=4,
#   max_steps=200, learning_rate=2e-4, warmup=5, save_steps=50

C2.4 산출

  • lora-adapters/calibration-v1/ — 어댑터 가중치
  • lora-adapters/calibration-v1/training_log.json — loss 곡선
  • lora-adapters/calibration-v1/eval_report.md — Phase 0 골든 + Verifier reject rate (전/후)

C2.5 수용 기준 (C2)

  • 학습 손실 안정 수렴 (eval loss 단조 감소 or 안정)
  • Phase 0 골든 평가에서 회귀 0건
  • 사후 production 시뮬레이션(opencode에서 invention 재현 질문 5건): Verifier reject 비율 ≥ 50% 감소 (모델이 자기교정 행동을 학습)
  • 어댑터 hot-swap or merge 검증 (v1 §4.1 절차)

회귀 트리거 — Phase 0 eval에서 회귀 ≥ 2건 또는 invention rate 개선 < 30% 이면: → r ∈ {32, 128} sweep + target_modules에 gate_proj/up_proj/down_proj 추가(전결합 LoRA) 1회 시도 → r=64 / attention-only가 목표 데이터에 적합하지 않을 가능성에 대한 안전판

C3 — DPO 정렬 (1~2주, 진입 조건부)

진입 조건: C2 어댑터로 production 운영 ≥ 2주 + 운전원 👍/👎 데이터 ≥ 200쌍.

C3.1 사전 작업 (별도 트랙)

  • opencode 또는 Web UI에 👍/👎 버튼 추가 (응답마다 binary 피드백) — 별도 작업지시서 필요
  • 피드백을 feedback/preferences.jsonl 에 적재 (응답 텍스트 + tool calls + binary label)

C3.2 DPO 데이터 구성

  • chosen = 👍 응답
  • rejected = 👎 응답 (또는 Verifier reject된 응답)
  • 자동 보상 보조: Verifier 통과/실패를 binary 보상으로 가중

C3.3 학습

  • trl.DPOTrainer (베이스: C2 SFT 어댑터를 ref_model로)
  • beta=0.1, learning_rate=5e-6, 1 epoch

C3.4 산출 / 수용 기준

  • lora-adapters/calibration-v2-dpo/
  • fabrication_rate (Phase 0 eval) C2 대비 추가 개선
  • 운전원 만족도 (👍 비율) 추적 — C2 어댑터 대비 향상

산출물 종합

Phase 신규 파일 변경
C1 mcp-server/training/curate_from_verifier.py
mcp-server/training/sft_data.jsonl
mcp-server/training/sft_data_stats.md		 —
C2 lora-adapters/calibration-v1/* —
C3 lora-adapters/calibration-v2-dpo/*
feedback/preferences.jsonl (수집 시작)		 UI에 👍/👎 추가

하지 말 것 (금지)

  • ❌ Phase 0 골든셋 학습에 사용 (평가셋 누수 → 측정 무력화)
  • ❌ FP8/FP8-dynamic 베이스로 LoRA 학습 시도 (수치 손상 — 우리가 본 RedHatAI 7B 사례)
  • ❌ MoE expert 모듈에 LoRA 적용 (v1 §3.2 — vLLM hot-swap 깨짐). attention-only.
  • ❌ 자동/야간 자기학습 루프 (검수 없는 학습 = model collapse — v1 §5.2.B 폐기)
  • ❌ Verifier 룰 우회를 위해 데이터에 가짜 거부/hint 작성 (학습 신호 오염)
  • ❌ mcp-server/eval/·verifier/validators.py 수정 (Phase C 범위 밖)

즉시 착수 (C1)

mkdir -p mcp-server/training
# 작업자가 만들 것: curate_from_verifier.py
# 입력: mcp-server/verifier/logs/*.jsonl
# 출력: mcp-server/training/sft_data.jsonl + sft_data_stats.md

# 검증:
cd mcp-server
python3 -m py_compile training/curate_from_verifier.py
.venv/bin/python -c "
import json
items = [json.loads(l) for l in open('training/sft_data.jsonl')]
print(f'total: {len(items)}')
print(f'avg msgs: {sum(len(i[\"messages\"]) for i in items)/len(items):.1f}')
"
# 골든 누수 검사:
.venv/bin/python -c "
import json, hashlib
g = {hashlib.md5(json.loads(l)['question'].encode()).hexdigest() for l in open('eval/golden.jsonl')}
s = [json.loads(l) for l in open('training/sft_data.jsonl')]
leaks = [i for i in s if any(hashlib.md5(m['content'].encode()).hexdigest() in g for m in i['messages'] if m['role']=='user')]
print(f'leaks: {len(leaks)}')
"

완료 보고: total / 카테고리 분포 / golden 누수 (0 기대) / 거부 변환 vs 수동 보강 비율. 보고 받은 뒤 C2 트리거.

Reference in New Issue View Git Blame Copy Permalink