Persona MCP Server
AI 기반 페르소나 분석 및 FGI (Focus Group Interview) 시스템을 위한 MCP (Model Context Protocol) 서버입니다.
📋 목차
MCP란 무엇인가?
**MCP (Model Context Protocol)**는 AI 모델이 외부 도구와 서비스를 안전하게 연결하고 사용할 수 있도록 하는 표준 프로토콜입니다.
MCP의 핵심 개념
- 도구(Tools): AI가 호출할 수 있는 함수들
- 리소스(Resources): AI가 읽을 수 있는 데이터 소스
- 프롬프트(Prompts): 재사용 가능한 프롬프트 템플릿
이 프로젝트에서의 MCP
이 Persona MCP Server는 FastMCP 프레임워크를 사용하여 구현되었으며, 다음과 같은 방식으로 작동합니다:
- 표준 입출력(stdio) 통신: MCP 클라이언트와 JSON-RPC 프로토콜로 통신
- 비동기 처리:
asyncio를 활용한 비동기 도구 실행 - 타입 안전성: Pydantic을 사용한 요청/응답 검증
이 서비스는 무엇을 하나요?
이 MCP 서버는 페르소나 기반 FGI 시스템을 제공합니다. 주요 목적은 다음과 같습니다:
1. 페르소나 생성 및 관리
- 사용자의 설문 응답을 분석하여 AI 기반 페르소나 프로필 생성
- MBTI 유형, 관심사, 성격 특성, 가치관 등을 자동 분석
- 기본 프로필(연령대, 성별, 지역, 직업 등) 관리
2. 동적 FGI 설문 생성
- 카테고리별(기술, 라이프스타일, 문화, 패션, 음식, 일반) 설문 시작
- AI가 이전 답변을 분석하여 다음 질문을 동적으로 생성
- 최소한의 질문으로 최대한의 정보 수집이 목표
3. 데이터 신선도 관리
- 페르소나 데이터의 가치를 "신선도 점수"로 관리
- 시간이 지남에 따라 자동으로 감소 (하루에 -3점)
- 설문 응답 제출 시 신선도 점수 증가
- SS급, S급, A급, B급, C급 등으로 데이터 가치 등급화
4. 비즈니스 인사이트 제공
- 특정 제품/주제에 대한 페르소나들의 선호도 분석
- 트렌드 인사이트 제공
- 키워드 기반 응답 검색
- 페르소나 비교 및 통계 분석
5. 샘플 데이터 생성
- 데모 및 테스트를 위한 샘플 페르소나 자동 생성
- 다양한 카테고리의 설문 및 응답 생성
- LLM 기반 자연스러운 데이터 생성 (또는 템플릿 기반 빠른 생성)
시스템 아키텍처
┌─────────────────┐
│ MCP Client │ (Cursor AI, Claude Desktop 등)
│ (Cursor AI) │
└────────┬────────┘
│ JSON-RPC (stdio)
│
┌────────▼─────────────────────────────────────┐
│ Persona MCP Server │
│ ┌──────────────────────────────────────┐ │
│ │ FastMCP Framework │ │
│ │ - Tool Registration │ │
│ │ - Request/Response Handling │ │
│ └──────────┬───────────────────────────┘ │
│ │ │
│ ┌──────────▼───────────────────────────┐ │
│ │ Tool Implementations │ │
│ │ - FGI Tools (fgi_tools.py) │ │
│ │ - Predict (predict.py) │ │
│ │ - Insights (insights.py) │ │
│ │ - Freshness (freshness.py) │ │
│ │ - Query (query.py) │ │
│ │ - Sample Data (sample_data.py) │ │
│ └──────────┬───────────────────────────┘ │
│ │ │
│ ┌──────────▼───────────────────────────┐ │
│ │ Database Layer (SQLAlchemy) │ │
│ │ - Persona Model │ │
│ │ - FGISurvey Model │ │
│ │ - FGIResponse Model │ │
│ └──────────┬───────────────────────────┘ │
└─────────────┼────────────────────────────────┘
│
┌─────────────▼─────────────┐
│ SQLite Database │
│ (data/fgi.db) │
└───────────────────────────┘
│
┌─────────────▼─────────────┐
│ Groq LLM API │
│ (AI 분석 및 생성) │
└───────────────────────────┘
주요 컴포넌트
- FastMCP: MCP 프로토콜 구현 프레임워크
- SQLAlchemy: ORM을 통한 데이터베이스 관리
- Groq API: LLM 기반 분석 및 생성
- Pydantic: 데이터 검증 및 직렬화
- 캐싱 시스템: 반복적인 분석 결과 캐싱
주요 기능
1. 페르소나 생명주기 관리
⚠️ 중요: 기본 프로필은 필수입니다!
서버를 사용하기 전에 반드시 기본 프로필을 설정해야 합니다. 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다.
기본 프로필 질문 조회
페르소나의 기본 정보를 수집하기 전에, 먼저 어떤 질문을 해야 하는지 확인할 수 있습니다.
# 기본 프로필 질문 목록 조회
questions = get_basic_profile_questions_tool()
반환되는 질문 목록:
age_range: 나이대 선택 (필수) - 10대, 20대 초반, 20대 후반, 30대 초반, 30대 후반, 40대 이상gender: 성별 선택 (필수) - 남성, 여성, 기타, 답변 안 함location: 거주 지역 선택 (필수) - 서울, 경기, 인천, 부산, 대구, 광주, 대전, 기타occupation_category: 직업 분야 선택 (필수) - IT/개발, 디자인, 마케팅, 교육, 서비스, 학생, 기타income_range: 월 소득 범위 (선택사항) - 200만원 미만, 200-300만원, 300-500만원, 500만원 이상, 답변 안 함
필수 필드: age_range, gender, location, occupation_category (4개)
선택 필드: income_range (1개)
사용 흐름:
get_basic_profile_questions_tool()로 질문 목록 조회- 사용자에게 각 질문을 제시하고 답변 수집
- 수집한 답변을
update_basic_profile_tool()로 저장
기본 프로필 완전성 확인
기본 프로필이 완전한지 확인할 수 있습니다.
# 모든 페르소나의 기본 프로필 확인
check_basic_profile_tool()
# 특정 페르소나의 기본 프로필 확인
check_basic_profile_tool(persona_id="persona_123")
반환 정보:
is_complete: 기본 프로필이 완전한지 여부 (bool)missing_fields: 누락된 필수 필드 목록message: 상태 메시지persona_id: 확인한 페르소나 ID (또는 None)
기본 프로필 업데이트
수집한 기본 정보를 페르소나에 저장합니다.
# 페르소나의 기본 정보 설정
update_basic_profile_tool(
persona_id="persona_123",
profile_data={
"age_range": "20대 후반", # 질문 목록의 옵션 중 하나
"gender": "남성", # 질문 목록의 옵션 중 하나
"location": "서울", # 질문 목록의 옵션 중 하나
"occupation_category": "IT/개발", # 질문 목록의 옵션 중 하나
"income_range": "300-500만원" # 선택사항, 질문 목록의 옵션 중 하나
}
)
주의사항:
profile_data의 각 필드 값은get_basic_profile_questions_tool()에서 반환된 옵션 리스트 중 하나여야 합니다.- 필수 필드 4개(
age_range,gender,location,occupation_category)는 반드시 설정해야 합니다. income_range는 선택사항이므로 생략 가능합니다.- 기본 프로필을 저장하면 신선도 점수가 증가합니다 (최대 25점).
- 기본 프로필이 없으면 설문 생성, 응답 제출 등 대부분의 기능을 사용할 수 없습니다.
페르소나 예측 (AI 분석)
# 설문 응답을 기반으로 페르소나 자동 생성
predict_persona_tool(
responses=[
{"question_id": "q1", "answer": "저는 기술에 관심이 많아요..."},
{"question_id": "q2", "answer": "주말에는 코딩을 하거나..."}
],
user_id="user_123"
)
반환 정보:
- 연령대 예측
- 관심사 리스트
- 성격 특성
- 가치관
- 라이프스타일 설명
- MBTI 유형 및 차원별 분석
- MBTI 신뢰도 점수
2. 동적 FGI 설문 시스템
설문 시작
# 카테고리별 설문 시작
create_fgi_survey_tool(
category="technology", # technology, lifestyle, culture, fashion, food, general
persona_id="persona_123" # 선택사항
)
지원 카테고리:
technology: 기술 분야lifestyle: 라이프스타일culture: 문화/엔터테인먼트fashion: 패션food: 음식general: 일반
다음 질문 동적 생성
# 이전 답변을 분석하여 다음 질문 생성
generate_next_question_tool(
survey_id="survey_123",
previous_qa=[
{"question": "요즘 기술 분야에서 가장 관심있는 주제는?", "answer": "AI와 머신러닝에 관심이 많아요"},
{"question": "어떤 방식으로 학습하시나요?", "answer": "온라인 강의와 프로젝트를 병행해요"}
],
category="technology",
max_questions=10 # 선택사항: 최대 질문 수 제한
)
특징:
- AI가 이전 답변을 분석하여 맥락에 맞는 다음 질문 생성
- 정보 수집 완료도(
info_completeness) 추적 - 최종 질문 여부(
is_final) 판단 - 최대 질문 수 제한 가능
응답 제출
# 설문 응답 제출 및 신선도 업데이트
submit_fgi_response_tool(
persona_id="persona_123",
survey_id="survey_123",
responses=[
{"question_id": "q1", "answer": "답변 내용"},
{"question_id": "q2", "answer": "답변 내용"}
]
)
3. 신선도 점수 시스템
페르소나 데이터의 가치를 "신선도 점수"로 관리합니다.
신선도 점수 계산 방식
점수 획득:
- 기본 프로필 업데이트: 최대 25점
- 설문 응답 제출: 응답당 10-50점 (응답 품질에 따라)
- 페르소나 예측 완료: 50-100점
점수 감소:
- 시간 경과에 따라 자동 감소: 하루에 -3점
- 최소 0점까지 감소
신선도 등급
| 등급 | 점수 범위 | 설명 |
|---|---|---|
| SS급 | 500점 이상 | 완벽한 데이터 - 프리미엄 판매 |
| S급 | 300-499점 | 최고 가치 데이터 - 고가 판매 |
| A급 | 200-299점 | 고가치 데이터 - 판매 가능 |
| B급 | 100-199점 | 보통 데이터 - 업데이트 권장 |
| C급 | 50-99점 | 낮은 가치 - 업데이트 필요 |
| F급 | 0-49점 | 최소 데이터 - 즉시 업데이트 필요 |
# 신선도 확인
check_freshness_tool(persona_id="persona_123")
반환 정보:
- 현재 신선도 점수
- 등급 (SS, S, A, B, C, F)
- 마지막 업데이트 날짜
- 업데이트 필요 여부
4. 비즈니스 인사이트
선호도 분석
# 특정 제품/주제에 대한 선호도 분석
analyze_preference_tool(
query="스티커 디자인",
category="fashion", # 선택사항
age_range="20대 후반", # 선택사항
gender="남성", # 선택사항
location="서울", # 선택사항
limit=20
)
분석 내용:
- 선호하는 스타일/특성
- 공통된 선호도 패턴
- 차별화된 선호도
- 구체적인 예시 응답
트렌드 인사이트
# 특정 주제의 트렌드 분석
get_trend_insights_tool(
topic="키링",
persona_filters={
"age_range": "20대",
"gender": "여성"
},
min_freshness=100 # 최소 신선도 점수
)
응답 검색
# 키워드로 관련 응답 검색
search_responses_tool(
keyword="디자인",
category="fashion",
limit=20
)
5. 페르소나 조회 및 비교
페르소나 상세 조회
get_persona_tool(persona_id="persona_123")
반환 정보:
- 기본 프로필
- 페르소나 프로필 (관심사, 성격, 가치관 등)
- MBTI 분석
- 통계 정보 (설문 수, 응답 수 등)
페르소나 목록 조회
list_personas_tool(
age_range="20대 후반",
gender="남성",
location="서울",
occupation_category="IT/개발",
mbti_type="INTJ",
min_freshness=200,
limit=50
)
페르소나 비교
compare_personas_tool(
persona_id1="persona_123",
persona_id2="persona_456"
)
비교 내용:
- 기본 프로필 비교
- MBTI 차이점
- 관심사 유사도
- 성격 특성 차이점
6. 통계 및 히스토리
전체 통계
get_statistics_tool()
통계 정보:
- 전체 페르소나 수
- 설문 수 및 응답 수
- MBTI 분포
- 지역 분포
- 직업 분포
- 평균 신선도 점수
설문 히스토리
get_persona_survey_history_tool(persona_id="persona_123")
7. 샘플 데이터 생성
페르소나 생성
generate_sample_personas_tool(
count=50,
use_llm=True # False면 템플릿 기반 빠른 생성 (비용 없음)
)
설문 및 응답 생성
generate_sample_surveys_tool(
persona_count=20,
responses_per_persona=2,
use_llm=True
)
전체 샘플 데이터 생성
generate_all_sample_data_tool(
persona_count=50,
responses_per_persona=2,
use_llm=True
)
설치 및 설정
1. 의존성 설치
pip install -r requirements.txt
또는 pyproject.toml을 사용하는 경우:
pip install -e .
2. 환경 변수 설정
.env 파일을 프로젝트 루트에 생성하고 다음을 설정하세요:
# Groq API 키 (LLM 기능 사용 시 필수)
GROQ_API_KEY=your_groq_api_key_here
# 데이터베이스 URL (선택사항, 기본값: sqlite:///data/fgi.db)
DATABASE_URL=sqlite:///data/fgi.db
# 로그 레벨 (선택사항, 기본값: INFO)
LOG_LEVEL=INFO
Groq API 키 발급 방법:
- Groq Console에 접속
- API Keys 메뉴에서 새 키 생성
.env파일에 추가
3. 데이터베이스 초기화
서버를 처음 실행하면 자동으로 데이터베이스가 생성됩니다:
python -m src.main
데이터베이스는 data/fgi.db에 생성됩니다 (기본 설정).
⚠️ 중요: 서버 시작 시 기본 프로필 확인
서버가 시작될 때 자동으로 기본 프로필이 설정되어 있는지 확인합니다:
- 기본 프로필이 없으면 경고 메시지가 표시됩니다
- 기본 프로필이 없으면 대부분의 기능을 사용할 수 없습니다
- 먼저
get_basic_profile_questions_tool()로 질문 목록을 조회하고,update_basic_profile_tool()로 기본 프로필을 저장해야 합니다
4. 서버 실행
직접 실행
python -m src.main
MCP 클라이언트에서 사용
MCP 클라이언트(Cursor AI, Claude Desktop 등)에서 설정하여 사용합니다.
사용 방법
Cursor AI에서 사용하기
-
Cursor 설정 열기
Cmd + ,(Mac) 또는Ctrl + ,(Windows/Linux)- "MCP" 검색
-
MCP 서버 설정 추가
설정 파일에 다음을 추가:
{ "mcpServers": { "persona-server": { "command": "python3", "args": ["-m", "src.main"], "cwd": "/Users/seodong-ug/Desktop/persona_mcp" } } }주의:
cwd경로를 실제 프로젝트 경로로 변경하세요. -
Cursor 재시작
- Cursor를 완전히 종료 후 다시 시작
-
사용하기
- 채팅에서 "페르소나 목록 조회해줘" 같은 자연어 명령 사용
- 또는 직접 도구 호출
Claude Desktop에서 사용하기
claude_desktop_config.json 파일에 다음을 추가:
{
"mcpServers": {
"persona-server": {
"command": "python3",
"args": ["-m", "src.main"],
"cwd": "/Users/seodong-ug/Desktop/persona_mcp"
}
}
}
API 도구 목록
기본 관리
| 도구명 | 설명 | 필수 파라미터 |
|---|---|---|
health | 서비스 상태 확인 | 없음 |
get_tool_definitions | 사용 가능한 도구 목록 조회 | 없음 |
페르소나 관리
| 도구명 | 설명 | 필수 파라미터 |
|---|---|---|
get_basic_profile_questions_tool | 기본 프로필 질문 목록 조회 | 없음 |
check_basic_profile_tool | 기본 프로필 완전성 확인 | 없음 (persona_id 선택) |
update_basic_profile_tool | 기본 프로필 업데이트 | persona_id, profile_data |
predict_persona_tool | 설문 응답 기반 페르소나 예측 | responses |
get_persona_tool | 페르소나 상세 조회 | persona_id |
list_personas_tool | 페르소나 목록 조회 | 없음 (필터 옵션) |
compare_personas_tool | 두 페르소나 비교 | persona_id1, persona_id2 |
check_freshness_tool | 신선도 점수 확인 | persona_id |
FGI 설문
| 도구명 | 설명 | 필수 파라미터 |
|---|---|---|
create_fgi_survey_tool | 설문 시작 | category |
generate_next_question_tool | 다음 질문 동적 생성 | survey_id, previous_qa |
submit_fgi_response_tool | 응답 제출 | persona_id, survey_id, responses |
get_persona_survey_history_tool | 설문 히스토리 조회 | persona_id |
인사이트 및 분석
| 도구명 | 설명 | 필수 파라미터 |
|---|---|---|
analyze_preference_tool | 선호도 분석 | query |
get_trend_insights_tool | 트렌드 인사이트 | topic |
search_responses_tool | 응답 검색 | keyword |
get_statistics_tool | 전체 통계 조회 | 없음 |
샘플 데이터
| 도구명 | 설명 | 필수 파라미터 |
|---|---|---|
generate_sample_personas_tool | 샘플 페르소나 생성 | 없음 (옵션) |
generate_sample_surveys_tool | 샘플 설문 생성 | 없음 (옵션) |
generate_all_sample_data_tool | 전체 샘플 데이터 생성 | 없음 (옵션) |
데이터 모델
Persona (페르소나)
{
"id": "persona_123", # 고유 ID
"user_id": "user_123", # 사용자 ID (선택사항)
"freshness_score": 250.0, # 신선도 점수
"last_updated": "2024-01-15T10:30:00", # 마지막 업데이트
"created_at": "2024-01-10T09:00:00", # 생성일시
# 기본 프로필
"age_range": "20대 후반",
"gender": "남성",
"location": "서울",
"occupation_category": "IT/개발",
"income_range": "300-500만원",
# 심층 페르소나 프로필
"interests": ["프로그래밍", "AI", "게임"],
"personality_traits": ["논리적", "호기심 많음"],
"values": ["성장", "자유"],
"lifestyle": "주말에는 코딩과 게임을 즐기는 개발자",
# MBTI 분석
"mbti_type": "INTJ",
"mbti_dimensions": {
"E_I": "내향(I) - 혼자 있을 때 에너지를 얻음",
"S_N": "직관(N) - 미래와 가능성에 집중",
"T_F": "사고(T) - 논리와 객관성 중시",
"J_P": "판단(J) - 계획과 체계 선호"
},
"mbti_confidence": 85 # 0-100
}
FGISurvey (설문)
{
"id": "survey_123",
"category": "technology",
"questions": [
{
"id": "q1",
"text": "요즘 기술 분야에서 가장 관심있는 주제는?",
"type": "open"
}
],
"created_at": "2024-01-15T10:00:00",
"news_source": null # 선택사항
}
FGIResponse (응답)
{
"id": "response_123",
"persona_id": "persona_123",
"survey_id": "survey_123",
"responses": [
{
"question_id": "q1",
"answer": "AI와 머신러닝에 관심이 많아요"
}
],
"submitted_at": "2024-01-15T10:30:00"
}
사용 예제
예제 1: 새로운 페르소나 생성 및 설문 진행
# 1. 기본 프로필 질문 목록 조회
questions = get_basic_profile_questions_tool()
# 반환 예시:
# {
# "questions": {
# "age_range": {"text": "나이대를 선택해주세요", "type": "choice", "options": [...]},
# "gender": {"text": "성별을 선택해주세요", "type": "choice", "options": [...]},
# ...
# }
# }
# 2. 사용자에게 질문하고 답변 수집 (예시)
# 실제로는 UI나 채팅 인터페이스에서 사용자에게 질문을 제시하고 답변을 받습니다.
# 3. 수집한 답변으로 기본 프로필 설정
update_basic_profile_tool(
persona_id="persona_new_001",
profile_data={
"age_range": "20대 후반", # questions["questions"]["age_range"]["options"] 중 하나
"gender": "남성", # questions["questions"]["gender"]["options"] 중 하나
"location": "서울", # questions["questions"]["location"]["options"] 중 하나
"occupation_category": "IT/개발" # questions["questions"]["occupation_category"]["options"] 중 하나
# income_range는 선택사항이므로 생략 가능
}
)
# 4. 기술 카테고리 설문 시작
survey = create_fgi_survey_tool(
category="technology",
persona_id="persona_new_001"
)
# 5. 첫 번째 질문에 답변
submit_fgi_response_tool(
persona_id="persona_new_001",
survey_id=survey["survey_id"],
responses=[
{
"question_id": survey["questions"][0]["id"],
"answer": "AI와 머신러닝에 관심이 많아요. 최근 ChatGPT 같은 생성형 AI가 정말 흥미롭습니다."
}
]
)
# 6. 다음 질문 생성
next_q = generate_next_question_tool(
survey_id=survey["survey_id"],
previous_qa=[
{
"question": survey["questions"][0]["text"],
"answer": "AI와 머신러닝에 관심이 많아요..."
}
],
category="technology"
)
# 7. 계속 질문-답변 반복...
# 8. 최종적으로 페르소나 예측
persona = predict_persona_tool(
responses=[
{"question_id": "q1", "answer": "..."},
{"question_id": "q2", "answer": "..."}
]
)
예제 2: 특정 제품에 대한 선호도 분석
# 스티커 디자인에 대한 20대 여성들의 선호도 분석
preference = analyze_preference_tool(
query="스티커 디자인",
category="fashion",
age_range="20대",
gender="여성",
location="서울",
limit=30
)
# 결과에서 인사이트 확인
print(preference["insights"])
# - "미니멀하고 깔끔한 디자인 선호"
# - "캐릭터 스티커 인기"
# - "패스텔 톤 색상 선호"
예제 3: 트렌드 인사이트 조회
# 키링 트렌드 분석
trends = get_trend_insights_tool(
topic="키링",
persona_filters={
"age_range": "20대",
"gender": "여성"
},
min_freshness=150
)
# 트렌드 요약 확인
print(trends["summary"])
예제 4: 샘플 데이터로 빠른 테스트
# 50개의 샘플 페르소나 생성 (LLM 사용)
generate_sample_personas_tool(count=50, use_llm=True)
# 20명의 페르소나에 대해 각각 2개의 설문 응답 생성
generate_sample_surveys_tool(
persona_count=20,
responses_per_persona=2,
use_llm=True
)
# 또는 한 번에 모든 샘플 데이터 생성
generate_all_sample_data_tool(
persona_count=50,
responses_per_persona=2,
use_llm=False # 빠른 템플릿 기반 생성 (비용 없음)
)
예제 5: 페르소나 비교 및 통계
# 두 페르소나 비교
comparison = compare_personas_tool(
persona_id1="persona_123",
persona_id2="persona_456"
)
# 유사점과 차이점 확인
print(comparison["similarities"])
print(comparison["differences"])
# 전체 통계 조회
stats = get_statistics_tool()
print(f"전체 페르소나 수: {stats['total_personas']}")
print(f"평균 신선도: {stats['avg_freshness']}")
print(f"MBTI 분포: {stats['mbti_distribution']}")
기술 스택
- FastMCP: MCP 프로토콜 구현 프레임워크
- SQLAlchemy: ORM 및 데이터베이스 관리
- Groq API: LLM 기반 분석 및 생성
- Pydantic: 데이터 검증 및 직렬화
- Python-dotenv: 환경 변수 관리
- SQLite: 기본 데이터베이스 (PostgreSQL 등으로 변경 가능)
프로젝트 구조
persona_mcp/
├── src/
│ ├── main.py # MCP 서버 메인 파일
│ ├── db/
│ │ ├── database.py # 데이터베이스 연결 및 세션 관리
│ │ └── models.py # SQLAlchemy 모델 정의
│ ├── tools/
│ │ └── persona/
│ │ ├── fgi_tools.py # FGI 설문 관련 도구
│ │ ├── predict.py # 페르소나 예측
│ │ ├── freshness.py # 신선도 관리
│ │ ├── insights.py # 인사이트 분석
│ │ ├── query.py # 페르소나 조회
│ │ └── sample_data.py # 샘플 데이터 생성
│ └── utils/
│ ├── cache.py # 캐싱 시스템
│ └── credentials.py # API 키 관리
├── data/
│ └── fgi.db # SQLite 데이터베이스
├── cache/ # 캐시 파일 저장소
├── requirements.txt # Python 의존성
├── pyproject.toml # 프로젝트 설정
└── README.md # 이 파일
주의사항
-
Groq API 키: LLM 기능을 사용하려면 Groq API 키가 필요합니다. 키가 없어도 기본적인 CRUD 작업은 가능하지만, 페르소나 예측이나 동적 질문 생성은 불가능합니다.
-
신선도 점수: 신선도 점수는 시간이 지남에 따라 자동으로 감소합니다. 정기적으로 설문을 진행하여 데이터를 업데이트하는 것이 좋습니다.
-
캐싱: 선호도 분석, 트렌드 인사이트 등은 캐싱되어 12시간 동안 재사용됩니다. 실시간 데이터가 필요한 경우 캐시를 무시하도록 수정할 수 있습니다.
-
데이터베이스: 기본적으로 SQLite를 사용하지만,
DATABASE_URL환경 변수를 변경하여 PostgreSQL, MySQL 등 다른 데이터베이스를 사용할 수 있습니다.
라이선스
이 프로젝트의 라이선스 정보를 여기에 추가하세요.
기여하기
이슈나 풀 리퀘스트를 환영합니다!
문의
문제가 발생하거나 질문이 있으시면 이슈를 생성해주세요.