v 0.3.0

app/services/langgraph_enhanced/agents/analysis_agent.py

@@ -225,8 +225,8 @@ async def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict
                 required_services=query_analysis.get('required_services', [])
             )
 
-            response = self.llm.invoke(prompt)
-            strategy = self.parse_analysis_strategy(response.content.strip())
+            response_text = self.invoke_llm_with_cache(prompt, purpose="analysis", log_label="analysis_strategy")
+            strategy = self.parse_analysis_strategy(response_text.strip())
 
             # 종목명 추출
             stock_symbol = self._extract_stock_symbol(user_query)
@@ -413,8 +413,7 @@ async def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict
 ✅ **균형성**: 호재와 악재의 **영향력을 비교 분석**하여 종합적인 판단 제시
 ✅ **실용성**: 실제 투자에 바로 활용 가능한 구체적 전략 제시"""
 
-                analysis_response = self.llm.invoke(analysis_prompt)
-                analysis_result = analysis_response.content
+                analysis_result = self.invoke_llm_with_cache(analysis_prompt, purpose="analysis", log_label="integrated_investment_analysis")
 
                 self.log(f"통합 투자 분석 완료: {stock_symbol or stock_name}")
             else:

app/services/langgraph_enhanced/agents/base_agent.py

@@ -5,15 +5,22 @@
 
 from abc import ABC, abstractmethod
 from typing import Dict, Any
-from ..llm_manager import LLMManager
+import time
+try:
+    # 실제 실행 환경에서는 전역 llm_manager를 사용
+    from ..llm_manager import llm_manager as _global_llm_manager
+except Exception:
+    # 테스트/데모 환경에서 외부 의존성 없이 임시 매니저를 주입 가능
+    _global_llm_manager = None
 
 
 class BaseAgent(ABC):
     """기본 에이전트 클래스"""
 
     def __init__(self, purpose: str = "general"):
-        self.llm_manager = LLMManager()
-        self.llm = self.llm_manager.get_llm(purpose=purpose)
+        # 전역 LLM 매니저 공유 (캐시 공유). 테스트 환경에서는 외부 의존성 없이 주입 가능
+        self.llm_manager = _global_llm_manager
+        self.llm = self.llm_manager.get_llm(purpose=purpose) if self.llm_manager else None
         self.purpose = purpose
         self.agent_name = ""
 
@@ -31,3 +38,22 @@ def log(self, message: str):
         """로그 출력"""
         print(f"🤖 {self.agent_name}: {message}")
 
+    def invoke_llm_with_cache(self, prompt: str, purpose: str = None, log_label: str = None) -> str:
+        """LLM 호출(캐시 적용) + 실행 시간 로깅 공통 헬퍼"""
+        label = log_label or "llm_invoke"
+        start = time.time()
+        print(f"⏳ [{self.agent_name}] {label} 시작")
+        try:
+            response_text = self.llm_manager.invoke_with_cache(
+                self.llm,
+                prompt,
+                purpose=(purpose or self.purpose)
+            )
+            elapsed = (time.time() - start) * 1000
+            print(f"✅ [{self.agent_name}] {label} 완료 - {elapsed:.1f}ms")
+            return response_text
+        except Exception as e:
+            elapsed = (time.time() - start) * 1000
+            print(f"❌ [{self.agent_name}] {label} 실패 - {elapsed:.1f}ms - {e}")
+            raise
+

app/services/langgraph_enhanced/agents/confidence_calculator.py

@@ -209,10 +209,10 @@ def process(
             )
 
             # LLM 호출
-            response = self.llm.invoke(prompt)
+            response_text = self.invoke_llm_with_cache(prompt, purpose="analysis", log_label="confidence_evaluation")
 
             # 응답 파싱
-            evaluation = self.parse_response(response.content)
+            evaluation = self.parse_response(response_text)
 
             print(f"📊 신뢰도 평가 완료:")
             print(f"   전체 신뢰도: {evaluation['overall_confidence']:.2f}")

app/services/langgraph_enhanced/agents/data_agent.py

@@ -32,22 +32,22 @@ def get_prompt_template(self) -> str:
 **Yahoo Finance에서 사용하는 정확한 심볼**을 data_query에 입력하세요.
 
 ### 변환 규칙:
-1. **한국 주식**: 6자리 코드 + `.KS`
+1. 한국 주식: 6자리 코드 + `.KS`
    - 예: 삼성전자 → 005930.KS, 네이버 → 035420.KS
 
-2. **미국 주식**: 표준 티커 심볼 (1~5자 알파벳)
+2. 미국 주식: 표준 티커 심볼 (1~5자 알파벳)
    - 예: 테슬라 → TSLA, 애플 → AAPL, 디즈니 → DIS, 스타벅스 → SBUX, 나이키 → NKE
    - **당신의 금융 지식을 활용하여 모든 회사명을 정확한 티커 심볼로 변환하세요**
 
-3. **유럽 주식**: 티커 + 거래소 접미사
+3. 유럽 주식: 티커 + 거래소 접미사
    - 프랑스 (파리): `.PA` (예: LVMH → MC.PA, 에르메스 → RMS.PA)
    - 영국 (런던): `.L` (예: BP → BP.L)
    - 독일 (프랑크푸르트): `.DE` (예: BMW → BMW.DE)
 
-4. **이미 심볼 형태**인 경우: 그대로 사용
+4. 이미 심볼 형태인 경우: 그대로 사용
    - 예: "TSLA 주가" → TSLA, "DIS 차트" → DIS
 
-**중요**: 
+중요: 
 - 회사명(한글/영어)을 받으면 반드시 Yahoo Finance 티커 심볼로 변환하세요
 - 개별 상장되지 않은 브랜드(예: 구찌)는 모기업 심볼(Kering)을 사용하거나 "상장되지 않음" 안내
 
@@ -199,8 +199,8 @@ def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str,
                 required_services=query_analysis.get('required_services', [])
             )
 
-            response = self.llm.invoke(prompt)
-            strategy = self.parse_data_strategy(response.content.strip())
+            response_text = self.invoke_llm_with_cache(prompt, purpose="analysis", log_label="data_strategy")
+            strategy = self.parse_data_strategy(response_text.strip())
 
             # 실제 데이터 조회
             data = financial_data_service.get_financial_data(strategy['data_query'])

app/services/langgraph_enhanced/agents/investment_intent_detector.py

@@ -173,8 +173,8 @@ def detect(self, user_query: str) -> Dict[str, Any]:
         """투자 의도 감지"""
         try:
             prompt = self.get_prompt_template().format(user_query=user_query)
-            response = self.llm.invoke(prompt)
-            result = self.parse_response(response.content.strip())
+            response_text = self.invoke_llm_with_cache(prompt, purpose="classification", log_label="intent_detection")
+            result = self.parse_response(response_text.strip())
 
             self.log(f"투자 의도 감지: {result['is_investment_question']} (신뢰도: {result['confidence']:.2f})")
             self.log(f"  근거: {result['reasoning']}")

app/services/langgraph_enhanced/agents/knowledge_agent.py

@@ -422,8 +422,8 @@ def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str,
                 required_services=query_analysis.get('required_services', [])
             )
 
-            response = self.llm.invoke(prompt)
-            strategy = self.parse_education_strategy(response.content.strip())
+            response_text = self.invoke_llm_with_cache(prompt, purpose="knowledge", log_label="knowledge_strategy")
+            strategy = self.parse_education_strategy(response_text.strip())
 
             # 4. 설명 생성
             if rag_context:
@@ -450,8 +450,7 @@ def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str,
 
 명확하고 구체적으로 설명해주세요."""
 
-                explanation_response = self.llm.invoke(explanation_prompt)
-                explanation_result = explanation_response.content
+                explanation_result = self.invoke_llm_with_cache(explanation_prompt, purpose="knowledge", log_label="knowledge_explanation_rag")
 
                 self.log(f"RAG 기반 지식 교육 완료")
             else:
@@ -469,8 +468,7 @@ def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str,
 
 명확하고 친절하게 설명해주세요."""
 
-                explanation_response = self.llm.invoke(explanation_prompt)
-                explanation_result = explanation_response.content
+                explanation_result = self.invoke_llm_with_cache(explanation_prompt, purpose="knowledge", log_label="knowledge_explanation_basic")
 
             return {
                 'success': True,

app/services/langgraph_enhanced/agents/news_agent.py

@@ -194,87 +194,79 @@ def _format_news_data(self, news_data: List[Dict[str, Any]]) -> str:
         return "\n".join(formatted)
 
     async def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str, Any]:
-        """뉴스 에이전트 처리 (async)"""
+        """뉴스 에이전트 처리 (async)
+        Fast-path: 단순 뉴스 질의는 전략 LLM/분석 LLM 생략하고 news_service 직접 호출(10s 타임박스) + 간단 요약 반환
+        """
         try:
             self.log(f"뉴스 수집 시작: {user_query}")
-
-            # LLM이 뉴스 수집 전략 결정
+            primary = query_analysis.get('primary_intent', 'news')
+            complexity = query_analysis.get('complexity_level', 'simple')
+            is_simple_news = (primary == 'news' and complexity == 'simple')
+
+            import asyncio
+            news_data: List[Dict[str, Any]] = []
+            mk_context = ""
+            strategy: Dict[str, Any] = {}
+
+            if is_simple_news:
+                # Fast-path: news_service 직접 호출 + 타임박스 10s
+                try:
+                    news_data = await asyncio.wait_for(
+                        news_service.get_comprehensive_news(query=user_query, translate=True),
+                        timeout=10.0
+                    )
+                except asyncio.TimeoutError:
+                    self.log("뉴스 수집 타임아웃(10s)")
+                    news_data = []
+
+                # 간단 요약(LLM 미사용)
+                if news_data:
+                    lines = []
+                    for i, n in enumerate(news_data[:3], 1):
+                        title = n.get('title', '제목 없음')
+                        src = n.get('source', 'N/A')
+                        pub = n.get('published', '')[:10]
+                        lines.append(f"{i}. {title} (출처: {src}, {pub})")
+                    analysis_result = "\n".join(lines)
+                else:
+                    analysis_result = "관련 뉴스를 찾을 수 없습니다."
+
+                return {
+                    'success': True,
+                    'news_data': news_data,
+                    'analysis_result': analysis_result,
+                    'strategy': {},
+                    'fast_path': True
+                }
+
+            # 일반 경로: 기존 전략 + 분석(단, 캐시/로깅 적용)
             prompt = self.get_prompt_template().format(
                 user_query=user_query,
                 primary_intent=query_analysis.get('primary_intent', 'news'),
                 complexity_level=query_analysis.get('complexity_level', 'simple'),
                 required_services=query_analysis.get('required_services', [])
             )
-
-            response = self.llm.invoke(prompt)
-            strategy = self.parse_news_strategy(response.content.strip())
-
-            print(f"🔍 [NewsAgent] 생성된 전략:")
-            print(f"   - search_strategy: {strategy.get('search_strategy')}")
-            print(f"   - search_query: {strategy.get('search_query')}")
-            print(f"   - news_sources: {strategy.get('news_sources')}")
-
-            # 실제 뉴스 수집 (async)
-            news_data = []
-            mk_context = ""  # 매일경제 컨텍스트는 별도로 저장
-
-            try:
-                if strategy['news_sources'] in ['google', 'both']:
-                    print(f"📰 [NewsAgent] Google RSS에서 뉴스 수집 시작: {strategy['search_query']}")
-                    # async 함수 직접 호출 - 리스트 반환
-                    google_news = await news_service.get_comprehensive_news(
-                        query=strategy['search_query']
-                    )
-
-                    print(f"   ✅ [NewsAgent] Google RSS 결과: {len(google_news) if google_news else 0}개")
-
-                    if google_news and isinstance(google_news, list):
-                        news_data.extend(google_news)
-
-                if strategy['news_sources'] in ['mk', 'both']:
-                    # 매일경제 KG 컨텍스트는 한국어 핵심 키워드 사용
-                    # 예: "금리 뉴스 분석해줘" → "금리"
-                    korean_keyword = self._extract_korean_keyword(user_query)
-                    print(f"   📚 [NewsAgent] 매일경제 KG 검색 키워드: {korean_keyword}")
-
-                    # async 함수 호출 - 문자열 반환
-                    mk_context = await news_service.get_analysis_context_from_kg(
-                        query=korean_keyword,
-                        limit=5
-                    )
-
-                # 중복 제거 및 정렬
-                news_data = self._deduplicate_news(news_data)
-
-            except Exception as e:
-                self.log(f"뉴스 수집 오류: {e}")
-                import traceback
-                traceback.print_exc()
-                news_data = []
-                mk_context = ""
-
-            # 뉴스 분석
-            if news_data or mk_context:
+            response_text = self.invoke_llm_with_cache(prompt, purpose="news", log_label="news_strategy")
+            strategy = self.parse_news_strategy(response_text.strip())
+
+            # 실제 뉴스 수집
+            news_data = await news_service.get_comprehensive_news(
+                query=strategy.get('search_query') or user_query,
+                translate=True
+            )
+
+            # 간단 분석(짧은 요약)으로 토큰 최소화
+            if news_data:
                 analysis_prompt = self.generate_news_analysis_prompt(news_data, strategy, user_query)
-
-                # 매일경제 컨텍스트 추가
-                if mk_context:
-                    analysis_prompt += f"\n\n{mk_context}"
-
-                analysis_response = self.llm.invoke(analysis_prompt)
-                analysis_result = analysis_response.content
-
-                self.log(f"뉴스 분석 완료: {len(news_data or [])}건")
+                analysis_result = self.invoke_llm_with_cache(analysis_prompt, purpose="news", log_label="news_analysis_short")
             else:
                 analysis_result = "관련 뉴스를 찾을 수 없습니다. 다른 키워드로 검색해보세요."
-                self.log("뉴스를 찾을 수 없음")
-
+
             return {
                 'success': True,
                 'news_data': news_data,
                 'analysis_result': analysis_result,
-                'strategy': strategy,
-                'mk_context': mk_context
+                'strategy': strategy
             }
 
         except Exception as e:

app/services/langgraph_enhanced/agents/query_analyzer.py

@@ -217,8 +217,8 @@ def process(self, user_query: str) -> Dict[str, Any]:
 
         # 2. 일반 쿼리 분석
         prompt = self.get_prompt_template().format(user_query=user_query)
-        response = self.llm.invoke(prompt)
-        analysis_result = self.parse_response(response.content.strip())
+        response_text = self.invoke_llm_with_cache(prompt, purpose="classification", log_label="query_analysis")
+        analysis_result = self.parse_response(response_text.strip())
 
         # 3. 투자 의도 정보 통합
         analysis_result['is_investment_question'] = is_investment_question
@@ -251,8 +251,8 @@ def process(self, user_query: str) -> Dict[str, Any]:
 
         # 2. 일반 쿼리 분석
         prompt = self.get_prompt_template().format(user_query=user_query)
-        response = self.llm.invoke(prompt)
-        analysis_result = self.parse_response(response.content.strip())
+        response_text = self.invoke_llm_with_cache(prompt, purpose="classification", log_label="query_analysis_dup")
+        analysis_result = self.parse_response(response_text.strip())
 
         # 3. 투자 의도 정보 통합
         analysis_result['is_investment_question'] = is_investment_question

app/services/langgraph_enhanced/agents/response_agent.py

@@ -127,8 +127,7 @@ def process(self, user_query: str, query_analysis: Dict[str, Any], collected_dat
                 collected_information=collected_info
             )
 
-            response = self.llm.invoke(prompt)
-            final_response = response.content
+            final_response = self.invoke_llm_with_cache(prompt, purpose="response", log_label="final_response_generation")
 
             self.log("최종 응답 생성 완료")
 

app/services/langgraph_enhanced/agents/result_combiner.py

@@ -202,8 +202,7 @@ def process(
             )
 
             # LLM 호출
-            response = self.llm.invoke(prompt)
-            combined_response = response.content
+            combined_response = self.invoke_llm_with_cache(prompt, purpose="response", log_label="result_combination")
 
             # 신뢰도 추출
             confidence = self._extract_confidence(combined_response)

app/services/langgraph_enhanced/agents/visualization_agent.py

@@ -280,8 +280,7 @@ def process(self, user_query: str, query_analysis: Dict[str, Any]) -> Dict[str,
             # 차트 분석
             if chart_data and 'error' not in chart_data and strategy.get('include_analysis', True):
                 analysis_prompt = self.generate_chart_analysis_prompt(chart_data, strategy, user_query)
-                analysis_response = self.llm.invoke(analysis_prompt)
-                analysis_result = analysis_response.content
+                analysis_result = self.invoke_llm_with_cache(analysis_prompt, purpose="analysis", log_label="chart_analysis")
 
                 self.log("차트 분석 완료")
             else: