# Step 3: 지식 추출

## 추출 프로세스

각 소스에 대해:

1. **가져오기** — `webfetch` 도구로 콘텐츠 수집
2. **파싱** — HTML → 텍스트, 보일러플레이트 제거
3. **청킹** — 논리적 섹션별 분할 (제목, 단락, 코드 블록)
4. **추출** — LLM으로 구조화된 지식 추출

## 추출 프롬프트

```
다음 콘텐츠에서 "{topic.title}"에 대한 구조화된 지식을 추출하십시오.

JSON 형식으로 반환:
{
  "concepts": [
    {
      "title": "개념 이름",
      "definition": "명확한 정의",
      "examples": ["예시1", "예시2"],
      "related": ["관련 개념1", "관련 개념2"]
    }
  ],
  "facts": [
    {
      "statement": "팩트 진술",
      "evidence": "출처에서의 인용",
      "confidence": 0.9
    }
  ],
  "procedures": [
    {
      "name": "절차 이름",
      "description": " 설명",
      "steps": ["단계1", "단계2", "단계3"]
    }
  ],
  "code_patterns": [
    {
      "language": "python",
      "pattern_name": "패턴 이름",
      "code": "코드",
      "explanation": "설명"
    }
  ]
}

콘텐츠:
{source.content}
```

## 교차 검증

1. 여러 소스에서 추출된 팩트를 비교
2. 일치하지 않는 내용 표시
3. 2개 이상 소스에서 확인된 팩트만 신뢰도 높음으로 처리

## 신뢰도 점수

- 단일 소스 확인: confidence = 0.5
- 2개 소스 확인: confidence = 0.7
- 3개 이상 소스 확인: confidence = 0.9
- 소스 간 불일치: confidence = 0.3

## 출력

```
{
  "concepts": [...],
  "facts": [...],
  "procedures": [...],
  "code_patterns": [...],
  "source_id": "source_id",
  "extraction_confidence": 0.7
}
```