structverify 0.3.2__tar.gz → 0.3.4__tar.gz

{structverify-0.3.2/structverify.egg-info → structverify-0.3.4}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: structverify
-Version: 0.3.2
+Version: 0.3.4
 Summary: Compliance & fact verification for documents — check your files against your own rulebook (PDF) or a data source, and read a plain True/False.
 Author-email: "김예슬 (Yeseul Kim)" <yesul0718@gmail.com>
 License: MIT License
@@ -156,6 +156,7 @@ pip install "structverify[all]"     # 전부
 - **큰 규정집엔 ReAct 에이전트 루프.** 검색→판정→쿼리 재구성→재검색을 반복해 적용 조항을 찾음.
 - **provider 무관.** `upstage` \| `openai` \| `gemini` \| `hcx` — `api_key` 한 줄이면 끝.
 - **결과가 곧 boolean.** `.ok` `.compliant` `.violated` / `bool(result)` / iterable / `.to_dict()`.
+- **감독 학습 루프.** 확정 정답으로 자체 모델을 파인튜닝 — 실시간 감독·조기 종료·자가평가(EvalGate)까지 내장.
 
 ## 30초 시작
 
@@ -327,6 +328,10 @@ backend/structverify/
 `.ok` / `.compliant` 같은 **평범한 True/False** 를 바로 읽는다. 모든 sync 메서드는
 `a` 접두사 async 쌍을 가진다 (`check`/`acheck`, `verify`/`averify`).
 
+> 🏃 **바로 돌려볼 수 있는 예제**: [`examples/`](examples/README.md) — 규정 준수 빠른 시작,
+> CSV/DB 사실검증(에이전틱 포함), 설정·대시보드, 감독 학습 루프, 학습 모델 주입까지
+> 시나리오별 단일 파일 6종. 시연 데이터 동봉이라 `python examples/01_quickstart_conformance.py` 로 즉시 실행.
+
 ### ① 규정 준수 검사 — `Ruleset` (내 규정집으로 검증)
 
 PDF/txt 규정집(안전기준·사내정책·표시기준 등)을 색인하고, 문장이 그 규정을 지키는지 판정한다.
@@ -433,6 +438,36 @@ for r in report.results:
     print(r.verdict, r.confidence, r.evidence.official_value, r.explanation)
 ```
 
+### ③ 감독 학습 루프 — `LearningLoop` (내 데이터로 모델 기르기)
+
+검증에서 나온 **확정 정답**으로 자체 7B 모델을 LoRA 파인튜닝한다. "그냥 학습 스크립트"가
+아니라 **감독 에이전트 3종**이 붙는 게 차별점 — 🕵 DataCurator(데이터 품질·중복·편중 격리),
+🩺 TrainDoctor(v0.3.1+: **실시간 감독** — 터미널 한 줄 UI, plateau/발산이면 스스로 조기 종료),
+🚦 EvalGate(학습 전/후를 검증 엔진으로 자가평가 → 채택/거부).
+
+```python
+from structverify.training import LearningLoop
+
+loop = LearningLoop(engine, base_model="unsloth/Qwen2.5-7B-Instruct")
+loop.add_seed().add_reports(reports).add_jsonl("corrections.jsonl")   # 데이터 수집 (체이닝)
+ds, curation = loop.prepare("train.jsonl")            # 🕵 품질검사 → clean 데이터셋
+loop.train(ds, "./adapter", backend="auto",           # NVIDIA→QLoRA · Apple Silicon→MLX
+           run=True, early_stop=True, patience=200)   # 🩺 수렴하면 스스로 멈춤
+loop.diagnose("./adapter/trainer_state.json")         # 🩺 사후 진단 + 처방
+gate = loop.evaluate(eval_set, tuned_engine=tuned)    # 🚦 개선 확인 후에만 채택
+```
+
+학습 중 터미널에는 감독 한 줄만 갱신된다 (색상은 tty 자동 감지 · `NO_COLOR`/`SV_COLOR` 지원):
+
+```
+🧠 336/2496 ▓░░░░░░░  13% · loss 0.108 ▆█▄▄▁▁ · lr 1.5e-04 · ETA 2:29 · ⚡1 · 🩺 수렴 유지
+✂ step 336: 200스텝 동안 이동평균 개선 없음. 더 학습해도 이득이 없어 조기 종료합니다.
+```
+
+GPU 레시피는 extras로: `[training]`(NVIDIA — RTX 3060/Colab T4·L4, unsloth QLoRA) ·
+`[training-mac]`(Apple Silicon — MLX). 코어(수집·품질검사·진단·평가)는 GPU 불필요.
+학습 후 어댑터 확인은 `python -m structverify.training.recipe.sample --adapter ./adapter`.
+
 ---
 
 ## Phase D Agent Loop 상세

{structverify-0.3.2 → structverify-0.3.4}/README.md

@@ -39,6 +39,7 @@ pip install "structverify[all]"     # 전부
 - **큰 규정집엔 ReAct 에이전트 루프.** 검색→판정→쿼리 재구성→재검색을 반복해 적용 조항을 찾음.
 - **provider 무관.** `upstage` \| `openai` \| `gemini` \| `hcx` — `api_key` 한 줄이면 끝.
 - **결과가 곧 boolean.** `.ok` `.compliant` `.violated` / `bool(result)` / iterable / `.to_dict()`.
+- **감독 학습 루프.** 확정 정답으로 자체 모델을 파인튜닝 — 실시간 감독·조기 종료·자가평가(EvalGate)까지 내장.
 
 ## 30초 시작
 
@@ -210,6 +211,10 @@ backend/structverify/
 `.ok` / `.compliant` 같은 **평범한 True/False** 를 바로 읽는다. 모든 sync 메서드는
 `a` 접두사 async 쌍을 가진다 (`check`/`acheck`, `verify`/`averify`).
 
+> 🏃 **바로 돌려볼 수 있는 예제**: [`examples/`](examples/README.md) — 규정 준수 빠른 시작,
+> CSV/DB 사실검증(에이전틱 포함), 설정·대시보드, 감독 학습 루프, 학습 모델 주입까지
+> 시나리오별 단일 파일 6종. 시연 데이터 동봉이라 `python examples/01_quickstart_conformance.py` 로 즉시 실행.
+
 ### ① 규정 준수 검사 — `Ruleset` (내 규정집으로 검증)
 
 PDF/txt 규정집(안전기준·사내정책·표시기준 등)을 색인하고, 문장이 그 규정을 지키는지 판정한다.
@@ -316,6 +321,36 @@ for r in report.results:
     print(r.verdict, r.confidence, r.evidence.official_value, r.explanation)
 ```
 
+### ③ 감독 학습 루프 — `LearningLoop` (내 데이터로 모델 기르기)
+
+검증에서 나온 **확정 정답**으로 자체 7B 모델을 LoRA 파인튜닝한다. "그냥 학습 스크립트"가
+아니라 **감독 에이전트 3종**이 붙는 게 차별점 — 🕵 DataCurator(데이터 품질·중복·편중 격리),
+🩺 TrainDoctor(v0.3.1+: **실시간 감독** — 터미널 한 줄 UI, plateau/발산이면 스스로 조기 종료),
+🚦 EvalGate(학습 전/후를 검증 엔진으로 자가평가 → 채택/거부).
+
+```python
+from structverify.training import LearningLoop
+
+loop = LearningLoop(engine, base_model="unsloth/Qwen2.5-7B-Instruct")
+loop.add_seed().add_reports(reports).add_jsonl("corrections.jsonl")   # 데이터 수집 (체이닝)
+ds, curation = loop.prepare("train.jsonl")            # 🕵 품질검사 → clean 데이터셋
+loop.train(ds, "./adapter", backend="auto",           # NVIDIA→QLoRA · Apple Silicon→MLX
+           run=True, early_stop=True, patience=200)   # 🩺 수렴하면 스스로 멈춤
+loop.diagnose("./adapter/trainer_state.json")         # 🩺 사후 진단 + 처방
+gate = loop.evaluate(eval_set, tuned_engine=tuned)    # 🚦 개선 확인 후에만 채택
+```
+
+학습 중 터미널에는 감독 한 줄만 갱신된다 (색상은 tty 자동 감지 · `NO_COLOR`/`SV_COLOR` 지원):
+
+```
+🧠 336/2496 ▓░░░░░░░  13% · loss 0.108 ▆█▄▄▁▁ · lr 1.5e-04 · ETA 2:29 · ⚡1 · 🩺 수렴 유지
+✂ step 336: 200스텝 동안 이동평균 개선 없음. 더 학습해도 이득이 없어 조기 종료합니다.
+```
+
+GPU 레시피는 extras로: `[training]`(NVIDIA — RTX 3060/Colab T4·L4, unsloth QLoRA) ·
+`[training-mac]`(Apple Silicon — MLX). 코어(수집·품질검사·진단·평가)는 GPU 불필요.
+학습 후 어댑터 확인은 `python -m structverify.training.recipe.sample --adapter ./adapter`.
+
 ---
 
 ## Phase D Agent Loop 상세

{structverify-0.3.2 → structverify-0.3.4}/pyproject.toml

@@ -1,6 +1,6 @@
 [project]
 name = "structverify"
-version = "0.3.2"
+version = "0.3.4"
 description = "Compliance & fact verification for documents — check your files against your own rulebook (PDF) or a data source, and read a plain True/False."
 readme = "README.md"
 license = { file = "LICENSE" }

{structverify-0.3.2 → structverify-0.3.4}/structverify/__init__.py

@@ -20,6 +20,16 @@ Graph + JSON 하이브리드 저장 · 2-Agent 아키텍처 · 도메인 적응
     → import/패키지 탐지가 가볍고, 선택적 deps 없이도 import 자체는 성공.
 """
 
+# .env 자동 로드 — `import structverify` 시점에 실행 위치의 .env를 읽는다.
+# (이미 설정된 환경변수는 덮어쓰지 않음. dotenv 부재 시 조용히 스킵.)
+try:
+    from dotenv import load_dotenv as _load_dotenv
+
+    _load_dotenv()
+except ImportError:  # pragma: no cover
+    pass
+
+
 # High-level ergonomic API (structverify.api) — the "point-and-call" surface.
 _API_SYMBOLS = frozenset({
     "verify",       # one-shot fact verification → Report
@@ -54,7 +64,7 @@ _TRAINING_SYMBOLS = frozenset({
 })
 
 __all__ = sorted(_API_SYMBOLS | _PIPELINE_SYMBOLS | _PROGRESS_SYMBOLS | _TRAINING_SYMBOLS)
-__version__ = "0.3.2"
+__version__ = "0.3.4"
 
 
 def __getattr__(name: str):

{structverify-0.3.2 → structverify-0.3.4}/structverify/core/config_loader.py

@@ -2,6 +2,15 @@ from __future__ import annotations
 import os
 from pathlib import Path
 
+# .env 자동 로드 — 문서가 약속한 동작. 실행 위치(cwd)의 .env를 읽으며,
+# 이미 설정된 환경변수는 덮어쓰지 않는다(override=False 기본).
+try:
+    from dotenv import load_dotenv
+
+    load_dotenv()
+except ImportError:  # pragma: no cover — python-dotenv는 코어 의존성이지만 방어
+    pass
+
 # 패키지에 번들된 기본 설정 — pip 설치 후에도 항상 존재한다.
 _PACKAGED_DEFAULT = Path(__file__).parent.parent / "config" / "default.yaml"
 # 개발 체크아웃(backend/config/default.yaml) 오버라이드 — 있으면 우선.

{structverify-0.3.2 → structverify-0.3.4}/structverify/training/loop.py

@@ -96,7 +96,11 @@ class LearningLoop:
             print("   " + info["command"])
             return info
         try:
-            __import__(_probe)
+            # 백엔드 존재 확인 — torch 등 무거운 import가 뿜는 잡음(torchao·Flax)은 숨긴다.
+            import contextlib
+            with open(os.devnull, "w") as _dn, \
+                 contextlib.redirect_stdout(_dn), contextlib.redirect_stderr(_dn):
+                __import__(_probe)
         except Exception:  # noqa: BLE001
             raise RuntimeError(f"run=True에는 학습 백엔드가 필요합니다 → {need}. "
                                "또는 run=False로 명령만 받아 별도 실행하세요.")

{structverify-0.3.2 → structverify-0.3.4}/structverify/training/recipe/sample.py

@@ -9,10 +9,27 @@ GPU 머신(어댑터 학습한 곳)에서 실행:
         --task schema --claim "당사 물류 파트너는 2,300개사에 달했습니다."
 """
 import argparse
+import contextlib
+import logging
 import os
+import sys
+import warnings
 
 os.environ.setdefault("TF_CPP_MIN_LOG_LEVEL", "3")
 os.environ.setdefault("TRANSFORMERS_VERBOSITY", "error")
+sys.unraisablehook = lambda *_: None
+warnings.filterwarnings("ignore")
+logging.getLogger("torchao").setLevel(logging.CRITICAL)
+
+
+@contextlib.contextmanager
+def _quiet():
+    if os.environ.get("SV_VERBOSE"):
+        yield
+        return
+    with open(os.devnull, "w") as dn, \
+         contextlib.redirect_stdout(dn), contextlib.redirect_stderr(dn):
+        yield
 
 # 내장 테스트 — 시드/증강 데이터에 없는 새 표현으로 일반화를 확인.
 _DEFAULT_TESTS = [
@@ -37,7 +54,8 @@ def main():
     ap.add_argument("--max-tokens", type=int, default=120)
     args = ap.parse_args()
 
-    from unsloth import FastLanguageModel
+    with _quiet():
+        from unsloth import FastLanguageModel
 
     from structverify.training.tasks import build_example
 
@@ -49,10 +67,11 @@ def main():
     else:
         tests = _DEFAULT_TESTS
 
-    print(f"어댑터 로드: {args.adapter}")
-    model, tok = FastLanguageModel.from_pretrained(
-        args.adapter, max_seq_length=2048, load_in_4bit=True)
-    FastLanguageModel.for_inference(model)
+    print(f"⚙ 어댑터 로드 — {args.adapter}")
+    with _quiet():
+        model, tok = FastLanguageModel.from_pretrained(
+            args.adapter, max_seq_length=2048, load_in_4bit=True)
+        FastLanguageModel.for_inference(model)
 
     for t in tests:
         msgs = build_example(**t)["messages"][:2]     # system + user만

{structverify-0.3.2 → structverify-0.3.4}/structverify/training/recipe/train_qlora.py

@@ -31,6 +31,7 @@ os.environ.setdefault("TOKENIZERS_PARALLELISM", "false")
 #   워커가 fork로 뜨면서 이 훅을 물려받아 자식 프로세스 출력까지 조용해진다.
 sys.unraisablehook = lambda *_: None
 
+import contextlib
 import logging
 import warnings
 
@@ -38,6 +39,17 @@ warnings.filterwarnings("ignore")                       # Flax deprecated 등
 logging.getLogger("torchao").setLevel(logging.CRITICAL)  # torchao .so 로드 WARNING
 
 
+@contextlib.contextmanager
+def _quiet():
+    """서드파티 import·로드가 뿜는 무관한 출력 숨김. SV_VERBOSE=1이면 전부 표시."""
+    if os.environ.get("SV_VERBOSE"):
+        yield
+        return
+    with open(os.devnull, "w") as dn, \
+         contextlib.redirect_stdout(dn), contextlib.redirect_stderr(dn):
+        yield
+
+
 def load_chat_dataset(path):
     from datasets import Dataset
     rows = []
@@ -72,35 +84,47 @@ def main():
                     help="중간 체크포인트(checkpoint-*) 보존 — 기본은 성공 시 삭제 (어댑터만 수십 MB)")
     args = ap.parse_args()
 
-    # unsloth: 3060/T4에서 QLoRA 2배 빠름 + 메모리 절약
-    from unsloth import FastLanguageModel
-    from trl import SFTTrainer, SFTConfig
+    # unsloth: 3060/T4에서 QLoRA 2배 빠름 + 메모리 절약.
+    # import·로드 단계의 배너·경고는 숨기고(_quiet) 우리 요약 한 줄로 대체.
+    with _quiet():
+        from unsloth import FastLanguageModel
+        from trl import SFTTrainer, SFTConfig
+
+        # tqdm 진행바(체크포인트 로드·Map·Tokenizing) 대신 우리 phase 라인으로.
+        try:
+            import datasets as _ds
+            import transformers as _tf
+            _ds.disable_progress_bars()
+            _tf.utils.logging.disable_progress_bar()
+        except Exception:  # noqa: BLE001
+            pass
 
-    # tqdm 진행바(체크포인트 로드·Map·Tokenizing) 대신 우리 phase 라인으로.
     try:
-        import datasets as _ds
-        import transformers as _tf
-        _ds.disable_progress_bars()
-        _tf.utils.logging.disable_progress_bar()
+        import torch
+        _p = torch.cuda.get_device_properties(0)
+        _prec = "bf16" if torch.cuda.is_bf16_supported() else "fp16"
+        print(f"⚙ 학습 엔진 준비 — unsloth · {_p.name} ({_p.total_memory/2**30:.0f}GB) · {_prec}",
+              file=sys.stderr)
     except Exception:  # noqa: BLE001
         pass
 
     print(f"⚙ 베이스 모델 로드 — {args.model} (4bit)", file=sys.stderr)
-    model, tokenizer = FastLanguageModel.from_pretrained(
-        model_name=args.model,
-        max_seq_length=args.seq_len,
-        load_in_4bit=True,          # QLoRA — 12GB VRAM에 7B 적재
-    )
-    model = FastLanguageModel.get_peft_model(
-        model,
-        r=args.rank,
-        target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
-                        "gate_proj", "up_proj", "down_proj"],
-        lora_alpha=args.rank * 2,
-        lora_dropout=0.0,
-        bias="none",
-        use_gradient_checkpointing="unsloth",
-    )
+    with _quiet():
+        model, tokenizer = FastLanguageModel.from_pretrained(
+            model_name=args.model,
+            max_seq_length=args.seq_len,
+            load_in_4bit=True,          # QLoRA — 12GB VRAM에 7B 적재
+        )
+        model = FastLanguageModel.get_peft_model(
+            model,
+            r=args.rank,
+            target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
+                            "gate_proj", "up_proj", "down_proj"],
+            lora_alpha=args.rank * 2,
+            lora_dropout=0.0,
+            bias="none",
+            use_gradient_checkpointing="unsloth",
+        )
 
     print("⚙ 데이터 준비·토큰화 중 …", file=sys.stderr)
     ds = load_chat_dataset(args.data)

{structverify-0.3.2 → structverify-0.3.4}/structverify/verification/decide_verdict_agent.py

@@ -163,6 +163,26 @@ def decide_verdict_agent_fetch(
                 f"조회 {_fv0:.4g}×{_fs:g}={fv:.4g}{fetched_unit}"
             )
 
+    # 단위 계열 불일치 가드 — 주장은 비율(%)인데 조회값은 절대 단위(달러/건/명 등),
+    # 혹은 그 반대면 값 비교 자체가 성립하지 않는다. 이때 mismatch를 확정하면
+    # 정답 주장을 오판하게 되므로(예: "비중 20%" vs 조회 4,367억 달러) 판단 보류.
+    def _is_ratio_unit(u: str | None) -> bool:
+        s = (u or "").strip()
+        return "%" in s or "퍼센트" in s or s.endswith("p")   # %p 포함
+
+    # 양쪽 단위가 모두 명시된 경우에만 — 한쪽이 빈 단위면 기존처럼 값으로 비교.
+    if claim_unit and fetched_unit and _is_ratio_unit(claim_unit) != _is_ratio_unit(fetched_unit):
+        return VerdictDecision(
+            claim_id=claim_id,
+            verdict=VerdictType.UNVERIFIABLE,
+            confidence=0.4,
+            explanation=(
+                f"단위 계열 불일치 — 주장 {cv:.4g}{claim_unit or ''}(비율)와 "
+                f"조회값 {fv:.4g}{fetched_unit or ''}(절대값)은 직접 비교할 수 없음. "
+                f"비율 판정에는 분자/분모 산출이 필요해 판단을 보류함."
+            ),
+        )
+
     if abs(cv) < 1e-9:
         diff_ratio = 0.0 if abs(fv) < 1e-9 else 1.0
     else:

{structverify-0.3.2 → structverify-0.3.4/structverify.egg-info}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: structverify
-Version: 0.3.2
+Version: 0.3.4
 Summary: Compliance & fact verification for documents — check your files against your own rulebook (PDF) or a data source, and read a plain True/False.
 Author-email: "김예슬 (Yeseul Kim)" <yesul0718@gmail.com>
 License: MIT License
@@ -156,6 +156,7 @@ pip install "structverify[all]"     # 전부
 - **큰 규정집엔 ReAct 에이전트 루프.** 검색→판정→쿼리 재구성→재검색을 반복해 적용 조항을 찾음.
 - **provider 무관.** `upstage` \| `openai` \| `gemini` \| `hcx` — `api_key` 한 줄이면 끝.
 - **결과가 곧 boolean.** `.ok` `.compliant` `.violated` / `bool(result)` / iterable / `.to_dict()`.
+- **감독 학습 루프.** 확정 정답으로 자체 모델을 파인튜닝 — 실시간 감독·조기 종료·자가평가(EvalGate)까지 내장.
 
 ## 30초 시작
 
@@ -327,6 +328,10 @@ backend/structverify/
 `.ok` / `.compliant` 같은 **평범한 True/False** 를 바로 읽는다. 모든 sync 메서드는
 `a` 접두사 async 쌍을 가진다 (`check`/`acheck`, `verify`/`averify`).
 
+> 🏃 **바로 돌려볼 수 있는 예제**: [`examples/`](examples/README.md) — 규정 준수 빠른 시작,
+> CSV/DB 사실검증(에이전틱 포함), 설정·대시보드, 감독 학습 루프, 학습 모델 주입까지
+> 시나리오별 단일 파일 6종. 시연 데이터 동봉이라 `python examples/01_quickstart_conformance.py` 로 즉시 실행.
+
 ### ① 규정 준수 검사 — `Ruleset` (내 규정집으로 검증)
 
 PDF/txt 규정집(안전기준·사내정책·표시기준 등)을 색인하고, 문장이 그 규정을 지키는지 판정한다.
@@ -433,6 +438,36 @@ for r in report.results:
     print(r.verdict, r.confidence, r.evidence.official_value, r.explanation)
 ```
 
+### ③ 감독 학습 루프 — `LearningLoop` (내 데이터로 모델 기르기)
+
+검증에서 나온 **확정 정답**으로 자체 7B 모델을 LoRA 파인튜닝한다. "그냥 학습 스크립트"가
+아니라 **감독 에이전트 3종**이 붙는 게 차별점 — 🕵 DataCurator(데이터 품질·중복·편중 격리),
+🩺 TrainDoctor(v0.3.1+: **실시간 감독** — 터미널 한 줄 UI, plateau/발산이면 스스로 조기 종료),
+🚦 EvalGate(학습 전/후를 검증 엔진으로 자가평가 → 채택/거부).
+
+```python
+from structverify.training import LearningLoop
+
+loop = LearningLoop(engine, base_model="unsloth/Qwen2.5-7B-Instruct")
+loop.add_seed().add_reports(reports).add_jsonl("corrections.jsonl")   # 데이터 수집 (체이닝)
+ds, curation = loop.prepare("train.jsonl")            # 🕵 품질검사 → clean 데이터셋
+loop.train(ds, "./adapter", backend="auto",           # NVIDIA→QLoRA · Apple Silicon→MLX
+           run=True, early_stop=True, patience=200)   # 🩺 수렴하면 스스로 멈춤
+loop.diagnose("./adapter/trainer_state.json")         # 🩺 사후 진단 + 처방
+gate = loop.evaluate(eval_set, tuned_engine=tuned)    # 🚦 개선 확인 후에만 채택
+```
+
+학습 중 터미널에는 감독 한 줄만 갱신된다 (색상은 tty 자동 감지 · `NO_COLOR`/`SV_COLOR` 지원):
+
+```
+🧠 336/2496 ▓░░░░░░░  13% · loss 0.108 ▆█▄▄▁▁ · lr 1.5e-04 · ETA 2:29 · ⚡1 · 🩺 수렴 유지
+✂ step 336: 200스텝 동안 이동평균 개선 없음. 더 학습해도 이득이 없어 조기 종료합니다.
+```
+
+GPU 레시피는 extras로: `[training]`(NVIDIA — RTX 3060/Colab T4·L4, unsloth QLoRA) ·
+`[training-mac]`(Apple Silicon — MLX). 코어(수집·품질검사·진단·평가)는 GPU 불필요.
+학습 후 어댑터 확인은 `python -m structverify.training.recipe.sample --adapter ./adapter`.
+
 ---
 
 ## Phase D Agent Loop 상세