web-page/docs/superpowers/specs/2026-05-13-ai-news-sentiment-node-design.md

AI News Sentiment Node — Design

작성일: 2026-05-13 작성자: gahusb 상태: Approved for implementation 선행 spec: 2026-05-12-stock-screener-board-design.md (§14 — AI 뉴스 호재/악재 노드 후속 슬라이스)

---

1. 목표

스크리너의 8번째 점수 노드 AiNewsSentiment 를 추가한다. 평일 08:00 KST 에 시총 상위 100종목의 네이버 종목 뉴스를 스크래핑하고 Claude Haiku로 호재/악재를 정량화하여, 그날의 sentiment를 (a) 텔레그램으로 호재/악재 Top 5 알림으로 전달하고, (b) 16:30 스크리너 자동 잡의 가중합에 percentile_rank 형태로 기여한다.

Why: 기존 7개 점수 노드는 모두 수치 기반(가격/거래량/외국인 수급)이며, 시장 정서(뉴스 호재/악재)는 반영되지 않는다. 트레이더 의사결정에 큰 영향을 주는 호재/악재 시그널을 LLM으로 정량화하면 정량 노드와 정성 노드를 한 점수 체계로 통합할 수 있다. 장 시작 전 알림으로 즉시 가치 전달.

---

2. 범위

포함 (이번 슬라이스):

• 평일 08:00 KST agent-office cron → stock-lab /snapshot/refresh-news-sentiment 호출
• 시총 상위 100종목 × 네이버 종목 뉴스 (/item/news_news.naver?code=XXX) 스크래핑
• 종목당 Claude Haiku 1콜 (총 100콜 asyncio.gather 병렬, 동시성 10)
• news_sentiment(ticker, date, score_raw, reason, news_count, tokens_input, tokens_output, model, created_at) 테이블
• 8번째 ScoreNode AiNewsSentiment 등록 (registry, schema, ScreenContext, 가중합 통합)
• 호재 Top 5 + 악재 Top 5 텔레그램 메시지 (장 시작 전 발송)
• 프론트 캔버스 모드에 8번째 노드 추가 (SCORE_KEYS 한 줄 + INITIAL_NODE_POSITIONS 좌표 한 줄)

범위 외 (NOT):

• 뉴스 URL 단위 캐싱 (비용이 충분히 낮음)
• 16:00 추가 cron (MVP 일 1회)
• 시장 전체 뉴스 종목 매핑 LLM (시총 상위 100 명시적 매핑)
• 백테스트 (sentiment 점수가 실수익에 미친 영향) — 별도 후속 슬라이스
• 가중치 자동 조정 — spec §14 별도 슬라이스
• 종목별 sentiment 트렌드 차트 — 데이터 누적 후 후속 슬라이스
• 종목 5-10위 외 sentiment 가시화 — Top 5 알림 외 별도 대시보드 없음

---

3. 아키텍처 개요

                       ┌─────────────────────────────┐
[08:00 KST 평일]       │ agent-office cron           │
                       │ on_ai_news_schedule()       │
                       └──────────────┬──────────────┘
                                      │ HTTP POST
                                      ▼
       ┌──────────────────────────────────────────────────────┐
       │ stock-lab: /api/stock/screener/snapshot/             │
       │            refresh-news-sentiment                    │
       │                                                       │
       │ ai_news/pipeline.refresh_daily(asof):                 │
       │  1. krx_master 시총 상위 100 ticker 조회               │
       │  2. asyncio.gather(Semaphore=10) 100 종목 병렬:        │
       │     a. scraper.fetch_news(ticker)                     │
       │     b. analyzer.score_sentiment(ticker, news[])       │
       │     c. → {score: float, reason: str, ...}             │
       │  3. news_sentiment 일괄 upsert                         │
       │  4. Top 5 호재/악재 추출 → 텔레그램 페이로드 빌드        │
       │  5. agent-office /telegram/send 호출                  │
       └──────────────────────────────────────────────────────┘
                                      │
                                      ▼
[16:30 KST 평일]       ┌─────────────────────────────┐
                       │ agent-office on_screener_   │
                       │ schedule (변경 없음)         │
                       └──────────────┬──────────────┘
                                      │ HTTP POST
                                      ▼
       ┌──────────────────────────────────────────────────────┐
       │ stock-lab: /api/stock/screener/run mode=auto         │
       │                                                       │
       │ Screener.run(ctx):                                    │
       │  ctx.news_sentiment = SELECT * FROM news_sentiment    │
       │                       WHERE date = asof              │
       │  AiNewsSentiment.compute(ctx, params)                │
       │   → percentile_rank(score_raw) for 100 tickers       │
       │   → 가중합에 ai_news weight × percentile 점수 기여      │
       └──────────────────────────────────────────────────────┘

의존성 추가: anthropic Python SDK (stock-lab requirements.txt). ANTHROPIC_API_KEY 는 docker-compose.yml에 이미 stock-lab 환경변수로 존재.

---

4. 컴포넌트 분해 (신규 파일)

4.1 stock-lab

web-backend/stock-lab/app/
  screener/
    ai_news/                                  ← 신규 모듈
      __init__.py
      scraper.py              ← 네이버 finance 종목 뉴스 스크래핑
      analyzer.py             ← Claude Haiku 호재/악재 분석
      pipeline.py             ← refresh_daily() 메인 (스크래핑+병렬 LLM+DB upsert)
      telegram.py             ← Top 5/Top 5 메시지 빌더
    nodes/
      ai_news.py              ← 8번째 ScoreNode 클래스
    schema.py                 ← (수정) news_sentiment 테이블 DDL 추가
    registry.py               ← (수정) NODE_REGISTRY["ai_news"] 등록
    engine.py                 ← (수정) ScreenContext에 news_sentiment 로딩
    router.py                 ← (수정) POST /snapshot/refresh-news-sentiment 라우트 추가
  requirements.txt            ← (수정) anthropic 추가
  tests/
    test_ai_news_scraper.py        ← 네이버 HTML mock 파싱
    test_ai_news_analyzer.py       ← anthropic mock 응답
    test_ai_news_pipeline.py       ← 5종목 mini integration
    test_ai_news_node.py           ← percentile_rank + min_news_count 필터

4.2 agent-office

web-backend/agent-office/app/
  agents/stock.py             ← (수정) on_ai_news_schedule 메서드 추가
  scheduler.py                ← (수정) cron mon-fri 08:00 등록
  service_proxy.py            ← (수정) refresh_ai_news_sentiment() helper 추가

4.3 frontend

web-ui/src/pages/stock/screener/
  components/canvas/constants/
    canvasLayout.js           ← (수정) AI 노드 추가 (NODE_IDS / NAME_MAP / LABEL / POSITIONS / SCORE_KEYS)
    canvasLayout.test.js      ← (수정) 카운트 8 점수 노드, 18 엣지로 갱신

---

5. DB 스키마 (1개 신규 테이블)

CREATE TABLE IF NOT EXISTS news_sentiment (
  ticker          TEXT NOT NULL,
  date            TEXT NOT NULL,                           -- YYYY-MM-DD
  score_raw       REAL NOT NULL,                           -- LLM 원점수 -10 ~ +10
  reason          TEXT NOT NULL DEFAULT '',                -- LLM 한 줄 근거
  news_count      INTEGER NOT NULL DEFAULT 0,              -- 분석에 사용된 뉴스 수
  tokens_input    INTEGER NOT NULL DEFAULT 0,              -- 비용 모니터링
  tokens_output   INTEGER NOT NULL DEFAULT 0,
  model           TEXT NOT NULL DEFAULT 'claude-haiku-4-5-20251001',
  created_at      TEXT NOT NULL DEFAULT (datetime('now','localtime')),
  PRIMARY KEY (ticker, date)
);
CREATE INDEX IF NOT EXISTS idx_news_sentiment_date ON news_sentiment(date DESC);

schema.py 의 ensure_screener_schema(conn) 함수에 이 DDL 추가. WAL + busy_timeout 패턴은 stock-lab _conn() 표준화로 이미 적용됨.

기본 가중치 시드: DEFAULT_WEIGHTS["ai_news"] = 0.5 추가 (다른 7노드의 default와 동일). 기존 settings 행이 있는 환경에서는 마이그레이션 1회 — ensure_screener_schema() 가 settings의 weights_json에 ai_news 키 누락 시 0.5로 보충하는 1회성 patch 적용.

---

6. ScoreNode 구현

# stock-lab/app/screener/nodes/ai_news.py
import pandas as pd
from .base import ScoreNode, percentile_rank

class AiNewsSentiment(ScoreNode):
    name = "ai_news"
    label = "AI 뉴스 호재/악재"
    default_params = {"min_news_count": 1}
    param_schema = {
        "type": "object",
        "properties": {
            "min_news_count": {
                "type": "integer", "default": 1, "minimum": 0,
                "description": "최소 분석 뉴스 수. 미만이면 NaN.",
            },
        },
    }

    def compute(self, ctx, params):
        df = getattr(ctx, "news_sentiment", None)
        if df is None or df.empty:
            return pd.Series(dtype=float)
        df = df[df["news_count"] >= params["min_news_count"]]
        if df.empty:
            return pd.Series(dtype=float)
        return percentile_rank(df.set_index("ticker")["score_raw"])

ScreenContext dataclass에 news_sentiment: Optional[pd.DataFrame] = None 필드 추가 (default None 으로 기존 호출자 호환성 유지). ScreenContext.load(conn, asof) 에 로딩 한 줄 추가:

news_sentiment = pd.read_sql_query(
    "SELECT ticker, score_raw, news_count FROM news_sentiment WHERE date = ?",
    conn, params=(asof.isoformat(),),
)
return ScreenContext(..., news_sentiment=news_sentiment)

기존 테스트 fixture에서 ScreenContext(...) 를 직접 생성하는 케이스는 default=None 으로 자동 호환. AiNewsSentiment.compute() 는 getattr(ctx, "news_sentiment", None) 로 안전 fallback.

---

7. 파이프라인 (ai_news/pipeline.py)

async def refresh_daily(conn, asof, *, tickers=None, model=DEFAULT_MODEL,
                       concurrency=10, news_per_ticker=5):
    """
    Returns:
      {"asof": ..., "updated": N, "failures": [...], "duration_sec": ..., 
       "tokens_input": ..., "tokens_output": ..., "top_pos": [...], "top_neg": [...]}
    """
    if tickers is None:
        tickers = _top_market_cap_tickers(conn, n=100)
    
    sem = asyncio.Semaphore(concurrency)
    async with httpx.AsyncClient(...) as http_client, AsyncAnthropic(...) as llm:
        tasks = [_process_ticker(t, sem, http_client, llm, news_per_ticker, model)
                 for t in tickers]
        results = await asyncio.gather(*tasks, return_exceptions=True)
    
    successes = [r for r in results if isinstance(r, dict)]
    failures  = [r for r in results if isinstance(r, BaseException)]
    
    _upsert_news_sentiment(conn, asof, successes)
    
    top_pos = sorted(successes, key=lambda r: -r["score_raw"])[:5]
    top_neg = sorted(successes, key=lambda r: r["score_raw"])[:5]
    
    return {
        "asof": asof.isoformat(),
        "updated": len(successes),
        "failures": [str(e) for e in failures],
        "duration_sec": ...,
        "tokens_input": sum(r["tokens_input"] for r in successes),
        "tokens_output": sum(r["tokens_output"] for r in successes),
        "top_pos": top_pos,
        "top_neg": top_neg,
    }


async def _process_ticker(ticker, sem, http_client, llm, news_per_ticker, model):
    async with sem:
        await asyncio.sleep(0.2)  # rate limit
        news = await scraper.fetch_news(http_client, ticker, n=news_per_ticker)
        if not news:
            return {"ticker": ticker, "score_raw": 0.0,
                    "reason": "no news", "news_count": 0,
                    "tokens_input": 0, "tokens_output": 0}
        return await analyzer.score_sentiment(llm, ticker, news, model=model)

---

8. Scraper (ai_news/scraper.py)

NAVER_NEWS_URL = "https://finance.naver.com/item/news_news.naver"

async def fetch_news(client, ticker, n=5):
    r = await client.get(NAVER_NEWS_URL, params={"code": ticker, "page": 1})
    if r.status_code != 200:
        return []
    soup = BeautifulSoup(r.text, "lxml")
    rows = soup.select("table.type5 tbody tr")[:n]
    out = []
    for row in rows:
        title_el = row.select_one("td.title a")
        date_el  = row.select_one("td.date")
        if not title_el or not date_el:
            continue
        out.append({
            "title": title_el.get_text(strip=True),
            "date":  date_el.get_text(strip=True),
        })
    return out

Rate limit: pipeline 의 Semaphore(10) + 0.2초 sleep 으로 보호.

---

9. Analyzer (ai_news/analyzer.py)

DEFAULT_MODEL = os.getenv("AI_NEWS_MODEL", "claude-haiku-4-5-20251001")

PROMPT_TEMPLATE = """다음은 종목 {name}({ticker})에 대한 최근 뉴스 {n}개의 헤드라인입니다.

{news_block}

이 뉴스들이 종목에 호재인지 악재인지 평가하세요.
score: -10(매우 강한 악재) ~ +10(매우 강한 호재) 사이의 실수. 0은 중립.
reason: 30자 이내 한 줄 근거.

JSON으로만 응답하세요:
{{"score": <float>, "reason": "<string>"}}"""

async def score_sentiment(llm, ticker, news, *, model=DEFAULT_MODEL, name=None):
    news_block = "\n".join(f"- {n['title']}" for n in news)
    prompt = PROMPT_TEMPLATE.format(
        name=name or ticker, ticker=ticker,
        n=len(news), news_block=news_block,
    )
    resp = await llm.messages.create(
        model=model, max_tokens=200,
        messages=[{"role": "user", "content": prompt}],
    )
    try:
        text = resp.content[0].text
        data = json.loads(text)
        return {
            "ticker": ticker,
            "score_raw": float(data["score"]),
            "reason": str(data["reason"])[:200],
            "news_count": len(news),
            "tokens_input":  resp.usage.input_tokens,
            "tokens_output": resp.usage.output_tokens,
        }
    except (json.JSONDecodeError, KeyError, ValueError) as e:
        log.warning("ai_news parse fail for %s: %s", ticker, e)
        return {
            "ticker": ticker, "score_raw": 0.0,
            "reason": f"parse fail: {e!s}",
            "news_count": len(news),
            "tokens_input":  resp.usage.input_tokens,
            "tokens_output": resp.usage.output_tokens,
        }

---

10. 텔레그램 메시지 (ai_news/telegram.py)

def build_telegram_payload(*, asof, top_pos, top_neg,
                           tokens_input, tokens_output, model):
    cost_won = int(tokens_input * 0.0013 + tokens_output * 0.0065)  # ₩ 환산
    lines = [
        f"🌅 *AI 뉴스 분석* ({asof} 08:00)",
        "",
        "📈 *호재 Top 5*",
    ]
    for i, r in enumerate(top_pos, 1):
        lines.append(
            f"{i}\\. {_escape(r['ticker'])} \\({r['score_raw']:+.1f}\\) — "
            f"{_escape(r['reason'])}"
        )
    lines += ["", "📉 *악재 Top 5*"]
    for i, r in enumerate(top_neg, 1):
        lines.append(
            f"{i}\\. {_escape(r['ticker'])} \\({r['score_raw']:+.1f}\\) — "
            f"{_escape(r['reason'])}"
        )
    lines += [
        "",
        f"_분석: 시총 상위 100종목 · 토큰 {tokens_input:,} in / {tokens_output:,} out · "
        f"약 ₩{cost_won:,}_",
    ]
    return "\n".join(lines)

agent-office 가 텔레그램 발송 책임: stock-lab /refresh-news-sentiment 응답을 받아 messaging.send_raw(text, parse_mode="MarkdownV2") 호출.

---

11. agent-office 통합

11.1 agents/stock.py

async def on_ai_news_schedule(self):
    """평일 08:00 KST cron."""
    try:
        result = await service_proxy.refresh_ai_news_sentiment()
    except httpx.HTTPError as e:
        await self.telegram.send_raw(f"⚠️ AI 뉴스 분석 실패: {e!s}")
        return
    
    if result.get("updated", 0) == 0:
        await self.telegram.send_raw("⚠️ AI 뉴스: 0종목 분석됨 (스크래핑/LLM 전체 실패)")
        return
    
    failure_rate = len(result.get("failures", [])) / 100
    if failure_rate > 0.3:
        await self.telegram.send_raw(
            f"⚠️ AI 뉴스 실패율 {failure_rate:.0%} — 어제 데이터 사용 가능성"
        )
    
    payload = build_telegram_payload(
        asof=result["asof"],
        top_pos=result["top_pos"], top_neg=result["top_neg"],
        tokens_input=result["tokens_input"],
        tokens_output=result["tokens_output"],
        model=DEFAULT_MODEL,
    )
    await self.telegram.send_raw(payload, parse_mode="MarkdownV2")

11.2 scheduler.py

scheduler.add_job(
    stock_agent.on_ai_news_schedule,
    "cron", day_of_week="mon-fri", hour=8, minute=0,
    id="stock_ai_news_sentiment",
    timezone="Asia/Seoul",
)

---

12. 에러 처리

상황	처리
네이버 뉴스 페이지 404/타임아웃	해당 종목 score_raw=0 + reason="no news", failures 별도 카운트
BeautifulSoup 파싱 실패 (HTML 구조 변경)	동일 처리 (failures 카운트)
LLM JSON 파싱 실패	score_raw=0 + reason="parse fail", tokens는 그래도 누적 (실제 호출됨)
anthropic API 5xx	자동 retry 1회 (SDK 기본), 실패 시 failures 카운트
전체 cron 실패 (네트워크 등)	agent-office 에러 텔레그램 + 16:30 잡은 어제 sentiment 데이터 사용 (date 비교로 자동)
실패율 > 30%	텔레그램 경고 알림. 단 부분 데이터는 그대로 DB 반영
16:30 시점 news_sentiment 비어 있음	AiNewsSentiment.compute() 가 빈 Series 반환 → 가중합에서 이 노드 자동 제외
LLM이 -10/+10 범위 벗어난 값 응답	clamp max(-10, min(10, score)) 적용

---

13. 동시성 & rate limit

• asyncio.Semaphore(10) — 동시 10종목 처리 (네이버 차단 회피)
• 종목 처리 사이 0.2초 sleep (semaphore 안에서)
• 100종목 ÷ 10 동시 × 평균 3초/종목 = ~30-60초 총 소요
• agent-office httpx timeout = 180초 (충분한 여유)
• stock-lab _conn() 의 WAL + busy_timeout=120s 로 16:30 잡과 동시 실행 시 lock 보호

---

14. 비용 모니터링

• 종목당 평균: input ~500 tokens, output ~50 tokens
• 일 비용: 50K input × $1/M + 5K output × $5/M = $0.075/일
• 월 비용: ~$1.6 (텔레그램 메시지 하단에 매일 ₩72 형태로 표시)
• news_sentiment.tokens_input/output 컬럼으로 누적 추적 가능
• 환산: 1 USD ≈ ₩1,300, input $0.0013/K, output $0.0065/K (장기 평균)

---

15. 프론트엔드 변경

캔버스 모드에 8번째 점수 노드 추가. 아래 한 파일만 수정:

// canvasLayout.js
export const NODE_IDS = {
  ...,
  AI_NEWS: 'score-ai-news',  // 신규
  ...,
};
export const NODE_KIND_MAP = { ..., [NODE_IDS.AI_NEWS]: 'score', ... };
export const SCORE_NODE_NAME_MAP = { ..., [NODE_IDS.AI_NEWS]: 'ai_news' };
export const SCORE_NODE_LABEL = {
  ...,
  [NODE_IDS.AI_NEWS]: { icon: '🤖', title: 'AI 뉴스' },
};
export const INITIAL_NODE_POSITIONS = {
  ...,
  // 기존 7개 score y: 0,90,180,270,360,450,540 → 8개 y: 0,90,...,630
  [NODE_IDS.AI_NEWS]: { x: 480, y: 630 },
};
const SCORE_KEYS = [..., 'AI_NEWS'];   // 한 줄 추가

폼 모드 NodePanel 은 백엔드 /api/stock/screener/nodes 응답 기반이라 백엔드 등록만으로 자동 반영.

테스트 갱신:

• canvasLayout.test.js: 8 score 노드, 18 엣지 (1+8+8+1), Object.keys(SCORE_NODE_NAME_MAP) === 8

---

16. 테스트 전략

16.1 backend 단위 테스트

파일	검증
test_ai_news_scraper.py	네이버 HTML mock 파싱 (3종목 fixture, 빈 HTML, 404 응답)
test_ai_news_analyzer.py	anthropic mock — success / JSON 파싱 실패 / score 범위 클램프
test_ai_news_pipeline.py	5종목 mini integration (scraper/analyzer monkeypatch) — top_pos/top_neg 정렬 검증, failures 격리 검증
test_ai_news_node.py	AiNewsSentiment.compute() — percentile_rank 결과, min_news_count 필터, 빈 컨텍스트
test_screener_schema.py	news_sentiment DDL 생성 확인 (기존 테스트 보강)
test_screener_router.py	POST /snapshot/refresh-news-sentiment 라우팅 검증 (mock pipeline)

16.2 frontend 회귀 테스트

파일	검증
canvasLayout.test.js (수정)	SCORE_NODE_NAME_MAP 8 entries, EDGES 18, AI_NEWS가 gate→score→combine 경로 가짐

16.3 수동 검증 체크리스트

배포 전 NAS에서:

• 08:00 cron 트리거 (수동 agent-office.on_ai_news_schedule())
• news_sentiment 테이블에 100종목 행 생성 확인
• 텔레그램 메시지 호재/악재 Top 5 + 비용 라인 정상 표시
• 16:30 스크리너 잡이 ai_news 점수 가중합에 반영 (스크리너 결과의 scores.ai_news 컬럼 확인)
• 캔버스 모드에 🤖 AI 뉴스 노드 표시, 활성/비활성 토글 동작
• LLM 실패 시뮬레이션 (ANTHROPIC_API_KEY 잘못 설정 후 cron) → fail-soft 동작

---

17. 배포

• 백엔드: stock-lab + agent-office 동시 변경 → git push → Gitea webhook → 자동 deployer rsync + docker compose build
• DB 마이그레이션: ensure_screener_schema(conn) 의 CREATE TABLE IF NOT EXISTS 로 자동 (기존 패턴)
• 환경변수: stock-lab docker-compose.yml 에 AI_NEWS_MODEL (옵션) 추가 가능. 기본값 claude-haiku-4-5-20251001
• 프론트: web-ui에서 npm run release:nas (캔버스 노드 1개 추가는 작은 변경)

---

18. 후속 슬라이스 후보 (이번 슬라이스 NOT)

본 슬라이스 완료 후 자연스럽게 이어질 작업:

1. URL 단위 캐싱 — 뉴스 분석 비용 ~70% 절감
2. 장중 16:00 추가 sentiment cron — 16:30 스크리너에 더 신선한 데이터 공급
3. 종목별 sentiment 트렌드 차트 — 데이터 1-2주 누적 후 시각화
4. 시총 200~500 확장 — 중소형주 sentiment 커버리지
5. 백테스트 — sentiment 점수가 실수익에 미친 영향 회귀
6. 다국어/거시 뉴스 통합 — 글로벌 시장 영향 변수 추가
7. 알림 토글 — 운영 중 텔레그램 알림 일시 정지 옵션
8. 종목별 sentiment 페이지 — 상세 뉴스 + 점수 + LLM 근거 가시화

---

19. 리스크와 완화

리스크	완화
네이버 finance HTML 구조 변경	단위 테스트로 빠른 감지. fail-soft (해당 종목 skip). 운영 알림 (실패율 > 30%)
LLM 응답이 JSON 깨짐	종목당 1콜 + JSON-mode prompt + 파싱 실패 시 단일 종목만 skip. lotto curator에서 검증된 패턴
네이버 차단 (429)	Semaphore(10) + 0.2초 sleep + httpx User-Agent. 향후 429 응답 시 exponential backoff 추가
anthropic API 비용 폭증	일 1회 100종목 = $0.075 상한. 토큰 모니터링 컬럼 + 텔레그램 표시로 즉시 감지
08:00 cron이 16:30 잡과 lock 충돌	_conn() WAL + busy_timeout=120s 로 흡수. 두 cron 시간 8.5시간 차이로 실질 충돌 없음
16:30 시점 news_sentiment 비어 있음 (cron 실패)	AiNewsSentiment.compute() 가 빈 Series → 가중합에서 자동 제외. 다른 7노드 점수만 사용

---

20. 완료 조건 (Definition of Done)

• 평일 08:00 KST agent-office cron 등록, 수동 트리거로 실행 검증
• news_sentiment 테이블에 100종목 데이터 일별 생성
• 텔레그램에 호재/악재 Top 5 + 비용 라인 표시
• 16:30 스크리너 잡에서 ai_news 점수가 가중합에 반영 (scores.ai_news 노출)
• 캔버스 모드에 8번째 노드 🤖 AI 뉴스 표시, 가중치/활성/파라미터 편집 동작
• 폼 모드 NodePanel에 AI 뉴스 자동 노출 (백엔드 메타 기반)
• 16.1 단위 테스트 모두 통과
• 16.3 수동 검증 체크리스트 모두 통과
• LLM 실패 시 fail-soft 동작 (전체 잡은 성공으로 끝나고, 실패 종목만 누락)