📌 README (KOR) - 클릭하여 보기
📢 바쁘다 바빠 취준생을 위한 AI Agent!
고학년이 되면서 취업 준비에 뛰어든 친구들이 많아졌는데요. 이에 따라 취업 준비에 실질적인 도움이 되는 서비스를 고민하게 되었습니다.
친구들에게 LLM을 활용한 취업 준비의 불편함을 조사한 결과, 다음과 같은 페인 포인트를 발견하였습니다.
- 원하는 결과를 얻기 위해 직접 훈련시키는 과정이 번거로움
- 프롬프트 작성 방법을 모름
- 트렌드 반영 여부에 대한 의문
- 개인화된 답변 부족
이러한 문제를 해결하기 위해 다음과 같은 기능을 갖춘 서비스를 기획하였습니다.
- 직무를 입력하면 해당 직무의 채용 공고 생성
- 채용 공고를 바탕으로 필요한 역량 추출
- 해당 역량을 어필할 수 있도록 자소서 글감 구성
- 활동 기반 면접과 지식 기반 면접을 모두 준비할 수 있도록 예상 질문 생성
이 프로세스를 자동화하여, 사용자가 번거로운 과정 없이 실질적인 도움을 받을 수 있도록 설계하였습니다.
LLM을 활용하기 위해 효과적인 프롬프트를 설계하는 과정이 중요합니다.
이에 따라 Zero-shot, One-shot, Few-shot 프롬프팅 기법을 실험하고 최적의 프롬프트를 선정하였습니다.
RAG를 활용하여 LLM이 실제 채용 공고 데이터를 기반으로 보다 정확한 응답을 생성하도록 설계하였습니다.
RAG의 핵심 단계는 다음과 같습니다.
1️⃣ Retrieval: 사용자의 입력을 바탕으로 관련 정보를 검색
2️⃣ Augmentation: 검색된 문서를 필터링하여 가장 관련성이 높은 데이터 제공
3️⃣ Generation: LLM이 최적화된 결과를 생성
이를 통해 신뢰성 있는 정보를 기반으로 한 답변을 생성할 수 있도록 구현하였습니다.
Query Expansion 기법을 활용하여 검색 성능을 개선하였습니다.
직무와 회사명을 입력하면 가상의 채용 공고를 생성한 후, 이 공고 텍스트를 활용해 유사 공고를 검색하는 방식으로 진행됩니다.
이를 통해 검색의 정확성과 확장성을 높였습니다.
- OpenAI API: gpt-4o-mini 모델을 사용하여 프롬프트 기반의 답변을 생성
- 딥서치 뉴스 API: 최신 트렌드를 반영한 면접 질문을 생성하기 위해 국내 뉴스 기사 수집
- 채용 공고 DB: 네이버, 토스, 카카오 등의 채용 페이지를 크롤링하여 421건의 채용 공고 데이터를 확보
- 자기소개서 DB: 다양한 자기소개서 데이터를 수집하여 5개 카테고리로 분류
- [동기/포부], [성장/가치관], [역량/경험], [협업/성과], [기업/아이디어]
- 채용 공고가 기존 DB에 존재하지 않는 경우, gpt-4o-mini 모델을 활용하여 가상의 채용 공고 생성
- 이때 가상의 채용 공고를 생성하는 이유는 사용자가 입력한 직무 + 회사명만으로는 RAG를 위한 유의미한 검색이 불가능하기 때문
- 기존 DB의 공고와 코사인 유사도 계산을 통해 관련성이 높은 공고 선별
- 생성된 공고와 유사 공고 데이터를 기반으로 기술적 역량과 비기술적 역량 도출
- 사용자의 활동과 직무 필요 역량을 기반으로 자기소개서 글감 생성
- RAG 방식을 활용하여 데이터 기반의 맞춤형 내용 제공
- 사용자의 자기소개서 글감을 기반으로 예상 질문 생성
- 뉴스 트렌드 질문: 최신 뉴스 수집 후 관련 면접 질문 생성
- 단순 기술 질문: 직무 관련 기초 지식을 평가하는 질문 생성
사용자의 직무와 회사 정보를 입력하면, 다음과 같은 출력이 제공됩니다.
✅ 채용 공고 생성: 직무와 회사명을 기반으로 맞춤형 공고 생성
✅ 필요 역량 도출: 직무 수행에 필요한 기술적/비기술적 역량 정리
✅ 자기소개서 글감 구성: 사용자의 활동 이력을 바탕으로 맞춤형 글감 및 개요 제공
✅ 면접 질문 생성: 활동 기반 및 지식 기반 면접 질문 제공
이 서비스는 기존의 LLM 활용 방식에서 벗어나,
자동화된 AI Agent의 개념을 적용하여 사용자 친화적인 경험을 제공합니다.
- RAG 기반 검색, Query Expansion, 프롬프트 엔지니어링 등의 기법을 활용
- 신뢰성 있는 데이터를 바탕으로 개인화된 정보 제공
- 빠르고 비용 효율적인 방식으로 운영되어 사용자 편의성 극대화
1️⃣ 데이터 품질 의존성
- 입력된 데이터가 부정확할 경우, 생성된 결과물의 품질이 저하될 가능성이 있음
2️⃣ 최신 트렌드 반영의 어려움
- 실시간 데이터 업데이트가 제한적일 경우 최신성이 유지되지 않을 수 있음
3️⃣ 사용자 피드백 기반 개선 필요
- 자기소개서 품질 및 면접 질문의 유효성을 지속적으로 평가하고 개선해야 함
이 서비스는 취업 준비 과정에서 발생하는 불편함을 최소화하고,
보다 효율적이고 정확한 정보를 제공함으로써 취준생들에게 실질적인 도움을 주는 것을 목표로 합니다. 🚀
📌 README (ENG) - Click to View
📢 An AI Agent for Busy Job Seekers!
As students reach their senior years, many start preparing for employment.
We wanted to develop a service that provides practical assistance in job preparation.
Through research on the difficulties of using LLMs for job preparation, we identified the following pain points:
- The process of training the model to get desired results is cumbersome
- Users lack knowledge on how to craft effective prompts
- Uncertainty about whether responses reflect industry trends
- Lack of personalized answers
To address these issues, we designed a service with the following features:
- Generate job postings based on user-input job roles
- Extract required competencies from job postings
- Compose resume (CV) content to highlight key competencies
- Generate expected interview questions for both behavioral and technical interviews
This process is fully automated to minimize complexity and maximize practical support for job seekers.
To effectively use LLMs, designing optimal prompts is crucial.
We experimented with Zero-shot, One-shot, and Few-shot prompting techniques to determine the best approach.
We implemented RAG to allow the LLM to generate responses based on real job postings for higher accuracy.
RAG consists of three key steps:
1️⃣ Retrieval: Search for relevant information based on user input
2️⃣ Augmentation: Filter and provide the most relevant data
3️⃣ Generation: Produce optimized results with the LLM
This ensures that the system delivers reliable, data-driven responses.
We applied Query Expansion techniques to improve search performance.
When users enter a job role and company name, the system creates a synthetic job posting,
which is then used to search for similar real postings.
This enhances both search accuracy and scalability.
- OpenAI API: Used gpt-4o-mini to generate responses based on prompts
- DeepSearch News API: Collected domestic news articles to generate interview questions reflecting industry trends
- Job Posting Database: Crawled 421 job postings from Naver, Toss, Kakao, and other hiring platforms
- Resume (CV) Database: Collected various personal statements categorized into:
- [Motivation/Goals], [Growth/Values], [Skills/Experience], [Collaboration/Performance], [Company/Ideas]
- If no matching job posting exists in the database, gpt-4o-mini generates a synthetic job posting
- This is necessary because a job title + company name alone are insufficient for meaningful RAG-based searches
- Cosine similarity calculations are used to identify and rank the most relevant job postings
- Extracting technical and non-technical competencies from both real and synthetic job postings
- Generating personalized resume content based on user experience and required competencies
- Using RAG techniques to deliver tailored, data-driven content
- Generating expected questions based on resume content
- Industry Trend Questions: Generated by analyzing the latest news
- Basic Technical Questions: Evaluating foundational knowledge relevant to the job
When users enter their desired job role and company, the system provides:
✅ Job Posting Generation: Creates a customized job posting based on input
✅ Required Skills Extraction: Identifies key technical and non-technical competencies
✅ Resume Content Generation: Generates structured writing prompts based on user experience
✅ Interview Question Generation: Provides both behavioral and knowledge-based interview questions
This service moves beyond traditional LLM applications by integrating
automated AI Agent concepts to provide a user-friendly experience.
- Implements RAG-based search, Query Expansion, and Prompt Engineering
- Delivers personalized information based on reliable data sources
- Ensures fast and cost-effective operations for maximum user convenience
1️⃣ Dependence on Data Quality
- If input data is inaccurate, the quality of generated results may be affected
2️⃣ Challenges in Reflecting Real-Time Trends
- If real-time data updates are limited, maintaining up-to-date content may be difficult
3️⃣ Need for Continuous User Feedback & Improvement
- Ongoing evaluation and refinement of resume quality and interview question relevance
This service minimizes pain points in job preparation,
delivering efficient and precise information to provide practical assistance for job seekers. 🚀