Slayer 02/15 - 기능 설계 및 일정 산정

[jy0jy0]

항목	내용
일시	2026.02.15 (토) 21:20 ~ 22:50
참석자	@shinhyunji36 @yesinkim @jy0jy0

1. 기술 인프라 구축 현황 (예신)

구현 완료 사항

• Google Cloud + 수퍼베이스 연동
  • Google OAuth 2.0 클라이언트 ID 생성 완료
  • 수퍼베이스 데이터베이스 연결 및 토큰 저장 구조 구축
  • 웹 브랜치에서 로컬 개발 환경 세팅 완료

개발 환경

# 실행 방법
cd web/
npm install
npm run dev

주요 발견사항

• 수퍼베이스의 벡터 DB 지원: PostgreSQL 기반으로 일반 데이터와 벡터 데이터 동시 저장 가능
• 사용자 인증 시스템: Google 로그인으로 개인화된 서비스 제공 기반 마련

Action Items

• 팀원 Google 계정을 테스트 사용자로 등록
• 수퍼베이스 사용법 문서화 및 공유

2. JD 파싱 시스템 설계 (현지)

전체 파이프라인 설계

입력 (URL/텍스트/이미지) → 스크래핑/크롤링 → 마크다운 추출 → LLM 구조화 → JSON 저장 → 임베딩 생성 → 벡터 DB 저장

데이터 구조 정의

필드명	설명	활용 목적
company_name	회사명	기본 정보
position	직무명/포지션	기본 정보
required_skills	핵심 직무 스킬	이력서와 1:1 매칭, 점수 산출
preferred_skills	우대 사항	가중치 부여용
job_description	담당 업무 (원본)	임베딩 기반 유사도 분석
requirements	자격 요건 (원본)	전체 텍스트 저장
hiring_process	채용 프로세스	지원 상황 트래킹용
deadline	마감일	대시보드 표시, 알림용
location	근무지 정보	필터링/정보성

기술 스택 선택

웹 크롤링

• 1순위: Crawl4AI (오픈소스, 로컬 실행, 무료)
• 2순위: FireCrawl (오픈소스, API 기반)
• 텍스트 JD: 직접 파싱 가능
• 이미지 JD: VLM(Vision Language Model) 활용 예정

LLM 파싱

• 구조화 도구: Pydantic + 랭체인의 WithStructuredOutput
• 할루시네이션 방지: 정의된 JSON 스키마 강제 적용
• 비용 최적화: 로컬 sLLM 우선 → 필요시 상용 API

매칭 시스템

1. 스킬셋 매칭: 1대1 매칭으로 기본 점수 산출
2. 의미적 유사도:
   • JD 직무 설명 ↔ 이력서 경험 블록
   • 임베딩 모델 활용 → 코사인 유사도 계산
   • 최종 매칭 점수 = 스킬 매칭 + 의미적 유사도

현재 진행 상황

• 텍스트 JD 파싱: Crawl4AI로 테스트 완료 ✅
• 이미지 JD 처리: VLM 테스트 예정 (다음 주)
• 데이터 정규화: 기술 스택명 통일 (PyTorch/파이토치, 대소문자 등)

3. 기술적 핵심 논의사항

임베딩 및 벡터 DB 전략

현지의 제안

• 목적: JD 다량 수집 → 이력서와 자동 매칭 → 우선순위 점수 제공
• 장점: 관심 없던 공고에서도 숨은 기회 발견 가능
• 구현: 로컬 GPU 활용한 임베딩 생성 + PostgreSQL pgvector 확장

팀 논의 결과

• RAG 시스템: JD 검색 및 유사도 분석에 활용
• 비용 효율성: 상용 LLM 대비 크게 절약 가능
• 기술 경험: 벡터 DB, 임베딩, 유사도 계산 등 최신 기술 스택 경험

데이터베이스 설계 방향

옵션 비교

방식	장점	단점	결정
로컬 파일	간단, 빠른 프로토타이핑	확장성 부족, 동시성 문제	❌
PostgreSQL + pgvector	강력한 벡터 검색, 표준 SQL	설치/관리 복잡도	🔺
수퍼베이스	클라우드 관리, 벡터 지원, 기존 연동	제약 사항 존재할 수 있음	✅

API 비용 관리 전략

현재 상황

• 걱정: 상용 API 사용 시 비용 폭증 우려 (현지)
• 실제 경험: 텍스트 기반 작업은 월 1만원 이하 (지호, 예신)

해결 방안

1. 공용 계정: Google 개발 계정 + OpenAI 계정 생성
2. 비용 분담: 각자 5천원~1만원씩 충전
3. 하이브리드: 로컬 모델 우선 + 필요시 상용 API
4. 무료 티어: Gemini Flash 등 저비용 모델 활용

4. 이력서 관리 시스템 설계

입력 방식 논의

옵션 1: 완성된 이력서 업로드 (채택)

• 입력: 기존 PDF/워드 이력서
• 처리: 파싱 → 구조화 → JD 맞춤 수정 제안
• 장점: 현실적, 즉시 활용 가능

옵션 2: 원시 데이터 입력

• 입력: 노션, 상세 프로젝트 문서 등
• 처리: LLM이 이력서 형태로 가공
• 장점: 더 풍부한 정보 활용 가능
• 단점: 복잡도 증가

핵심 기능

1. 이력서 파싱: 프로젝트, 경험, 스킬 등 구조화
2. JD 맞춤 수정:
   • 관련 경험 우선순위 재배치
   • 무관한 내용 제거 제안
   • 키워드 최적화
3. 버전 관리: 어떤 JD에 어떤 버전 제출했는지 추적
4. 출력 형식: 원본과 동일한 포맷으로 재생성

해결 과제

• 포맷 유지: 파싱 후 원본 레이아웃으로 재생성
• 내용 우선순위: 관련성에 따른 섹션 재배치
• 자기소개서: JD별 맞춤 수정

5. 프로젝트 일정 및 로드맵

개발 전략 변경

기존 계획: 통합 개발

• 처음부터 하나의 웹 애플리케이션으로 개발

신규 계획: 모듈별 개발 → 통합

2월 3주 ~ 3월 2주: 각자 기능별 로컬 개발
3월 2주 ~ 3월 4주: 기능 통합 + UI 개발  
3월 4주 ~ 4월 1주: 배포 및 테스트

주차별 상세 일정

2월 3주차 (2/16 ~ 2/22)

담당자	주요 작업	세부 내용
현지	JD 파싱 1차 개발	• Crawl4AI 테스트 완료 • VLM 이미지 파싱 검증 • JSON 구조화 파이프라인 구축
예신	인프라 문서화	• 수퍼베이스 사용법 정리 • 팀원 개발환경 구축 지원
지호	이력서 시스템 설계	• 파싱 전략 수립 • 출력 포맷 연구

2월 4주차 (2/23 ~ 3/1)

• 각자 1차 개발 결과 공유
• 기능간 연동 인터페이스 설계
• DB 스키마 최종 확정

3월 1~2주차 (3/2 ~ 3/15)

• 개별 기능 완성도 높이기
• 모듈간 데이터 교환 테스트

3월 3~4주차 (3/16 ~ 3/29) 🎯 통합 집중 기간

• 웹 애플리케이션 UI 개발
• 백엔드 API 통합
• 전체 플로우 테스트

배포 전략

• 초기: 로컬 개발 우선 (충돌 방지, 빠른 프로토타이핑)
• 중기: 개발 서버 구축 (통합 테스트용)
• 최종: 프로덕션 배포 (수퍼베이스 + Vercel/Netlify)

6. 개발 협업 체계

Git 브랜치 전략

main
├── ft/jd-parsing (현지 - JD 파싱)
├── ft/resume-management (지호 - 이력서 관리)  
├── ft/web-integration (예신 + 지호 - 웹 통합)
└── ft/company-research (지호 - 회사 리서치)

커뮤니케이션 규칙

• 브랜치 생성 시: 카톡으로 알림 (기능명 + 간단 설명)
• 주간 미팅: 일요일 저녁, 진행상황 공유 중심
• 긴급 논의: 디스코드 수시 활용
• 문서 공유: 사전 공유로 미팅 시간 단축

미팅 운영 개선

기존 문제점

• 1.5시간 이상 장시간 미팅
• 세부 기술 논의로 시간 소요

개선 방향

• 주간 미팅: 30-45분, 진행상황 + 블로커 중심
• 세부 논의: 평일 15-20분 단위로 분산
• 사전 준비: 공유 자료 미리 검토

7. 기술적 도전과제 및 해결방안

이미지 기반 JD 처리

• 문제: 많은 채용공고가 이미지 형태로 게시
• 해결: VLM (Vision Language Model) 활용
• 후보: GPT-4V, Gemini Pro Vision, 로컬 모델

이력서 포맷 유지

• 문제: 파싱 후 원본 레이아웃 재생성
• 해결 방안:
  1. 템플릿 기반 재생성
  2. 구조 정보 보존하여 역변환
  3. 사용자 포맷 선호도 학습

매칭 정확도

• 도전: 단순 키워드 매칭의 한계
• 해결:
  • 임베딩 기반 의미적 유사도
  • 스킬 정규화 (동의어, 약어 처리)
  • 가중치 조정 가능한 점수 시스템

8. 차별화 포인트

기존 서비스 대비 장점

1. End-to-End 자동화: 공고 발견 → 매칭 → 이력서 수정 → 지원 관리
2. 개인화: 개별 이력서 기반 맞춤형 추천
3. 버전 관리: 어떤 회사에 어떤 버전을 제출했는지 추적
4. 학습 효과: 지원 결과를 통한 매칭 알고리즘 개선

기술적 차별점

• 하이브리드 AI: 로컬 모델 + 상용 API 최적 조합
• 실시간 데이터: 최신 공고 정보 자동 수집
• 통합 플랫폼: 분산된 도구들을 하나로 통합

9. Action Items

즉시 처리 (이번 주)

• 현지: VLM 이미지 파싱 테스트 완료
• 예신: 팀원들 구글 테스트 계정 등록
• 지호: 이력서 파싱 라이브러리 조사

다음 주까지 (2/22)

• 현지: JD 파싱 파이프라인 1차 구현 + 데모
• 예신: 수퍼베이스 사용법 문서 + 개발환경 가이드
• 지호: 이력서 처리 시스템 설계 문서

향후 계획

• 공용 개발 계정 (Google, OpenAI) 생성 및 비용 분담
• DB 스키마 상세 설계 및 팀 리뷰
• API 인터페이스 명세서 작성

10. 다음 미팅

항목	내용
일시	2026.02.22 (일) 21:00
주요 안건	• 각자 1주차 개발 결과 데모 • 기술적 이슈 및 해결방안 공유 • 다음 주 목표 설정
사전 준비사항	• 개발 진행상황 정리 • 막힌 부분이나 도움 필요한 사항 • 다음 주 계획

---

"3월 말까지 완성형 MVP 출시" 🚀