취업 검색을 공략하기 위해 구축한 로컬 AI 기반 ATS 및 이력서 생성기

서론 (Introduction)

기술 직군에 지원하는 것은 숫자의 게임이지만, 일반적인 이력서를 보내는 것은 확실한 거절을 의미합니다. 모든 지원에는 맞춤형 이력서가 필요하지만, 모든 직무 기술서 (Job Description (JD))에 맞춰 불렛 포인트를 수동으로 다시 작성하는 것은 매우 지치는 일입니다.

Cloud 및 DevOps 엔지니어로서, 저는 문제를 자동화하는 것을 선호합니다. 그래서 저는 완전히 로컬에서 작동하며 비용이 전혀 들지 않는, AI 기반의 지원자 추적 시스템 (Applicant Tracking System (ATS)) 및 이력서 맞춤화 도구를 구축했습니다. 이 시스템은 저의 마스터 프로필을 입력받고, 목표 JD를 읽은 뒤, 로컬 LLM을 사용하여 제 경력을 다시 작성하고, 완벽하게 포맷팅된 ATS 친화적인 PDF를 출력합니다.

이것을 어떻게 구축했는지, 아키텍처는 어떠한지, 그리고 어떻게 로컬에서 실행할 수 있는지 그 내부 구조를 살펴보겠습니다.

기술 스택 (The Tech Stack)
저는 견고하고, 결합도가 낮으며(decoupled), 향후 AWS로의 배포를 고려한 클라우드 준비가 된 아키텍처를 원했습니다.

• 프론트엔드 (Frontend): 매우 빠르고 역동적인 UI를 위한 React (Vite).
• 백엔드 (Backend): 비동기 라우팅과 높은 성능을 위한 FastAPI (Python).
• 데이터베이스 (Database): 비정형 문서 저장을 위한 MongoDB (Docker를 통해 컨테이너화).
• AI 엔진 (AI Engine): 데이터 프라이버시와 API 비용 제로를 위해 완전히 로컬에서 실행되는 Ollama (Llama 3)를 오케스트레이션하는 LangChain.
• PDF 렌더링 (PDF Rendering): WeasyPrint 및 Jinja2 템플릿.

핵심 기능 (Core Features)

1. 동적 마스터 프로필 빌더 (Dynamic Master Profile Builder): 정적인 텍스트 파일에 의존하는 대신, LinkedIn 스타일의 대시보드를 구축했습니다. 이를 통해 전문적인 경력, 기술 프로젝트 및 자격증을 동적으로 추가, 편집 및 정리할 수 있습니다. 이는 AI를 위한 "진실의 원천 (source of truth)" 데이터베이스 역할을 합니다.

1. AI 이력서 맞춤화 및 렌더링 (AI Resume Tailoring & Rendering) 생성기에 타겟 직무 기술서 (Job Description)를 붙여넣기만 하면 됩니다. FastAPI 백엔드가 이를 로컬 Llama 3 모델로 스트리밍하면, 모델은 고용주가 찾고 있는 정확한 키워드를 강조할 수 있도록 사용자의 마스터 프로필을 지능적으로 필터링하고 재작성합니다. 그런 다음 이를 엄격한 Harvard 스타일의 HTML 템플text로 컴파일하고 다운로드 가능한 PDF로 렌더링하며, 이는 자동화된 ATS 파서 (ATS parsers)를 통과하도록 보장됩니다.

1. 칸반 지원 추적기 (Kanban Application Tracker) 이력서가 생성되면, 앱이 자동으로 지원 현황을 추적합니다. 저는 구직 활동의 CI/CD 파이프라인 (CI/CD pipeline)을 시각화하기 위해 '준비 중 (Preparing)'부터 '지원 완료 (Applied)', '면접 중 (Interviewing)', '합격 (Offered)'까지 드래그 앤 드롭이 가능한 칸반 보드를 구축했습니다.

로컬에서 실행하는 방법
여러분의 구직 활동에 사용할 수 있도록 이 프로젝트를 오픈 소스로 공개했습니다. Docker와 Ollama가 설치되어 있어야 합니다.

1. 데이터베이스 클론 및 시작:

Bash
git clone https://github.com/zubair-gulbarge/job-hunter-ai.git
cd job-hunter-ai
...

1. 백엔드 시작:

Bash
cd backend
python3 -m venv venv
...

1. 프론트엔드 시작:

Bash
cd frontend
npm install
...

다음 단계는?
이 프로젝트를 구축하는 것은 AI를 풀스택 개발 (full-stack development) 및 컨테이너화 (containerization)와 결합하는 거대한 학습 경험이었습니다. 다음으로는 Terraform을 통해 AWS 인프라를 구현할 계획입니다.

커뮤니티의 피드백을 정말 환영합니다! 저장소(repo)를 클론(clone)하여 본인만의 이력서를 맞춤 제작해 보시고, 다음에 어떤 기능을 추가하면 좋을지 알려주세요. 문제가 발생하면 아래에 댓글을 남기거나 풀 리퀘스트(PR)를 보내주시기 바랍니다.
https://github.com/zubair-gulbarge/job-hunter-ai.git