기계가 공정하게 읽을 수 있는 이력서를 만들었습니다 — 구축 방법과 직접 만드는 법

어떤 사람보다 먼저 모델이 제 작업물을 읽고, 저는 고정된 PDF 파일로부터 모델이 도출한 결론에 대해 아무런 영향력을 행사할 수 없었습니다. 기계가 먼저 읽는다는 사실은 바꿀 수 없었습니다. 하지만 기계 앞에 무엇을 놓을지는 바꿀 수 있었습니다. 그래서 저는 그렇게 했고, 그 구축 과정을 소개합니다.

구조 (The shape of it)

• 작은 백엔드(backend)가 프로필을 API로 노출합니다 — GET /info, POST /query (근거 있는 답변 + 출처), POST /match (적합도 점수), POST /resume (맞춤형). 또한 에이전트(agent)와도 통신합니다: MCP 엔드포인트(endpoint)와 기계 호출자를 위한 A2A 에이전트 카드(agent-card)를 제공합니다.
• 웹 프론트엔드(React + 작은 Hono 서버)는 사람에게는 대화 형식으로 렌더링하고, 기계에게는 JSON-LD + llms.txt + 크롤링 가능한 <noscript>로 렌더링합니다. 따라서 JavaScript를 사용하지 않는 fetch(fetch) 요청 시에도 빈 껍데기가 아닌 내용을 제공합니다.
• 저를 하드코딩(hardcode)한 부분은 없습니다. 신원(Identity)은 /info에서 가져옵니다. 프론트엔드를 포크(fork)하고 두 개의 환경 변수(env vars)를 귀하의 백엔드로 지정하면 바로 귀하의 것이 됩니다. 두 저장소(repo) 모두 MIT 라이선스입니다.

왜 이런 수고를 했는가

저는 인상적이지만 정적인 상태로 있기보다

• resume-agent — 지원자 측 백엔드(backend), API로서의 프로필(profile-as-API). 데모를 위한 라이브 인스턴스 링크: https://github.com/yuens1002/resume-agent
• resume-agent-web — 포크(fork) 가능한 웹 프론트엔드(web front): https://github.com/yuens1002/resume-agent-web
• open-employment-protocol — 양측 사이에 위치하는 조정자(reconciler): https://github.com/yuens1002/open-employment-protocol
• employer-agent — 고용주 측, 구축을 위한 호출(call to build)로 스캐폴딩(scaffolded)됨: https://github.com/yuens1002/employer-agent

많은 AI의 도움을 받아 구축되었으며, 의도적으로 이름을 붙이지 않았습니다. 이는 단 하나의 도구가 아니라, 제 앞에 있었던 모든 것들이 복합적으로 작용한 결과물이었기 때문입니다. 이것이 바로 제가 구축하고 있는 종류의 AI입니다. 즉, 당신이 확장하고 앞으로 전달할 수 있는 무언가 말입니다.