목표 기업의 면접 방식을 조사하고 이를 시뮬레이션하는 AI를 만들었습니다

canonical_url: https://velog.io/@sweety_jh223/InterviewLense
🔗 Live: https://interview-lense.vercel.app
📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

문제점 (The Problem)

대부분의 면접 준비 도구들은 당신이 어디에 지원하든 상관없이 똑같이 일반적인 질문들을 던집니다. "자기소개를 해주세요." "당신의 가장 큰 약점은 무엇인가요?" 같은 질문들 말이죠.

당신이 Google에 면접을 보러 가든, 10명 규모의 스타트업에 가든 상관없이 똑같은 질문 목록을 받게 됩니다. 대부분의 시뮬레이터는 "일률적(one-size-fits-all)"입니다. 당신의 고유한 경력 이력을 무시하며, 일류 기술 기업의 중요한 면접을 실제로 통과하는 데 필요한 실전 피드백을 제공하지 못합니다.

하지만 기업마다 면접 방식은 서로 다릅니다:

• Google은 완벽한 정답보다 추론 과정 (reasoning processes)을 원합니다.
• Amazon은 모든 것을 16가지 리더십 원칙 (Leadership Principles)에 따라 평가합니다.
• Kakao/Naver는 한국 시장 규모에 특화된 제품 사고 (product thinking)를 기대합니다.
• Toss는 실행 속도 (speed of execution)에 집중합니다.

저는 실제로 이 차이를 아는 도구를 원했습니다. 그래서 InterviewLens를 만들었습니다.

해결책 (The Solution)

해결책 (The Solution)

InterviewLens는 다음과 같은 기능을 갖춘 AI 기반 시뮬레이션 엔진입니다:

1. 어떠한 기업명과 직무라도 입력받습니다.
2. 해당 기업의 채용 문화 (Hiring Culture)를 실시간으로 조사합니다.
3. 새로운 기능 — 이력서 정렬 (Resume Alignment): PDF를 업로드하거나 이력서를 붙여넣으면, AI가 귀하의 경험과 기업 요구사항 사이의 구체적인 격차 (Gaps)를 식별합니다.
4. 해당 기업의 실제 스타일로 면접을 시뮬레이션합니다.
5. 기업의 특정 기준에 따라 귀하의 답변을 평가합니다.
6. 세션 전반에 걸친 귀하의 성장 과정을 장기적인 **"메모리 (Memory)"**로 유지합니다.

3-에이전트 AI 아키텍처 (The 3-Agent AI Architecture)

InterviewLens의 핵심은 Google Gemini를 사용하여 구축된 3-에이전트 오케스트레이션 파이프라인 (Orchestration Pipeline)입니다.

에이전트 A — 리서처 (The Researcher)

에이전트 A는 채용 중점 사항, 면접 단계 구조, 그리고 문화적 가치를 스캔합니다.

"컨텍스트 엔진 (Context Engine)": 단순히 기업을 조사하는 것에 그치지 않습니다. 귀하의 이력서/PDF 데이터를 수용하여 귀하의 배경과 기업 요구사항 사이의 격차 분석 (Gap Analysis)을 수행함으로써, 조사 단계부터 개인화된 결과를 제공합니다.

에이전트 B — 면접관 (The Interviewer)

에이전트 B는 에이전트 A로부터 얻은 정보를 전달받아 해당 기업의 실제 면접관이 됩니다.

맥락적 상호작용 (Contextual Interaction): 귀하의 이력서 컨텍스트를 전달받기 때문에, 에이전트 B는 일반적인 질문을 던지지 않습니다. 대신 다음과 같이 질문합니다: "이력서에 기재된 [X] 프로젝트를 수행하셨는데, [기업명]이 처리하는 트래픽 규모에 맞춰 이를 어떻게 확장(Scale)하시겠습니까?"

에이전트 C — 평가자 (The Evaluator)

면접이 끝나면 에이전트 C가 "채용 위원회 (Hiring Committee)" 역할을 수행합니다.

엄격한 점수 산정 (Strict Scoring): 일반적인 "템플릿"식 답변에는 감점을 부여하고, 자신의 구체적인 배경을 효과적으로 활용하는 지원자에게는 가산점을 부여합니다.

기술적 과제 및 해결책 (Technical Challenges & My Solutions)

1. 성능 병목 현상 (The performance bottleneck)

초기에는 AI를 통해 기업을 조사하는 데 10초 이상이 걸렸고, 종종 "요청 시간 초과(Request Timed Out)" 오류가 발생했습니다.

저의 해결책: Firebase Firestore를 사용하여 Redis와 유사한 캐싱 계층을 구현했습니다. 한 번 회사/직무에 대한 조사를 마치면 이후 검색은 거의 즉각적으로 이루어져, 지연 시간(latency)과 할당량 고갈(quota exhaustion) 문제를 효과적으로 모두 해결했습니다.

2. 비정형 PDF 데이터 처리 (Handling unstructured PDF data)

사용자들은 이력서 맞춤 질문을 필요로 하지만, PDF를 파싱하는 것은 복잡합니다.

저의 해결책: Gemini 1.5 Flash의 멀티모달(multi-modal) 기능을 활용하여 PDF 이력서를 직접 파싱하고, 구조화된 데이터를 추출했습니다. 이 데이터는 면접 에이전트가 상황 인지적(context-aware) 후속 질문을 하는 데 사용되며, 외부 PDF 라이브러리가 필요하지 않습니다.

3. 에이전트 복잡성 (Agentic complexity)

세 가지의 독립적인 AI 에이전트(연구원(Researcher), 면접관(Interviewer), 평가자(Evaluator))를 조정하는 과정에서 프롬프트 주입(prompt injection) 및 상태 관리(state management) 문제가 발생했습니다.

저의 해결책: JSON 전용 출력 스키마를 강제하는 엄격한 오케스트레이션 계층을 구축했습니다. 모델들이 미리 정의된 JSON 구조를 준수하도록 함으로써, 파싱 실패를 제거하고 세 에이전트 간의 원활한 상태 공유가 가능하게 했습니다.

Google 기술 스택 (Google Tech Stack)

도구	용도
🤖 Google Gemini 1.5 Flash	세 가지 에이전트(연구, 면접 시뮬레이션, 평가) 모두에 동력 제공
...

제가 배운 것 (What I Learned)

멀티 에이전트 시스템 (Multi-agent systems)은 단일 프롬프트 (single-prompt) 방식보다 더 강력합니다. 연구 (Research), 면접 (Interviewing), 평가 (Evaluation)를 분리함으로써 각 에이전트는 명확한 집중력을 유지할 수 있습니다.

가장 어려웠던 부분은 이력서 정렬 (Resume Alignment) 이었습니다. 단순히 "이력서를 보내는 것"만으로는 충분하지 않았습니다 — AI가 후보자의 과거와 회사의 미래 요구 사항을 비교하도록 강제하는 프롬프트 엔지니어링 (prompt engineering)이 필요했습니다. 이 연결 고리가 일반적인 챗봇 (chatbot)을 실제 코칭 도구로 변화시키는 핵심입니다.

사용해 보기 (Try It)

🔗 Live: https://interview-lense.vercel.app
📦 GitHub: https://github.com/sweety-HJH223/InterviewLense

Google Gen AI Academy APAC 2026 — Meet the Builders Campaign을 위해 제작되었습니다.
Subhashree Behera | SweetyCodes — AI & Full Stack Developer, India