공개된 기술 사실과 파이프라인 구성

채용공고(JD) 입력부터 면접 질문 생성까지의 과정을 자동화한 AI 도구 '취업을하자(chwieop-haja)'가 공개됐다. 이 도구는 단순히 프로젝트 아이디어를 제안하는 수준을 넘어, JD 분석 $\rightarrow$ 학습 로드맵 $\rightarrow$ 오픈소스 후보 탐색 $\rightarrow$ 후보 순위화 $\rightarrow$ 코드 분석 $\rightarrow$ 수정 부분 선정 $\rightarrow$ 이력서 문장 생성 $\rightarrow$ 예상 면접 질문 추출로 이어지는 일련의 파이프라인을 처리한다.

반복적인 작업의 효율을 높이기 위해 핵심 기능은 Python 기반의 CLI(Command Line Interface) 도구로 분리되어 제공된다. 프로젝트 후보를 비교하고 순위를 매기는 `chwieop-rank`, 저장소의 구조와 진입점 및 의존성을 분석하는 `chwieop-scan`, 그리고 분석 결과를 바탕으로 면접 준비 자료를 생성하는 `chwieop-prep`이 그 대상이다. AI가 임의로 생성한 성능 수치를 포트폴리오에 기재하는 대신, 구현 내용과 이해도, 검증 계획을 설명하도록 설계된 것이 특징이다.

오픈소스 선정 로직과 분석 메커니즘

프로젝트 선정 기준은 단순한 GitHub Star 수와 같은 인기도에 의존하지 않는다. JD와의 연관성, 라이선스 조건, 사용자의 하드웨어 실행 가능 여부, 가용 시간 내 학습 가능성, 직접 수정 가능한 코드의 존재 여부, 그리고 면접에서 논리적으로 설명할 수 있는 거리(Interviewability)를 종합적으로 평가해 순위를 결정한다. 실제 금융·보험 AI 아키텍트 공고를 대상으로 한 테스트에서는 docling, ragflow, dify를 비교 분석했으며, 인지도보다 실행 가능성과 설명 용이성이 높은 프로젝트가 상위에 랭크됐다. 이 과정에서 선택된 저장소의 파일 1,454개를 전수 조사해 공고와 관련된 핵심 코드를 식별하는 흐름을 검증했다.

분석의 깊이는 사용자의 환경과 제약 조건에 따라 4가지 실행 수준으로 구분해 선택할 수 있다. 코드 분석과 면접 준비만 수행하는 `interview-only`, 최소한의 실행만 확인하는 `smoke-test`, 로컬 환경에서 전체 기능을 구동하는 `local-full-run`, 그리고 클라우드나 GPU 자원을 활용해 전체를 실행하는 `remote-full-run`으로 나뉜다. 사용자는 "GPU 없음", "백엔드 집중 분석"과 같은 구체적인 제약 조건을 입력해 프로젝트 선정 및 분석 범위에 반영할 수 있다.

포트폴리오 전략의 변화와 도입 영향

기존의 취업 준비 방식은 기술 스택에 맞춘 토이 프로젝트를 새로 만들거나, 유명 오픈소스를 단순히 실행해 보는 양극단의 형태가 많았다. 이번 도구는 프로젝트의 규모보다 '왜 이 프로젝트를 선택했고, 코드를 어떻게 이해했으며, 무엇을 왜 수정했는가'라는 논리적 근거를 확보하는 데 초점을 맞춘다. 이는 결과물 중심의 포트폴리오에서 과정과 분석 중심의 포트폴리오로 관점을 전환하는 처리 방식이다.

신입 및 인턴 지원자는 단순히 기술 스택을 나열하는 대신, `chwieop-scan`과 같은 도구로 분석한 오픈소스의 의존성 구조와 진입점을 바탕으로 본인이 기여하거나 수정한 코드의 위치를 구체적으로 특정해 증명해야 한다. 특히 GPU 등 인프라 제약이 있는 환경에서는 `interview-only`나 `smoke-test` 설정을 통해 실행 가능 여부와 상관없이 코드 레벨의 분석 역량을 우선적으로 확보하는 전략이 필요하다.