이 프로젝트가解决的问题
santifer의 README는 솔직하다. 몇 달 동안 이력서를 마구 넣으면서 'AI에게 이력서筛选 당하는' 경험을 직접 해본 뒤,求职자 입장에서 쓸 AI 도구를 만들었다는 얘기다.
그가 한 건 꽤 구체적이다. 흔한 'AI求职 어시스턴트'와는 결이 다르다.
- Indeed, LinkedIn, RemoteOK에서岗位을 대량으로 스크래핑
- A-F 루브릭(rubric)으로岗位과 이력서 궁합을 1.0–5.0 점수로量化
- 고득점岗位에 한해 Claude가 CV를 자동 재작성
- 지원, 회신, 면접 전부를 로컬 파일에 기록
본인은 이 도구로 740개 넘는岗位을 평가하고, 100통 넘는 맞춤 CV를 뽑아낸 끝에 목표했던 오퍼를 받았다고 한다. GitHub에서 66k stars, README는 17개 국어로 번역돼 있고, WIRED와 Business Insider도 보도했다.
SaaS가 아니다. Claude Code / Codex / OpenCode / Antigravity 같은 로컬 CLI Agent 위에서 도는 Markdown 파일과 약간의 JS glue 코드다. JavaScript 프로젝트, 완전 로컬 실행.
사용 방법
최소流程는 세 단계면 된다.
git clone https://github.com/santifer/career-ops
cd career-ops
# Claude Code로 이 디렉토리를 열고, 바로 이렇게 말하면 됨:
# "帮我扫描 RemoteOK 上的 Python 后端岗"
Agent가 .claude/ 아래의 skill 정의를 읽고, 스크립트를 자동 호출해서岗位을 긁어오고, 점수를 매기고, 맞춤 CV를 생성한다.
아래는 src/scrapers/indeed.js의 수집 로직을 단순화한 버전이다 (구조는 README에 올라온 실제 코드 기반).
// src/scrapers/indeed.js —— 멀티 소스 스크래핑 예시
const { loadRubric } = require('../lib/rubric');
const { callClaude } = require('../lib/llm');
async function fetchAndScore(source, query) {
const jobs = await scrape(source, query);
const rubric = await loadRubric('./rubrics/engineering.md');
const scored = [];
for (const job of jobs) {
const prompt = `
아래 rubric을 써서 이岗位과 후보자 이력서의 궁합을 평가하고, 1.0-5.0 점수 + 이유를 출력해라.
${rubric}
岗位 JD:
${job.description}
후보자 이력서:
${job.baseCV}
`;
const result = await callClaude(prompt, { json: true });
scored.push({ jobId: job.id, score: result.score, rationale: result.reason });
}
return scored;
}
module.exports = { fetchAndScore };
이 코드가 보여주는 핵심 설계가 있다. 'Agent가 다음에 뭘 해야 하는지 알게 만드는' 작업이 복잡한 프레임워크 안에 들어 있는 게 아니라, 전부 자연어 지시 파일 (.claude/skills/*.md)과 약간의 JS glue에 적혀 있다.
동작 원리
네 단계 파이프라인, 깔끔하게 직렬로 연결된다.
1. Scraper Agent
여러 소스(Indeed, LinkedIn, RemoteOK 등)에서 스크래핑한 뒤 로컬 SQLite나 JSON 파일에 적재.
2. Evaluator Agent
여기가 핵심이다. Markdown으로 작성된 A-F 루브릭을 쓴다. 각 등급마다 하드 조건 묶음이 매핑돼 있다. 예를 들면 이렇게 생겼다.
- A급 (4.5–5.0): 연봉 범위 부합 + 풀리모트 + 기술 스택 80%+ 일치
- B급 (3.5–4.5): 연봉 ±10% + 리모트 선택 가능 + 기술 스택 60%+ 일치
- C급 (2.5–3.5): 연봉 편차는 크지만 나머지 조건 OK
- D-F급: 치명적 결함(비자 불리, 의무 출근, 기술 스택 완전 불일치)
LLM이 규칙에 따라 1.0–5.0 사이 점수를 매긴다.
3. Tailor Agent
고득점岗位(보통 A, B) JD와 base CV를 대조시켜 Claude가 맞춤 버전을 생성한다. 빈 페이지에서 새로 쓰는 게 아니라 'JD에 맞춰 문구 조정 + bullet 순서 재배치'다.
4. Tracker
지원, 회신, 면접을 전부 로컬 Markdown/CSV에 기록하고 상태별(지원 중 / 읽힘 / 면접 중 / Offer / Reject)로 분류.
핵심 설계: 루브릭을 편집 가능한 .md 파일로 분리해뒀다. 점수 기준을 코드 건드리지 않고 바로 수정 가능. 프롬프트를 코드에 하드코딩하는 것보다 훨씬 낫다. '원격'에 가중치를 더 주고 싶으면 Markdown 한 줄만 바꾸면 되고, '회사 규모' 같은 새 차원을 넣고 싶으면 단락 하나만 추가하면 된다.
장점과 한계
좋은 점:
- 실전 검증된 폐루프. 데모가 아니라 오퍼 받고 나서 오픈소스화한 프로젝트다.
- 루브릭 설계가 설명 가능하고 조정 가능. 이건 아래에서 따로 다룬다.
- 로컬 실행이라 이력서와 지원 데이터가 내 머신을 안 떠난다.
- Claude Code 사용자에게 학습 비용 제로. skill 자체가
.claude/skills/아래 Markdown이기 때문.
아쉬운 점:
- Claude Code 구독에 강하게 의존한다. README에 Codex / OpenCode / Antigravity도 언급돼 있지만 공식 skill은 Claude Code용으로 작성됐다.
- 점수 품질이 루브릭 품질에 그대로 묶여 있다. 루브릭을 이상하게 쓰면 LLM도 같이 이상해진다. ground truth 검증 장치가 없다.
- 멀티 Agent 협력이 프롬프트 체이닝에 의존하고, 명시적 상태 머신이 없어서 긴 작업(예: 100건 연속 평가)에서 컨텍스트가 잘릴 수 있다.
- 해외岗位 소스(Indeed / LinkedIn / RemoteOK)에 과도하게 의존. 국내에서 쓰려면 데이터 소스를 교체해야 하는데 이건 구조적 한계다.
AutoGPT, MetaGPT와 비교하면 '범위 좁고, 단계 짧고, 통제 가능'이라는 점에서 앞선다. 평범한 크롤러 + GPT 스크립트와 비교하면 '평가 기준을 외부화한다'는 설계에서 차이 난다. 이게 이 글에서 진짜 이야기하고 싶은 부분이다.
실제로 돌려봤다
Claude Code에서 clone 받아서 데모 흐름을 돌려봤다.
10건짜리 샘플로 점수 매기는 단계 평균 4–6초(Sonnet 기준). 루브릭을 한 번 수정해서 '원격' 가중치를 30%에서 50%로 올리고 다시 돌렸더니, 정렬이 실제로 바뀌었다. 원래 2등이던 하이브리드岗位이 4등으로 밀려나고, 풀리모트岗位이 1등으로 올라왔다.
CV 재작성 단계 출력 품질은 base CV가 얼마나 구조화돼 있느냐에 달렸다. 단락 구분 없이 쭉 적힌 이력서를 넣으니 사실상 원문 순서만 살짝 바뀐 수준이었다. bullet이 명확하게 정리된 이력서를 넣으니 JD에 맞춰 문구를 조정한 흔적이 보였고, 기술 스택 키워드 적중률도 눈에 띄게 올랐다.
루브릭과 base CV가 구조화될수록 이 도구도宣传된 수준에 가까워진다. 이 두 개는 도구가 대신 해주는 게 아니라 사용자가 먼저 갖춰야 하는 전제 조건이다.
이런 사람에게 추천
맞는 사람:
- 해외에 있으면서 Claude Code 구독 중이고, 매주 20건 이상 넣어야 하는 엔지니어
- '실제 흐름을 Agent 단계로 쪼개는 법'을 연구하고 싶은 사람
안 맞는 사람:
- 국내求职 위주 (岗位 소스 커버리지가 구조적으로 약하다)
- 가끔 Claude Code 정도만 가볍게 쓰는求职者 (소 잡는 칼로 닭 잡기)
- 루브릭을 직접 쓸 의향이 없는 사람. 점수 품질이 여기서 막힌다
한국 독자가 가져갈 만한 핵심은 '求职 Agent' 자체가 아니라 '주관적 의사결정을 A-F 루브릭으로 쪼개고 LLM이 규칙대로 점수 매기게 한다'는 패턴이다.
논문 리뷰, 코드 리뷰, 요구사항 우선순위, 고객 티켓 등급 분류 어디든 그대로 이식 가능하다. 본질적으로 'LLM as judge'를 최소 단위로 엔지니어링한 프레임워크다. 루브릭이 판정 기준, 출력은 구조화된 점수 + 근거, 결과는 추적·재현·디버그가 가능하다.
그냥 프롬프트에 '점수 좀 매겨라' 하고 쓰는 것보다 뭐가 강한가? 루브릭은 사람이 리뷰할 수 있고, 버전 관리되고, 팀과 정렬 가능하다. LLM은 실행자일 뿐이고, 규칙은 내가 정하는 거다.