이력서 AI 심사관: InterviewStreet의 hiring-agent가 하루 만에 별 152개를 받은 이유

이력서 더미를 AI에게 넘기는 시대가 왔다. 전 세계 개발자 채용 테스트 플랫폼 HackerRank를 운영하는 InterviewStreet이 오픈소스로 공개한 hiring-agent가 오늘 하루 별 152개를 추가하며 GitHub 트렌딩 상단에 올랐다. 단순한 LLM 래퍼가 아니다. PDF 파싱부터 GitHub 프로필 분석, 구조화 채점까지 전 과정을 자동화하는 채용 파이프라인이다.

이게 뭔가

이력서 PDF를 넣으면 AI가 읽고 점수를 낸다. 흐름은 세 단계다.

1. 파싱: PDF를 Markdown 텍스트로 변환한 뒤, Jinja 템플릿 기반 프롬프트로 LLM이 이름·경력·기술 스택·학력을 섹션별 구조화 JSON으로 추출한다.
2. 보강: 이력서에 GitHub 링크가 있으면 API로 프로필과 레포를 가져와 프로젝트 품질·기여도를 분석하고 LLM이 상위 7개를 선별한다.
3. 채점: evaluator.py가 카테고리별 점수·근거·보너스·감점 항목을 출력한다.

LLM 백엔드는 Ollama(로컬) 또는 Google Gemini 중 선택한다.

왜 지금 뜨는가

세 맥락이 겹쳤다.

① 제작사의 신뢰도 — 실제 채용 파이프라인을 운영하는 회사가 직접 만든 도구다. "또 하나의 AI 장난감"이 아니라 현장 경험이 설계에 녹아 있다는 신호다.

② 완전 로컬 실행 가능 — Ollama를 쓰면 이력서 데이터가 외부 서버로 나가지 않는다. 개인정보·GDPR 우려를 안고 있는 HR 팀에는 결정적 장점이다. MIT 라이선스라 상업적 사용도 자유롭다.

③ AI 채용 도구 수요 급증 — 스타트업부터 대기업까지 1차 이력서 필터링 자동화 수요가 폭발했지만, 기존 상용 ATS는 비싸고 블랙박스다. 코드를 열어볼 수 있는 오픈소스 대안에 개발자들이 몰린다.

핵심 기능

추출 결과는 JSON Resume 형식으로 정규화하고 Pydantic 스키마로 타입 안전성을 확보한다. GitHub 신호는 레포 분류부터 LLM의 상위 프로젝트 선별까지 평가에 자동 반영된다. 채점 단계에서는 주관적 편향을 줄이기 위한 구조화 기준과 감점 규칙을 적용하며, 개발 모드에서는 다수 이력서 결과를 CSV로 내보내 스프레드시트에서 한눈에 비교할 수 있다.

누구에게 쓸모 있나

대상	활용 시나리오
스타트업 HR	지원자 100명 중 1차 필터링 자동화
개발팀 리드	기술 스택·GitHub 기여도 기반 사전 스크리닝
AI 학습자	PDF→LLM→평가 파이프라인 실제 코드 학습

시작하기

요구사항: Python 3.11+, Ollama 또는 Google Gemini API 키

# 레포 클론 및 패키지 설치
git clone https://github.com/interviewstreet/hiring-agent.git
cd hiring-agent
pip install -e .

Gemini 사용 시 환경 변수 설정:

export GEMINI_API_KEY="your-api-key"

Ollama 사용 시 로컬 모델 먼저 준비:

ollama pull llama3

사용 예시

예시 1 — Gemini로 단일 이력서 평가

python score.py --resume path/to/resume.pdf --provider gemini

PDF 한 장을 분석해 카테고리별 점수와 근거를 터미널에 출력한다.

예시 2 — Ollama 로컬 모드 (데이터 외부 전송 없음)

python score.py --resume path/to/resume.pdf --provider ollama --model llama3

API 키·인터넷 연결 없이 로컬 LLM만으로 채점한다.

예시 3 — 개발 모드 (CSV 일괄 저장)

python score.py --resume path/to/resume.pdf --dev

결과를 CSV로 저장해 여러 지원자 점수를 한눈에 비교한다.

정확한 CLI 플래그는 README의 CLI usage 섹션에서 확인하라. 위 예시는 아키텍처 설명 기반이며 실제 인터페이스와 일부 다를 수 있다.

한계·주의

GitHub 프로필이 없는 이력서는 보강 단계를 건너뛰어 평가 품질이 낮아진다. 비개발 직군이나 신규 개발자 이력서에서 이 약점이 두드러진다. 추출 단계에서 경력 기간이나 기술 스택을 잘못 읽는 LLM 환각도 현실적인 위험이다. 자동 점수를 최종 결정에 그대로 쓰는 것은 위험하다. 코드 레벨 규칙이 채용 편향을 완전히 제거하지는 않으므로 HR·법무 검토 없이 단독 사용은 권장하지 않는다. Ollama 소형 모델은 Gemini 대비 추출 정확도가 낮을 수 있어 프로덕션 전 충분한 검증이 필요하다.