📌 AI 기반 자소서 첨삭 및 검증 서비스 기획서
1. 프로젝트 개요
1-1. 프로젝트명
AI 자소서 첨삭 및 평가 서비스 (가칭: SelfCheck AI)
1-2. 기획 배경
취업 준비 과정에서 자기소개서는 중요한 평가 요소지만,
- 첨삭 기준이 불명확하고
- 피드백의 일관성이 부족하며
- 반복 수정에 많은 시간이 소요된다.
기존 AI 자소서 서비스는 문장 생성·첨삭에 집중되어 있으며,
“이 자소서가 얼마나 잘 썼는지”에 대한 객관적 검증 기능은 부족하다.
이에 본 프로젝트는 LLM을 활용해 자소서를 첨삭함과 동시에, 평가 기준 기반 검증을 제공하는 서비스를 목표로 한다.
2. 프로젝트 목표
- 자소서를 정량적·구조적으로 평가
- 사용자에게 명확한 개선 방향 제시
- “잘 쓴 자소서”의 기준을 시각적으로 제공
👉 단순 생성이 아닌 검증 중심 AI 서비스 구현
3. 주요 기능
3-1. 자소서 입력 및 첨삭
- 사용자가 자소서 문항과 답변 입력
- LLM이 문장 표현 개선 및 구조 보완
- 원문 대비 개선 포인트 제공
3-2. 평가 항목 기반 검증 (핵심 기능)
자소서를 아래 4가지 평가 항목으로 검증한다.
- 직무 적합성
- 직무 이해도
- 경험과 직무의 연관성
- 문제 해결력
- 문제 인식 여부
- 해결 과정의 논리성
- 결과 및 성과 제시 여부
- 성장 가능성
- 학습 경험
- 피드백 수용 및 개선 의지
- 의사소통
- 문장 명확성
- 구조적 서술
- 가독성
각 항목별로:
- 점수(0~100점)
- 부족한 이유
- 개선 방향을 제공
3-3. 위험 요소 탐지
- 추상적 표현 과다 사용
- 질문 미응답
- 근거 없는 주장
- 과도한 미사여구
→ 사용자에게 “주의 필요”로 표시
3-4. 재첨삭 추천
- 특정 항목 점수 미달 시
- 자동 재첨삭 또는 수정 가이드 제공
4. 검증 방식 설계
4-1. 이중 LLM 구조
- LLM A: 자소서 첨삭 및 개선
- LLM B: 평가자 역할 수행 (검증 전용)
👉 생성과 평가를 분리하여 신뢰도 확보
4-2. 규칙 기반 검증
- 글자 수 초과/미달
- 금지 표현 리스트 검사
- 문항 키워드 포함 여부
4-3. 평가 결과 활용
- 평균 점수 기준 PASS / 개선 필요 판단
- 항목별 점수 시각화 (그래프)
5. 시스템 아키텍처
[사용자]
↓
[Streamlit UI]
↓
[LLM 첨삭 API]
↓
[LLM 검증 API]
↓
[규칙 기반 필터]
↓
[결과 시각화]6. 기술 스택
| 구분 | 기술 |
|---|---|
| Frontend | react.js |
| Backend | java, spring boot |
| LLM | OpenAI API (GPT 계열) |
| 검증 로직 | Rule-based + LLM 평가 |
| 배포 | Streamlit Cloud / Local |
7. 기대 효과
- 사용자:
- 자소서 품질을 객관적으로 인식
- 반복 수정에 대한 명확한 기준 확보
- 서비스 측면:
- 기존 생성형 AI와 차별화
- 검증 중심 구조로 신뢰도 상승
8. 확장 계획
- 직무별 평가 기준 세분화
- 기업/직군 맞춤 평가 템플릿 제공
- 면접 질문 자동 생성 연계
- 자소서 버전 관리 기능
9. 한계 및 고려 사항
- AI 평가의 주관성 존재
- “합격 보장”이 아닌 참고용 평가임을 명시
- 개인정보 보호 및 데이터 저장 최소화
10. 결론
본 프로젝트는
LLM을 단순한 글쓰기 도구가 아닌, 평가자 역할로 확장하여
자소서 첨삭의 새로운 방향을 제시한다.
“잘 써줬는가?”가 아니라
“잘 썼는지 검증해주는 AI”를 목표로 한다.
11. 고도화 기능 및 확장 시나리오
11-1. 자소서 기반 모의 면접 기능 (LLM Interviewer)
기능 개요
사용자가 작성한 자소서를 기반으로
AI 면접관이 질문을 생성하고, 답변을 평가하는 모의 면접 기능을 제공한다.
기능 흐름
자소서 분석
↓
핵심 경험 / 약점 추출
↓
맞춤 면접 질문 생성
↓
사용자 답변 입력
↓
답변 평가 및 피드백
질문 유형
- 경험 심화 질문
“이 프로젝트에서 본인의 역할을 더 구체적으로 설명해 주세요.”
- 약점 보완 질문
“성과가 수치로 드러나지 않는데, 어떻게 설득하시겠습니까?”
- 인성/태도 질문
“팀 내 갈등 상황에서 어떻게 행동했나요?”
답변 평가 기준
- 질문 이해도
- 논리 구조
- 자소서 내용과의 일관성
- 구체성 및 설득력
👉 자소서 첨삭 → 면접까지 이어지는 자연스러운 사용자 여정 구성
11-2. 음성 기반 모의 면접 기능 (Speech Interview)
기능 개요
텍스트 입력이 아닌 음성 기반 면접 환경을 제공하여
실제 면접과 유사한 경험을 제공한다.
주요 기능
- 음성 질문 출력 (TTS)
- 사용자 음성 답변 입력 (STT)
- 답변 내용 텍스트 변환 후 평가
- 말버릇 / 답변 길이 / 침묵 시간 분석
평가 요소 예시
- 답변 속도 (너무 빠르거나 느린지)
- 반복 표현 (“음…”, “약간…”)
- 핵심 질문 미응답 여부
👉 단순 글쓰기 AI를 넘어 실전 대비 도구로 확장
11-3. RAG 기반 평가 신뢰도 강화
도입 목적
LLM 평가의 주관성을 줄이고,
“왜 이렇게 평가했는지” 근거를 명확히 제시하기 위함.
RAG 적용 대상
- 자소서 평가 기준 문서
- 기업 인재상 예시
- 실제 면접 평가 항목 샘플
활용 방식
평가 질문
↓
평가 기준 문서 검색 (RAG)
↓
관련 기준 문단 추출
↓
LLM 평가 + 근거 문장 제시사용자 제공 정보
- 점수
- 평가 근거 문장
- 기준 출처 요약
👉 “AI가 이렇게 말한 이유”를 설명 가능한 구조
11-4. Agent 기반 면접 시나리오 진행
Agent 도입 목적
단발성 질문이 아닌,
상황에 따라 질문을 바꾸는 면접관 역할 구현
Agent 역할
- 이전 답변 분석
- 약점 발견 시 추가 질문
- 답변이 모호할 경우 재질문
예시 시나리오
Q1. 프로젝트 경험 질문
→ 답변 모호
Q2. 역할 재질문
→ 수치 부족
Q3. 성과 정량화 요구👉 실제 면접처럼 대화 흐름을 기억하고 판단하는 AI 면접관
