InterviewLense

내가 만든 AI가 목표 기업의 면접 방식을 조사하고 — 직접 시뮬레이션합니다 🚀

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

문제점

대부분의 면접 준비 도구는 지원하는 회사와 상관없이 똑같은 질문을 제공합니다. "자기소개를 해보세요." "본인의 단점은 무엇인가요?"

구글에 지원하든 10명짜리 스타트업에 지원하든 — 항상 같은 리스트입니다. 대부분의 시뮬레이터는 "획일적"입니다. 나만의 커리어 히스토리를 무시하고, 실제 대형 테크 기업 면접을 통과하는 데 필요한 실질적인 피드백을 제공하지 못합니다.

하지만 기업마다 면접 방식은 완전히 다릅니다:

구글은 완벽한 답보다 사고 과정을 봅니다.
아마존은 모든 것을 16가지 리더십 원칙으로 평가합니다.
카카오/네이버는 한국 시장 규모에 맞는 프로덕트 사고를 기대합니다.
토스는 실행 속도를 중요시합니다.

저는 이걸 실제로 아는 도구를 원했습니다. 그래서 InterviewLens를 만들었습니다.

솔루션

InterviewLens는 AI 기반 면접 시뮬레이션 엔진으로:

기업명과 직군을 입력합니다.
AI가 해당 기업의 채용 문화를 실시간으로 조사합니다.
NEW — 이력서 정렬: PDF를 업로드하거나 이력서를 붙여넣으면, AI가 내 경험과 기업 요구사항 사이의 구체적인 갭을 파악합니다.
해당 기업의 실제 스타일로 면접을 시뮬레이션합니다.
기업의 특정 기준에 따라 답변을 평가합니다.
세션 전반에 걸쳐 나의 성장을 장기적으로 "기억" 합니다.

3-에이전트 AI 아키텍처

InterviewLens의 핵심은 Google Gemini로 구축된 3-에이전트 오케스트레이션 파이프라인입니다.

에이전트 A — 리서처

에이전트 A는 채용 포커스, 면접 라운드 구조, 기업 문화 가치를 스캔합니다.

"컨텍스트 엔진": 단순히 기업을 조사하는 것에 그치지 않습니다 — 이력서/PDF 데이터를 받아 내 배경과 기업 요구사항 사이의 갭 분석을 수행하여, 처음부터 개인화된 리서치를 제공합니다.

에이전트 B — 인터뷰어

에이전트 B는 에이전트 A의 정보를 받아 해당 기업의 실제 면접관이 됩니다.

맥락 기반 질문: 이력서 컨텍스트를 받기 때문에 일반적인 질문을 하지 않습니다. 대신 이렇게 묻습니다: "이력서에서 [X] 프로젝트를 진행하셨는데, [기업]이 처리하는 트래픽 규모로 확장한다면 어떻게 하시겠어요?"

에이전트 C — 평가자

면접이 끝나면 에이전트 C가 "채용 위원회" 역할을 합니다.

엄격한 채점: 템플릿 형식의 일반적인 답변에는 감점을 주고, 자신의 구체적인 배경을 효과적으로 활용한 지원자에게 높은 점수를 부여합니다.

기술적 도전과 해결 방법

1. 성능 병목 현상

처음에는 AI를 통한 기업 조사에 10초 이상이 걸려 "Request Timed Out" 오류가 자주 발생했습니다.

해결책: Firebase Firestore를 활용한 Redis 방식의 캐싱 레이어를 구현했습니다. 한 번 조사된 기업/직군은 이후 검색 시 거의 즉시 결과를 반환합니다 — 지연 시간과 API 할당량 소진 문제를 모두 해결했습니다.

2. 비정형 PDF 데이터 처리

사용자에게 이력서 맞춤형 질문을 제공하려면 PDF 파싱이 필요한데, 이는 매우 복잡합니다.

해결책: Gemini 1.5 Flash의 멀티모달 기능을 활용해 PDF 이력서를 직접 파싱하고, 면접 에이전트가 맥락 인식 후속 질문에 사용할 수 있는 구조화된 데이터를 추출했습니다 — 외부 PDF 라이브러리 없이 구현했습니다.

3. 에이전트 복잡성 관리

세 개의 AI 에이전트(리서처, 인터뷰어, 평가자)를 조율하는 과정에서 프롬프트 인젝션과 상태 관리 문제가 발생했습니다.

해결책: JSON 전용 출력 스키마를 강제하는 엄격한 오케스트레이션 레이어를 구축했습니다. 모델이 사전 정의된 JSON 구조를 따르도록 강제함으로써 파싱 실패를 없애고 세 에이전트 간의 원활한 상태 공유를 가능하게 했습니다.

Google 기술 스택

도구	용도
🤖 Google Gemini 1.5 Flash	세 에이전트 모두 구동 — 리서치, 면접 시뮬레이션, 평가
🔥 Firebase Firestore	세션 저장, 장기 지원자 메모리, 리서치 캐시
☁️ Vercel / Next.js	시뮬레이션 인터페이스의 고성능 실시간 배포

배운 점

멀티 에이전트 시스템은 단일 프롬프트 방식보다 훨씬 강력합니다. 리서치, 인터뷰, 평가를 분리함으로써 각 에이전트가 명확한 역할에 집중할 수 있습니다.

가장 어려웠던 부분은 이력서 정렬이었습니다. 단순히 "이력서를 전달"하는 것만으로는 부족했습니다 — AI가 지원자의 과거 경험을 기업의 미래 요구사항과 비교하도록 프롬프트를 정교하게 설계해야 했습니다. 이 연결고리가 일반 챗봇을 실제 코칭 도구로 변환시키는 핵심입니다.