아마존 베드로크를 사용한 AI 기반 채용 어시스턴트 구축

Amazon Bedrock 기반 채용 어시스턴트 레퍼런스 아키텍처는 완전관리형 파운데이션 모델(FM) 서비스 위에 RAG(검색 증강 생성) 패턴과 에이전트 워크플로우를 결합한 구조로 동작한다. 일반적으로 이력서/JD(직무기술서) 같은 비정형 문서를 S3에 적재하고 Amazon Bedrock Knowledge Bases가 OpenSearch Serverless 또는 Aurora pgvector에 임베딩을 저장하여 시맨틱 검색을 수행한다. 후보자 평가 시점에는 Claude나 Llama 같은 LLM이 직무 요구사항과 후보자 프로필을 대조해 적합도를 산출하고, Bedrock Agents가 도구 호출(Lambda)을 통해 ATS(지원자 추적 시스템)와 연동하거나 면접 질문을 동적으로 생성한다. 핵심은 별도 모델 학습 없이 프롬프트 엔지니어링과 컨텍스트 주입만으로 도메인 특화 추론을 구현한다는 점이다.

엔지니어 관점에서 이 사례가 시사하는 바는 LLM 애플리케이션이 더 이상 챗봇 수준에 머무르지 않고 의사결정 보조 시스템으로 확장되고 있다는 것이다. 특히 채용처럼 비정형 데이터가 많고 평가 기준이 복잡한 도메인에 LLM을 적용할 때 필요한 데이터 파이프라인, 벡터스토어, 에이전트 오케스트레이션, 가드레일 구성의 표준적인 조합을 보여준다. 동시에 AWS가 명시적으로 "프로덕션 솔루션이 아닌 학습용 참조 아키텍처"라고 못 박은 점은 중요하다. EU AI Act는 채용 AI를 고위험(High-risk) 시스템으로 분류하며, 미국 뉴욕시 AEDT법 등은 편향성 감사를 의무화하고 있어 단순 PoC를 그대로 운영에 옮길 경우 법적 리스크가 발생한다.

개발자가 실무에 적용하려면 우선 Bedrock Guardrails로 민감 속성(나이, 성별, 출신 학교 등) 필터링을 설정하고, 모델 추론 결과를 절대적 판단이 아닌 휴먼-인-더-루프(HITL)의 보조 신호로 설계해야 한다. 또한 프롬프트 인젝션 대응을 위해 이력서 입력을 시스템 프롬프트와 명확히 분리하고, CloudWatch와 Bedrock 모델 호출 로깅으로 감사 추적 가능성(auditability)을 확보해야 한다. 비용 측면에서는 임베딩 모델(Titan, Cohere)과 추론 모델을 분리해 호출 빈도가 높은 검색은 저렴한 모델로, 최종 평가만 고성능 모델(Claude Opus/Sonnet)로 처리하는 계층화 전략이 효과적이다.

마지막으로 이 아키텍처의 본질은 채용이라는 특정 도메인이 아니라 "비정형 문서 평가 + 구조화된 출력 + 에이전트 액션"이라는 일반 패턴이다. 따라서 코드 리뷰 자동화, 기술 문서 검토, 인시던트 분류, 컴플라이언스 점검 등 엔지니어링 워크플로우 전반에 동일한 구조를 응용할 수 있다. 핵심 학습 포인트는 Bedrock의 Knowledge Bases/Agents/Guardrails 세 가지 빌딩블록을 조합하는 방법과, LLM의 비결정적 출력을 어떻게 검증 가능한 비즈니스 로직으로 감싸는가에 있다.