AI VIDEO BRIEFING
링크드인 채용 AI 에이전트 사례: LangGraph로 면접 소요 시간 60% 단축한 설계 전략
링크드인 채용팀이 LangChain과 LangGraph로 만든 채용 에이전트의 구조, 89개 프레임워크 중 LangGraph를 고른 이유, 그리고 실제 운영에서 확률적 모델을 예측 가능하게 다듬은 방법을 정리했다.
핵심 메시지
- 소규모 사업장의 채용 담당자는 지원자를 훑어보고 연락할 사람을 고르는 데만 주당 평균 9.5시간을 쓴다.
- 채용은 한 번에 끝나는 작업이 아니라 공고 작성, 인재 소싱, 평가, 요건 수정을 반복하는 계획·실행·재계획 루프여서 에이전트에 잘 맞는 문제다.
- 링크드인은 89개 에이전트 프레임워크를 검토한 끝에 기존 인프라를 대체하지 않고 보완하는 LangGraph를 골랐다.
- 모델은 확률적이지만 제품은 결정적이어야 하므로, 도구 호출 횟수 제한과 템플릿 응답 같은 장치로 예측 가능성을 확보했다.
- 프레임워크가 제공하는 기본 기능이 아니라 제품의 제약 조건이 실제 아키텍처를 결정한다는 것이 가장 큰 교훈이었다.
쉽게 이해하기
링크드인 채용팀 엔지니어들이 자사 채용 에이전트를 만든 과정을 공개했다. 출발점은 단순한 관찰이었다. 소규모 사업장의 채용 담당자들에게 가장 큰 어려움을 물으면 하나같이 시간이 부족하다고 답했고, 실제로 지원자를 검토하고 누구에게 연락할지 정하는 데만 주당 평균 9.5시간이 들었다. 작은 팀이라면 첫 면접이 시작되기도 전에 일주일 중 며칠이 사라지는 셈이다.
팀은 채용이 왜 에이전트에 어울리는 문제인지를 업무의 형태에서 찾았다. 공고를 올리고 지원자를 받아 보면 필수라고 적었던 요건이 사실은 있으면 좋은 조건이었음을 뒤늦게 깨닫게 되고, 그러면 공고를 고쳐 다시 사람을 찾고 다시 평가하는 과정을 반복하게 된다. 계획하고, 실행하고, 결과를 관찰하고, 다시 조정하는 이 구조가 곧 에이전트가 다루는 문제의 모양이라는 것이다.
아키텍처는 세 단계를 거쳐 진화했다. 처음에는 조건 분기를 하드코딩한 정적 워크플로였고, 다음에는 LangChain으로 두 개의 체인을 순차 실행하는 형태였다. 그러나 상황에 따라 판단이 달라져야 하는 요구를 감당하지 못했고, 결국 중앙 플래너가 계획·실행·재계획 루프를 이끄는 LangGraph 기반 구조로 옮겨 갔다. 핵심 차이는 분기 판단 자체를 언어 모델이 맡는다는 점이다.
프레임워크 선택에도 이유가 있었다. 발표자는 링크드인이 89개 에이전트 프레임워크를 검토한 끝에 LangGraph를 택했다고 밝혔다. 어떤 프레임워크는 저수준 제어 수단이 부족했고, 어떤 것은 링크드인이 이미 갖춘 인프라와 역할이 겹쳤다. 반면 사내 에이전트들이 이미 LangChain의 러너블·도구·콜백 개념 위에서 동작하고 있었기 때문에, 그 위에 얹히는 LangGraph는 다시 만들 코드가 없었다.
운영 단계에서는 관측과 평가가 중심이 된다. 팀은 최종 답변만이 아니라 컨텍스트 검색, 도구 호출, 모든 판단 단계를 포함한 전체 추적 기록을 모은다. 다만 사내 정책상 운영 데이터를 외부 도구로 그대로 보낼 수 없어 같은 역할을 하는 시스템을 자체 구축했고, 이 기록을 사람 검수와 모델 심사에 함께 넣어 프롬프트와 모델을 다듬는다. 현재는 사람이 주도하지만 이 되먹임 고리를 점차 자동화하는 것이 목표다.
주요 인사이트
- 프레임워크가 주는 기본 기능이 곧 정답은 아니다. 팀은 실행을 멈추고 사용자 응답을 기다리는 LangGraph의 인터럽트 기능이 깔끔한 예·아니오 흐름에는 잘 맞았지만, 사용자가 답을 하지 않고 다른 주제로 넘어가 버리는 실제 대화에는 맞지 않는다고 판단했다.
- 그 대안으로 매 입력마다 그래프를 끝까지 실행하고, 다음 대화에 필요한 최소한의 맥락만 남기는 방식을 택했다. 전체 그래프 상태 대신 '학력 요건 삭제를 제안했고 확인을 기다림' 정도만 저장하니 체크포인트 크기를 통제하면서도 대화의 유연성을 지킬 수 있었다.
- 에이전트마다 공들여야 할 지점이 다르다. 코딩 에이전트는 답을 찾기 위한 탐색 능력이 중요하고, 쇼핑 에이전트는 결제처럼 되돌릴 수 없는 행동의 경계가 중요하다면, 채용 에이전트는 담당자에게 보이는 행동 경로의 일관성과 신뢰·규정 준수가 우선이었다.
- 결정성을 확보하는 방법은 프롬프트에 전부 적어 넣는 것이 아니었다. 한 도구를 정해진 횟수 이상 호출하지 못하게 막거나, 다른 도구 안에서만 호출되는 도구를 두거나, 응답을 모델이 매번 새로 쓰게 두지 않고 템플릿으로 조립하는 식의 구조적 장치를 썼다.
- 메모리는 한 덩어리가 아니다. 링크드인 플랫폼은 대화 기록을 담는 대화 메모리와 상태 체크포인트를 담는 경험 메모리를 나누어 두고, 그 위에 사건 기억과 의미 기억 같은 층을 얹어 활용한다.
자주 묻는 질문
링크드인 채용 에이전트는 실제로 어떤 일을 해 주나요?
직무명부터 시작해 채용 요건을 묻고 공고 초안을 만들어 주며, 공고를 올리면 곧바로 적합해 보이는 후보를 찾아 제시합니다. 담당자는 후보를 지원 요청 대상으로 삼거나 피드백을 줘 기준을 조정할 수 있고, 지원서가 들어오면 정해 둔 자격 요건에 따라 평가하며 AI 사전 면접을 보낼 수도 있습니다.
왜 89개 프레임워크 중에서 LangGraph를 선택했나요?
일부 프레임워크는 세밀한 제어에 필요한 저수준 요소가 부족했고, 일부는 링크드인이 이미 갖춘 인프라와 기능이 겹쳤습니다. 반면 사내 에이전트들이 이미 LangChain의 개념 위에서 동작하고 있었고 LangGraph가 그 요소들을 감싸는 대신 그 위에 쌓이는 구조여서, 기존 코드를 다시 쓸 필요가 없었다는 점이 결정적이었습니다.
발표에서 말한 '결정성 확보'는 구체적으로 무엇을 뜻하나요?
모델은 확률적으로 답하지만 제품은 같은 상황에서 같게 동작해야 한다는 뜻입니다. 이를 위해 체크포인트를 줄이고 대화 기록을 요약하는 맥락 관리, 응답을 템플릿으로 조립하는 출력 형식 고정, 그리고 특정 노드 다음에 반드시 정해진 노드가 오도록 하는 상태 플래그와 도구 호출 제한 같은 장치를 사용했습니다.
원문과 출처
이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.
YouTube 원본 영상 보기 ↗