커리어던(CareerDawn) 테크 스택 | AI와 데이터가 만드는 커리어 혁신의 이면

1. 기술적 비전: 데이터 기반의 성공을 설계하다

커리어던(CareerDawn)은 단순한 구인구직 사이트가 아닙니다. 우리는 수만 개의 기업 데이터, 수백만 건의 채용 텍스트, 그리고 고도화된 LLM(대규모 언어 모델)이 유기적으로 결합된 '지능형 커리어 인지 시스템'을 지향합니다. 사용자의 아주 작은 경험 조각 하나가 대기업의 복잡한 직무 요구사항(JD)과 어떻게 맞물리는지를 공학적으로 증명하는 것이 우리의 핵심 과제입니다.

우리는 '속도'와 '정교함' 사이의 트레이드오프를 극복하기 위해 최신 클라우드 네이티브 기술과 엣지 컴퓨팅을 적극적으로 도입했습니다. 지원자의 텍스트를 실시간으로 분석하여 외과적 수술 수준의 피드백을 제공하는 과정은 초당 수천 개의 토큰을 처리하면서도 논리적 무결성을 유지해야 하는 고난도의 엔지니어링 작업입니다.

CareerDawn System Architecture Overview

Frontend (Vite/React)

↔

Edge Functions (Node.js)

↔

LLM Orchestrator

↔

Supabase (PostgreSQL)

실시간 스트리밍 피드백과 강력한 보안을 보장하는 서버리스 마이크로서비스 아키텍처

2. 테크 스택 심층 분석: 커리어던을 지탱하는 기술들

2.1 Frontend: 타입 안정성과 극한의 사용자 경험

프런트엔드는 사용자와의 가장 밀접한 접점입니다. 우리는 복잡한 AI 코칭 데이터를 실시간으로 렌더링하고, 사용자의 입력에 즉각적으로 반응하기 위해 React 18과 TypeScript를 기반으로 한 현대적인 프런트엔드 환경을 구축했습니다.

Vite & Performance

Vite를 통한 초고속 번들링과 HMR(Hot Module Replacement)을 활용하여 개발 생산성을 극대화했습니다. 또한 최적화된 청크 분할 전략을 통해 초기 로딩 속도를 LCP 기준 1.2초 이내로 단축했습니다.

State Management

서버 상태는 TanStack Query (React Query)를 통해 효율적으로 캐싱 및 동기화하며, 클라이언트 전역 상태는 가벼운 Zustand를 사용하여 불필요한 리렌더링을 방지하고 코드 복잡도를 낮췄습니다.

UI/UX 엔지니어링: 마이크로 인터랙션의 예술

커리어던은 사용자가 자소서를 작성하고 피드백을 받는 과정에서의 '인지적 부하'를 줄이기 위해 고도의 마이크로 인터랙션을 설계했습니다. Framer Motion을 활용한 부드러운 전환 효과, AI 피드백이 생성될 때의 점진적인 텍스트 스트리밍UI, 그리고 실시간 유효성 검사 결과의 시각적 피드백 등은 사용자가 플랫폼과 '대화'하고 있다는 느낌을 받게 합니다. 또한, 다크 모드와 라이트 모드 간의 완벽한 색상 대비 최적화를 통해 장시간 문서 작업 시에도 눈의 피로를 최소화합니다.

2.2 Backend: Supabase 기반의 실시간 데이터 인프라

커리어던은 고전적인 모놀리식 서버 구조를 탈피하고, Supabase(BaaS)를 활용한 서버리스 아키텍처를 채택했습니다. 이는 데이터 보안과 확장성이라는 두 마리 토끼를 동시에 잡기 위한 전략적인 선택이었습니다.

Data Infrastructure Key Points:

Component	Technological Value
PostgreSQL with pgvector	사용자의 이력서와 기업 JD를 벡터화하여 저장. 코사인 유사도 분석을 통해 최적의 매칭 결과를 실시간으로 도출합니다.
Row Level Security (RLS)	데이터베이스 레벨에서 강력한 권한 제어를 수행하여, 어떠한 경우에도 타인의 커리어 데이터에 접근할 수 없도록 원천 차단합니다.
Edge Functions (Deno)	LLM API 호출 및 무거운 텍스트 전처리 로직을 전 세계 엣지 로케이션에서 실행하여 응답 지연 시간(Latency)을 최소화합니다.

2.3 AI & LLM: 프롬프트 최적화와 에이전틱 워크플로우

우리는 '좋은 질문'이 '좋은 결과'를 만든다는 믿음 아래, 프롬프트 엔지니어링을 하나의 독립된 공학 체계로 다룹니다. 커리어던의 'Prompt Optimization Engine'은 다음과 같은 고도화된 기술을 포함합니다.

• Chain-of-Thought (CoT) Prompting: AI가 결론을 내리기 전에 단계별 추론 과정을 거치도록 강제하여 피드백의 논리적 비약을 방지합니다.
• Few-Shot Learning via Vector Search: 벡터 DB에서 해당 직무와 가장 유사한 고품질 합격 사례를 실시간으로 검색하여 컨텍스트로 주입, AI가 구체적인 예시를 참고하게 합니다.
• Self-Correction Mechanism: AI가 생성한 첫 번째 초안을 다른 모델(Cross-Verification)이 검토하여 인재상과의 괴리나 문법적 오류를 스스로 수정하게 하는 루프를 운영합니다.
• Dynamic Context Compression: 수백 페이지에 달하는 기업 데이터를 토큰 한도 내로 압축하기 위해 중요도 기반의 요약 알고리즘을 실시간으로 가동합니다.

2.4 LLM Orchestration & Context Engineering

커리어던의 AI 엔진은 단순한 API 호출을 넘어, 거대한 컨텍스트를 정밀하게 제어하는 '컨텍스트 엔지니어링'의 결정체입니다. 우리는 수백만 토큰에 달하는 기업 내부 문서와 지원자의 생애 데이터를 가장 효율적으로 LLM에 주입하기 위해 다음과 같은 아키텍처를 운용합니다.

Hybrid RAG Strategy

단순 벡터 검색의 한계를 극복하기 위해 Keyword Search(BM25)와 Semantic Search(pgvector)를 결합한 Hybrid RAG를 사용합니다. 이를 통해 'Java'와 같은 특정 키워드와 '객체 지향 설계 역량'과 같은 의미적 맥락을 동시에 정확하게 포착합니다.

Semantic Chunking

문서를 고정된 길이로 자르는 대신, 의미 단위(Paragraph, Section)로 분석하여 자르는 Semantic Chunking 기술을 적용했습니다. 이는 LLM이 문맥이 끊기지 않은 온전한 정보를 바탕으로 추론할 수 있게 하여 할루시네이션(Hallucination)을 획기적으로 줄입니다.

또한, 우리는 Long-Context Window 모델(Gemini 1.5 Pro 등)을 활용할 때 발생하는 지연 시간을 관리하기 위해 '지식 계층화' 전략을 사용합니다. 자주 참조되는 기업 문화 데이터는 모델의 시스템 프롬프트 부근에 배치하고, 휘발성이 강한 지원자 데이터는 하단 컨텍스트에 배치하여 어텐션(Attention) 효율을 최적화합니다.

2.5 Real-time Synchronization & Edge Computing

사용자가 자소서를 한 글자 수정할 때마다 서버와 클라이언트의 상태를 완벽하게 동기화하는 것은 커리어던의 기술적 자부심입니다. 우리는 Supabase Realtime 채널을 통해 수만 명의 동시 접속자에게 지연 없는 경험을 제공합니다.

Technical Synchronization Stack:

WAL Streaming

PostgreSQL의 Write Ahead Log(WAL)를 실시간으로 구독하여 데이터 변경 시 즉각적인 클라이언트 푸시를 수행합니다.

Deno Edge Runtime

Supabase Edge Functions는 Deno 런타임을 사용하여 V8 엔진의 성능을 극한으로 끌어올립니다. 전 세계 엣지 네트워크에서 지원자의 입력 데이터를 10ms 이내에 처리합니다.

Conflict Resolution

여러 기기에서 동시 접속 시 발생하는 데이터 충돌을 방지하기 위해 LWW(Last Write Wins) 전략과 벡터 시계(Vector Clock) 알고리즘을 혼합하여 정합성을 유지합니다.

2.6 Advanced Frontend Architecture: Modular & Scalable

커리어던의 프런트엔드는 단순한 UI 구성을 넘어, 복잡한 비즈니스 로직을 효율적으로 분리하고 확장할 수 있는 아키텍처를 지향합니다. 우리는 Atomic Design 패턴과 Feature-Sliced Design (FSD)의 장점을 결합하여 유지보수성을 극대화했습니다.

🏗️

Custom Design System

Dawn-UI라 불리는 자체 디자인 시스템을 구축하여 모든 컴포넌트의 일관성과 접근성(A11y)을 보장합니다.

⚡

Optimistic UI

서버 응답 전에도 UI를 즉시 업데이트하여 사용자에게 제로-레이턴시(Zero-latency) 감각을 제공합니다.

📦

Dynamic Bundling

사용자의 진입 경로에 따라 필요한 리소스만 로드하는 스마트 코드 스플리팅을 적용했습니다.

3. 엔지니어링 원칙: 무결점 시스템을 위한 규범

Type Safety & Domain-Driven Design

우리는 비즈니스 도메인의 복잡성을 코드 레벨에서 명확히 표현하기 위해 DDD(Domain-Driven Design) 원칙을 따릅니다. 각 직무별 특성과 이력서의 섹션들을 독립적인 도메인 모델로 정의하고, 이를 TypeScript의 인터페이스와 제네릭을 통해 엄격하게 관리합니다. 이는 기획자의 요구사항이 개발 단계에서 오역될 가능성을 원천적으로 차단합니다.

Infrastructure as Code (IaC)

커리어던의 모든 인프라 설정은 코드로 관리됩니다. Vercel 설정부터 Supabase의 데이터베이스 스키마, 권한 정책(Policies)까지 모두 Git 저장소에서 버전 관리되며, CI/CD 파이프라인을 통해 자동 배포됩니다. 이는 휴먼 에러를 방지하고 환경 간의 일관성을 보장합니다.

4. 데이터 파이프라인: 지능형 지식 생태계의 구축

데이터는 커리어던의 핵심 자산입니다. 단순한 수집을 넘어, 비정형 텍스트 데이터에서 유의미한 '합격 패턴'을 추출해 내는 과정은 고도의 자연어 처리(NLP) 기술을 요합니다.

Pipeline Component Deep-Dive:

Crawler Fleet

Scrapy와 Playwright를 활용한 헤드리스 브라우저 클러스터를 운영하여, 자바스크립트로 렌더링되는 복잡한 채용 포털의 정보를 정밀하게 긁어옵니다.

NER & Entity Extraction

개체명 인식(Named Entity Recognition) 기술을 통해 텍스트 내의 기술 스택, 프로젝트 기간, 성과 수치 등을 자동으로 분류하여 정형 데이터로 변환합니다.

Quality Scoring Hub

수집된 데이터의 품질을 AI가 평가합니다. 신뢰도가 낮은 정보나 중복된 사례는 파이프라인 상에서 자동으로 필터링되어 지식의 순도를 높입니다.

Automated Taxonomy Update

새로운 기술 용어(예: 'Prompt Engineer')가 등장하면, AI가 스스로 관련 직무군에 해당 키워드를 업데이트하여 지식 그래프를 확장합니다.

5. 보안 아키텍처: 사용자 주권의 수호

우리는 사용자의 데이터를 보관하는 것이 아니라, 사용자가 허락한 시간 동안만 대여한다는 마음가짐으로 보안을 설계합니다.

Security Principles in Practice:

• Row Level Security (RLS): 애플리케이션 서버에서 쿼리를 조작하는 것이 아니라, DB 엔진 자체에서 사용자 토큰을 검증하여 자신의 데이터 행(Row) 외에는 접근이 불가능하도록 물리적 제어를 수행합니다.
• Token Rotation & JWE: JWT 기반의 인증 체계를 고도화하여 보안 토큰의 탈취 가능성을 낮추고, 민감 데이터는 JWE(JSON Web Encryption)를 통해 페이로드 레벨에서 암호화합니다.
• Audit Logging: 시스템 내의 모든 데이터 접근 및 변경 이력을 변경 불가능한 로그로 남겨, 침해 사고 발생 시 즉각적인 추적과 대응이 가능하도록 설계했습니다.

6. 2026 기술 로드맵: 쿼터별 마일스톤

Q1: Autonomous Skill Verification

사용자의 이력서에 기재된 기술 스택을 실제 코드 저장소(GitHub) 분석과 AI 챌린지를 통해 검증하는 ASV(Autonomous Skill Verification) 엔진을 런칭합니다. 이는 지원자의 주장에 '객관적 데이터'를 더하는 기술적 장치가 될 것입니다.

Q2: Global Job Knowledge Graph

전 세계 채용 시장의 기술 트렌드와 직무 간의 연관성을 모델링한 '글로벌 직무 지식 그래프'를 완성합니다. 이를 통해 한국에서의 커리어가 글로벌 시장(미국, 일본 등)에서 어떤 가치를 갖는지 정밀하게 환산할 수 있게 됩니다.

Q3: Predictive Career Pathing

현재의 스킬 셋을 기반으로 3년, 5년 후 도달 가능한 커리어 경로와 필요한 학습 로드맵을 시뮬레이션하는 예측 알고리즘을 상용화합니다. 수백만 건의 커리어 궤적 데이터를 딥러닝으로 분석하여 최적의 성공 확률을 제시합니다.

Q4: Enterprise HR Integration Hub

대기업의 ATS(Applicant Tracking System)와 직접 연동되는 API 허브를 구축합니다. 지원자가 커리어던에서 준비한 고품질 데이터가 기업의 채용 시스템으로 즉시, 무손실로 전송되는 '채용의 고속도로'가 완성됩니다.

7. 엔지니어링 문화: 커리어던을 만드는 방식

우리는 '어떻게' 만드는지가 '무엇'을 만드는지만큼 중요하다고 믿습니다. 커리어던 엔지니어링 팀은 다음과 같은 독특한 문화를 통해 극한의 효율과 품질을 추구합니다.

Surgical Updates & Precision

전체를 뒤엎는 리팩토링보다, 문제의 핵심을 관통하는 '외과적 수술(Surgical Update)' 스타일의 코드 수정을 지향합니다. 불필요한 코드 변경을 최소화하고 영향 범위를 정밀하게 통제하여, 시스템의 안정성을 99.99% 이상으로 유지합니다.

Context Efficiency First

엔지니어의 인지적 자원은 유한합니다. 우리는 불필요한 미팅과 문서를 배제하고, 모든 개발 컨텍스트를 코드와 자동화된 테스트 내에 녹여냅니다. "코드 자체가 최선의 문서다"라는 원칙 아래, 누구나 5분 안에 시스템의 의도를 파악할 수 있는 클린 코드를 작성합니다.

Empirical Validation Mandate

모든 가설은 데이터로 증명되어야 합니다. 새로운 알고리즘이나 UI 변경은 반드시 A/B 테스트와 정량적 지표 분석을 거칩니다. 우리는 직관보다 '실증적 검증(Empirical Validation)'을 신뢰하며, 이는 커리어던이 실패 확률을 줄이는 가장 강력한 방법입니다.

Where Data meets Human Potential.

커리어던 테크 팀은 단순히 소프트웨어를 만들지 않습니다. 우리는 한 사람의 인생을 바꾸는 정교한 기계를 설계하고 있습니다. 기술은 그 자체로 목적이 될 수 없지만, 누군가의 간절한 꿈을 실현시키는 가장 강력한 수단이 될 수 있음을 우리는 매일 증명합니다.

Join the CareerDawn Tech Revolution

 

Technical Glossary & Appendices

1. Hydration Match: 클라이언트 사이드 렌더링 시 서버 데이터와 UI 상태를 완벽히 일치시켜 깜빡임을 방지하는 기술적 과정입니다.

2. RAG (Retrieval-Augmented Generation): 학습되지 않은 최신 기업 데이터를 AI 모델에 실시간으로 참조시켜 답변의 정확도를 높이는 기법입니다.

3. pgvector: PostgreSQL 내에서 벡터 데이터를 저장하고 고속 검색을 지원하는 확장 모듈입니다.

4. JWE (JSON Web Encryption): 데이터 전송 시 페이로드 자체를 암호화하여 중간자 공격으로부터 정보를 보호합니다.

5. Edge Runtime: 브라우저에 가까운 위치에서 로직을 실행하여 네트워크 지연 시간을 혁신적으로 줄이는 실행 환경입니다.

6. Semantic Similarity: 단어의 단순 일치가 아닌, 의미적 맥락의 유사성을 수치화하는 기술입니다.

* CareerDawn Engineering Blog covers the latest in AI, Cloud, and Data. Stay tuned for more deep-dives.