[AI] 00.서비스_시나리오.md - 100-hours-a-week/9-team-Devths-WIKI GitHub Wiki

서비스 시나리오

📚 목차

서비스 워크 플로우

로그인
AI 화면 진입
이전에 진행한 채팅 목록 출력

대화 시작

4.1 새 대화 시작

4.1.1 이력서 및 포트폴리오 입력

사용 AI API

API	용도	처리방식
`POST /ai/ocr/extract`	파일에서 텍스트 추출 + 임베딩 저장 (내부 처리)	🔄 비동기
`POST /ai/file/embed`	텍스트 직접 입력 시 임베딩 저장	⚡ 동기

💡 변경: 파일 업로드 시 /ai/ocr/extract가 내부에서 임베딩까지 처리 (Backend 재호출 불필요)

Embedding + VectorDB 적용

저장할 데이터 : 이력서 텍스트 임베딩 저장 
collection : resumes (이력서 + 포트폴리오 같은 컬렉션)
활용 시점 : 매칭 분석, 면접 질문 생성 시 검색

4.1.1.1 파일 첨부

PDF 파일 첨부

  PDF 파일은 바로 OCR,VLM이 안됨 
  따라서 
  * PyMuPDF : PDF를 이미지로 변환(추천)
  * pdfplumber : 텍스트 추출(이미지 PDF는 안됨)

4.1.1.2 이미지 첨부
4.1.1.3 텍스트 직접 입력

4.1.3 채용 공고 정보 입력

사용 AI API

API	용도	처리방식
`POST /ai/ocr/extract`	파일에서 텍스트 추출 + 임베딩 저장 (내부 처리)	🔄 비동기
`POST /ai/file/embed`	텍스트 직접 입력 시 임베딩 저장	⚡ 동기

💡 변경: 파일 업로드 시 /ai/ocr/extract가 내부에서 임베딩까지 처리 (Backend 재호출 불필요)

Embedding + VectorDB 적용

저장할 데이터 : 채용 공고 텍스트 임베딩 저장
collection : job_postings
활용 시점 : 유사 공고 추천, 일정 추론

4.1.3.1 파일 첨부
4.1.3.2 이미지 첨부
4.1.3.3 텍스트 직접 입력

4.2 기존 대화 이어하기
- 4.2.1 대화 목록에서 선택
- 4.2.2 이전 대화 내용 불러오기
- 4.2.3 이력서 및 포트폴리오 추가/변경 (4.1.1과 동일)
- 4.2.4 채용 공고 정보 추가/변경 (4.1.2과 동일)

이력서와 채용 공고 종합 분석하기

사용 AI API

API 용도 처리방식

POST /ai/analyze 분석 + 매칭도 통합 📡 스트리밍 (SSE)

💡 기존 /ai/analyze + /ai/matching 통합 → 한 번의 호출로 분석 + 매칭 결과 반환

LangChain RAG

사용 기술 : Langchain RAG Chain
```
[이력서 입력]
    ↓
VectorDB에서 유사 이력서/피드백 검색 (RAG)
    ↓
검색 결과 + 현재 이력서 → LLM 분석
    ↓
"이전에 비슷한 이력서에서 이런 피드백을 받았어요" 형태로 출력
```
Embedding + VectorDB 적용
```
저장할 데이터 : 분석 결과 임베딩 저장
collection : analysis_results
활용 시점 : 이전에 받은 피드백 뭐였지?
```
Prompt 1: 이력서 분석 (5.1.1에서 사용)
```
역할: 이력서 텍스트 → 강점/약점/개선제안 추출
- JSON 형태로 구조화된 응답 유도
```
Prompt 2: 채용 공고 파싱 (5.1.2에서 사용)
```
역할: 채용 공고 텍스트 → 회사명, 직무, 필수요구사항, 우대사항 추출
- JSON Schema 기반 응답
```
Prompt 3: 매칭도 분석 (5.1.3에서 사용)
```
역할: 이력서 + 채용공고 → 매칭 점수, 등급, 스킬 비교 분석

예시:
"이력서의 스킬과 채용공고 요구사항을 비교해서 매칭도를 분석해줘"
```
- 5.1 분석 결과 출력
  - 5.1.1 이력서 분석 결과 → Prompt 1 사용
    - 5.1.1.1 강점
    - 5.1.1.2 약점
    - 5.1.1.3 개선 제안
  - 5.1.2 채용 공고 분석 결과 → Prompt 2 사용
    - 5.1.2.1 회사명, 직무
    - 5.1.2.2 필수 요구사항
    - 5.1.2.3 우대사항
  - 5.1.3 매칭도 분석 → Prompt 3 사용
    - 5.1.3.1 종합 점수
    - 5.1.3.2 등급 (S/A/B/C/D)
    - 5.1.3.3 보유 스킬 / 부족 스킬 / 보너스 스킬
    - 5.1.3.4 강점 요약
    - 5.1.3.5 약점 요약
    - 5.1.3.6 맞춤 추천 사항
- 5.2 분석 결과 기반 대화 진행
  - 5.2.1 분석 내용에 대해 추가 질문
  - 5.2.2 특정 섹션 상세 설명 요청
  - 5.2.3 개선 방안 구체적 제안 요청

API	용도	처리방식
`POST /ai/analyze`	분석 + 매칭도 통합	📡 스트리밍 (SSE)

모의 면접

사용 AI API

API	용도	처리방식
`POST /ai/interview/question`	질문/꼬리질문 생성 (DB에서 히스토리 조회)	⚡ 동기
`POST /ai/interview/save`	Q&A 개별 저장 (꼬리질문 맥락 유지)	⚡ 동기
`POST /ai/interview/report`	면접 평가 및 피드백	📡 스트리밍 (SSE)

💡 핵심 흐름:

일반 대화 모드에서 면접 모드로 전환 (별도 화면 아님)

면접 모드 시작 시 "현재 면접 모드입니다" 메시지 출력

인성/기술 선택 버튼 + 면접 종료하기 버튼 표시

꼬리 질문 포함 최대 5개 질문 → 5개 채우면 자동 종료

면접 종료 시 "면접 모드가 종료되었습니다" 메시지 출력

리포트 출력 후 일반 대화 모드로 복귀

모의 면접 흐름

[일반 대화 중]
    ↓
[면접 모드 시작] → session_id 생성
    ↓
"현재 면접 모드입니다" 메시지 출력
    ↓
┌──────────────────────────┐
│ [인성 면접] [기술 면접] │  ← 선택 버튼
│      [면접 종료하기]      │  ← 종료 버튼
└──────────────────────────┘
    ↓
[인성/기술 선택] → 첫 질문 생성
    ↓
[답변 입력] → Q&A 저장 → 꼬리질문 생성
    ↓
... 반복 (최대 5개) ...
    ↓
┌─ 5개 완료 ────┐  ┌─ 면접 종료하기 버튼 ─┐
│  자동 종료     │  │     직접 종료       │
└──────┬───────┘  └────────┬─────────┘
       └────────┬────────┘
                ↓
"면접 모드가 종료되었습니다" 메시지 출력
                ↓
[리포트 생성 및 출력]
                ↓
[일반 대화 모드로 복귀]

DB 스키마 (참고)

interview_sessions 테이블:
- session_id (PK)
- room_id
- interview_type (personality/technical)
- status (in_progress/completed)
- created_at, ended_at, ended_by

interview_qa 테이블:
- qa_id (PK)
- session_id (FK)
- question_id
- question, answer
- is_followup, question_number
- created_at

Embedding + VectorDB 적용

저장할 데이터 : 면접 Q&A 임베딩 저장 (면접 종료 시)
collection : interview_qa
활용 시점 : 다음 면접 시 약점 기반 질문 생성

Prompt 1: 질문/꼬리질문 생성 (6.3, 6.4에서 사용)

역할: 이력서 + 채용공고 + 면접유형 + 대화 히스토리 → 질문 생성

RAG 검색 활용:
- VectorDB에서 이력서/포트폴리오 임베딩 검색 → 관련 컨텍스트 제공
- VectorDB에서 이전 면접 피드백 검색 → 약점 기반 질문 생성

예시 (첫 질문):
\"다음 이력서와 채용공고를 참고하여 {면접유형} 면접 질문 1개를 생성해줘.
이력서: {resume}
채용공고: {job_posting}
이전 면접 약점: {previous_weaknesses}

JSON 형태로 응답:
{ 'question': '질문 내용', 'is_followup': false }\"

예시 (꼬리질문):
\"다음 대화 히스토리를 참고하여 꼬리질문 1개를 생성해줘.
면접유형: {면접유형}
대화 히스토리: {history}
관련 컨텍스트: {context}

JSON 형태로 응답:
{ 'question': '꼬리질문 내용', 'is_followup': true }\"

Prompt 2: 면접 평가 및 피드백 (6.5에서 사용)

역할: 전체 Q&A → 점수 + 피드백 + 종합 분석 리포트 생성

RAG 검색 활용:
- VectorDB에서 유사 면접 결과/피드백 검색 → 참조 데이터로 활용
- 리포트 생성 후 면접 결과 임베딩 저장 → 다음 면접에 활용

예시:
\"다음 면접 결과를 종합 분석해줘.

면접 유형: {interview_type}
질문과 답변:
{qa_list}
유사 면접 참조:
{similar_interviews}

다음 항목을 포함해서 리포트 생성:
1. 각 질문별 점수 (0-100) 및 피드백
2. 전체 점수 및 등급 (S/A/B/C/D)
3. 강점 패턴 분석
4. 약점 패턴 분석
5. 다음 면접을 위한 학습 가이드\"

6.1 면접 모드 시작
- 6.1.1 session_id 생성 (면접 세션 시작)
- 6.1.2 "현재 면접 모드입니다" 메시지 출력
- 6.1.3 인성/기술 선택 버튼 + 면접 종료하기 버튼 표시
6.2 면접 유형 선택
- 6.2.1 인성 면접 버튼 클릭
  - 6.2.1.1 인성 면접 관련 질문 생성
- 6.2.2 기술 면접 버튼 클릭
  - 6.2.2.1 기술 면접 관련 질문 생성
6.3 면접 질문 생성 → Prompt 1 사용 → POST /ai/interview/question
- 6.3.1 첫 질문 생성 (AI 서버 호출, session_id 전달)
- 6.3.2 질문 출력
6.4 면접 진행 (꼬리질문 포함 최대 5개 질문)
- 6.4.1 사용자 답변 입력
- 6.4.2 Q&A DB 저장 → POST /ai/interview/save
  - 6.4.2.1 session_id로 Q&A 연결
  - 6.4.2.2 저장 후 다음 질문 요청
- 6.4.3 꼬리질문 생성 → Prompt 1 사용 (DB 히스토리 기반) → POST /ai/interview/question
  - 6.4.3.1 session_id로 DB에서 히스토리 조회
  - 6.4.3.2 LLM이 맥락 기반 꼬리질문 생성
- 6.4.4 다음 질문 출력
- 6.4.5 질문 수 체크 (5개 도달 시 자동 종료)
6.5 면접 종료
- 6.5.1 종료 조건
  - 6.5.1.1 5개 질문 완료 → 자동 종료
  - 6.5.1.2 면접 종료하기 버튼 클릭 → 직접 종료
- 6.5.2 "면접 모드가 종료되었습니다" 메시지 출력
- 6.5.3 리포트 생성 (DB에서 Q&A 조회) → Prompt 2 사용 → POST /ai/interview/report
- 6.5.4 리포트 생성 및 출력 (📡 스트리밍)
  - 6.5.4.1 질문별 점수 및 피드백
  - 6.5.4.2 전체 점수 및 등급
  - 6.5.4.3 강점/약점 종합 분석
  - 6.5.4.4 다음 면접을 위한 학습 가이드
- 6.5.5 결과 리포트 DB 저장 (세션 상태 completed 업데이트)
- 6.5.6 일반 대화 모드로 복귀

일반 대화

사용 AI API

API	용도	처리방식
`POST /ai/chat`	RAG 대화 + 에이전트 Tool Calling	📡 스트리밍 (SSE)

📌 캘린더 Tool 실행은 Backend가 처리 (AI는 결정만)

LangChain RAG

[사용자 질문]
    ↓
VectorDB에서 관련 대화/분석 결과 검색
    ↓
검색 결과 + 최근 대화 히스토리 → LLM
    ↓
맥락 있는 응답

Embedding + VectorDB 적용

저장할 데이터 : 중요 대화 임베딩 저장
collection : chat_context
활용 시점 : 맥락 유지한 대화

Prompt: 시스템 프롬프트 (일반 대화에서 사용)

역할: AI 커리어 코치 페르소나 설정

예시:
"당신은 취업 준비생을 돕는 AI 커리어 코치입니다.
- 친절하고 격려하는 톤으로 답변
- 구체적이고 실행 가능한 조언 제공
- 필요시 이력서/채용공고 분석 결과 참조
- 모르는 것은 모른다고 솔직히 답변"

7.1 취업 관련 자유 질문
7.2 이력서 작성 팁 문의
7.3 면접 준비 조언 요청
7.4 대화 중 파일 첨부하여 즉석 분석

캘린더 일정 자동 추가 (AI)

사용 AI API

API 용도 처리방식

POST /ai/calendar/parse 일정 정보 파싱 (폼 자동 채우기용) ⚡ 동기

📌 캘린더 모달에서 파일/텍스트를 분석하여 일정 정보 추출 💡 챗봇에서의 일정 추가는 /ai/chat API에서 에이전트 Tool Calling으로 처리

OCR/VLM + LLM 적용
```
[채용 공고 입력]
    ↓
OCR/VLM으로 텍스트 추출 (파일인 경우)
    ↓
LLM으로 일정 정보 추출 (회사명, 전형 단계, 날짜)
    ↓
JSON 형태로 파싱 → Frontend가 폼에 자동 채워넣음
    ↓
사용자 확인/수정 → Backend가 Google Calendar에 등록
```
Prompt 1: 캘린더 일정 추출(8.3에서 사용)
```
역할: 채용 공고 정보 → 회사명, 직무, 전형 일정 추출

예시:
"다음 채용 공고 정보를 참고하여 회사명, 직무, 전형 일정을 추출해줘.
채용 공고: {채용공고}

JSON 형태로 응답:
{
  'company': '회사명',
  'position': '직무',
  'schedules': [
    {'stage': '서류 마감', 'date': '2024-03-15'},
    {'stage': '코딩테스트', 'date': '2024-03-20'}
  ],
  'hashtags': ['#네이버', '#백엔드', '#신입']
}"
```
- 8.1 캘린더 화면에서 일정 추가 클릭
- 8.2 채용 공고 정보 입력
  - 8.2.1 파일 첨부
  - 8.2.2 이미지 첨부
  - 8.2.3 텍스트 직접 입력
- 8.3 입력된 데이터 AI 분석 → Prompt 사용
  - 8.3.1 회사명, 직무 추출
  - 8.3.2 전형 일정 추출 (서류 마감, 코딩테스트, 1차 면접, 2차 면접, 최종 발표 등)
  - 8.3.3 해시태그 자동 생성
- 8.4 분석 결과 확인 및 수정
  - 8.4.1 추출된 일정 미리보기
  - 8.4.2 사용자가 직접 수정 가능
  - 8.4.3 일정 추가/삭제
- 8.5 캘린더에 일정 등록 완료

API	용도	처리방식
`POST /ai/calendar/parse`	일정 정보 파싱 (폼 자동 채우기용)	⚡ 동기

챗봇에서 캘린더 관리 (AI 에이전트)

사용 AI API

API	용도	처리방식
`POST /ai/chat`	에이전트 Tool Calling으로 캘린더 CRUD	📡 스트리밍 (SSE)

⚠️ AI는 Tool 호출을 결정만 하고, 실행은 Backend가 함 Backend가 Google Calendar API를 호출하고 결과를 AI에게 전달

Calendar Agent - LangGraph Agent

      사용자 입력: "내일 카카오 면접 추가해줘"
                     ↓
┌───────────────────────────────────────┐
│ Langgraph Agent                       │
│                                       │
│ [parse_intent] → "일정 추가"            │
│       ↓                               │
│ [select_tool] → add_schedule()        │
│       ↓                               │
│ [execute_tool] → Backend API 호출      │
│       ↓                               │
│ [format_response] → "추가 완료!"        │
└───────────────────────────────────────┘

tools = [
get_schedule,      # 일정 조회
add_schedule,      # 일정 추가
update_schedule,   # 일정 수정
delete_schedule    # 일정 삭제
]

캘린더 에이전트 - Function Calling

자연어로 캘린더 CRUD 하려면 Function Calling 필요

사용자: "내일 오후 2시에 카카오 면접 추가해줘"
↓
LLM → Function Call: add_schedule(date="2026-01-07", time="14:00", title="카카오 면접")
↓
Backend API 호출

OpenAI : Function Calling 지원
Gemini : Tool USE 지원

현재 구글 캘린더 + gemini 를 사용하니 Gemini가 더 나은 선택

Prompt 1: 일정 기반 알림 및 제안(9.5)

프롬프트 역할:
* 다가오는 일정 + 사용자 데이터 → 맞춤 준비 조언
* "내일 면접인데 뭐 준비해?" → 해당 회사/직무 맞춤 답변
프롬프트 예시:
"사용자의 {회사명} {직무} 면접이 {날짜}에 있습니다.
이력서: {resume}
채용공고: {job_posting}
이전 면접 피드백: {feedback}
면접 준비를 위한 조언을 3가지 제공해줘."

9.1 자연어로 일정 조회
- 9.1.1 "이번 주 일정 알려줘"
- 9.1.2 "다음 면접 언제야?"
- 9.1.3 "네이버 전형 일정 보여줘"
9.2 자연어로 일정 추가
- 9.2.1 "내일 오후 2시에 카카오 면접 추가해줘"
- 9.2.2 채용 공고 첨부 후 "이거 캘린더에 등록해줘"
9.3 자연어로 일정 수정
- 9.3.1 "네이버 1차 면접 3월 20일로 변경해줘"
- 9.3.2 "카카오 코딩테스트 시간 오후 3시로 바꿔줘"
9.4 자연어로 일정 삭제
- 9.4.1 "라인 서류 접수 일정 삭제해줘"
9.5 일정 기반 알림 및 제안 → Prompt 사용
- 9.5.1 "내일 면접인데 준비할 거 있어?"
- 9.5.2 다가오는 일정 리마인드
- 9.5.3 면접 전 모의 면접 제안

게시판 (게시글 작성 시 첨부파일 업로드)

사용 AI API

API 용도 처리방식

POST /ai/masking/draft 1차 개인정보 마스킹 🔄 비동기

📌 AI는 1차 마스킹만 담당, 수정/최종 적용은 프론트/백엔드가 처리 💡 사용자 수정 시 AI 호출 없음! Backend가 좌표 기반 블러 처리

게시글 작성 시 첨부파일 업로드 + AI 마스킹 처리 흐름
```
[첨부 파일 선택 (이미지/PDF)]
    ↓
AI 마스킹 대기 모달 표시 
    ↓
POST /ai/masking/draft (AI - 비동기)
    ↓
폴링으로 상태 확인 (GET /ai/task/{task_id})
    ↓
┌─ 성공 ─────────────────────────────┐
│ 대기 모달 자동 닫힘                    │
│ 첨부 영역에 1차 마스킹된 썸네일 표시    │
│ 편집(연필) 버튼으로 이미지 편집 모달 진입   │
└───────────────────────────────────┘
┌─ 실패 ─────────────────────────────┐
│ 대기 모달 자동 닫힘                    │
│ 에러 토스트 표시                       │
└───────────────────────────────────┘
    ↓
[사용자 직접 수정 (선택적)] ← 프론트엔드 캔버스 UI
    ↓
POST /api/board/masking/apply (Backend - 동기, AI 불필요!)
    ↓
[게시글 등록]
```
개인정보 마스킹 기술
```
OCR/VLM으로만은 마스킹이 어려울 수 있음 
1. YOLO - 얼굴,등 개인 정보 영역 마스킹 -> 학습 필요
2. VLM만 사용 -> 개인 정보 영역 좌표 알려줘 -> 블러 처리(정확도 이슈 있을 수 있음)

따라서 VLM만 먼저 해보고 정확도 이슈 있을 시 YOLO 추가
* YOLO는 RUNPOD에서 실행해야함(별도 API 없어서)
```
Prompt: 개인정보 좌표 추출 (10.1.2에서 사용)
```
역할: VLM으로 이미지에서 개인정보 영역 좌표 추출

예시:
"이 이미지에서 개인정보(이름, 전화번호, 이메일, 주소, 주민번호, 얼굴 사진)가 있는 영역의 좌표를 [x1, y1, x2, y2] 형태로 모두 찾아줘"
```
- 10.1 첨부파일 업로드 (개인정보 마스킹 적용) → Prompt 사용 → POST /ai/masking/draft
  - 10.1.1 파일 첨부
    - 10.1.1.1 지원 파일: 이미지(JPG/PNG/GIF/WEBP), PDF
  - 10.1.2 AI 개인정보 마스킹 대기 모달 (🔄 비동기 - 폴링)
    - 10.1.2.1 표시 조건: 첨부 파일 선택 후 AI 마스킹 draft 생성 요청 시작 시
    - 10.1.2.2 안내 문구: "AI가 개인정보를 마스킹하는 중입니다", "잠시만 기다려 주세요"
    - 10.1.2.3 진행 상태: 로딩 스피너 표시
    - 10.1.2.4 종료 조건 (성공): 대기 모달 자동 닫힘 → 첨부 영역에 1차 마스킹된 썸네일 표시
    - 10.1.2.5 종료 조건 (실패): 대기 모달 자동 닫힘 → 에러 토스트 ("마스킹에 실패하였습니다. 다시 한 번 시도해주세요")
  - 10.1.3 첨부 파일 카드
    - 10.1.3.1 AI 1차 마스킹 완료 시 마스킹된 결과(초안 또는 최종본) 썸네일 노출
    - 10.1.3.2 편집(연필) 버튼: 추가 마스킹 편집 모달 열기
    - 10.1.3.3 삭제(X) 버튼: 첨부 제거
  - 10.1.4 이미지 편집 모달 (추가 마스킹) → AI 호출 없음!
    - 10.1.4.1 사용자가 직접 마스킹 영역 추가/제거 (프론트엔드 캔버스 UI)
    - 10.1.4.2 마스킹 결과 미리보기
    - 10.1.4.3 확인 후 최종 저장 → POST /api/board/masking/apply (Backend 처리)

API	용도	처리방식
`POST /ai/masking/draft`	1차 개인정보 마스킹	🔄 비동기

AI Server API 목록 (총 9개)

#	Endpoint	Method	설명	처리방식
1	`/ai/ocr/extract`	POST	OCR 텍스트 추출 + 임베딩 저장 (내부 처리)	🔄 비동기
2	`/ai/file/embed`	POST	텍스트 직접 입력 시 임베딩 저장	⚡ 동기
3	`/ai/analyze`	POST	분석 + 매칭도 (통합)	📡 스트리밍
4	`/ai/interview/question`	POST	면접 질문/꼬리질문 생성 (DB 히스토리 기반)	⚡ 동기
5	`/ai/interview/save`	POST	면접 Q&A 개별 저장 (꼬리질문 맥락 유지)	⚡ 동기
6	`/ai/interview/report`	POST	면접 평가 및 피드백	📡 스트리밍
7	`/ai/chat`	POST	대화 처리 (RAG + 에이전트)	📡 스트리밍
8	`/ai/calendar/parse`	POST	캘린더 일정 파싱 (모달용)	⚡ 동기
9	`/ai/masking/draft`	POST	게시판 첨부파일 1차 마스킹	🔄 비동기

📌 OCR 변경: /ai/ocr/extract가 내부에서 임베딩까지 처리 (Backend 재호출 불필요)

📌 마스킹 수정: 사용자가 프론트엔드에서 직접 수정 후 백엔드에서 처리 (AI 불필요)

📌 모의 면접 변경점: 꼬리 질문 맥락 파악을 위해 매 문답마다 개별 저장 (/ai/interview/save)

처리방식 설명

방식	아이콘	설명	사용 시점
동기	⚡	요청 → 응답 대기 → 완료	빠른 처리 (1-2초 이내)
비동기	🔄	요청 → task_id 반환 → 폴링/콜백	오래 걸리는 처리 (파일 처리 등)
스트리밍	📡	SSE로 실시간 응답 전송	대화형 UX (타이핑 효과)

🔍 SSE vs WebSocket 비교

💡 결론: LLM 채팅에는 SSE 권장

항목	SSE (Server-Sent Events)	WebSocket
통신 방향	단방향 (서버 → 클라이언트)	양방향 (서버 ↔ 클라이언트)
프로토콜	HTTP/1.1 기반	독자 프로토콜 (ws://)
연결 방식	일반 HTTP 연결 유지	별도 핸드셰이크 필요
구현 복잡도	간단 (FastAPI `StreamingResponse`)	상대적으로 복잡
로드밸런서/프록시	대부분 호환	설정 필요할 수 있음
자동 재연결	브라우저 기본 지원	직접 구현 필요
HTTP/2 지원	✅ 멀티플렉싱 지원	❌ HTTP/1.1만

🏆 SSE 선택 이유 (현재 프로젝트)

1. LLM 응답은 단방향
   - 사용자 메시지 전송 → LLM 스트리밍 응답
   - 양방향 통신 불필요 → SSE로 충분

2. 업계 표준
   - OpenAI, Anthropic, Google 등 대부분의 LLM API가 SSE 사용
   - 검증된 방식

3. 구현 간단
   - FastAPI: StreamingResponse 사용
   - Frontend: EventSource API 사용

4. 인프라 친화적
   - 기존 HTTP 인프라 그대로 사용 가능
   - 별도 WebSocket 서버 불필요

WebSocket 선택이 적합한 경우

- 이미 WebSocket 인프라가 구축된 경우
- 실시간 양방향 기능 필요 (타이핑 중 표시, 실시간 협업)
- 하나의 연결로 여러 기능 처리 (채팅 + 알림 + 상태 동기화)
- 게임, 실시간 협업 도구 등

LangChain vs LangGraph 역할 분리

┌─────────────────────────────────────────────────────────────┐
│                       Langchain                             │
│  - LLM 호출 래퍼 (Gemini, OpenAI)                             │
│  - Prompt Template 관리                                      │
│  - Output Parser (JSON 파싱)                                 │
│  - VectorDB 연동 (ChromaDB, Pinecone)                        │
│  - RAG Chain (검색 → 컨텍스트 주입 → LLM 응답)                   │
└─────────────────────────────────────────────────────────────┘
                           ↓
┌─────────────────────────────────────────────────────────────┐
│                       Langgraph                             │
│  - 복잡한 워크플로우 관리 (상태 기반)                               │
│  - 조건 분기 (if/else 로직)                                     │
│  - 에이전트 (Function Calling + 도구 실행)                       │
│  - 멀티 스텝 처리 (OCR → 분석 → 저장)                             │
└─────────────────────────────────────────────────────────────┘

Embedding 추천

Gemini Embedding , OpenAI Embedding

VectorDB 추천

ChromaDB , Pinecone, Qdrant

📋 Prompt 위치 요약표

시나리오	Prompt 유형	우선순위
10.1.2 게시판 마스킹	좌표 추출 프롬프트	중
5.1.1 이력서 분석	분석 프롬프트	상
5.1.2 공고 분석	파싱 프롬프트	상
5.1.3 매칭도 분석	매칭 프롬프트	상
6.2 질문 생성	질문 생성 프롬프트	⭐ 최상
6.3.3 답변 평가	평가 기준 프롬프트	⭐ 최상
6.4 리포트	종합 분석 프롬프트	중
7. 일반 대화	시스템 프롬프트	중
8.3 일정 추출	추출 프롬프트	하
9.5 알림/제안	제안 프롬프트	하

📝 주요 Prompt 목록

1. 개인정보 좌표 추출 (VLM)
2. 이력서 분석
3. 채용공고 파싱
4. 매칭도 분석
5. 면접 질문 생성 ⭐
6. 답변 평가 ⭐
7. 면접 평가 및 피드백
8. 일정 추출
9. 시스템 프롬프트 (일반 대화)
10. 일정 기반 제안

[AI] 00.서비스_시나리오.md - 100-hours-a-week/9-team-Devths-WIKI GitHub Wiki

서비스 시나리오

📚 목차

서비스 워크플로우

기술 스택 요약

Prompt 정리

서비스 워크 플로우

사용 AI API

Embedding + VectorDB 적용

PDF 파일 첨부

사용 AI API

Embedding + VectorDB 적용

사용 AI API

LangChain RAG

Embedding + VectorDB 적용

Prompt 1: 이력서 분석 (5.1.1에서 사용)

Prompt 2: 채용 공고 파싱 (5.1.2에서 사용)

Prompt 3: 매칭도 분석 (5.1.3에서 사용)

사용 AI API

모의 면접 흐름

DB 스키마 (참고)

Embedding + VectorDB 적용

Prompt 1: 질문/꼬리질문 생성 (6.3, 6.4에서 사용)

Prompt 2: 면접 평가 및 피드백 (6.5에서 사용)

사용 AI API

LangChain RAG

Embedding + VectorDB 적용

Prompt: 시스템 프롬프트 (일반 대화에서 사용)

사용 AI API

OCR/VLM + LLM 적용

Prompt 1: 캘린더 일정 추출(8.3에서 사용)

사용 AI API

Calendar Agent - LangGraph Agent

캘린더 에이전트 - Function Calling

Prompt 1: 일정 기반 알림 및 제안(9.5)

사용 AI API

게시글 작성 시 첨부파일 업로드 + AI 마스킹 처리 흐름

개인정보 마스킹 기술

Prompt: 개인정보 좌표 추출 (10.1.2에서 사용)

AI Server API 목록 (총 9개)

처리방식 설명

🔍 SSE vs WebSocket 비교

🏆 SSE 선택 이유 (현재 프로젝트)

WebSocket 선택이 적합한 경우

LangChain vs LangGraph 역할 분리

Embedding 추천

VectorDB 추천

📋 Prompt 위치 요약표

📝 주요 Prompt 목록