05_꼬리질문_모델_선정.md - 100-hours-a-week/9-team-Devths-WIKI GitHub Wiki

면접 모드 모델 선정

작성 상태: ✅ 완료 (v2 업데이트) 최종 업데이트: 2026-02-09

📋 목차

1. 개요

목적

면접 모드에서 인성/기술 면접 질문 생성, 꼬리질문(Follow-up Question) 생성, 면접 평가까지 전체 모델 선정

사용 사례

  • 인성 면접: 5문 고정 질의응답 (vLLM)
  • 기술 면접: 메인 질문 + 꼬리질문 3뎁스 (Gemini + vLLM)
  • 면접 평가: 모의 면접 종료 후 답변 분석 및 토론 (Gemini Pro + OpenAI)
  • 평시 질의응답: vLLM (EXAONE-3.5-8B) 우선, 오류 시 Gemini Flash Fallback — 비용 최적화

핵심 결정

기능 모델 비고
인성 면접 질문 생성 vLLM (EXAONE-3.5-32B) 정해진 질문 + 임베딩 모델, 기술은 깊게 인성은 넓게
기술 면접 메인 질문 Gemini API 다양한 데이터가 필요하여 Gemini API 유지, LangGraph 도입
기술 면접 꼬리질문 vLLM (EXAONE-3.5-32B) 3뎁스까지, 앞의 문답들을 vLLM에 넣어서 질문 생성
면접 평가 (1단계) Gemini Pro 모의 면접 종료 버튼 클릭 시 자동 분석
면접 평가 (2단계) OpenAI + Gemini Discussion "분석 결과 다시 받기" 버튼 클릭 시 토론
평시 질의응답 vLLM (EXAONE-3.5-8B) → Gemini Flash (Fallback) 자체 서빙으로 비용 최적화, 오류 시 Gemini Fallback

2. 요구사항

요구사항 목표 우선순위
응답 속도 2초 이내 높음
질문 관련성 이전 답변과 90% 이상 연관 높음
자연스러움 실제 면접관 수준 높음
한국어 품질 4.5/5.0 이상 높음
비용 합리적 (속도 우선) 중간

3. 꼬리질문 유형

3.1 심화 질문 (Deep Dive)

유형 설명 예시
기술 심화 기술적 세부사항 확인 "Redis 캐싱에서 TTL 전략은 어떻게 설정하셨나요?"
프로세스 확인 문제 해결 과정 검증 "해당 이슈를 어떻게 디버깅하셨나요?"
결과 정량화 정량적 성과 확인 "응답 시간이 70% 단축되었다고 하셨는데, 구체적인 수치는요?"

3.2 STAR 보완 질문

STAR 요소 부족 시 질문 예시
S (상황) "당시 팀 규모와 프로젝트 상황을 설명해주세요"
T (과제) "본인이 맡은 구체적인 역할은 무엇이었나요?"
A (행동) "어떤 기술/방법을 선택하셨고, 그 이유는요?"
R (결과) "프로젝트 결과가 비즈니스에 미친 영향은요?"

3.3 검증 질문

유형 설명 예시
일관성 확인 이전 답변과의 일관성 검증 "앞서 말씀하신 내용과 연결해서..."
깊이 확인 실제 경험 여부 확인 "해당 기술을 직접 구현하셨나요?"
확장 질문 관련 지식 확인 "비슷한 상황에서 다른 접근법은 고려하셨나요?"

4. 후보 모델 비교

4.1 Gemini Flash ✅ 선정 (기본)

개요:

  • Google의 경량 LLM
  • 빠른 응답 속도

장점:

  • ✅ 빠른 응답 (1~2초)
  • ✅ 한국어 자연스러움 4.8/5.0
  • ✅ 스트리밍 지원 (실시간 느낌)
  • ✅ 낮은 비용

단점:

  • ❌ 복잡한 답변 분석 시 간혹 부정확

비용: $0.075/1M 입력 토큰, $0.30/1M 출력 토큰

4.2 Gemini Pro ✅ 선정 (복잡한 답변용)

개요:

  • Google의 고성능 LLM
  • 복잡한 추론에 적합

장점:

  • ✅ 높은 정확도
  • ✅ 복잡한 답변 분석 가능
  • ✅ 문맥 이해 우수

단점:

  • ❌ Flash 대비 느림 (2~4초)
  • ❌ 비용 높음

비용: $1.25/1M 입력 토큰, $5/1M 출력 토큰

용도: 기술 심화 질문, 복잡한 STAR 분석

4.3 OpenAI GPT-4 (비교용)

개요:

  • OpenAI의 플래그십 LLM

장점:

  • ✅ 높은 추론 능력
  • ✅ 일관된 품질

단점:

  • ❌ Gemini 대비 비용 높음
  • ❌ 한국어 성능 Gemini보다 약간 낮음

용도: Gemini 장애 시 Fallback

4.4 EXAONE-3.5-32B ✅ V2+

개요:

  • LG AI Research의 한국어 특화 32B 모델
  • 벤치마크 테스트에서 85-90점 품질 달성
  • vLLM을 통한 로컬 서빙으로 프라이버시 보장

장점:

  • ✅ 꼬리질문 품질 최고 (85-90점)
  • ✅ 한국어 자연스러움 (95%+ 한국어 비율)
  • ✅ JSON 준수율 100%
  • ✅ 데이터 프라이버시 (로컬 서빙)
  • ✅ Apache 2.0 라이선스

단점:

  • ❌ Gemini 대비 응답 느림 (~20-30초)
  • ❌ A100 40GB GPU 필요
  • ❌ 인프라 비용 높음 (~$2,160/월)

테스트 결과

평가 항목 7.8B 32B
질문 유형 일치 60% 80%
키워드 포함 40% 60%
종합 품질 점수 75-80점 85-90점 ✅

용도: V2+ 면접 모드에서 고품질 꼬리질문 생성

4.5 EXAONE-3.5-7.8B (비용 효율 대안)

개요:

  • V2+ 일반 채팅용, 비용 효율 중시 시 사용

테스트 결과:

  • 품질 점수: 75-80점
  • 응답 속도: ~10-15초
  • L4 24GB로 구동 가능 (~$576/월)

5. 최종 선정

선정 전략 (V2 — 현재)

인성 면접 모드

단계 모델 선정 근거
질문 생성 (Q1~Q5) vLLM (EXAONE-3.5-32B) 정해진 질문 + 임베딩 모델, 프라이버시 보장
꼬리질문 없음 인성 면접은 5문 고정, 꼬리질문 미적용
평가 (1단계) Gemini Pro 모의 면접 종료 버튼 클릭 시 자동 분석
평가 (2단계) OpenAI + Gemini Discussion "분석 결과 다시 받기" 버튼 (사용자 수동 트리거)

기술 면접 모드

단계 모델 선정 근거
메인 질문 (Q1~Q3) Gemini API 다양한 데이터가 필요, LangGraph 도입으로 질문 고도화
꼬리질문 (3뎁스) vLLM (EXAONE-3.5-32B) 앞의 문답들을 컨텍스트로 넣어 질문 생성, 품질 85-90점
평가 (1단계) Gemini Pro 모의 면접 종료 버튼 클릭 시 자동 분석
평가 (2단계) OpenAI + Gemini Discussion "분석 결과 다시 받기" 버튼 (사용자 수동 트리거)

평시 질의응답 (비용 최적화)

단계 모델 선정 근거
일반 대화 (Primary) vLLM (EXAONE-3.5-8B) L4 GPU 서버리스로 자체 서빙, API 호출 비용 $0 (인프라 비용만)
일반 대화 (Fallback) Gemini Flash vLLM 오류·과부하·타임아웃 시 자동 전환, 저비용 API

비용 최적화 전략

  • 평시 질의응답은 면접 대비 호출 빈도가 높아 API 비용이 누적됨
  • EXAONE 8B를 L4 서버리스로 자체 서빙하여 API 호출 비용을 제거
  • vLLM 장애·과부하·콜드스타트 등 오류 발생 시에만 Gemini Flash로 Fallback하여 가용성 보장
  • 결과적으로 대부분의 평시 대화는 자체 서빙(비용 $0)으로 처리, 소수의 Fallback만 Gemini 비용 발생

Fallback 전략

상황 Fallback 모델 비고
평시: vLLM 8B 오류 Gemini Flash 과부하·타임아웃·콜드스타트 시 자동 전환
면접: vLLM 32B 과부하/장애 Gemini Flash 꼬리질문 생성 Fallback
Gemini API 장애 GPT-4o 기술 면접 메인 질문 Fallback
OpenAI 장애 Gemini Pro 단독 분석 2단계 토론 불가 시 1단계만 제공

라우팅 전략 (V2)

def select_model(
    mode: str,            # "chat" | "personality" | "technical"
    stage: str,           # "question" | "followup" | "evaluation"
    depth: int = 0        # 꼬리질문 뎁스 (0=메인, 1=1차, 2=2차)
) -> str:
    """모드별 모델 선택"""

    # 평시 질의응답: vLLM 8B 우선, 오류 시 Gemini Flash Fallback
    if mode == "chat":
        return "vllm-exaone-8b"         # Fallback: gemini-flash

    # 인성 면접: 전부 vLLM 32B
    if mode == "personality":
        if stage == "question":
            return "vllm-exaone-32b"
        if stage == "evaluation":
            return "gemini-pro"

    # 기술 면접
    if mode == "technical":
        if stage == "question" and depth == 0:
            return "gemini-api"          # 메인 질문은 Gemini
        if stage == "followup" or depth > 0:
            return "vllm-exaone-32b"     # 꼬리질문은 vLLM
        if stage == "evaluation":
            return "gemini-pro"

    return "gemini-flash"  # fallback


async def chat_with_fallback(user_message: str, context: dict) -> str:
    """평시 질의응답 — vLLM 8B 우선, 오류 시 Gemini Fallback"""
    try:
        return await call_vllm_8b(user_message, context)
    except (TimeoutError, ConnectionError, Exception) as e:
        logger.warning(f"vLLM 8B 오류, Gemini Fallback 전환: {e}")
        return await call_gemini_flash(user_message, context)

비용 분석

■ 평시 질의응답 (비용 최적화)
- Primary: vLLM EXAONE 8B (자체 서빙) → API 비용 $0
- Fallback: Gemini Flash (오류 시에만) → 극소량 API 비용
- 효과: 기존 Gemini 전량 호출 대비 API 비용 대폭 절감

■ 인성 면접 (5문, 꼬리질문 없음)
- vLLM: 자체 서빙 (인프라 비용만)
- 평가: Gemini Pro 1회 ~$0.02-0.05

■ 기술 면접 (3문 × 3뎁스 = 최대 9 Q&A)
- Gemini API (메인 질문 3회): ~$0.003
- vLLM (꼬리질문 6회): 자체 서빙
- 평가: Gemini Pro 1회 ~$0.02-0.05

■ 2단계 토론 (선택적)
- OpenAI GPT-4o: ~$0.05-0.10 추가

월간 예상 비용 (월 500회 면접 + 월 2,000회 평시 대화):
- 평시 대화 (vLLM 8B): 자체 서빙 $0 (인프라 비용만)
- 평시 Fallback (Gemini Flash, 약 5%): 100 × $0.0005 = $0.05
- Gemini API (메인 질문): 500 × 3 × $0.001 = $1.50
- Gemini Pro (평가): 500 × $0.05 = $25.00
- OpenAI (토론, 약 20% 사용): 100 × $0.10 = $10.00
- 총 API 비용: ~$36.55/월 + vLLM 인프라 (8B L4 + 32B A100)

6. 꼬리질문 생성 전략

적용 대상: 기술 면접 모드에서만 적용. 인성 면접은 Q1~Q5 고정 5문으로 꼬리질문 없음.

6.1 면접 모드별 질문 구조

인성 면접 모드 (vLLM)

[대화 시작] → [인성 면접 모드]
    │
    Q1 ──→ A1
    Q2 ──→ A2
    Q3 ──→ A3
    Q4 ──→ A4
    Q5 ──→ A5
    │
    ▼
[모의 면접 종료 버튼 클릭]
    → Gemini Pro 평가
    → (선택) "분석 결과 다시 받기" → OpenAI & Gemini Discussion
  • 정해진 질문에 따라 답함 → vLLM 모델 사용 + 임베딩 모델
  • 기술은 깊게, 인성은 넓게

기술 면접 모드 (Gemini + vLLM)

[대화 시작] → [기술 면접 모드]
    │                                    Gemini
    Q1 (Gemini) ──→ A1
        Q1-2 (vLLM) ──→ A1-2           ← 3번째 뎁스까지 질문이
        Q1-3 (vLLM) ──→ A1-3              간다면, 앞의 문답들을
    │                          vLLM        vLLM에 넣어서 질문 생성
    Q2 (Gemini) ──→ A2
        Q2-2 (vLLM) ──→ A2-2
        Q2-3 (vLLM) ──→ A2-3
    │                          vLLM
    Q3 (Gemini) ──→ A3
        Q3-2 (vLLM) ──→ A3-2
        Q3-3 (vLLM) ──→ A3-3
    │
    ▼
[모의 면접 종료 버튼 클릭]
    → Gemini Pro 평가
    → (선택) "분석 결과 다시 받기" → OpenAI & Gemini Discussion
  • 다양한 데이터가 필요함 → 따라서 Gemini API 유지, 질문 고도화를 위하여 LangGraph 도입
  • 꼬리질문은 앞의 문답 컨텍스트를 vLLM에 넣어서 생성

6.2 꼬리질문 생성 파이프라인 (기술 면접)

[메인 질문 — Gemini API]
    │
    ▼
[사용자 답변 수신]
    │
    ▼
[답변 분석 — vLLM]
    ├── STAR 요소 확인
    ├── 기술 키워드 추출
    └── 답변 깊이 평가
    │
    ▼
[꼬리질문 생성 — vLLM (EXAONE-3.5-32B)]
    ├── 앞의 Q&A 컨텍스트 포함
    ├── 최대 2회 (3뎁스)
    └── 답변이 충분하면 스킵 → 다음 메인 질문
    │
    ▼
[스트리밍 응답]

6.3 꼬리질문 프롬프트

FOLLOWUP_PROMPT = """
당신은 면접관입니다. 지원자의 답변을 분석하고 적절한 꼬리질문을 생성하세요.

## 면접 질문
{original_question}

## 지원자 답변
{answer}

## STAR 분석
- Situation (상황): {star_situation}
- Task (과제): {star_task}
- Action (행동): {star_action}
- Result (결과): {star_result}

## 꼬리질문 생성 규칙
1. 부족한 STAR 요소를 보완하는 질문
2. 기술적 세부사항을 확인하는 질문
3. 정량적 성과를 확인하는 질문
4. 자연스럽고 면접관다운 어투 사용

## 출력 형식 (JSON)
{
  "followup_type": "star_complement|technical_deep_dive|verification",
  "question": "생성된 꼬리질문",
  "focus_area": "질문의 핵심 목적",
  "expected_answer_elements": ["기대하는 답변 요소들"]
}
"""

6.4 꼬리질문 횟수 제한

기술 면접에서만 적용. 인성 면접은 꼬리질문 없음.

MAX_FOLLOWUP_DEPTH = 2  # 메인 질문당 최대 꼬리질문 횟수 (3뎁스: Q1 → Q1-2 → Q1-3)
MAX_MAIN_QUESTIONS = 3  # 기술 면접 메인 질문 수

async def generate_followup(
    mode: str,            # "personality" | "technical"
    main_question: str,
    qa_history: list,     # 해당 메인 질문의 Q&A 히스토리
    followup_depth: int   # 현재 뎁스 (0=메인, 1=1차 꼬리, 2=2차 꼬리)
) -> Optional[str]:
    """꼬리질문 생성 (기술 면접 전용)"""

    # 인성 면접은 꼬리질문 없음
    if mode == "personality":
        return None

    # 최대 뎁스 초과 시 다음 메인 질문으로
    if followup_depth >= MAX_FOLLOWUP_DEPTH:
        return None

    # 답변이 충분히 좋으면 꼬리질문 스킵
    if is_answer_complete(qa_history[-1]["answer"]):
        return None

    # vLLM에 앞의 문답 컨텍스트를 넣어 꼬리질문 생성
    return await generate_followup_with_vllm(main_question, qa_history)

7. 구현 참조

코드 파일

  • 3.model/app/services/rag_service.py - generate_followup_question()
  • 3.model/app/services/llm_service.py - LLM 호출
  • 3.model/app/services/star_analyzer.py - STAR 분석

API 엔드포인트

  • POST /ai/chat (mode: interview) - 면접 모드에서 자동 호출

사용 예시

# 면접 모드에서 자동 처리
# 요청 (내부 처리)
{
    "original_question": "가장 어려웠던 프로젝트 경험을 말씀해주세요",
    "answer": "대용량 트래픽 처리 프로젝트가 어려웠습니다",
    "star_analysis": {
        "situation": "incomplete",
        "task": "missing",
        "action": "incomplete",
        "result": "missing"
    }
}

# 응답
{
    "followup_type": "star_complement",
    "question": "해당 프로젝트에서 본인이 맡은 구체적인 역할과 과제는 무엇이었나요?",
    "focus_area": "Task 보완",
    "expected_answer_elements": [
        "담당 역할",
        "해결해야 할 과제",
        "팀 내 책임"
    ]
}

8. 벤치마크 테스트 결과

📒 테스트 코드: 99.꼬리질문 테스트.ipynb

테스트 환경

항목 7.8B 테스트 32B 테스트
GPU NVIDIA L4 (24GB) NVIDIA A100 40GB
양자화 BitsAndBytes 4bit (NF4) BitsAndBytes 4bit
런타임 Google Colab Google Colab Pro

테스트 케이스 (5개)

ID 카테고리 상황 기대 유형
tech_deep_dive_1 기술 심화 Redis 캐싱 도입 technical_deep_dive
star_complement_1 STAR 보완 어려운 프로젝트 경험 star_complement
tech_deep_dive_2 기술 심화 MSA 전환 경험 technical_deep_dive
verification_1 검증 질문 시스템 설계 주장 verification
star_complement_2 STAR 보완 갈등 해결 경험 star_complement

성능 비교 결과

모델 응답시간 TPS JSON 성공률 품질 점수
EXAONE-3.5-7.8B (L4) ~10-15초 ~35 100% 75-80점
EXAONE-3.5-32B (A100) ~20-30초 ~20 100% 85-90점 ✅
Gemini Flash (비교) ~2-3초 N/A 100% 80-85점

품질 평가 세부 항목

평가 항목 가중치 7.8B 32B
JSON 구조 준수 20% 100% 100%
질문 유형 일치 25% 60% 80%
키워드 포함 25% 40% 60%
질문 길이 적절성 15% 100% 100%
한국어 비율 15% 100% 100%
종합 점수 100% 75점 88점 ✅

✅ 결론: 꼬리질문 품질은 32B 모델이 7.8B보다 10-15점 우수

9. 추론 프레임워크 비교

Transformers vs vLLM Docker

항목 Transformers (직접) vLLM Docker ✅
동시 요청 1개씩 순차 여러 요청 배치
TPS (동시) ~35 ~70
메모리 효율 기본 PagedAttention
스트리밍 수동 구현 SSE 기본 지원
배포 간단 (pip) Docker 필요

10. 면접 평가 시스템 (v2)

v2에서 면접 평가 버튼을 추가하여, 면접 종료 후 답변 분석 및 개선 제안을 제공합니다.

10.1 평가 흐름

[모의 면접 진행 완료]
    │
    ▼
[모의 면접 종료 버튼 클릭]
    │
    ▼
[1단계: Gemini Pro 자동 분석]
    ├── 전체 Q&A를 Gemini Pro에 전달
    ├── 각 질문별 답변 평가 (적절/부적절/보완필요)
    ├── 부적절·보완필요 시 추천 답변 제시
    └── 종합 점수 및 피드백 생성
    │
    ▼
[사용자에게 결과 표시]
    │
    ▼ (선택적 — 사용자가 "분석 결과 다시 받기" 버튼 클릭)
    │
[2단계: OpenAI & Gemini Discussion]
    ├── GPT-4o가 동일 Q&A를 독립 분석
    ├── Gemini 분석 vs GPT-4o 분석 비교
    ├── 불일치 항목 토론 (1라운드)
    └── 합의된 최종 분석 + 개선된 추천 답변 출력

10.2 모델 선정 근거

단계 모델 선정 근거
1단계 Gemini Pro (thinking 모드) 심층 추론으로 답변 품질 정밀 평가, thinking_level="HIGH"
2단계 GPT-4o + Gemini Pro 서로 다른 LLM의 관점으로 다각도 분석, LangGraph 토론 패턴

10.3 평가 기준

기준 설명 가중치
관련성 질문에 대한 답변의 적합도 25%
구체성 수치·사례 등 구체적 근거 포함 여부 25%
논리성 답변의 논리적 일관성 25%
STAR 기법 Situation-Task-Action-Result 요소 충족도 25%

10.4 비용

단계 발생 조건 예상 비용/건
1단계 (자동) 매 면접 종료 시 ~$0.02-0.05
2단계 (수동) 사용자가 원할 때만 ~$0.05-0.10 추가
  • 1단계만으로도 충분한 분석 제공 (대부분 여기서 끝)
  • 2단계는 사용자 선택이므로 불필요한 비용 발생 없음

11. 면접 로직 다이어그램

아래는 면접 모드의 전체 플로우를 나타낸 다이어그램입니다.

11.1 인성 면접 모드

                 System           User            Result
                 (vLLM)
                                                  ┌──────────┐
    ┌──────┐    ┌──────┐        ┌──────┐         │ Gemini   │
    │인성  │───→│ Q1   │───────→│ A1   │         │          │
    │면접  │    ├──────┤        ├──────┤    ───→  │ 모의 면접│
    │모드  │───→│ Q2   │───────→│ A2   │         │ 종료 버튼│
    │      │    ├──────┤        ├──────┤         │ 클릭     │
    │정해진│───→│ Q3   │───────→│ A3   │         └────┬─────┘
    │질문에│    ├──────┤        ├──────┤              │
    │따라  │───→│ Q4   │───────→│ A4   │         ┌────▼─────┐
    │답함  │    ├──────┤        ├──────┤         │분석 결과 │
    │+임베 │───→│ Q5   │───────→│ A5   │         │다시 받기 │──→ OpenAI &
    │딩모델│    └──────┘        └──────┘         │버튼 클릭 │    Gemini
    └──────┘                                     └──────────┘   Discussion

    기술은 깊게, 인성은 넓게

11.2 기술 면접 모드

                 System                User           Result
                 Gemini
    ┌──────┐    ┌──────┐             ┌──────┐        ┌──────────┐
    │기술  │───→│ Q1   │────────────→│ A1   │        │ Gemini   │
    │면접  │    │(Gem) │             ├──────┤        │          │
    │모드  │    ├──────┤    vLLM     │ A1-2 │   ───→ │ 모의 면접│
    │      │    │Q1-2  │────────────→├──────┤        │ 종료 버튼│
    │다양한│    │(vLLM)│             │ A1-3 │        │ 클릭     │
    │데이터│    ├──────┤    vLLM     └──────┘        └────┬─────┘
    │필요  │    │Q1-3  │────────────→                     │
    │→Gem │    │(vLLM)│                              ┌────▼─────┐
    │API  │    ├──────┤             ┌──────┐         │분석 결과 │
    │유지, │───→│ Q2   │────────────→│ A2   │         │다시 받기 │──→ OpenAI &
    │질문  │    │(Gem) │             ├──────┤         │버튼 클릭 │    Gemini
    │고도화│    ├──────┤    vLLM     │ A2-2 │         └──────────┘   Discussion
    │위해  │    │Q2-2  │────────────→├──────┤
    │Lang  │    │(vLLM)│             │ A2-3 │
    │Graph │    ├──────┤    vLLM     └──────┘
    │도입  │    │Q2-3  │────────────→
    │      │    │(vLLM)│
    │3번째 │    ├──────┤             ┌──────┐
    │뎁스  │───→│ Q3   │────────────→│ A3   │
    │까지  │    │(Gem) │             ├──────┤
    │질문이│    ├──────┤    vLLM     │ A3-2 │
    │간다면│    │Q3-2  │────────────→├──────┤
    │앞의  │    │(vLLM)│             │ A3-3 │
    │문답들│    ├──────┤    vLLM     └──────┘
    │을vLLM│    │Q3-3  │────────────→
    │에넣어│    │(vLLM)│
    │질문  │    └──────┘
    │생성  │
    └──────┘

11.3 모델 역할 요약

역할 평시 질의응답 인성 면접 기술 면접 면접 평가
Primary 모델 vLLM (EXAONE-3.5-8B) vLLM (EXAONE-3.5-32B) Gemini API (메인) + vLLM (꼬리) -
Fallback 모델 Gemini Flash Gemini Flash GPT-4o -
1단계 분석 - - - Gemini Pro (thinking)
2단계 토론 - - - OpenAI GPT-4o + Gemini Pro
트리거 사용자 채팅 면접 시작 면접 시작 종료 버튼(1단계), 다시 받기 버튼(2단계)
비용 자체 서빙 $0 자체 서빙 $0 메인만 API (~$0.001/건) ~$0.02-0.10/건

문서 이력

날짜 내용
2026-01-27 초안: 꼬리질문 모델 선정 (V1 Gemini 기반, V2+ EXAONE 기반)
2026-02-09 V2 업데이트: 인성/기술 면접 모드 분리, 면접 평가 시스템(Gemini Pro + OpenAI Discussion) 추가, 면접 로직 다이어그램 추가
2026-02-09 평시 질의응답 모델 결정: vLLM EXAONE 8B (Primary) + Gemini Flash (Fallback) — 비용 최적화 전략