CoreBridge

3팀 - Halo

👨‍💻 팀원 구성

이상우	양승우	김륜환	염준선	김영재

---

배포 접속 주소

프론트

• www.core-bridge.co.kr

백엔드

• api.core-bridge.co.kr

---

🚀 CoreBridge AI Pipeline

AI 기반 실시간 채용 매칭 시스템의 전체 파이프라인을 직접 설계·구현·자동화·모니터링한 프로젝트입니다. 이력서 텍스트를 입력받아 요약 → 스킬 추출 → 임베딩 → 벡터 검색 → 매칭 → LLM 스코어링 → DB 저장까지 총 8단계의 End-To-End AI Workflow를 n8n을 이용해 구축했습니다.

처음에는 /spring/ai 파일에 있는 java spring 코드처럼 AI server로 직접 트리거 하였으나, 점차 /spring/personal 코드를 활용해 자동화 파이프라인 구축을 위해 노코드(no-code)기반 n8n 오픈소스 워크플로우 자동화 도구와 통신하는 방법을 사용하였습니다.

🎯 프로젝트 목표

• 채용 과정 중 서류 검토에 도움을 주어 서류 검토시간 단축
• LLM 기반 텍스트 이해 + 벡터 검색 기술로 JD-지원자 매칭 정확도 향상
• n8n을 이용해 파이프라인 자동화 및 오류 없는 흐름 구성
• Prometheus + Grafana 기반 실시간 성능 분석 및 병목 파악

🧠 전체 아키텍처 개요

1단계: 웹훅 수신 재개(n8n) → 텍스트 추출 Resume Input (Webhook)
2단계: AI 요약 생성(FastAPI를 통한 Ollama LLM)
3단계: 스킬 추출(FastAPI를 통한 Ollama LLM)
4단계: 문장 임베딩(FastAPI + nomic-embed-text)
5단계: 벡터 스토리지(Redis with RediSearch)
6단계: JD 매칭(코사인 유사도기반 검색)
7단계: 후보 점수 매기기(LLM 기반 분석)
8단계: Spring boot를 통해 Mariadb에 저장(Spring Boot Backend & Mariadb)

Swagger

• http://175.197.41.64:33398/docs

• Scoring 예시

🔄 파이프라인 단계별 설명

1️⃣ Resume Input (Webhook)

• n8n Webhook 트리거로 이력서 JSON 수신
• 원본 텍스트 및 메타데이터 전처리

2️⃣ Summary Generation (LLM)

• FastAPI → Ollama LLM 호출
• llama3 모델로 이력서 핵심 요약 생성
• 평균 처리시간: 20~60초 (LLM 병목 구간)

3️⃣ Skill Extraction (LLM)

• LLM 기반 스킬 리스트 자동 추출
• JSON 리스트 기반 데이터 구조화

4️⃣ Sentence Embedding

• nomic-embed-text 모델로 768-dim 벡터 생성
• 처리시간 평균: 300~800ms

5️⃣ Vector Store (Redis Stack)

• RediSearch + HNSW 인덱스로 벡터 저장
• 대규모 검색에 최적화된 구조

6️⃣ JD Matching

• Redis vector search로 JD와 cosine similarity 매칭
• 처리속도: 1~10ms 수준

7️⃣ LLM Scoring

• 지원자 → JD 매칭 결과에 대한 LLM 재평가
• 인과 기반 평가(why matched?)

8️⃣ Result Persistence (Spring Boot)

• 정제된 결과를 Spring Backend를 통해 MariaDB에 저장

• 이후 관리자 대시보드에서 활용

• MariaDB에 저장

📊 모니터링 (Observability)

Prometheus + Pushgateway + Grafana로 AI Workflow 성능을 정량적으로 시각화했습니다.

http://175.197.41.64:33377

주요 지표

• ai_workflow_total_processing_ms
• ai_service_summary_latency_ms
• ai_service_skills_latency_ms
• ai_service_embedding_latency_ms
• ai_service_redis_latency_ms
• ai_service_match_latency_ms
• ai_service_score_latency_ms

Grafana 대시보드 주요 기능

• 전체 파이프라인 처리시간 실시간 확인
• 단계별 병목 지점 한눈에 확인

🧱 기술 스택

🏗️ Backend & API

• FastAPI
• Spring Boot + JPA
• Ollama LLM Runtime
• nomic-embed-text (Embedding Model)

📦 Data & Vector DB

• Redis Stack
• RediSearch (Vector Search)

🔄 Workflow Orchestration

• n8n
• Webhook Trigger
• JavaScript Function Nodes

🐋 Infrastructure

• Docker (자원이 한정되어 있었기(CPU 환경) 때문에 Kubernetes에 올리지 않았습니다)

📊 Observability

• Prometheus
• Pushgateway
• Grafana

📈 성과 및 개선 효과

• 이력서 분석 작업 100% 자동화
• JD 매칭 속도 50~300ms로 단축
• LLM 병목 파악 후 개선 방향성 명확화
• 서비스 장애 관찰성 확보