생성형 기능을 다뤄봤다는 서술은 최신 흐름을 따라간 인상을 주지만 깊이를 증명하지는 못합니다. 품질을 어떤 기준으로 평가했고 프롬프트나 파이프라인을 고친 뒤 무엇이 달라졌는지가 없으면 결과를 확인한 역할로 읽히기 쉽습니다. 진단은 14개 항목으로 나눠 평가 설계와 개선을 주도한 흔적이 있는지, 연차에 걸맞은 판단이 문서에 남았는지를 항목별 근거와 함께 짚고 고칠 지점을 알려줍니다. 아래는 AI 엔지니어(LLM/생성형) 이력서를 14개 항목으로 진단한 실제 예시입니다.
가상 예시가 아니라 직접 작성한 이력서를 같은 기준으로 진단받아 보세요.
직접 진단받기 →아직 이력서를 쓰기 전이라면 같은 직군 이력서 양식 예시부터 보세요.
예시: AI 엔지니어(LLM/생성형)
점수가 아니라 진단입니다 - 무엇이 문제이고 어떻게 고쳐야 하는지를 알려드려요. 이력서를 두 갈래, 각 7개씩 총 14개 항목으로 보고, 각 항목을 강점·보통·약점·중대 약점으로 판정합니다.
가진 경험이 지금 시장이 원하는 것과 맞는지를 봅니다. 여기가 문제면 이력서를 아무리 잘 다듬어도 근본적으로 해결되지 않고, 경험 보강·방향 정립 같은 시간이 필요한 처방이 따릅니다.
경험은 충분히 매력적인데 이력서가 그것을 못 살리는 경우입니다. 이쪽 문제는 대체로 이력서 재작성·표현 개선만으로 즉시 나아집니다.
핵심 경험이 최근에 있는가, 과거에 몰려 있는가.
쓰는 도구·방법론이 지금 시장이 원하는 것과 맞는가.
경험들이 하나의 직무 방향을 가리키는가, 흩어져 있는가.
시작한 것을 결과물까지 완성한 흔적이 있는가.
주도적 기여·깊은 활용인가, 단순 참여·키워드 나열인가.
가진 경험이 지원 직무에 실제로 매핑되는가.
그 직무 자체가 채용 시장에 충분한 자리가 있는가.
가장 강한 카드를 가장 잘 보이는 위치에 두었는가.
자기소개와 본문, 이력서와 포트폴리오가 같은 방향인가.
결과가 검증 가능한 숫자·비교군으로 표현되는가.
"왜 그렇게 했는가"의 trade-off·대안·회고가 드러나는가.
분석을 안 했어도 쓸 수 있는 일반론이 아닌가.
오타·형식·결정적 정보의 정확성이 신뢰를 깎지 않는가.
어떤 사람인지가 첫 줄에서 분명한가.
강점은 해당 직군·연차에서 상위 수준임을 보여주는 명확한 증거가 있을 때만 부여하고, 증명되지 않거나 빈약하게 기재된 항목은 강점으로 쳐주지 않습니다.
14개 항목이 모두 같은 무게는 아닙니다. 지원 직무와 연차에 따라 채용 판단을 가르는 항목이 달라지므로, 항목 이름 옆에 그 무게를 함께 표시합니다.
현재 자료는 AI 관련 업무를 오랫동안 이어왔다는 사실과 활동의 최신성을 보여주지만, 중간 연차에서 기대하는 전문 깊이와 검증 가능한 성과는 거의 제시하지 못합니다. 데이터 검수, 챗봇 운영, 생성형 기능 확인은 AI 운영·품질이라는 방향으로 묶을 수 있으므로 경험 자체가 무관한 것은 아닙니다. 문제는 그 경험이 어떤 품질 기준과 의사결정으로 이어졌는지 기록되지 않았다는 점입니다. 특히 생성형 업무가 문구 작성과 결과 확인으로만 표현되어, 실제 평가 설계나 개선 주도 경험이 있었는지 알 수 없습니다. 이력서 표현만 바꾸면 해결되는 문제가 아닙니다. 먼저 현재 업무에서 처리 규모, 오류 유형, 수정 전후 결과, 본인 판단 범위를 확보해야 합니다. 동시에 이력서에서는 AI 개발자라는 인상을 만들기보다 AI 기능 운영·품질 담당자로 포지셔닝해야 합니다. 경험을 보강하는 동안에도 기존 업무를 단순 지원이 아닌 반복 품질 개선의 흐름으로 재구성해 기록해야 합니다.
AI 운영 담당자는 생성형 기능과 챗봇을 실제 업무 흐름에 연결하고, 결과 품질을 반복적으로 점검하며, 문제를 관련자에게 정확히 전달해야 합니다. 경험의 깊이는 단순 문구 작성과 운영 지원을 구분하는 핵심 기준입니다. 직무 적합성은 데이터 라벨 검수, 챗봇 운영, 생성 결과 확인 경험이 하나의 운영 역량으로 이어지는지 판단하게 합니다. 정량성은 처리량, 오류율, 개선률처럼 업무 효과를 검증하게 하며, 포지셔닝 명확성은 AI 개발자가 아닌 AI 품질·운영 실무자로서의 경쟁력을 첫 화면에서 이해시키는 데 결정적입니다.
현재 경력으로 제시된 제스트랩 업무는 2024년 2월부터 기준일인 2026년 9월 7일까지 진행 중입니다. 마지막 핵심 활동과 기준일의 차이는 0일이며, 활동 공백도 없습니다. AI 운영 직무에서 최근 생성형 기능을 다룬 경험이 있다는 점은 과거 챗봇 경험만 제시하는 것보다 현재성을 보여주는 근거가 됩니다.
최근 업무에는 생성형 기능 문구 작성, 결과 확인, 외부 모델 연동 지원이 포함되어 있어 현재 시장의 생성형 AI 운영과 접점이 있습니다. 다만 사용 모델, 평가 방식, 프롬프트 버전 관리, 품질 지표나 비용 관리가 제시되지 않아 최신 도구를 실제 깊이 있게 사용했는지는 확인하기 어렵습니다. 따라서 키워드의 현재성은 보이지만 시장 동시대성을 강점으로 인정할 정도의 증거는 부족합니다.
경력은 학습용 데이터 검수에서 챗봇 시나리오 운영, 생성형 기능 결과 확인으로 이어집니다. 각 회사의 직함은 달라도 데이터 품질과 사용자 응답 품질을 확인하고 오류를 전달하는 흐름이 반복됩니다. AI 운영·품질 직무를 기준으로 보면 경험이 완전히 흩어진 것이 아니라 품질 점검과 운영 지원이라는 하나의 서사로 묶을 수 있습니다.
각 경력에는 검수, 시나리오 등록, 생성 결과 확인, 기록과 공유 등 업무가 끝나는 지점이 적혀 있습니다. 특히 오류를 개발자에게 전달하고 처리 경과를 확인한 흐름은 단순 입력만 한 것은 아님을 보여줍니다. 그러나 본인이 맡은 범위와 최종 결과물의 규모가 부족해, 프로젝트를 끝까지 완성했다고 판단할 만큼의 증거는 제한적입니다.
핵심 업무가 ‘지시 문구 초안 작성’, ‘생성 결과 확인’, ‘어색한 표현 정리’처럼 적혀 있고, 챗봇 업무도 시나리오 등록과 문의 전달 중심으로 설명됩니다. 사용한 평가 기준, 실패 사례 분류, 개선 실험, 재발 방지 방식이 없어 업무가 반복 실행 수준에 머물렀는지 판단하게 합니다. 중간 연차의 AI 운영 직무에서는 품질 기준을 만들고 개선을 주도한 흔적이 없으면 깊이 부족 신호가 됩니다.
데이터 검수, 챗봇 운영, 생성형 기능 확인 경험은 AI 운영 직무와 직접 연결되는 소재입니다. 다만 개발, 모델 평가, 운영 자동화, 품질 지표 관리 중 어느 수준의 직무를 목표로 하는지 자료에서 확정하기 어렵습니다. 운영·품질 담당자에게는 적합한 기반이지만, AI 엔지니어 또는 데이터 분석 직무를 기대하는 채용에는 직접 증거가 부족하므로 중립으로 판단합니다.
생성형 AI 기능 운영과 챗봇 운영은 현재 채용 수요가 있는 영역이지만, 시장에서는 단순 결과 확인보다 평가 체계, 데이터 관리, 자동화, 모델 연동 이해를 함께 요구하는 경우가 많습니다. 자료에는 현재 업무와 시장 수요의 접점은 있으나 차별화된 전문 영역이 드러나지 않습니다. 따라서 직무 자체의 수요 문제라기보다 현재 증거만으로 시장 경쟁력을 판단하기 제한적입니다.
가장 최근의 제스트랩 경력이 문서 앞부분에 배치되어 있고 생성형 기능 업무가 첫 번째로 제시됩니다. 따라서 최근 경험을 숨긴 구조는 아니며, 데이터 검수와 챗봇 운영 경력도 시간순으로 확인됩니다. 다만 가장 강한 카드가 무엇인지 보여주는 성과 요약이나 대표 사례가 없어 자산 활용도가 높다고 보기는 어렵고, 반대로 배치 자체의 치명적 문제도 확인되지 않습니다.
자기소개는 데이터 검수, 챗봇 시나리오 운영, 생성형 기능 업무를 순서대로 설명하고 경력 사항도 같은 흐름을 유지합니다. ‘인공지능 관련 업무’를 중심으로 경력이 연결되어 있어 이력서와 자기소개 사이의 큰 방향 충돌은 없습니다. 다만 AI 운영·품질이라는 구체적 정체성까지 좁혀 쓰지는 않아 메시지의 일관성은 있으나 선명도는 제한적입니다.
경력 전반에 처리 건수, 고객사 수, 시나리오 수, 오류 감소율, 검수 정확도, 응답 품질 개선 같은 수치가 전혀 제시되지 않았습니다. ‘월별 이용 현황 자료를 조회’하거나 ‘결과를 확인’했다는 사실만으로는 업무 규모와 성과를 검증할 수 없습니다. AI 운영 채용에서는 정량 자료가 없으면 반복 업무를 얼마나 안정적으로 수행했는지와 개선 효과를 판단하기 어렵습니다.
문서에는 요구 사항을 받고 문구를 작성한 뒤 결과를 확인하고 개발자에게 오류를 전달한 흐름은 보입니다. 그러나 왜 해당 문구나 분기 구조를 선택했는지, 다른 방법과 무엇을 비교했는지, 어떤 실패를 통해 기준을 바꿨는지는 나오지 않습니다. 운영 담당자라도 품질 기준과 판단 근거가 보여야 단순 전달 업무와 문제 해결 업무를 구분할 수 있습니다.
자기소개 결론은 ‘어떤 제품이든 원만하게 적응’하고 ‘맡은 일을 기한 안에 마무리’하겠다는 내용입니다. 이는 성실성에 대한 자기평가이지만 어떤 품질 지표를 개선했는지, 어떤 운영 변수를 통제했는지 답하지 않습니다. 결론의 정보량이 낮아 경력 8년의 차별점보다 태도와 의지만 남는 구조입니다.
제시된 자료에서 기간 순서는 일관되고 직무별 업무도 항목화되어 있어 기본적인 읽기 흐름은 확보되어 있습니다. 다만 ‘인공지능’과 ‘생성형 기능’의 명칭이 넓게 사용되고, 회사별 제품이나 내부 역할 범위가 구체적으로 설명되지 않아 사실 확인의 세밀함은 부족합니다. 명백한 오탈자나 형식 오류가 많지는 않으므로 문서 완성도는 중립으로 판단합니다.
상단 자기소개는 ‘인공지능 관련 업무를 여덟 해 정도 해온 실무자’라고 말하지만 목표 직무명이나 전문 영역을 제시하지 않습니다. 경력 본문도 문구 작성, 챗봇 운영, 데이터 검수, 교육 참여를 병렬적으로 보여줄 뿐 AI 품질 운영 담당자인지 생성형 AI 평가 담당자인지 분명하지 않습니다. 중간 연차 채용에서 포지셔닝이 모호하면 채용 담당자가 어느 공고에 맞춰 검토해야 할지 판단하기 어렵습니다.
제스트랩 경력에는 요구 사항 확인, 지시 문구 작성, 생성 결과 확인, 수정 후 재확인, 기록과 회의 공유의 순서가 있습니다. 이는 생성형 기능 운영의 기본적인 검토 루프를 경험했다는 근거입니다. 또한 보이스링크에서는 시나리오 등록 후 동작을 확인하고 연결되지 않는 문의를 개발자에게 전달해 운영과 개발 사이의 접점을 경험했습니다.
외부 모델 연동 업무에서 오류 화면을 개발자에게 전달하고 처리 경과를 확인했다고 적었습니다. 챗봇 운영에서도 응답이 연결되지 않는 문의를 담당 개발자에게 전달했습니다. 문제를 발견한 뒤 관련자에게 재현 정보를 넘기고 상태를 추적하는 기본 운영 습관은 확인되지만, 재현 조건과 해결 결과까지는 자료에 없습니다.
생성 결과를 확인하고 어색한 표현을 정리했다고 했지만, 평가 기준이나 테스트 케이스 구성은 제시되지 않았습니다. 어떤 유형의 오류를 분류했는지, 수정 전후 품질이 어떻게 달라졌는지, 동일 문제가 재발하지 않도록 어떤 기준을 만들었는지도 확인되지 않습니다. 생성형 AI 운영 채용에서 이는 결과 검수와 품질 운영을 구분하지 못하게 만드는 핵심 공백입니다.
챗봇 고객사 수, 월 문의량, 시나리오 수, 연결 실패율, 교육 대상 규모가 모두 빠져 있습니다. 월별 이용 현황을 조회했다는 업무 사실은 있으나 그 자료로 어떤 운영 판단을 했는지는 설명되지 않습니다. 따라서 처리량과 안정성을 책임졌다는 주장을 채용 담당자가 검증할 수 없습니다.
연동 문서 확인, 설정 값 정리, 사용량 조회, 오류 화면 전달이 적혀 있지만 API 호출 구조나 인증, 실패 처리, 비용 통제 중 무엇을 직접 판단했는지는 알 수 없습니다. 지원 업무였을 가능성과 기술적 운영을 담당했을 가능성이 모두 남아 있습니다. 실제 기여 범위와 본인이 결정한 항목을 분리해 기록해야 깊이를 평가할 수 있습니다.
2025년 사내 교육에서 언어 모델 활용 방법을 이수하고 문구 예시를 제출했다고 했습니다. 그러나 교육 과제가 실제 제품 개선이나 평가셋 구축으로 이어졌는지는 제시되지 않았습니다. 교육 참여 자체는 최신 학습의 신호일 뿐, 실무 전문성이나 독립적인 품질 판단 능력을 증명하지는 않습니다.
내부 제품의 실제 품질 기준, 고객사 규모, 생성형 기능의 사용량과 운영 환경을 확인할 수 없어 업무 난이도와 성과의 적절성을 완전히 검증할 수 없습니다. 실제 화면, 평가 문서, 담당 범위에 대한 도메인 전문가의 추가 검토가 필요할 수 있습니다.
가장 시급한 문제는 경험이 없다는 것이 아니라, 현재 경험이 AI 운영·품질 역량으로 증명되지 않는다는 점입니다. 기준일 현재 제스트랩에서 업무가 진행 중이고 과거 챗봇 운영과 데이터 검수까지 연결되므로 활동의 최신성과 방향성은 회복 가능한 기반입니다. 그러나 경험의 깊이, 정량성, 의사결정 서사, 포지셔닝 명확성은 모두 채용 판단을 직접 방해합니다. ‘문구 작성’, ‘결과 확인’, ‘자료 전달’만으로는 중간 연차가 어떤 문제를 얼마나 책임졌는지 알 수 없습니다. 이력서를 다시 쓰는 일만으로는 답이 아닙니다. 먼저 실제 업무 기록에서 월별 처리량, 검수 기준, 오류 유형, 수정 전후 결과, 고객사 또는 기능 범위, 본인과 개발자의 역할 경계를 확보해야 합니다. 그 다음 이력서의 중심을 ‘인공지능 관련 업무를 해왔다’에서 ‘AI 기능의 응답 품질을 점검하고 오류를 분류·전달·재확인해 운영 안정성을 지원해온 사람’으로 좁혀야 합니다. 단기적으로는 사실을 복원하고, 중기적으로는 평가 기준과 지표를 직접 운영하며, 장기적으로는 반복 검수를 자동화하거나 품질 리포트를 주도한 결과를 만들어야 합니다. 그래야 현재의 폭넓은 경험이 단순 보조 이력이 아니라 채용 가능한 전문성으로 바뀝니다.
문구 작성과 결과 확인을 넘어 평가 기준, 실험, 개선 결과를 확보해야 합니다.
AI 운영·품질 직무로 목표를 좁히고 본인 판단 범위를 증명해야 합니다.
처리량, 오류율, 고객사 규모, 수정 전후 결과가 전혀 없어 성과 검증이 불가능합니다.
AI 관련 실무자라는 표현만으로는 목표 직무와 전문 영역이 선명하지 않습니다.
왜 기준을 바꾸고 어떤 대안을 배제했는지가 문서에 없습니다.
평가 기준, 테스트 케이스, 오류 분류와 전후 개선이 확인되지 않습니다.
챗봇과 생성형 기능의 처리 규모 및 안정성 지표가 빠져 있습니다.
최근 제스트랩과 보이스링크의 기록에서 월별 처리 건수, 시나리오 수, 고객사 수, 오류 유형, 재검수 건수, 수정 전후 결과를 확인합니다. 숫자를 만들지 말고 이슈 문서, 공유 문서, 사용량 조회 기록처럼 확인 가능한 근거만 모읍니다. 각 수치 옆에 본인이 직접 수행한 일과 개발자·기획자가 맡은 일을 구분해 적습니다. 이 작업이 정량성과 역할 범위를 회복하는 출발점입니다.
지원 방향을 AI 기능 운영·품질 담당자로 고정하고, 자기소개와 경력의 첫 문장을 그 역할에 맞춰 정렬합니다. 데이터 검수는 라벨 품질 관리, 챗봇 운영은 대화 흐름 검증, 생성형 업무는 응답 품질 점검으로 연결합니다. AI 개발자나 데이터 사이언티스트처럼 증거가 부족한 포지션을 동시에 암시하지 않습니다. 채용 담당자가 지원 직무를 즉시 분류할 수 있게 만드는 것이 우선입니다.
실제 담당 기능에서 반복되는 오류를 유형별로 분류하고, 사실성, 지시 준수, 문체, 금칙어, 응답 연결성처럼 업무에 맞는 평가 항목을 정의합니다. 대표 테스트 사례를 고정해 문구 변경 전후 결과를 동일 조건으로 비교하고, 실패 사례와 수정 이유를 기록합니다. 가능하면 검수 건수와 오류율 변화를 주기적으로 보고해 단순 확인 업무를 품질 운영 경험으로 전환합니다.
외부 공개가 가능한 범위에서 챗봇 또는 생성형 기능 사례 두세 건을 선정해 문제, 제약, 본인 판단, 실행, 결과, 한계를 한 장씩 정리합니다. 회사 기밀은 제거하고 역할 범위와 수치의 출처를 명시합니다. 문구를 바꾼 이유, 대안으로 검토한 방식, 실패한 시도와 재발 방지 기준을 포함해야 합니다. 이 기록은 이력서의 의사결정 서사와 면접 검증을 동시에 강화합니다.
수작업으로 반복하는 결과 확인, 오류 분류, 사용량 보고 중 하나를 골라 표준 양식이나 간단한 내부 절차로 개선합니다. 가능하다면 테스트 입력과 기대 결과를 관리하는 평가셋, 오류 유형별 집계표, 변경 이력 규칙을 제안하고 팀에서 실제 사용되도록 운영합니다. 개선 전후의 소요 시간, 누락 건수, 오류 발견률을 기록해야 합니다. 장기적으로는 단순 보조가 아닌 운영 체계 개선 역량을 증명할 수 있습니다.
생성형 기능 평가, 챗봇 대화 설계, 데이터 품질 관리 중 하나를 주 전문 영역으로 정하고 관련 실무를 연속적으로 쌓습니다. 모델 호출 구조, 프롬프트 버전 관리, 평가셋 설계, 개인정보와 금칙어 처리, 비용과 지연 같은 운영 변수를 업무에서 직접 다뤄봅니다. 새로운 도구를 나열하기보다 실제 기능에 적용하고 품질과 운영 지표를 남겨야 합니다. 그래야 경력 8년의 폭이 검증 가능한 깊이로 전환됩니다.
이력서·포트폴리오에서 과장으로 의심받을 수 있는 표현과 실제 성과가 묻힌 부족한 표현을 짚어드려요. 고쳐 쓴 문장을 제시하는 게 아니라, 무엇이 왜 문제인지와 방향만 안내합니다.
“인공지능 관련 업무를 여덟 해 정도 해온 실무자입니다”
표현 부족입니다. 인공지능 업무의 범위가 데이터 검수, 챗봇 운영, 생성형 기능 확인으로 서로 다르므로 이 문장만으로는 전문 영역과 현재 역할이 보이지 않습니다. 각 경험에서 반복해 맡은 품질 관리 또는 운영 책임을 중심으로 구체화해야 경력 연차가 단순 기간이 아닌 직무 적합성으로 읽힙니다.
“어떤 제품이든 원만하게 적응할 수 있다고 생각합니다”
표현 부족입니다. 적응력은 흔한 자기평가이고 제품 환경에서 실제로 무엇을 빠르게 파악했는지 증명하지 못합니다. 새로운 모델 문서, 챗봇 시나리오, 업무 지침 중 어떤 것을 어떤 절차로 익혀 운영에 반영했는지 사례와 결과를 제시해야 합니다.
“맡은 일을 기한 안에 마무리하는 것을 가장 중요하게 여깁니다”
표현 부족입니다. 일정 준수는 기본 기대사항이라 경쟁력으로 작동하지 않습니다. 실제로 어떤 마감 업무를 담당했고, 누락이나 재작업을 줄이기 위해 어떤 관리 방식을 사용했는지 제시해야 성실성 주장이 운영 신뢰성으로 연결됩니다.
“한 분야에서 깊이를 쌓았다고 말하기는 어려운 상태입니다”
과장 의심이 아니라 불리한 자기규정입니다. 자료에도 깊이의 증거가 부족하지만, 이 문장을 먼저 제시하면 폭넓은 경험이 약점으로만 읽힙니다. 사실이라면 AI 운영·품질이라는 공통 축을 정하고 그 안에서 쌓은 반복 경험과 개선 사례를 덧붙여야 합니다.
“새로운 기술을 빠르게 익히는 편입니다”
표현 부족입니다. 학습 속도는 결과가 없으면 검증할 수 없는 주장입니다. 실제로 외부 모델 문서를 확인해 연동 지원에 기여한 사례나 언어 모델 교육 내용을 업무 절차로 전환한 결과를 연결해 제시해야 합니다.
“생성형 기능 문구 작성 및 결과 확인”
표현 부족입니다. 어떤 기능에 어떤 입력을 설계했고 무엇을 기준으로 결과를 통과 또는 수정했는지가 빠져 있습니다. 입력 유형, 검수량, 주요 오류 분류, 수정 후 개선 여부를 구체화해야 단순 문구 작성과 품질 검증을 구분할 수 있습니다.
“기획자가 전달한 요구 사항에 맞춰 지시 문구 초안 작성”
표현 부족입니다. 요구 사항을 문구로 바꾸는 과정에서 어떤 제약을 해석했고 대안을 비교했는지 보이지 않습니다. 본인이 작성한 범위, 검토자, 반복 수정 횟수, 최종 반영 기준을 적어야 의사결정 기여가 드러납니다.
“고객사 요청에 따라 시나리오 분기와 안내 문구 등록”
표현 부족입니다. 등록 업무만 적혀 있어 대화 흐름을 설계하거나 검증한 수준을 판단하기 어렵습니다. 담당 고객사 또는 시나리오 규모, 분기 기준, 테스트 방법, 연결 실패 감소나 문의 유형 변화 같은 결과를 추가해야 운영 난이도가 보입니다.
“작업 지침에 따라 배정된 데이터의 라벨 정확성 확인”
표현 부족입니다. 검수 정확성의 핵심인 표본 규모, 오류 기준, 불일치율, 재작업 비율이 없습니다. 어떤 유형의 라벨 오류를 발견했고 지침 개선 요청이 실제 품질 변화로 이어졌는지 적으면 초기 경험이 현재 AI 품질 역량의 기반으로 기능합니다.
“엑셀 기본 함수 및 자료 정리”
표현 부족입니다. 기술 목록에서 ‘기본’이라는 표현은 현재 연차에 비해 역량을 축소하고, 실제 업무 활용도도 보여주지 못합니다. 사용한 함수나 자료 집계 목적을 사실에 맞게 구체화하되, 고급 수준으로 부풀리지 않고 운영 보고와 오류 집계에 어떤 역할을 했는지 연결하는 것이 좋습니다.
가상 예시가 아니라 직접 작성한 이력서를 같은 기준으로 진단받아 보세요.
직접 진단받기 →아직 이력서를 쓰기 전이라면 같은 직군 이력서 양식 예시부터 보세요.