기업 채용 분석/당근

[당근] Software Engineer - 테크코어 (AI Platform) 공고 분석

LLM Router, Prompt Studio, KarrotChat, Krayon처럼 당근의 모든 팀이 AI를 실험하고 개발하고 운영하는 데 쓰는 전사 공통 AI Platform을 만드는 테크코어 AI Platform 팀의 공고입니다. ML 인프라팀 공고가 LLM 라우터와 함께 학습 파이프라인, ML 메타데이터, 모델 배포 시스템을 다룬다면, 이 공고는 Frontend, Backend, Agent Runtime, Data, Infrastructure의 경계 없이 플랫폼 기능을 문제 발견부터 운영까지 맡습니다. 경력 연차 조건은 적혀 있지 않고 산업기능요원으로 채용할 수 있는 포지션입니다.

이 공고 분석은 2026년 10월 22일에 이뤄졌습니다. 이후 채용이 종료되었을 수 있습니다.

이 자리가 왜 생겼을까요

당근은 2026년 9월 '광고 MCP'를 출시하며 광고주가 평소 쓰는 AI와 당근 광고 계정을 연결해 대화만으로 광고 데이터를 확인하고 분석할 수 있게 했다고 밝혔습니다. 보도자료는 이 기능을 클로드와 챗GPT에서 쓸 수 있다고 적었습니다. 이 공고의 AI Platform 팀은 당근의 여러 팀이 만드는 Agent와 AI 기능, 파이프라인이 그 위에서 동작하는 전사 공통 플랫폼을 만들고, 자격 요건에도 MCP와 A2A 같은 AI 기술이 이름으로 나옵니다. 여러 팀이 쓰는 AI 기능을 공통 플랫폼으로 묶어 본 경험이 있다면 어느 팀의 어떤 기능이 그 위에서 돌았는지를 지원서에서 구체적으로 다룰 만합니다.

당근이 지금 어떤 사업에 집중하고 있는지는 당근 채용 분석에서 이어서 볼 수 있습니다.

1하게 될 업무

  • 사내의 다양한 Agent, AI 기능, AI 파이프라인과 사용 사례를 깊이 이해하고 새로운 문제와 기회를 주도적으로 발견합니다.

    이렇게 볼 수 있어요

    팀 소개는 사내의 모든 팀이 고객이고 여러 곳에서 반복되는 문제를 공통 플랫폼 문제로 푼다고 적었습니다. 다른 팀이 겪는 불편을 모아 공통 기능으로 만든 경험이 있다면 몇 팀의 어떤 문제를 묶었는지가 이 업무와 가장 가까운 경험입니다.

  • LLM Router, Prompt Studio, KarrotChat 등 AI Platform 전반을 설계하고 개발하며 지속적으로 발전시킵니다.

    이렇게 볼 수 있어요

    플랫폼 이름이 공고에 그대로 나옵니다. 모델 게이트웨이나 프롬프트 관리 도구, 사내 챗봇을 만들어 본 적이 있다면 사용자 수와 처리량을 붙여 소개할 수 있습니다.

  • Frontend, Backend, Agent Runtime, Data, Infrastructure의 경계를 두지 않고 문제를 푸는 데 필요한 영역을 넘나듭니다.

    이렇게 볼 수 있어요

    한 영역만이 아니라 여러 계층을 오가는 업무입니다. 하나의 기능을 화면부터 서버, 배포까지 직접 맡아 낸 사례가 있다면 계층마다 맡은 일을 나눠 소개할 수 있습니다.

  • 새로운 AI 기술과 아이디어를 빠르게 실험하고 프로토타입에서 프로덕션까지 이어 갑니다.

    이렇게 볼 수 있어요

    실험에서 끝나지 않고 실제 운영까지 가는 것이 업무 범위입니다. 프로토타입으로 시작해 사내에서 실제로 쓰이게 된 도구가 있다면 그 과정의 기간과 사용 규모를 함께 적을 수 있습니다.

  • 기술과 제품 양쪽의 관점에서 고민하며 AI Platform이 나아갈 다음 방향을 찾고 현실로 만듭니다.

    이렇게 볼 수 있어요

    플랫폼의 다음 방향을 정하는 일도 엔지니어의 업무로 적혀 있습니다. 직접 제안해 팀의 다음 과제가 된 기능이 있다면 왜 그것을 골랐는지가 직무 인터뷰 질문으로 이어질 수 있습니다.

  • 공고는 팀이 도전하는 문제로 요청된 작업에 맞는 최적의 모델을 자동으로 탐색해 라우팅하고 성능과 비용의 트레이드오프를 최적화하는 일과 Agent가 더 많은 일을 안전하게 위임받아 처리하도록 투명하고 신뢰할 수 있는 통합 인증·권한 체계를 만드는 일을 듭니다.

    이렇게 볼 수 있어요

    공고가 '이런 문제들에 도전하고 있어요'로 소개한 과제입니다. 모델별 비용과 품질을 비교해 호출 경로를 바꿔 본 경험이나 서비스 계정의 권한을 설계해 본 경험이 이 과제와 이어집니다.

  • Agent들이 서로 발견하고 소통하고 협력하는 A2A 기반 Agent Mesh, Agent가 경험으로 더 잘 일하도록 돕는 메모리 시스템을 만들고 사내 지식까지 연결해 Agent 지식 플랫폼으로 발전시키는 일도 도전 과제로 적었습니다.

    이렇게 볼 수 있어요

    A2A와 메모리 시스템은 우대 사항의 MCP, A2A 생태계 활용과 이어집니다. 여러 Agent가 함께 동작하는 구조를 만들어 봤다면 Agent 사이에 무엇을 주고받게 했는지가 면접에서 다룰 내용입니다.

2자격 요건

  • 빌더로서 아이디어를 실제 결과물로 만드는 것을 좋아하고, 직접 만들어 빠르게 검증한 뒤 사용자 피드백으로 반복 개선해 실제로 쓰이는 제품과 시스템으로 발전시키는 사람과 함께하고 싶다고 적었습니다.

    이렇게 볼 수 있어요

    이 팀의 플랫폼은 당근의 모든 팀이 씁니다. 피드백도 LLM Router, Prompt Studio, KarrotChat을 쓰는 사내 개발자와 동료에게서 옵니다. 당근 인재상 실행력의 예문은 「점심시간에 발견한 불편을 오후 3시 반에 개선했어요」입니다. 처음 만든 버전과 사용자 피드백 뒤의 버전을 나란히 놓고 무엇을 바꿨는지 설명하면 반복 개선 경험이 드러납니다. 사내 도구였다면 피드백을 어떤 경로로 모았는지까지 말할 수 있으면 좋습니다.

  • 강한 주도성과 실행력으로, 모호하거나 필요한 것이 갖춰지지 않은 상황에서도 정보를 찾고 사람을 연결하고 장애물을 해결하며 스스로 다음 단계를 만드는 사람을 바랍니다.

    이렇게 볼 수 있어요

    당근 인재상의 빌더십과 같은 방향입니다. 담당자가 없던 문제를 맡아 끝까지 진행한 사례 하나를 준비해 두면 컬처핏 인터뷰에서도 쓸 수 있습니다.

  • 배우면서 역량과 방식을 계속 넓히고, 해 보지 않은 영역이나 익숙하지 않은 문제에도 주저하지 않고 도전해 빠르게 학습하고 실험해 결국 해결하는 사람을 바랍니다.

    이렇게 볼 수 있어요

    도전 과제에 나온 A2A는 2025년에 나온 Agent 간 통신 규격입니다. MCP도 2024년 말에 공개됐습니다. 이 팀이 다루는 기술에는 누구도 오래 써 보지 못한 것이 많습니다. 업무도 Frontend부터 Infrastructure까지 다섯 영역을 넘나든다고 밝힙니다. 그래서 익숙하지 않은 영역에 들어가는 일이 잦습니다. 익숙하지 않은 기술을 짧은 기간에 익혀 결과를 낸 경험이라면 무엇을 어떤 순서로 익혔는지까지 말할 수 있어야 학습 방식도 함께 전해집니다.

  • AI 애플리케이션을 이해하고 만들 수 있어야 하고, LLM, Agentic Workflow, MCP, A2A 등 AI 기술의 특성과 한계를 이해해 품질을 체계적으로 측정·개선하며 실제 서비스로 만들어 본 경험을 바랍니다.

    이렇게 볼 수 있어요

    '품질을 체계적으로 측정'이 따로 적혀 있습니다. 평가 데이터셋이나 자동 평가를 만들어 LLM 기능의 품질을 숫자로 관리해 본 경험이 있다면 그 지표와 개선 폭이 이 요건의 답이 됩니다.

  • 소프트웨어가 어떻게 동작하는지 깊이 이해하고, Full-stack, 데이터, 시스템 아키텍처, 보안과 신뢰성, 프로덕션 운영의 기본기를 바탕으로 제품과 기술의 선택지와 트레이드오프를 이해해 상황에 맞는 결정을 내릴 수 있어야 합니다.

    이렇게 볼 수 있어요

    기본기 목록이 다섯 가지입니다. 기술을 고를 때 비교한 선택지와 고르지 않은 이유를 기록해 둔 사례가 있다면 이 항목을 이야기하기에 알맞습니다.

  • Coding Agent가 잘 일할 수 있는 환경과 시스템을 만들어 효과적으로 활용하고, Agent의 작동 방식과 한계를 이해해 맥락과 도구, 검증 과정을 설계하며 필요한 워크플로우를 직접 만들고 개선할 수 있어야 합니다.

    이렇게 볼 수 있어요

    Coding Agent를 쓰는 경험에 더해 그 환경을 설계한 경험을 묻습니다. 저장소에 맞춘 지시 문서나 검증 단계를 만들어 Agent가 낸 코드의 품질을 관리해 본 경험이 여기에 해당합니다.

  • 무엇을 만들지 스스로 정의하고, 요구사항을 구현하는 데 그치지 않고 사용자와 비즈니스의 맥락에서 풀어야 할 문제를 발견해 제품과 기술의 방향을 만들어 가는 사람을 바랍니다.

    이렇게 볼 수 있어요

    업무에는 사내의 Agent와 AI 기능, 파이프라인 사용 사례를 깊이 이해해 문제를 발견하는 일이 있습니다. 이 팀에서 사용자와 비즈니스의 맥락은 그 플랫폼 위에서 기능을 만드는 사내 팀의 사정입니다. 이 요건은 업무에 적힌 「다음 방향을 찾고」와 같은 방향입니다. 요청받은 기능을 바꾸거나 새 과제를 제안해 채택된 경험이 있다면 왜 그렇게 제안했는지와 함께 준비해 가세요.

3우대 사항

  • 팀이 주로 쓰는 기술로 Python, FastAPI 기반 백엔드 개발 경험을 우대합니다.

    이렇게 볼 수 있어요

    같은 회사 ML 인프라 공고도 파이썬을 주요 언어로 둡니다. LLM 라우터를 포함한 AI 플랫폼을 만드는 두 팀의 언어가 같습니다. FastAPI는 비동기 처리를 기본으로 하는 프레임워크입니다. 응답을 오래 기다리는 LLM 호출을 많이 묶어 처리하는 서버를 만들 때 자주 고르는 도구입니다. 공고는 비슷한 환경 경험이 있으면 더 좋다고 밝힙니다. 다른 언어를 써 왔다면 같은 구조의 API 서버를 만든 경험을 적어 주세요. Python 경험은 기간과 함께 밝히는 편이 좋습니다.

  • React(TypeScript), Tailwind CSS, shadcn/ui 기반 프론트엔드 개발 경험을 우대합니다.

    이렇게 볼 수 있어요

    당근 제품 화면은 iOS, Android, Web을 아우르는 디자인 시스템 SEED를 씁니다. 이 팀의 기술 목록은 shadcn/ui라 Prompt Studio나 KarrotChat 같은 사내 도구 화면은 별도 구성으로 만드는 것으로 보입니다. shadcn/ui는 컴포넌트를 패키지로 받지 않고 코드로 복사해 고쳐 쓰는 방식입니다. 그래서 화면을 빠르게 만들고 바꾸기 쉽습니다. 업무가 넘나드는 다섯 영역에는 Frontend도 포함됩니다. 백엔드 위주의 경력이라도 사내 도구의 화면을 만든 작업은 이 우대 사항에 함께 적을 수 있습니다.

  • DynamoDB, S3, BigQuery, Qdrant 등 데이터 저장소와 데이터 시스템 활용 경험을 우대합니다.

    이렇게 볼 수 있어요

    도전 과제의 Agent 메모리 시스템과 사내 지식 연결은 벡터 저장소인 Qdrant 같은 임베딩 검색 위에서 만드는 경우가 많습니다. DynamoDB는 대화 기록처럼 키로 빠르게 읽고 쓰는 데이터에, BigQuery는 모델 호출량과 비용 같은 사용 기록 분석에 흔히 쓰입니다. 검색 증강 기능을 만들며 임베딩을 저장하고 조회해 본 경험이 있다면 쓴 저장소 이름과 데이터 규모를 밝힐 만합니다.

  • Kubernetes 기반 서비스 배포와 운영 경험을 우대합니다.

    이렇게 볼 수 있어요

    같은 회사 SRE 클러스터 공고는 당근의 거의 모든 서비스가 SRE팀이 운영하는 Kubernetes 클러스터에 올라간다고 소개합니다. 이 팀의 플랫폼도 그 위에서 배포될 가능성이 큽니다. Agent Runtime처럼 오래 걸리는 작업을 돌리는 서비스는 일반 API 서버와 다른 배포·확장 설정이 필요합니다. 직접 운영한 서비스의 배포 방식과 장애를 해결한 경험을 예로 들어 주세요.

  • OpenAI, Anthropic, Google GenAI SDK를 활용한 Agent Runtime과 AI 서비스 개발 경험을 우대합니다.

    이렇게 볼 수 있어요

    팀은 도전 과제로 요청된 작업에 맞는 모델을 자동으로 골라 라우팅하고 성능·비용 트레이드오프를 최적화하는 일을 꼽았습니다. 세 회사 SDK를 함께 다뤄 본 경험은 제공사마다 다른 응답 형식과 가격을 한 인터페이스로 묶는 이 일에 그대로 쓰입니다. 여러 제공사 모델을 한 서비스에서 바꿔 가며 써 봤다면 어떤 기준으로 모델을 골랐는지가 이 우대의 근거입니다.

  • MCP, A2A 등 Agent 프로토콜과 생태계를 활용한 경험을 우대합니다.

    이렇게 볼 수 있어요

    당근은 2026년 9월 광고주가 쓰는 AI와 당근 광고 계정을 잇는 광고 MCP를 출시했습니다. MCP는 부동산 Trust & Safety와 로컬 잡스 프론트엔드 공고에도 나옵니다. MCP와 A2A는 자격 요건의 AI 기술 목록에도 있습니다. A2A는 업무 도전 과제의 Agent Mesh에서 Agent끼리 서로 찾고 일을 나누는 규격입니다. MCP 서버를 만들었거나 연결해 본 경험이라면 연결한 시스템과 쓰임새가 이야기의 중심입니다. 권한을 어떻게 제한했는지까지 설명하면 도전 과제의 통합 인증·권한 체계와도 연결됩니다.

4기타 사항

  • 게시일 : 2026년 9월 9일
  • 고용형태 : 정규직(수습 3개월)
  • 근무지 : 서울특별시 서초구 강남대로 465, 교보강남타워 11층 (추정)
  • 경력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
  • 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

  • Python
  • FastAPI
  • React
  • TypeScript
  • Tailwind CSS
  • shadcn/ui
  • DynamoDB
  • S3
  • BigQuery
  • Qdrant
  • Kubernetes
  • OpenAI
  • Anthropic
  • Google GenAI SDK
  • MCP
  • A2A

전형과 지원

채용 FAQ가 밝힌 정규직 기준 일반적인 전형은 여섯 단계이고 단계마다 결과 통보에 걸리는 기간까지 공개돼 있습니다. 포지션에 따라 절차가 달라 공고마다 확인해야 합니다. 재지원 규칙이 단계마다 달라서 지원 순서를 정할 때 먼저 볼 부분입니다.

  • 여섯 단계

    일반적인 순서는 서류, 화상 인터뷰, 과제, 직무 인터뷰, 컬처핏 인터뷰와 레퍼런스 체크, 처우 협의이고 포지션에 따라 다릅니다. 결과 통보는 서류가 영업일 7일 이내, 화상과 직무 인터뷰가 5일 내외, 컬처핏 단계가 10일 내외입니다. 과제는 "5일 또는 7일 이내 작성 가능한 분량"이고 별도 전형으로 있기도 하고 인터뷰에 함께 출제되기도 합니다.

    이렇게 볼 수 있어요

    각 단계의 대기 기간이 공개돼 있으므로 다른 회사 일정과 겹쳐 볼 수 있습니다. 서류부터 최종까지 한 달이 넘게 걸린다고 보고 움직이는 편이 안전합니다.

    당근 채용 FAQ

  • 컬처핏 뒤에는 1년

    서류와 화상 인터뷰, 직무 인터뷰 단계에서 떨어지면 같은 공고에 6개월 뒤 다시 지원할 수 있고 다른 공고는 제한이 없습니다. 컬처핏 인터뷰 이후에는 모든 공고에 1년간 지원할 수 없습니다. 회사는 컬처핏 기준이 전 공고 공통이기 때문이라고 밝혔습니다.

    이렇게 볼 수 있어요

    마지막 단계의 실패 비용이 다른 단계보다 훨씬 큽니다. 인재상 다섯 가지에 각각 대응하는 사례를 하나씩 준비해야 하는 이유가 여기에 있고, 여러 공고를 염두에 두고 있다면 더욱 그렇습니다.

    당근 채용 FAQ(지원)

  • 이력서 형식

    자유 형식이고 PDF를 권장합니다. 채용 FAQ는 hwp와 word를 호환 문제로 지양해 달라고 하고 zip은 받지 않으며, 웹 링크는 이력서나 포트폴리오 파일에 첨부하라고 적었습니다.

    이렇게 볼 수 있어요

    형식을 정해 두지 않았으므로 양식을 맞추는 데 시간을 쓸 필요가 없습니다. 대신 자유 형식에서는 무엇을 강조할지가 온전히 지원자의 선택이라 공고의 업무 목록에 적힌 일을 해 본 경험을 자세히 적는 편이 낫습니다.

    당근 채용 FAQ(지원)

  • 복수 지원과 그 밖의 규칙

    정규직은 전부 상시 채용이고 복수 지원이 가능하며 공고별로 평가자와 기준이 달라 각각 진행됩니다. 나이와 학력 제한이 없습니다. 공고에는 입사 후 3개월 수습이 적혀 있습니다.

    이렇게 볼 수 있어요

    공고마다 절차가 따로 도는 구조라 두 곳에 지원하면 일정이 서로 어긋날 수 있습니다. 다만 컬처핏 단계까지 간 공고가 하나라도 있으면 그 결과가 나머지에 영향을 주므로 순서를 생각해 둘 필요가 있습니다.

    당근 채용 FAQ(지원)

    • 지원 전 준비할 것

    1. 1

      사내 사용자가 쓴 AI 도구 하나 정리하기

      이 팀이 만드는 플랫폼은 사내의 모든 팀을 고객으로 둡니다. 다른 팀이 실제로 쓴 AI 도구 하나를 골라 사용 팀 수, 해결한 문제, 운영하며 고친 점을 정리합니다.

    2. 2

      LLM 품질을 잰 방법 준비하기

      자격 요건에 AI 기술의 품질을 체계적으로 측정하고 개선해 본 경험이 있습니다. 평가 기준과 데이터, 개선 전후 수치를 한 장에 담아 두세요.

    3. 3

      병역 특례 지원 조건 확인하기

      이 포지션은 산업기능요원(현역 전직, 보충역 신규 편입, 보충역 전직)으로 채용할 수 있고 전문연구요원 편입과 전직은 불가합니다. 해당한다면 본인의 복무 구분이 어디에 들어가는지 지원 전에 확인해 두세요.

    AI 엔지니어(LLM/생성형) 지원을 준비한다면