[NAVER] AI 에이전트 엔지니어 (경력) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• LLM 기반 planning, tool-calling, multi-step reasoning 구조와 agent memory module(short-term, long-term, retrieval-augmented), agent workflow orchestration과 상태 관리 구조를 설계하고 RAG 파이프라인과 문헌 검색 시스템을 만듭니다.

  이렇게 볼 수 있어요

  에이전트를 이루는 부품 하나하나를 직접 설계하는 자리입니다. 프레임워크를 가져다 쓴 경험만 있다면 그 안에서 memory나 tool 호출 구조를 어떻게 바꿨는지가 차이를 만듭니다.

• 해결할 문제를 정량 평가 지표로 정의하고 평가 파이프라인을 자동화합니다. task-success rate, tool-call accuracy, hallucination rate 같은 지표와 의료 도메인 특화 벤치마크 데이터셋 설계·수집·정제, human-in-the-loop 레이블링 운영이 포함됩니다. 최신 벤치마크 기준으로 성능을 끌어올려 SOTA를 달성하는 것도 업무 목표입니다.

  이렇게 볼 수 있어요

  모델을 만드는 일만큼 무엇으로 잴지를 정하는 일이 큰 비중을 차지합니다. 직접 만든 평가 세트가 있다면 어떤 실패를 잡으려고 만들었는지와 그 지표로 무엇을 결정했는지가 설명의 중심이 됩니다.

• 최신 AI agent·LLM 논문을 재현해 내재화하고 단순 차용을 넘어 이론적 기반과 failure case를 분석합니다. 새로운 planning, memory, tool 학습 방식을 제안해 실험하고 top-tier 학회 제출 수준의 연구와 논문 발표를 수행합니다.

  이렇게 볼 수 있어요

  논문 재현과 발표가 업무에 명시돼 있습니다. 재현한 논문이 있다면 원래 결과와 얼마나 달랐고 그 차이를 어떻게 설명했는지가 연구 역량을 보여주는 근거가 됩니다.

• latency, cost, reliability 관점에서 agent pipeline을 최적화하고, 운영 중 생긴 failure case를 분석해 fallback 전략을 설계합니다. 의료 환경에서 요구되는 안정성과 재현성, 감사 가능성(auditability)을 확보하는 일도 포함됩니다.

  이렇게 볼 수 있어요

  연구 결과를 실제 서비스에서 버티게 만드는 일입니다. 응답 시간이나 호출 비용을 몇 퍼센트 줄였는지, 같은 입력에 같은 결과가 나오도록 로그와 버전을 어떻게 남겼는지처럼 운영 수치와 장치로 말할 수 있는 사례가 이 일에 가장 가깝습니다.

• 의료진과 일반인을 위한 AI 에이전트 서비스(임상 의사결정 지원, 의료 문서 요약·검색, 환자 상담 에이전트 등) 기능을 개발하고 QA를 맡으며, 식약처 가이드라인과 HIPAA, 개인정보보호법 같은 규제를 고려해 안전한 에이전트를 설계합니다. 의료진 파일럿 피드백을 수집·분석해 에이전트 동작 개선에 반영합니다.

  이렇게 볼 수 있어요

  임상 의사결정 지원과 의료 문서 요약, 환자 상담 에이전트가 예시로 적혀 있습니다. 의료 경험이 없더라도 금융이나 법률처럼 규제가 있는 영역에서 출력 검증 장치를 만들어 본 경험은 비슷한 일입니다.

• Codex, Claude Code 같은 coding agent와 loop engineering을 활용해 개발 생산성을 높이는 AI Native 개발 환경을 운영합니다.

  이렇게 볼 수 있어요

  AI 코딩 도구는 우대가 아니라 업무이자 자격 요건입니다. 어떤 작업을 도구에 맡기고 어떤 검증을 사람이 했는지까지 있어야 단순 사용 경험과 구분됩니다.

2자격 요건

• Python 기반 딥러닝 프레임워크(PyTorch 등)를 다룰 수 있어야 하고, LangChain·LangGraph·AutoGen 등 에이전트 프레임워크를 1종 이상 실무에 적용해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  프레임워크 이름이 구체적으로 나와 있습니다. 실무에서 쓴 프레임워크와 그것으로 만든 서비스가 짝을 이뤄야 '실무 적용'이라는 조건이 확인됩니다.

• planning, tool-calling, memory system 같은 agent 구성 요소를 구현해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무에 적힌 에이전트 설계와 같은 범위입니다. 세 요소 가운데 직접 구현한 것을 나눠 적으면 면접에서 어디를 깊이 물을지가 분명해집니다.

• 벡터 DB(Chroma, Qdrant, Weaviate 등)와 임베딩 모델 활용을 포함한 RAG 파이프라인 구축 경험이 필요합니다.

  이렇게 볼 수 있어요

  검색 품질을 어떻게 재고 높였는지가 핵심입니다. 청크 크기나 임베딩 모델을 바꿔 검색 정확도가 달라진 사례라면 바뀐 숫자까지 있어야 설득력이 생깁니다.

• 정량 지표 정의와 자동화된 eval harness 구축, 데이터셋 구성을 포함한 평가 파이프라인 설계 경험이 필요합니다.

  이렇게 볼 수 있어요

  평가를 우대가 아니라 필수로 둔 공고입니다. 사람이 결과를 눈으로 확인하던 방식을 자동 평가로 바꾼 경험이 이 요건에 정확히 해당합니다.

• Git 기반 코드 협업과 PR 리뷰, CI/CD에 대한 기본 이해가 필요합니다.

  이렇게 볼 수 있어요

  연구 코드도 팀 단위로 관리한다는 뜻입니다. 실험 코드를 리뷰를 거쳐 서비스 코드로 옮겨 본 경험이 있으면 이 조건과 연구 역량이 함께 보입니다.

• agentic workflow 관련 최신 논문을 분석하고 코드로 재현할 수 있어야 합니다.

  이렇게 볼 수 있어요

  재현한 저장소나 정리 글을 링크로 붙일 수 있으면 가장 직접적인 증명이 됩니다.

• 추상적인 비즈니스 문제를 기술 요구사항으로 분해하고 구조화하는 시스템적 사고 능력을 요구합니다.

  이렇게 볼 수 있어요

  의료진이나 기획자가 낸 막연한 요청을 에이전트 기능 명세로 바꿔 본 경험을 묻는 조건입니다. 요청 원문과 직접 정한 명세를 나란히 놓으면 분해 과정이 그대로 드러납니다.

• Claude Code, Codex 같은 AI 코딩 도구를 일상적인 개발 워크플로우에 통합해 활용한 경험이 필요합니다.

  이렇게 볼 수 있어요

  도구를 써 봤다는 것보다 팀의 개발 흐름에 넣었다는 것이 조건입니다. 리뷰나 테스트 단계에 도구를 붙인 방식처럼 개인 사용을 넘어선 부분이 있어야 이 조건이 채워집니다.

3우대 사항

• LangSmith, Langfuse, Weights & Biases 같은 observability 도구로 에이전트를 디버깅해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  운영 중 실패를 추적하는 업무와 이어지는 항목입니다. 추적 로그로 원인을 찾아 고친 실패 사례가 있다면 그것이 근거입니다.

• 의료 AI나 헬스케어 도메인 프로젝트 경험과 의학 용어, 임상 워크플로우에 대한 기본 이해를 우대합니다.

  이렇게 볼 수 있어요

  의료 경험은 필수가 아니라 우대입니다. 도메인 경험이 없다면 공개 의료 데이터셋으로 해 본 실험이 그 자리를 일부 대신할 수 있습니다.

• multi-agent system 설계 경험, GraphRAG와 memory-augmented generation 활용 경험, 오픈소스 에이전트 프로젝트 기여 경험을 우대합니다.

  이렇게 볼 수 있어요

  에이전트 여러 개가 역할을 나눠 일하는 구조와 기억을 다루는 방식까지 우대 항목에 들어 있습니다. 공개 저장소에 기여한 코드가 있다면 에이전트 사이의 상태 공유나 memory 처리를 어떻게 설계했는지 링크로 보여 줄 수 있습니다.

• RL·RLHF, GRPO, On-Policy Distillation 같은 파인튜닝이나 alignment 기법, 경량화의 이해와 실무 적용 경험을 우대합니다.

  이렇게 볼 수 있어요

  모델 자체를 조정하는 경험까지 있으면 더 좋다는 뜻입니다. 학습에 쓴 데이터 규모와 평가 결과가 있어야 실무 적용으로 보입니다.

• 에이전트 safety, hallucination 완화, model safety와 alignment 관련 연구나 구현 경험을 우대합니다.

  이렇게 볼 수 있어요

  의료 환경에서 요구되는 안정성과 이어지는 항목입니다. 틀린 답을 줄이려고 넣은 장치와 그 효과를 측정한 방식이 함께 있어야 연구 경험으로 보입니다.

• Kubernetes·Docker 기반 ML 서빙 환경과 모니터링을 포함한 production-grade 서비스 운영 경험을 우대합니다.

  이렇게 볼 수 있어요

  연구에서 운영까지 이어지는 자리라 서빙 경험이 우대 항목에 있습니다. 직접 배포하고 장애를 처리한 서비스가 있다면 그 서비스의 규모를 밝혀 두면 됩니다.

4기타 사항

• 게시일 : 2026년 9월 30일
• 고용형태 : 정규직
• 근무지 : 경기도 성남시 분당구 정자일로 95 (NAVER 1784 사옥) (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
• PyTorch
• LangChain
• LangGraph
• AutoGen
• Chroma
• Qdrant
• Weaviate
• LangSmith
• Langfuse
• Weights & Biases
• Kubernetes
• Docker
• Git
• Claude Code
• Codex

전형과 지원

같은 채용 사이트에서 지원해도 법인마다 전형 단계가 다릅니다. 모든 계열 공고에 공통으로 들어 있는 것은 기업문화 적합도 검사와 마감일입니다.

지원 전 준비할 것

1. 1

   에이전트 하나를 끝까지 설명할 수 있게

   직접 만든 에이전트 하나를 골라 planning, tool 호출, memory, 평가 방식이 각각 어떻게 설계됐는지 한 문서로 정리해 둡니다. 자격 요건 여덟 개 중 다섯 개가 이 한 사례로 확인됩니다.

2. 2

   평가 지표와 그 결과

   task-success rate나 hallucination rate처럼 공고에 나온 지표를 실제로 재 본 적이 있다면 측정 방법과 개선 전후 수치를 이력서에 넣어 둡니다.

3. 3

   AI 코딩 도구 사용 방식

   Claude Code나 Codex를 어떤 작업에 쓰고 결과를 어떻게 검증하는지 구체적인 예를 하나 정리해 두면 서류와 면접에서 모두 쓸 수 있습니다.