AI/LLM Agent Engineer

AI/LLM Agent Engineering

1. 과제 제안 및 산출물 문서화, 제안서·발표(PT) 자료 구성, 공공/대기업 대상 보고서 작성 및 검수 대응
2. Knowledge 기반 AI Copilot 개발: 사내 문서/DB 대상 RAG 파이프라인 설계 및 고도화
3. Multi-Agent 시스템 설계: 질의 해석, 계획 수립, Tool 호출 오케스트레이션
4. MCP(Model Context Protocol) 기반 Tool 연동 및 Agent 확장 구조 개발
5. 비정형 문서(Excel, PPT, PDF) 파싱 및 지식 구조화 파이프라인 구축
6. LLM/Agent 시스템 정량 평가 체계 설계 (정확도, 근거 추적성, 응답 품질)
7. AI 서비스 백엔드 개발: REST API 설계, 시스템/DB 연동
8. LLM 및 ML 모델 서빙 환경 구축: 컨테이너 기반 배포, 모니터링
9. 데이터 수집 / 정제 / 적재 파이프라인 자동화

※ 기술 스택 및 환경

1. Python / PyTorch / FastAPI / Vector DB / PostgreSQL / Docker / ONNX / 클라우드(AWS 또는 NCP)

1. Python 기반 AI/ML 모델 및 AI 시스템 개발 경험 4년 이상 (또는 동등 수준의 과제/연구 경험)
2. PyTorch 기반 모델 학습 및 성능 평가 경험
3. REST API 개발 및 Docker 기반 배포 경험
4. 과제 기획부터 제안서 작성, 발표 자료(PT) 구성, 보고서 작성까지 직접 주도해 본 경험 (단순 참여가 아닌 문서 주도 경험)
5. 모델 개발에 그치지 않고 동작하는 서비스까지 완성해 본 경험

1. LLM 응용 시스템(RAG, Agent, Copilot) 개발 경험
2. Multi-Agent 프레임워크(LangGraph, Claude Agent SDK 등) 활용 경험
3. MCP 서버 개발 또는 LLM Tool 연동 설계 경험
4. NL2SQL, Text-to-Query 시스템 개발 경험
5. Vector DB(pgvector, Milvus 등) 및 임베딩 모델 활용 경험
6. 시계열 이상 탐지 모델의 실데이터 적용 경험
7. 모델 경량화(Quantization, Pruning) 및 엣지 배포 경험
8. 클라우드(AWS, NCP 등) 환경 구축 및 운영 경험
9. 관련 분야 석사 이상

서류 전형 → 1차 인터뷰(비대면) → 2차 인터뷰(대면) → 처우 협의 → 최종 합격

1. 1차 인터뷰 이후 간단한 과제가 있을 수 있어요. (실제 우리가 고민하는 문제를 다뤄요)
2. 인터뷰에서는 직무 역량뿐 아니라, 몬드리안AI의 문화에 맞는지도 확인해요.
3. 경력직의 경우, 2차 인터뷰 전 지원자님을 더 깊이 이해하기 위해 레퍼런스 체크가 진행돼요. (지원자님의 동의 없이 진행하지 않으니 안심하세요!)
4. 궁금한 점은 인터뷰 중 언제든 질문해주세요. 서로에게 맞는 선택인지 함께 확인하는 시간이에요.