이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
LinkedIn 채용팀은 채용 프로세스의 시간 효율을 60% 개선하기 위해 정적 워크플로에서 LangGraph 기반의 동적 에이전트 아키텍처로 전환했다. 이 시스템은 중앙 플래너와 'plan-execute-replan' 루프를 통해 작업을 수행하며, 대화형 및 경험적 메모리를 결합해 복잡한 채용 단계를 처리한다. 특히 확률적 모델의 한계를 극복하기 위해 'harness engineering'을 도입, 컨텍스트 관리와 노드 변경 제어를 통해 결정론적 성능을 확보했다. 네이티브 인터럽트 대신 인간 개입 루프를 Stateless하게 설계하여 확장성과 신뢰성을 동시에 달성했다.
챕터별 상세
00:00
Introduction
LinkedIn 채용팀이 소규모 비즈니스를 대상으로 채용 프로세스 시간을 60% 단축하는 에이전트를 구축했다. 이 시스템은 기존의 정적 워크플로를 넘어 동적인 에이전트 제어 모델로 진화했다.
00:44
Hiring as an Agent Problem
채용은 단순한 단일 작업이 아니라 계획, 실행, 관찰, 적응이 반복되는 루프 구조이다. 채용 관리자는 후보자 검토에 주당 9.5시간을 소요하며, 이는 에이전트 자동화가 필요한 핵심 문제이다.
01:17
The Hiring Loop
채용 프로세스는 직무 기술서 작성, 후보자 소싱, 평가, 피드백 반영의 반복적인 루프이다. 이 과정에서 에이전트는 계획을 세우고, 실행하고, 결과를 관찰하여 프로세스를 최적화한다.
03:08
Architecture Evolution
초기 정적 워크플로에서 LangChain 기반의 순차적 실행 구조를 거쳐 LangGraph 기반의 중앙 플래너 모델로 발전했다. LangGraph는 LLM 기반의 결정 라우팅을 통해 시스템의 견고성을 높였다.
03:51
LangGraph Breakthrough
LangGraph의 핵심은 중앙 플래너가 주도하는 'plan-execute-replan' 루프이다. 이 구조는 복잡한 다단계 문제 해결을 가능하게 하며, LLM이 실시간으로 의사결정을 내리도록 설계되었다.
05:33
Framework Selection
LinkedIn은 89개의 에이전트 프레임워크를 평가한 결과 LangGraph를 선택했다. 기존 LangChain 인프라와의 호환성, 낮은 수준의 그래프 기본 요소 제공, LangSmith와의 깊은 통합이 주요 이유였다.
07:06
Memory Systems
LinkedIn 에이전트 플랫폼은 대화 기록을 저장하는 대화형 메모리와 상태 체크포인트를 저장하는 경험적 메모리를 결합했다. 이를 통해 에이전트는 과거의 맥락을 유지하고 복잡한 작업을 연속적으로 수행한다.
08:24
Middleware and Hooks
PII 탐지, 도구 실행 전후 포맷팅을 위한 미들웨어와 훅을 구현했다. 이는 에이전트의 결정론적 동작을 보장하고 데이터 보안을 강화하는 데 기여한다.
08:52
Checkpoint Schema
LangGraph 체크포인트 스키마는 입력, 계획, 현재 단계, 과거 단계, 컨텍스트 파라미터 등을 포함한다. 특히 컨텍스트 파라미터는 에이전트의 상태를 결정짓는 핵심 요소로 설계되었다.
10:19
Agent Evaluation
LangSmith를 활용하여 전체 추적 데이터를 캡처하고 LLM-as-judge 방식을 통해 에이전트 성능을 평가한다. 이는 인간의 피드백과 결합되어 지속적인 학습 루프를 형성한다.
11:43
Lesson 1: Human-in-the-loop
LangGraph의 기본 interrupt 기능 대신 컨텍스트 기반의 인간 개입 루프를 직접 구축했다. Stateless한 확장성을 유지하면서 최소한의 체크포인트 크기로 인간의 승인을 처리하도록 설계했다.
14:53
Lesson 2: Harness Engineering
확률적 모델을 결정론적 제품으로 만들기 위해 하니스 엔지니어링을 적용했다. 컨텍스트 관리, 출력 포맷 결정론, 노드 변경 결정론을 통해 에이전트의 예측 가능성을 극대화했다.
용어 해설
- Plan-Execute-Replan
- — 에이전트가 작업을 계획하고, 실행하고, 결과를 관찰하여 계획을 수정하는 반복 루프 구조이다. 복잡한 다단계 문제 해결에 필수적이다.
- Human-in-the-loop
- — AI 에이전트의 의사결정 과정에 인간이 개입하여 승인하거나 수정하는 방식이다. 모델의 확률적 오류를 제어하고 신뢰성을 높이는 데 사용된다.
- Harness Engineering
- — 확률적인 LLM 모델을 결정론적인 비즈니스 프로세스에 통합하기 위해 제어 장치와 가드레일을 설계하는 엔지니어링 기법이다. 에이전트의 예측 가능성을 높인다.
- Experiential Memory
- — 에이전트가 수행한 작업의 상태 체크포인트를 저장하여 과거의 경험을 기억하고 활용하는 메모리 구조이다. 복잡한 워크플로의 연속성을 보장한다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 22.수집 2026. 07. 22.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
