1. 포지션 개요 (Position Overview)

우리는 정제된 고부가가치 금융 데이터를 LLM(거대언어모델)과 결합하여, 투자자와 실무자가 대화형으로 정보를 얻을 수 있는 차세대 금융 챗봇 시스템을 구축하고자 합니다. 단순한 RAG(검색 증강 생성)를 넘어, MCP(Model Context Protocol) 표준을 도입하여 다양한 금융 데이터 소스와 AI 모델을 유연하게 연결하고, 확장 가능한 AI 에이전트 아키텍처를 설계할 핵심 엔지니어를 찾습니다.

2. 주요 업무 (Responsibilities)

• 금융 특화 챗봇 엔진 개발:
  • 사용자의 자연어 질의 의도(Intent)를 파악하고, 정확한 금융 데이터를 조회하여 답변하는 RAG 시스템 구축.
  • LangGraph 등을 활용한 Multi-turn 대화 상태 관리 및 문맥 유지를 위한 Context Engineering 로직 구현.
• MCP(Model Context Protocol) 서버 구현:
  • 사내 금융 데이터베이스(RDB, VectorDB 등) 및 API를 LLM이 표준화된 방식으로 호출할 수 있도록 MCP Server로 래핑(Wrapping).
  • 다양한 Tool 기능들을 MCP 사양에 맞춰 구현하여 Claude, OpenAI 등 다양한 클라이언트와 연동.
• 할루시네이션(Hallucination) 제어 및 검증:
  • 금융 정보의 치명적인 오류(거짓 답변)를 방지하기 위한 Fact-checking 모듈 및 인용(Citation) 출처 표기 기능 개발.
• 시스템 아키텍처 설계:
  • Vector DB(FAISS, Milvus 등) 설계 및 하이브리드 검색(Keyword + Semantic) 최적화.

3. 자격 요건 (Basic Qualifications)

• 유관 분야 석사 학위 이상 혹은 그에 준하는 경험
• Python 및 백엔드 개발 역량: Python 비동기 프로그래밍(Asyncio) 및 FastAPI/Flask 서버 구축 경험
• LLM 애플리케이션 개발 경험:
  • OpenAI, Anthropic 등 LLM API와 Function Calling(Tool Use)을 활용해 비즈니스 로직을 제어해 본 경험
  • Function Calling (Tool Use) 메커니즘을 이해하고, LLM이 외부 API를 제어하도록 구현해 본 경험.
  • Multi-turn 대화 상태(State) 관리, Memory 압축 로직 등 QA 태스크에서의 Context Engineering 경험
• RAG (Retrieval-Augmented Generation) 숙련도
  • VectorDB(faiss, Milvus 등) 운영 및 Chunking/Indexing 전략 수립 경험
  • Production-level에서의 VectorDB 활용을 위한 이중화 전략 고민 경험
  • Ragas, TruLens, Arize Phoenix 등을 활용하여 RAG 성능(Retrieval/Generation)을 정량적으로 평가하고 개선해 본 경험
• MCP (Model Context Protocol) 숙련도
  • MCP server를 직접 구축하여 로컬 LLM이나 Claude Desktop과 연동해본 경험
  • 보안/인증/로깅 등 미들웨어 구성 전략을 수립하고 구현해본 경험
  • 단순히 데이터를 서빙하는 걸 넘어, 비즈니스 가치를 MCP Tool을 통해 담아 구현해본 경험
  • Speed와 Quality의 tradeoff를 조절하며 MCP 서버단에서 Context를 최적화해본 경험

4. 우대 사항 (Preferred Qualifications)

• 모델 Fine-tuning을 통해 특정 도메인의 Function Calling 퀄리티를 향상시켜본 경험
• 보안/인증/배치 처리 관점에서 API 서버 구축에 대해 고민해보신 분
• AI Agent를 제로베이스에서 E2E로 설계해 본 경험
• 주가, 재무제표, 포트폴리오 등 금융 데이터의 특성을 이해하고 있는 분