Convex, TanStack, Tavily로 AI 채용 엔진 구축하기: 작동 방식 소개

(dev.to)

Dev.to OpenSource2026년 4월 25일AI 코딩

Convex, TanStack, Tavily로 AI 채용 엔진 구축하기: 작동 방식 소개

Convex, TanStack, Tavily를 활용하여 파편화된 채용 정보를 실시간으로 검색, 검증, 구조화하는 AI 기반 채용 엔진 'Amaris'의 기술 아키텍처와 구현 프로세스를 분석한 글입니다.

이 글의 핵심 포인트

1Convex의 반응형 쿼리를 활용한 실시간 검색 진행 상태(Progress) 업데이트 구현
2Tavily Search API를 통한 실시간 채용 공고(ATS) 데이터의 실시간 수집 및 최신성 유지
3LLM을 활용한 사용자 프롬프트의 의도 분류 및 정밀한 검색 쿼리 생성
4Zod를 이용한 AI 출력 데이터의 구조적 검증 및 데이터 정규화 프로세스
5TanStack Start와 React 19를 결합한 고성능, 서버 사이드 렌더링 프론트엔드 아키텍처

이 글에 대한 공공지능 분석

왜 중요한가

단순한 LLM 챗봇을 넘어, 실제 웹 데이터를 실시간으로 탐색하고 구조화하는 '에이전틱 워크플로우(Agentic Workflow)'의 실전 구현 사례를 보여줍니다. 데이터의 최신성과 정확성을 확보하기 위한 기술적 접근법을 제시합니다.

배경과 맥락

기존 채용 플랫폼의 고질적인 문제인 정보의 파편화(여러 탭 사용)와 데이터 노후화(오래된 공고)를 해결하기 위해, 검색 API(Tavily)와 반응형 백엔드(Convex)를 결합한 최신 풀스택 기술 스택을 활용했습니다.

업계 영향

대규모 데이터베이스를 직접 구축하거나 크롤러를 유지보수하는 비용 없이도, API 기반의 실시간 검색 엔진을 구축할 수 있음을 증명했습니다. 이는 버티컬 검색 서비스나 특정 니치 마켓을 타겟으로 하는 스타트업의 개발 진입 장벽을 획기적으로 낮춥니다.

한국 시장 시사점

한국의 파편화된 구인/구직 시장이나 특정 전문직 채용 시장을 타겟으로 한 AI 큐레이션 서비스 개발에 즉시 적용 가능한 패턴입니다. 특히 데이터의 신뢰도가 중요한 한국 사용자들에게 '실시간 검증' 프로세스는 강력한 차별화 포인트가 될 수 있습니다.

이 글에 대한 큐레이터 의견

이 프로젝트의 핵심 가치는 단순히 LLM을 사용하는 것이 아니라, '분류(Classify) → 검색(Retrieve) → 검증(Validate) → 추출(Extract)'로 이어지는 정교한 파이프라인 설계에 있습니다. 많은 AI 스타트업이 LLM의 답변 능력에만 의존하다가 환각(Hallucination) 문제에 직면하는 반면, 저자는 Tavily를 통한 실시간 검색과 Zod를 이용한 스키마 검증을 도입하여 데이터의 신뢰성을 확보했습니다.

창업자 관점에서 주목해야 할 점은 '워크플로우 엔지니어링'입니다. AI 서비스의 경쟁력은 모델의 크기가 아니라, 외부 도구(Tavily, ATS API)를 얼마나 유기적으로 연결하여 사용자의 문제를 해결하는 '에이전트'를 만드느냐에 달려 있습니다. 또한, Convex의 반응형 모델을 활용해 사용자에게 검색 진행 상황을 실시간으로 보여주는 UI/UX 전략은, 긴 대기 시간이 발생하는 AI 작업의 지루함을 상쇄시키는 매우 영리한 실행 방안입니다. 개발자들은 이제 단순한 API 호출을 넘어, 데이터의 생명주기를 관리하는 파이프라인 구축 역량에 집중해야 합니다.

원문 보기 →