신입 구직자의 반복 노동을 줄이는 'Job Searcher'는 이력서와 선호조건을 읽어 LinkedIn 검색 쿼리를 작성하고(JobSpy로 검색), 각 채용공고를 이력서와 대조해 다섯 가지 기준(기술 일치, 경력 관련성, 학력·자격, 산업·도메인 적합성, 직급 정합성)으로 점수화한 뒤 근거가 붙은 짧은 후보 목록을 돌려준다. 교사 모델 DeepSeek V4 Pro로 이력서 2,500건과 그로부터 스크랩한 약 1만 개 공고 쌍에 5차원 점수와 근거를 라벨링하고, 학생 모델 Qwen3-8B(Q4_K_M 양자화)에 LoRA SFT로 증류했다. 쿼리 생성과 적합성 평가를 하나의 LoRA에 합치면 형식이 새어나와, 같은 베이스에 두 개의 어댑터를 핫스왑하는 방식으로 버그를 제거했다. 또한 교사의 라벨링 프롬프트를 이력서의 구체적 사실에 맞춰 채점하도록 고치자 그 습관이 증류를 통해 학생에게 전이됐다. 소형 모델로도 설명 가능한 채용 매칭이 가능함을 보인 사례다.

• •이력서·선호조건 → LinkedIn 쿼리 생성 → JobSpy 검색 → 5차원 적합도 점수화의 3단계 파이프라인
• •교사 DeepSeek V4 Pro로 이력서 2,500건·1만 공고 쌍에 라벨링, 학생 Qwen3-8B(Q4_K_M)에 LoRA SFT로 증류
• •쿼리 생성과 적합평가를 단일 LoRA로 합치면 형식 오염 발생 → 두 어댑터를 핫스왝해 해결
• •교사 라벨링 프롬프트를 구체적 이력 사실 기반으로 수정하자 학생 모델에 그 습관이 전이
• •ZeroGPU Space에서 llama.cpp로 서빙, 제출 당 1회 GPU 호출로 모든 공고 평가를 스트리밍 처리