AI 에이전트 개발자 커리큘럼: 공고가 요구하는 것과 단계별 공부 순서, 출신별 지름길

AI 에이전트 공고가 실제로 요구하는 것

2026-10-09 접수 중인 공고 가운데 제목이나 부서에 에이전트, Agent, Agentic 이 든 공고는 40건, 회사는 23곳이었습니다. AI 에이전트 채용 페이지가 모으는 공고와 같은 기준입니다.

직무 이름별 공고 수

에이전트 엔지니어, 개발자AI Agent Engineer, Agent Engineer, AI 에이전트 엔지니어, AI Agent 개발자

12건

AI, ML 엔지니어(에이전트 분야)AI Engineer (Navigation Agent), AI Engineer - Agents, Machine Learning Engineer (Agentic AI)

9건

연구(Research Engineer, Scientist)크래프톤 Game Agent, 카카오 Search & Agent, 업스테이지 Agents & Workflows

6건

소프트웨어, 프로덕트, 백엔드 엔지니어Software Engineer, AI Agent와 Product Engineer (AI Agent Backend)

5건

레브잇 Problem Solver (AI Agent)같은 자리를 PO/PM, 엔지니어, 빌더, 창업가 전형으로 나눈 공고

5건

기획, PM, TPMAI 에이전트 서비스 기획 PM, AgenticAI 서비스 기획, AI Agent TPM

3건

경력 표기 40건

경력

24건 (60%)

표기 없음

10건 (25%)

인턴

3건 (8%)

경력 무관

3건 (8%)

신입

0건 (0%)

자격 요건과 우대 사항에 나온 말 본문을 읽은 29건, 17곳

공개 채용 시스템에서 본문을 열 수 있었던 29건의 자격 요건과 우대 사항 칸에 아래 말이 나오는지 셌습니다. 앞 숫자는 둘 중 한 칸에라도 나온 비율, 뒤는 자격 요건 칸에 나온 건수입니다. 우대 사항 칸이 있던 공고는 28건입니다.

에이전트 개발 경험Agent, 에이전트, Agentic 시스템을 만들거나 설계한 경험

83%
자격 17건

LLM과 생성형 모델LLM, 언어 모델, 생성형 AI를 다뤄 본 경험

83%
자격 19건

제품과 사용자제품, 고객, 사용자 문제를 풀거나 서비스로 낸 경험

69%
자격 12건

평가eval, 평가 체계, 벤치마크, LLM-as-a-judge

55%
자격 11건

파이썬Python 개발 역량

52%
자격 13건

배포와 운영production, 상용, 배포, 실서비스 운영 경험

48%
자격 10건

관측과 비용모니터링, 트레이싱, 지연 시간, 토큰과 비용, LangSmith, Langfuse

48%
자격 7건

클라우드와 컨테이너AWS, GCP, Azure, Kubernetes, Docker

48%
자격 4건

API와 SDKAPI 설계와 연동, 모델 회사 SDK

45%
자격 10건

멀티 에이전트와 워크플로여러 에이전트 조율, 오케스트레이션, 워크플로 설계

41%
자격 7건

보안과 안전보안, 권한, 개인정보, 가드레일, safety

41%
자격 3건

프롬프트와 컨텍스트프롬프트 설계, 컨텍스트 엔지니어링

38%
자격 5건

백엔드 개발서버, FastAPI, Spring, Node.js, 마이크로서비스

38%
자격 8건

도구 호출tool use, tool calling, function calling, 외부 API 연동

34%
자격 5건

에이전트 프레임워크 이름LangChain, LangGraph, AutoGen, ADK, Agents SDK

34%
자격 5건

RAG와 검색RAG, 임베딩, 벡터, 지식 그래프, 하이브리드 검색

31%
자격 6건

전공, 학위컴퓨터공학 등 전공, 학사 이상

28%
자격 8건

벡터 DB 이름pgvector, Milvus, Qdrant, Elasticsearch 등

17%
자격 2건

MCP, A2AModel Context Protocol, Agent2Agent

14%
자격 0건

자격 요건의 최소 경력 연차를 적은 11건

2년 이상

3건

3~4년 이상

3건

5년 이상

3건

7년 이상

2건

포티투닷 5건, 업스테이지 3건이 표본의 4분의 1이 넘어 두 회사 문구가 비율에 크게 반영됩니다. 레브잇 5건과 카카오 2건 등 11건은 본문을 열지 않았거나 열 수 없어 빠졌습니다.

단계별 커리큘럼

기간은 주 10시간 공부를 가정한 어림입니다. 이미 아는 단계는 건너뛰고, 단계마다 무엇을 만들어 볼지를 먼저 정하면 공부한 것이 포트폴리오로 남습니다. 자료는 무료로 열리는 공식 문서만 걸었고, 같은 내용을 여러 회사 문서로 볼 수 있게 나란히 두었습니다.

1. 0단계2~4주, 개발 경력이 있으면 건너뜀

   기초: 파이썬, 웹 API, 데이터베이스, 컨테이너

   왜본문을 읽은 29건 중 13건이 자격 요건에 파이썬을, 8건이 백엔드 개발을 적었습니다. 에이전트는 결국 서버에서 도는 프로그램이라, 모델보다 이 바닥이 먼저 필요합니다.

   공부할 것파이썬 문법과 가상 환경, HTTP 요청과 JSON, FastAPI 같은 웹 프레임워크로 API 만들기, SQL 기초, Docker로 띄우기, Git.

   만들어 볼 것할 일 목록 API를 FastAPI와 PostgreSQL로 만들고 Docker로 띄웁니다. 3단계에서 에이전트가 부를 도구가 이 API가 됩니다.

   공식 문서 Python 공식 튜토리얼, FastAPI 튜토리얼, PostgreSQL 튜토리얼, Docker 시작하기

2. 1단계2~3주

   LLM API와 도구 호출

   왜LLM이나 생성형 모델은 29건 중 24건(83%), API와 SDK는 13건, 프롬프트와 컨텍스트는 11건, 도구 호출을 이름으로 적은 공고는 10건이었습니다.

   공부할 것메시지 구조와 시스템 지시, 토큰과 컨텍스트 길이, 온도 같은 생성 설정, JSON 스키마로 답 모양을 고정하는 구조화 출력, 모델이 함수를 고르고 결과를 받아 다시 답하는 도구 호출 반복, 실패했을 때 재시도.

   만들어 볼 것0단계 API를 도구 두세 개로 감싸 "내일 할 일 정리해 줘"에 답하는 명령줄 챗봇을 만듭니다. 모델 회사 두 곳의 API로 같은 일을 해 보고, 도구 정의 방식과 응답 모양이 어떻게 다른지 README에 적습니다.

   공식 문서 Gemini API 함수 호출, OpenAI 함수 호출, OpenAI 구조화 출력, Gemini API 프롬프트 전략, Claude 도구 사용, Hugging Face LLM Course

3. 2단계3~4주

   RAG와 데이터

   왜RAG, 임베딩, 벡터, 지식 그래프를 적은 공고는 29건 중 9건이었고 벡터 DB 이름까지 적은 공고는 5건이었습니다. 숫자는 생각보다 낮지만, 회사 문서와 데이터를 찾아 쓰는 일은 에이전트 도구의 기본이라 건너뛰기 어렵습니다.

   공부할 것문서를 나누는 방법, 임베딩과 벡터 검색, 키워드 검색과 섞는 하이브리드 검색, 답에 출처 붙이기, 검색이 맞는 문단을 가져왔는지 재는 방법.

   만들어 볼 것오픈소스 프로젝트 문서처럼 공개된 문서 묶음을 넣고, 질문하면 출처 문단과 함께 답하는 서비스를 만듭니다. 질문 30개를 직접 만들어 맞는 문단을 찾은 비율을 재고, 나누는 크기를 바꿔 가며 숫자를 비교합니다.

   공식 문서 LlamaIndex RAG 이해, LangChain RAG, Gemini API 임베딩, OpenAI 검색(Retrieval), pgvector, Azure AI Search RAG 개요, Amazon Bedrock 지식 기반

4. 3단계4~6주

   에이전트 설계와 평가

   왜에이전트 개발 경험은 29건 중 24건(83%), 평가는 16건(55%), 멀티 에이전트와 워크플로는 12건이었습니다. LangChain, LangGraph 같은 프레임워크 이름은 10건, MCP는 4건이었고 MCP는 모두 우대 사항 칸에만 있었습니다.

   공부할 것정해진 순서로 도는 워크플로와 스스로 다음 단계를 고르는 에이전트의 차이, 계획하고 실행하고 확인하는 반복, 상태 저장과 재시도, 사람이 승인하는 단계, 여러 에이전트 나누기, 도구를 MCP 서버로 감싸기, 평가 세트와 모델 채점, 고칠 때마다 점수 비교.

   만들어 볼 것이슈 트래커나 캘린더처럼 실제 API를 쓰는 에이전트 하나를 만들고, 성공과 실패를 가를 수 있는 과제 20~50개로 평가 세트를 꾸려 고칠 때마다 점수를 남깁니다. 도구 하나는 MCP 서버로 만들어 다른 클라이언트에서도 불러 봅니다. 프레임워크 없이 반복문으로 한 번 짠 뒤 프레임워크로 옮기면 무엇을 대신해 주는지 보입니다.

   공식 문서 LangGraph 개요, Google ADK, OpenAI Agents SDK, Microsoft AI Agents for Beginners, Hugging Face Agents Course, Anthropic 에이전트 설계 글, MCP 소개, MCP 서버 만들기, Google ADK 평가, OpenAI 평가, Vertex AI 생성형 AI 평가, Claude 테스트 만들기

5. 4단계2~3주

   운영: 관측, 비용, 보안

   왜배포와 운영은 29건 중 14건, 관측과 비용 14건, 클라우드 14건, 보안과 안전 12건이었습니다. 클라우드는 11건, 보안은 11건이 우대 사항 칸에 있어 같은 실력이면 차이를 만드는 쪽입니다.

   공부할 것요청마다 어떤 도구를 몇 번 불렀는지 남기는 트레이스, 토큰 수와 비용, 지연 시간, 캐싱으로 비용 줄이기, 작업마다 모델 크기 고르기, 프롬프트 인젝션, 도구 권한을 필요한 만큼만 주기, 개인정보 다루기, 클라우드 배포와 자동 배포.

   만들어 볼 것3단계 에이전트에 요청별 트레이스와 토큰, 비용, 지연 시간을 남기고 한 화면에서 봅니다. 문서 속에 숨긴 지시문 같은 공격 문장 모음을 만들어 막히는지 점검하고, 클라우드 한 곳에 자동 배포합니다.

   공식 문서 OpenTelemetry 생성형 AI 규약, Gemini API 컨텍스트 캐싱, OpenAI 프롬프트 캐싱, OWASP LLM 애플리케이션 Top 10, Amazon Bedrock Agents, Azure AI Foundry Agent Service, GitHub Actions

6. 5단계3~4주

   포트폴리오로 묶기

   왜제품과 사용자를 적은 공고가 29건 중 20건(69%)이었습니다. 기술 목록보다 누구의 어떤 문제를 풀었는지를 보는 공고가 많습니다.

   공부할 것실제 사용자를 찾고, 쓰는 모습을 보고 고치는 과정. README에 문제, 구조, 평가 점수 변화, 건당 비용과 지연 시간, 실패 사례와 한계를 적는 법.

   만들어 볼 것1~4단계 결과물을 서비스 하나로 묶어 공개 저장소와 함께 내놓고, 지인이나 동아리처럼 실제로 쓸 사람 몇 명에게 써 보게 한 뒤 바뀐 점을 적습니다.

   공식 문서 GitHub Actions, Docker 시작하기

출신별 지름길

이미 가진 것은 건너뛰고 비어 있는 단계부터 시작합니다. 아래 단계 번호는 위 커리큘럼의 번호입니다.

포트폴리오에서 공고가 보는 것

자격 요건 비율에서 거꾸로 짚은 것입니다. 공고 문구로 확인한 줄에는 근거를, 입사전이 정리한 줄에는 딱지를 붙였습니다.

• 직접 만든 에이전트가 있어야 합니다.

  본문을 읽은 29건 중 24건(83%)이 자격 요건이나 우대 사항에 에이전트를 만들거나 설계한 경험을 적었고, 자격 요건 칸에만 17건입니다.

  근거 입사전 공고 데이터

• 잘 된다는 말보다 평가 점수가 있는 결과물을 봅니다.

  평가, 벤치마크, LLM-as-a-judge 를 적은 공고가 16건(55%)이었습니다. 평가 세트를 어떻게 만들었고 고칠 때마다 점수가 어떻게 바뀌었는지가 이 항목의 증거입니다.

  근거 입사전 공고 데이터

• 배포해서 운영해 본 기록이 차이를 만듭니다.

  배포와 운영을 적은 공고가 14건, 관측과 비용이 14건이었습니다. 요청당 비용과 지연 시간을 숫자로 적어 둔 저장소는 흔하지 않습니다.

  근거 입사전 공고 데이터

• 누구의 어떤 문제를 풀었는지가 먼저입니다.

  제품, 고객, 사용자를 적은 공고가 20건(69%)이었습니다.

  근거 입사전 공고 데이터

• README는 문제, 구조 그림, 평가 세트와 점수 변화, 건당 비용과 지연 시간, 실패 사례와 한계 순서로 씁니다.

  데모 영상만 있는 저장소보다 다른 사람이 받아서 똑같이 돌려 볼 수 있는 저장소가 면접에서 질문을 받기 좋습니다.

  입사전 정리

• 튜토리얼을 그대로 따라 한 챗봇보다 내가 매주 반복하는 일을 고릅니다.

  어떤 단계에서 사람이 확인해야 했는지, 에이전트에게 맡기지 않기로 한 일은 무엇인지까지 적으면 설계 판단이 드러납니다.

  입사전 정리

지원할 때 확인할 것

• 같은 에이전트 제목이라도 하는 일이 다릅니다.

  크래프톤 Game Agent와 카카오 Search & Agent는 연구, 플렉스 AI Agent Backend는 제품 엔지니어링, 지란지교소프트 AI 에이전트 서비스 기획 PM과 NHN AgenticAI 서비스 기획은 기획, 티맵모빌리티 AI Agent TPM은 프로젝트 관리 자리입니다. 담당 업무 칸을 먼저 읽습니다.

  근거 입사전 공고 데이터

• 제목에 Research 나 연구가 붙으면 논문과 모델 학습 비중이 큰 자리입니다.

  40건 중 6건이 연구 제목이었습니다(크래프톤 2건, 카카오, 업스테이지, 엔씨소프트, 넷마블). 제품을 만드는 엔지니어 자리를 노린다면 이 공고들의 학위, 논문 조건은 따로 떼어 읽습니다.

  입사전 정리

• 연차를 적은 공고는 많지 않아 본문을 직접 봐야 합니다.

  본문을 읽은 29건 중 연차를 적은 공고는 11건(2년 이상 3건, 3~4년 이상 3건, 5년 이상 3건, 7년 이상 2건)이었고, 전체 40건 중 10건은 경력 표기가 없었습니다.

  근거 입사전 공고 데이터

• 산업 맥락을 함께 봅니다.

  포티투닷은 차량(SDV Agent), 넷마블과 크래프톤은 게임 에이전트, 딥엑스는 사내 업무 자동화, KT는 에이전트 플랫폼 공고였습니다. 같은 기술이라도 그 산업의 도구와 데이터를 다뤄 본 경험이 우대 사항에 붙습니다.

  근거 입사전 공고 데이터

• 부서 이름에만 에이전트가 들어간 공고도 있습니다.

  카카오 공동체의 카카오모빌리티 물류 & 에이전트 개발실 백엔드 개발자 공고는 부서 이름에 에이전트가 든 공고라, AI 에이전트를 만드는 자리인지는 본문으로 확인해야 합니다.

  입사전 정리

신입과 인턴이 볼 공고

2026-10-09 기준 신입으로 표기된 AI 에이전트 공고는 없었고, 인턴 3건과 경력 무관 3건이 아래 회사에 있었습니다. 회색 이름은 지금 접수 중인 공고가 없어 회사 페이지를 숨긴 곳입니다.

• 센드버드AI Agent Engineer 인턴
• 크래프톤Vision Language Action Game Agent 인턴
• 퀄컴코리아On-device AgenticAI 인턴
• 업스테이지에이전트 공고 3건, 경력 무관

에이전트 공고 전체는 AI 에이전트 채용에, 다른 AI 직무까지 넓혀 보려면 AI 개발자 채용관에 있습니다. 신입 공채와 인턴은 신입, 인턴 채용공고와 인턴 채용에서 마감 순으로 봅니다. 마감이 지난 공고는 목록에서 저절로 빠집니다.

자주 묻는 질문

AI 에이전트 개발자는 무슨 일을 하나요?

사람이 맡긴 일을 AI가 여러 단계로 나눠 도구를 쓰며 끝까지 처리하도록 시스템을 설계하고 만드는 일입니다. 2026-10-09 접수 중인 공고 40건 가운데 에이전트 엔지니어, 개발자 제목이 12건, 에이전트 분야 AI, ML 엔지니어가 9건, 연구 6건, 소프트웨어와 백엔드 엔지니어 5건, 기획과 PM, TPM 3건이었습니다.

AI 에이전트 개발자가 되려면 무엇부터 공부해야 하나요?

파이썬과 웹 API 같은 기초가 있다면 LLM API와 도구 호출부터 시작합니다. 입사전이 본문을 읽은 공고 29건 중 LLM은 83%, 에이전트 개발 경험은 83%, 평가는 55%, 파이썬은 52%가 적었습니다. 그다음 RAG, 에이전트 설계와 평가, 운영 순서로 가고, 단계마다 만든 것을 포트폴리오 하나로 묶습니다.

공부 기간은 얼마나 걸리나요?

주 10시간을 가정하면 기초부터 포트폴리오까지 어림 4~6개월입니다. 개발 경력이 있어 기초를 건너뛰면 3~5개월 정도로 봅니다. 공고 근거가 있는 숫자가 아니라 입사전이 단계별 분량으로 어림한 값이라, 이미 아는 단계는 더 줄어듭니다.

LangChain 같은 프레임워크를 꼭 알아야 하나요?

LangChain, LangGraph, AutoGen 같은 프레임워크 이름을 적은 공고는 29건 중 10건(자격 요건 칸에는 5건)이었습니다. 이름이 가장 자주 나온 것은 LangChain과 LangGraph였습니다. 입사전 정리로는, 도구 호출 반복을 프레임워크 없이 한 번 직접 짠 뒤 프레임워크로 옮겨 보는 순서를 권합니다. 그래야 면접에서 프레임워크가 대신해 주는 일을 설명할 수 있습니다.

MCP도 공부해야 하나요?

MCP(Model Context Protocol)나 A2A를 적은 공고는 29건 중 4건이었고 모두 우대 사항 칸이었습니다. 필수 조건은 아니지만, 3단계에서 만든 도구 하나를 MCP 서버로 감싸 보는 데 하루 이틀이면 되니 해 두면 우대 사항 하나를 채웁니다.

딥러닝 이론이나 수학을 깊게 알아야 하나요?

공고 40건 중 연구 제목(Research Engineer, Research Scientist, 연구개발)은 6건이었고, 나머지는 에이전트 엔지니어, AI 엔지니어, 제품과 백엔드 엔지니어, 기획 자리였습니다. 입사전 정리로는, 연구 공고가 아니라면 학습 이론보다 본문에서 비율이 높았던 LLM 활용, 평가, 배포와 운영을 먼저 채우는 편이 공고와 맞습니다.

신입도 AI 에이전트 개발자로 지원할 수 있나요?

2026-10-09 기준 신입 표기 공고는 없었고, 인턴 3건(센드버드 AI Agent Engineer 인턴, 크래프톤 Game Agent 인턴, 퀄컴코리아 On-device AgenticAI 인턴)과 경력 무관 3건(업스테이지)이 있었습니다. 표기 없음 10건은 본문에서 조건을 확인해야 합니다.

백엔드 개발자는 AI 에이전트 개발자로 옮기기 유리한가요?

본문을 읽은 공고 29건 중 백엔드 개발을 적은 공고는 11건, 배포와 운영은 14건, 클라우드는 14건이었습니다. 이 부분은 이미 갖고 있으니, 같은 입력에도 답이 달라지는 모델을 평가 세트로 재고 비용과 지연 시간을 관리하는 경험을 더하면 됩니다.

어느 모델 회사 API로 공부해야 하나요?

입사전 정리로는 어느 회사든 하나로 시작하면 됩니다. 도구 호출, 구조화 출력, 임베딩, 캐싱은 회사마다 이름과 형식이 조금 다르고 개념은 같습니다. 이 페이지는 같은 개념을 Google, OpenAI, Anthropic, Microsoft, AWS 문서로 함께 걸어 두었으니, 하나로 익힌 뒤 다른 회사 문서로 같은 예제를 옮겨 보면 차이가 보입니다.

이 페이지가 다루지 않는 것

• 공고 숫자는 2026-10-09에 입사전이 모은 회사 공식 채용공고 가운데 접수 중인 것만, 제목이나 부서에 에이전트, Agent, Agentic 이 든 공고로 센 값입니다. 입사전이 수집하지 않는 회사와, 에이전트 일을 하지만 제목에 그 말을 쓰지 않는 AI 공고는 빠졌습니다.
• 자격 요건 비율은 본문을 열 수 있었던 29건(17곳)만 셌습니다. robots.txt 응답이 막힌 카카오, 요청 제한을 건 레브잇, 인핸스, 지란지교소프트 채용 사이트는 열지 않았고, 엔씨소프트와 컴투스는 화면에 본문이 나오지 않아 빠졌습니다. 포티투닷 5건, 업스테이지 3건이 표본에 많아 두 회사 문구가 비율에 크게 반영됩니다.
• 자격 요건은 낱말 묶음이 칸 안에 나오는지만 셌고, 얼마나 깊게 요구하는지는 세지 않았습니다. 자격 요건 제목이 없는 4건은 담당 업무부터 우대 사항 앞까지를 자격 칸으로 봤습니다. 공고 본문은 저장하지 않았습니다.
• 단계별 기간, 공부 순서, 만들어 볼 것, 출신별 지름길 가운데 "입사전 정리" 표시가 붙은 부분은 공고 비율을 읽고 입사전이 정리한 것이고, 회사가 밝힌 기준이 아닙니다.
• 공부 자료는 무료로 열리는 공식 문서만 걸었고, 유료 강의, 부트캠프, 책 홍보, 개인 블로그는 쓰지 않았습니다. 모델 회사 문서는 서비스가 바뀌면 주소와 내용이 바뀔 수 있습니다.

근거와 공부 자료

1. 입사전이 모은 회사 공식 채용공고(접수 중 5,813건, 2026-10-09 빌드), AI 에이전트 채용 2026-10-09 확인
2. Python 공식 문서, The Python Tutorial 2026-10-09 확인
3. FastAPI 공식 문서, Tutorial - User Guide 2026-10-09 확인
4. PostgreSQL 공식 문서, Tutorial 2026-10-09 확인
5. Docker 공식 문서, Get started 2026-10-09 확인
6. Hugging Face, LLM Course 2026-10-09 확인
7. Google AI for Developers, Gemini API Function calling 2026-10-09 확인
8. Google AI for Developers, Prompt design strategies 2026-10-09 확인
9. OpenAI Platform 문서, Function calling 2026-10-09 확인
10. OpenAI Platform 문서, Structured Outputs 2026-10-09 확인
11. Claude 문서, Tool use overview 2026-10-09 확인
12. LlamaIndex 공식 문서, Introduction to RAG 2026-10-09 확인
13. LangChain 공식 문서, Build a RAG agent 2026-10-09 확인
14. Google AI for Developers, Embeddings 2026-10-09 확인
15. OpenAI Platform 문서, Retrieval 2026-10-09 확인
16. pgvector 공식 저장소(PostgreSQL 벡터 검색 확장) 2026-10-09 확인
17. Microsoft Learn, Retrieval Augmented Generation in Azure AI Search 2026-10-09 확인
18. AWS 문서, Amazon Bedrock Knowledge Bases 2026-10-09 확인
19. LangChain 공식 문서, LangGraph overview 2026-10-09 확인
20. Google, Agent Development Kit 문서 2026-10-09 확인
21. OpenAI Agents SDK(Python) 공식 문서 2026-10-09 확인
22. Microsoft 공식 저장소, AI Agents for Beginners 2026-10-09 확인
23. Hugging Face, AI Agents Course 2026-10-09 확인
24. Anthropic Engineering, Building effective agents 2026-10-09 확인
25. Model Context Protocol 공식 문서, Introduction 2026-10-09 확인
26. Model Context Protocol 공식 문서, Build an MCP server 2026-10-09 확인
27. Google, Agent Development Kit, Why Evaluate Agents 2026-10-09 확인
28. OpenAI Platform 문서, Evals 2026-10-09 확인
29. Google Cloud 문서, Gen AI evaluation service overview 2026-10-09 확인
30. Claude 문서, Create strong empirical evaluations 2026-10-09 확인
31. OpenTelemetry, Semantic conventions for generative AI systems 2026-10-09 확인
32. OpenAI Platform 문서, Prompt caching 2026-10-09 확인
33. Google AI for Developers, Context caching 2026-10-09 확인
34. OWASP, Top 10 for Large Language Model Applications 2026-10-09 확인
35. AWS 문서, Amazon Bedrock Agents 2026-10-09 확인
36. Microsoft Learn, Azure AI Foundry Agent Service overview 2026-10-09 확인
37. GitHub 문서, GitHub Actions 2026-10-09 확인

공고 원문은 각 회사 공식 채용 페이지에 있고, 입사전은 제목과 경력 표기만 저장합니다. 유료 강의, 부트캠프, 책 홍보, 개인 강의 블로그는 링크하지 않았습니다. 특정 모델 회사 제품을 권하는 글이 아니며, 같은 개념을 여러 회사 문서로 함께 걸었습니다.