Indeed Job Matching, System & ML
구직자의 관심과 기업의 채용 조건을 연결하고 늦게 도착하는 채용 결과로 다음 추천을 개선하는 시스템

Introduction & Requirements
이력서를 올리고 백엔드 개발자 공고를 검색했다고 해보겠습니다. 화면에는 익숙한 기술 이름이 들어간 공고가 나타납니다. 그런데 자세히 읽어보면 근무지가 너무 멀거나, 원격 근무가 특정 국가에만 허용되거나, 이미 모집이 끝난 자리입니다. 추천 점수가 높다는 이유만으로 사용자가 지원할 수 있는 것은 아닙니다.
서버가 빠르게 응답하는 것만으로도 충분하지 않습니다. 관심 있는 공고를 찾았더라도 지원서가 기업에 전달되지 않으면 채용 과정은 시작되지 않습니다. 반대로 기업에 전달됐는데 응답을 받지 못했다고 다시 전송하면 같은 지원서가 여러 번 생길 수 있습니다.
이 설계에 들어가기 전에 실제 운영 경험 하나를 보겠습니다. Indeed 엔지니어 Dave Chiluk의 CPU throttling 문제 해결 사례는 X에서도 공유됐습니다. 그가 2019년에 공개한 기술 글에 따르면 웹 애플리케이션의 느린 응답이 늘었지만 CPU 사용량은 정상처럼 보였습니다. 조사 과정에서 컨테이너의 CPU 실행 제한과 지연의 연관성을 발견했고, 작은 재현 프로그램과 커널 변경 이력 추적으로 원인을 좁혔습니다. 해당 글은 영향을 받은 애플리케이션 하나의 최악 응답 시간이 2초 이상에서 30ms로 줄었다고 설명합니다.
이는 현재 Indeed 매칭 모델 자체에 발생한 장애 사례라는 뜻은 아닙니다. 매칭 서비스를 올릴 기반 환경에서도 평균 CPU만 보면 놓치는 지연 문제가 생길 수 있다는 경험입니다. 따라서 이 글에서는 모델 정확도뿐 아니라 요청 대기, CPU throttling, 부분 실패도 함께 다룹니다.
추천 품질에서도 비슷한 문제가 있습니다. Indeed의 Megan Chen이 2025년에 공개한 글은 모델 평가 지표가 개선되어도 실제 제품 성과가 좋아지지 않을 수 있다고 설명합니다. 지원 결과를 예측하는 목표와 실제 채용을 늘리는 목표가 완전히 같지 않고, 지원 후 활동 일부는 플랫폼 밖에서 일어나 관측되지 않기 때문입니다.
우리가 풀 문제도 여기에 있습니다. 사용자가 클릭할 만한 공고를 찾는 것에서 끝나지 않고, 실제로 검토할 가치가 있는 지원과 기업의 응답으로 이어지는 연결을 만들어야 합니다.
가장 단순한 구현은 관계형 DB에 공고와 프로필을 저장하고, 직무명과 지역이 맞는 공고를 최신순으로 보여주는 방식입니다. 공고 수가 적고 필터가 단순할 때는 합리적입니다. 그러나 직무 표현이 달라지면 관련 공고를 놓치고, 지원 이력과 기업의 반응까지 요청마다 조인하면 조회 비용이 커집니다. 공고가 다른 채널에서 중복 수집되거나 모집 종료가 늦게 반영되는 문제도 생깁니다.
그래서 공고를 받아 정리하는 경로, 후보를 검색하고 순위를 정하는 경로, 지원서를 전달하는 경로, 결과를 학습하는 경로를 분리하겠습니다. 이 경로들은 서로 다른 속도로 갱신되므로 어떤 상태를 즉시 확인하고 어떤 상태는 조금 늦게 사용해도 되는지 정해야 합니다.
이 글에서 공개된 사실로 사용하는 것은 발표 시점의 Indeed 기술 설명과 공개 연동 문서입니다. 2019년 Jobs Filter는 부적절한 매칭을 줄이는 과거 구현 사례로만 다룹니다. 2026년 공개된 사용자 행동 임베딩 구조도 해당 발표의 범위에서 설명합니다. 아래 DB, API, shard key, 모델 구성, 처리량과 지연 목표는 공개된 제품 동작을 바탕으로 구성한 시스템 디자인 가정이며 Indeed의 현재 내부 구현 전체를 재현한 것이 아닙니다.
Functional Requirements
구직자는 직무, 지역, 급여, 고용 형태, 근무 방식으로 공고를 검색하고 개인화된 추천을 받을 수 있습니다.
구직자는 프로필과 희망 조건을 수정하고, 공고를 저장하거나 관심 없음을 표시할 수 있습니다.
시스템은 기업과 외부 채용 관리 시스템에서 공고의 생성, 수정, 마감 상태를 수신합니다.
시스템은 같은 채용 기회가 여러 출처에서 들어오는 경우 중복 가능성을 판단하고 검색 결과의 반복 노출을 줄입니다.
시스템은 사용자에게 공개할 수 있고 현재 조건에 맞는 공고를 찾은 뒤, 구직자의 관심과 기업 측 반응 가능성을 함께 고려해 순위를 정합니다.
구직자는 지원서를 제출하고 플랫폼 접수 상태와 기업 측 전달 상태를 구분해 확인할 수 있습니다.
기업은 공개를 허용한 구직자 중 관련 후보를 추천받을 수 있으며, 구직자의 연락 허용 설정과 차단 관계가 적용됩니다.
시스템은 노출, 클릭, 저장, 지원, 기업 응답과 채용 결과를 수집해 추천을 평가하고 개선합니다.
사용자는 추천 이유와 확인되지 않은 조건을 구분해 볼 수 있으며, 잘못 추출된 프로필 정보를 수정할 수 있습니다.
Non-Functional Requirements
다음 수치와 정책은 모두 설계를 위한 가정입니다. Indeed의 공개 SLA나 실제 처리량을 뜻하지 않습니다.
검색과 추천 API의 서버 처리 시간은 p95 250ms, p99 600ms 이내를 목표로 합니다. 모바일 네트워크와 화면 렌더링 시간은 별도 측정합니다.
검색과 추천은 월간 성공률 99.95%를 목표로 합니다. 응답 코드가 정상이어도 유효한 결과를 만들지 못하면 별도의 품질 실패로 기록합니다.
지원 접수 성공은 지원 레코드와 전달 이벤트가 내구성 있게 저장된 이후에만 반환합니다. 리전 전체 손실까지 RPO 0을 요구하는 배포에서는 리전 간 동기 복제 비용을 부담합니다.
플랫폼이 수신한 일반 공고 수정은 99%가 60초 안에 검색에 반영되도록 합니다. 외부 시스템이 변경을 늦게 보내는 시간은 따로 측정합니다.
모집 종료와 공개 권한은 지원 접수 및 개인정보 반환 시 권위 있는 상태에서 다시 확인합니다. 모델 점수나 검색 인덱스를 최종 권한 근거로 사용하지 않습니다.
현재 세션의 관심 변화는 99%가 5초 안에 개인화 특징에 반영되도록 합니다. 장기 행동 임베딩은 일 단위 갱신을 허용합니다.
사용자 행동 기록과 이력서는 용도별 접근 통제를 적용하고, 삭제 요청은 파생 인덱스와 학습 데이터 처리까지 추적합니다.
직군, 지역, 신규 사용자와 기존 사용자별 추천 품질을 나누어 평가합니다. 전체 평균 개선만으로 특정 집단의 품질 저하를 허용하지 않습니다.
요청당 추론 비용과 유효한 지원당 인프라 비용을 함께 관리합니다. 비싼 모델을 더 많이 실행하는 것을 품질 개선과 동일시하지 않습니다.
Out of Scope
급여 지급, 근로 계약, 온보딩과 입사 이후 인사 관리
화상 면접과 코딩 테스트 실행 환경
광고 경매, 예산 소진과 과금의 상세 구현
자동 지원이나 자동 채용 결정
외부 ATS 내부의 심사 절차와 실제 채용 판단
모든 국가의 채용 규정을 포괄하는 법률 해석
검색과 추천 결과에는 광고 여부를 식별하는 자리를 둘 수 있지만, 여기서는 유기적 매칭의 품질과 전달 정합성에 집중합니다.
Traffic & Capacity Assumptions
사용자 수와 공고 수
DAU를 2,000만 명, 검색 가능한 활성 공고를 1,000만 건, 보관 중인 프로필을 1억 건으로 가정하겠습니다.
활성 공고와 과거 공고를 같은 검색 경로에서 처리할 필요는 없습니다. 조회가 많은 활성 집합은 검색 인덱스에 두고, 마감된 공고의 과거 버전은 지원 기록 확인과 학습 데이터 재현에 사용합니다. 프로필도 모두 매일 다시 인코딩하지 않고 활동 여부와 변경 여부를 기준으로 갱신 대상을 나눌 수 있습니다.
요청 빈도와 QPS
한 명이 하루 평균 검색과 추천 페이지를 10번 요청하면 하루 2억 요청입니다. 평균 약 2,315 QPS이고, 피크를 평균의 5배로 가정하면 약 1만 1,575 QPS입니다.
이 숫자는 검색 API로 들어오는 요청 수입니다. 요청 하나가 여러 검색 shard와 모델 서버로 분산되므로 내부 RPC 수는 더 많습니다. 지역별 동시 접속 집중과 캐시 miss를 포함한 부하 시험으로 실제 서버 수를 결정해야 합니다.
후보 평가량
요청당 최대 2,000개 후보를 합치고, 가벼운 모델로 200개를 남긴 뒤 최종적으로 20개를 반환한다고 가정하겠습니다. 피크에서 가벼운 평가 대상은 초당 약 2,315만 쌍, 정밀 평가 대상은 초당 약 231만 5,000쌍입니다.
API QPS가 1만 정도라는 사실만 보면 추론 비용을 과소평가하기 쉽습니다. 정밀 모델의 후보 수를 두 배 늘리면 그 단계의 평가량도 대체로 두 배가 됩니다. 후보 수와 배치 크기는 품질 실험 및 하드웨어별 처리량 측정으로 결정하고, 모델 호출 하나와 후보 평가 하나를 같은 단위로 세지 않습니다.
이벤트 수와 저장량
각 응답에 공고 20개가 포함되면 하루 최대 40억 개의 공고 항목이 전달됩니다. 모두 화면에 실제 노출되는 것은 아니므로 전달 이벤트와 화면 노출 이벤트를 구분합니다. 용량 계획에서는 화면 노출이 상한에 가깝게 발생하는 경우를 고려하겠습니다.
노출 이벤트 하나의 평균 크기를 250바이트로 잡으면 원시 데이터는 하루 약 1TB입니다. 이 계산에는 복제, 인덱스, 프로토콜 오버헤드와 클릭 등 다른 이벤트가 포함되지 않습니다. 이 정도로 반복적으로 생성되는 기록은 OLTP DB보다 순차 추가가 가능한 Event Stream과 Object Storage에 적합합니다.
지원과 공고 변경
DAU의 10%가 하루 평균 두 번 지원하면 하루 400만 지원입니다. 평균 약 46건/초이고 피크를 10배로 보면 약 463건/초입니다. 공고 생성과 수정은 하루 200만 건으로 가정하며 평균 약 23건/초입니다.
지원 쓰기는 노출 이벤트보다 훨씬 적지만 잃거나 중복 적용했을 때의 비용이 큽니다. 따라서 같은 처리량 최적화를 적용하지 않습니다. 지원은 트랜잭션과 복구 가능성을 우선하고, 공고 수집은 특정 기업의 대량 갱신이 다른 기업의 수정 반영을 지연시키지 않도록 격리합니다.
임베딩 메모리
공고당 256차원 FP16 벡터를 사용하면 벡터 자체는 512바이트입니다. 활성 공고 1,000만 건의 벡터는 약 5.12GB이고, 프로필 1억 건은 약 51.2GB입니다.
이는 벡터만 계산한 값입니다. ANN 그래프, 식별자, 필터 속성, 복제본과 인덱스 전환 중 중복 적재 공간을 더해야 합니다. 또한 아래 설계의 256차원은 예시이며 Indeed가 공개한 UBM의 실제 차원이라는 뜻이 아닙니다.
Core Entities & Data Modeling
먼저 원본으로 보장할 상태를 정하겠습니다. 공고가 열려 있는지, 어떤 모집 회차에 대한 지원인지, 지원서가 접수되었는지, 기업이 어떤 개인정보를 볼 수 있는지는 강한 정합성이 필요한 상태입니다.
반면 오늘 많이 본 직군, 최근 클릭 수, 사용자 임베딩과 검색 후보는 계산해서 다시 만들 수 있습니다. 이 값들이 조금 늦게 갱신됐다고 지원 접수 자체를 막을 필요는 없습니다.
공고와 모집 회차
job_id는 플랫폼 내부 공고 식별자입니다. 외부 시스템의 식별자는 source_id와 source_job_id의 조합으로 별도 보존합니다. 다른 출처에서 같은 문자열을 사용해도 충돌하지 않아야 하기 때문입니다.
hiring_cycle_id는 모집 회차입니다. 같은 공고를 다시 열더라도 이전 지원을 재사용할지 새 지원을 받을지 구분할 수 있습니다. 공고 재개가 언제 새 회차가 되는지는 제품 정책으로 정하고 서버가 생성합니다.
아래는 PostgreSQL을 기준으로 한 교육용 원본 schema입니다. 지원과 공고의 트랜잭션이 같은 DB에 있거나 동일한 공고 shard 안에서 실행되는 구조를 전제로 합니다.
CREATE TABLE jobs (
job_id UUID PRIMARY KEY,
employer_id UUID NOT NULL,
source_id TEXT NOT NULL,
source_job_id TEXT NOT NULL,
source_revision BIGINT,
hiring_cycle_id UUID NOT NULL,
status TEXT NOT NULL CHECK (
status IN ('DRAFT', 'OPEN', 'PAUSED', 'CLOSED', 'REMOVED')
),
title TEXT NOT NULL,
country_code CHAR(2) NOT NULL,
location JSONB NOT NULL,
work_mode TEXT NOT NULL CHECK (
work_mode IN ('ONSITE', 'HYBRID', 'REMOTE', 'UNSPECIFIED')
),
salary_min NUMERIC(14, 2),
salary_max NUMERIC(14, 2),
salary_currency CHAR(3),
salary_period TEXT,
requirements JSONB NOT NULL DEFAULT '{}'::jsonb,
requirements_version BIGINT NOT NULL DEFAULT 1,
description_object_key TEXT NOT NULL,
version BIGINT NOT NULL DEFAULT 1,
created_at TIMESTAMPTZ NOT NULL DEFAULT now(),
updated_at TIMESTAMPTZ NOT NULL DEFAULT now(),
closes_at TIMESTAMPTZ,
UNIQUE (source_id, source_job_id),
CHECK (salary_min IS NULL OR salary_min >= 0),
CHECK (salary_max IS NULL OR salary_max >= 0),
CHECK (
salary_min IS NULL OR salary_max IS NULL
OR salary_min <= salary_max
)
);
CREATE TABLE applications (
job_id UUID NOT NULL REFERENCES jobs(job_id),
application_id UUID NOT NULL,
seeker_id UUID NOT NULL,
hiring_cycle_id UUID NOT NULL,
idempotency_key TEXT NOT NULL,
request_hash TEXT NOT NULL,
resume_object_key TEXT NOT NULL,
resume_version BIGINT NOT NULL,
accepted_requirements_version BIGINT NOT NULL,
delivery_status TEXT NOT NULL CHECK (
delivery_status IN (
'QUEUED', 'SENDING', 'DELIVERED',
'DELIVERY_UNKNOWN', 'DELIVERY_FAILED'
)
),
partner_application_id TEXT,
partner_receipt JSONB,
version BIGINT NOT NULL DEFAULT 1,
created_at TIMESTAMPTZ NOT NULL DEFAULT now(),
updated_at TIMESTAMPTZ NOT NULL DEFAULT now(),
PRIMARY KEY (job_id, application_id),
UNIQUE (job_id, seeker_id, idempotency_key),
UNIQUE (job_id, seeker_id, hiring_cycle_id)
);
CREATE TABLE outbox_events (
job_id UUID NOT NULL,
event_id UUID NOT NULL,
aggregate_id UUID NOT NULL,
aggregate_version BIGINT NOT NULL,
event_type TEXT NOT NULL,
idempotency_key TEXT NOT NULL,
payload JSONB NOT NULL,
created_at TIMESTAMPTZ NOT NULL DEFAULT now(),
published_at TIMESTAMPTZ,
PRIMARY KEY (job_id, event_id),
UNIQUE (job_id, aggregate_id, event_type, idempotency_key)
);
CREATE INDEX applications_by_seeker
ON applications (seeker_id, created_at DESC);
CREATE INDEX outbox_unpublished
ON outbox_events (created_at)
WHERE published_at IS NULL;
급여에는 통화와 기간을 함께 보관합니다. 월급과 연봉을 숫자 크기만으로 비교하면 잘못된 추천이 됩니다. 정규화된 비교 값에는 환산 기준 버전도 붙이며, 원문에서 확인한 금액과 모델이 추정한 금액을 구분합니다.
version은 원본 변경 순서를 나타내고, requirements_version은 지원 전에 사용자에게 다시 확인받아야 할 조건 변경을 나타냅니다. 설명의 오타 수정과 필수 자격 변경을 같은 충돌로 다루면 지원 과정이 불필요하게 중단됩니다.
status를 boolean으로 만들지 않는 이유도 여기에 있습니다. 기업이 잠시 지원을 멈춘 상태와 모집을 끝낸 상태, 운영자가 노출을 제거한 상태는 복구 절차가 다릅니다. created_at을 수정 시각으로 덮어쓰지 않아야 오래된 공고를 자주 수정해 신규 공고처럼 보이게 하는 문제도 줄일 수 있습니다.
구직자 프로필과 공개 범위
프로필 원본에는 사용자가 직접 입력한 기술, 경력, 희망 직무, 근무 가능 지역, 공개 설정과 각 변경 버전을 둡니다. 문서에서 추출한 기술에는 source, confidence, confirmed_by_user를 붙입니다. 모델이 추출한 자격증과 사용자가 확인한 자격증을 같은 확정 사실로 다루지 않습니다.
이력서 원본은 Object Storage에 암호화해서 보관하고 DB에는 객체 식별자와 버전만 둡니다. 지원 시에는 사용자가 선택한 버전을 고정합니다. 이후 프로필을 수정했다고 이미 제출한 지원서의 내용이 조용히 바뀌면 안 됩니다.
기업 대상 후보 검색에서는 검색 인덱스에 있다는 이유만으로 프로필을 반환하지 않습니다. 프로필을 공개했는지, 해당 기업을 차단했는지, 요청자가 허용된 채용 담당자인지 최종 반환 직전에 확인합니다. 공개 철회는 검색 인덱스 갱신을 기다려 처리하지 않습니다.
전달 상태와 채용 결과
기업의 지원자 관리 시스템을 ATS라고 부르겠습니다. 지원서를 ATS로 보냈다는 사실과 채용 담당자가 지원자를 검토했다는 사실은 별도 상태입니다.
delivery_status는 전송 상태만 나타냅니다. DELIVERED가 면접 진행이나 채용 승인을 뜻하지 않습니다. 심사 결과는 별도 application_outcomes 기록에 외부 이벤트 ID, 원본 상태, 정규화한 상태, 외부 변경 시각, 수신 시각과 출처를 보관합니다.
Indeed가 공개한 Disposition Sync API도 ATS가 지원 이후 상태를 돌려보내는 연동을 제공합니다. 여기서는 이 공개 동작을 참고하되, 아래의 내부 이벤트와 REST API를 실제 Indeed API라고 간주하지 않습니다.
저장 계층의 책임
RDBMS에는 공고 원본, 공개 설정, 지원 접수, 전달 상태와 Outbox를 둡니다. 중복 생성 방지와 조건부 상태 변경을 한 트랜잭션으로 처리해야 하기 때문입니다.
Event Stream에는 노출과 클릭 같은 행동, 공고 변경과 지원 결과 이벤트를 둡니다. 소비자는 목적별로 독립적으로 진행 상황을 관리하며, 학습 파이프라인이 느려도 지원 전달을 막지 않도록 별도 topic과 처리 자원을 사용합니다.
Object Storage에는 이력서, 공고 원문 버전, 학습용 데이터 파일과 모델 산출물을 둡니다. 개인정보 원본과 분석 데이터는 같은 접근 정책을 공유하지 않습니다.
Search Index에는 정규화한 직무명, 지역, 급여 범위와 검색용 텍스트를 둡니다. Vector Index에는 의미 기반 후보 검색에 사용할 공고 벡터를 둡니다. 기술 간 관계를 표현하는 그래프는 후보 확장에 도움이 되는 경우 오프라인에서 활용하고, 모든 요청이 Graph DB를 거치도록 만들지는 않습니다.
Online Feature Store에는 최근 행동 통계와 사전에 계산한 임베딩을 둡니다. Cache에는 반복 조회되는 공고 요약, 비개인화 검색 후보, 짧게 유지할 세션 결과를 둡니다. 두 계층 모두 지원 접수나 공개 권한의 최종 원본은 아닙니다.
Warehouse에는 실험 분석, 직군별 성과, 전달 누락 대사와 학습 데이터 검증 결과를 둡니다. 큰 집계를 OLTP DB에서 반복 실행하지 않도록 분리합니다.
request_id , 검색 또는 추천 요청 하나
decision_id , 특정 모델과 특징 버전으로 만든 추천 결정 하나
impression_id , 공고가 화면에 실제 노출된 사건 하나
job_id , 원본 공고 하나
opportunity_cluster_id , 같은 채용 기회일 가능성이 높은 공고 묶음
application_id , 플랫폼이 접수한 지원 하나
event_id , 재전송되더라도 동일하게 유지하는 사건 하나
RDBMS에서 제외할 데이터
노출과 클릭 원시 이벤트는 공고 원본보다 훨씬 자주 발생합니다. 매번 공고 row를 수정하면 인기 공고에 쓰기가 집중되므로 Event Stream에 기록하고 필요한 통계만 비동기로 계산합니다.
검색 후보 2,000개의 임시 점수는 요청 처리 메모리에 둡니다. 재현이 필요한 결정 기록은 표본 정책에 따라 분석 저장소에 남기고, 모든 후보 점수를 영구 OLTP row로 저장하지 않습니다.
사용자와 공고의 고차원 벡터는 Vector Index 또는 Feature Store에 둡니다. RDBMS에 벡터를 저장하는 방식 자체가 잘못된 것은 아니지만, 이 설계 규모에서는 ANN 검색과 원본 트랜잭션의 확장 단위가 다릅니다.
이력서 바이너리와 긴 공고 원문은 Object Storage에 둡니다. 백업과 복제 경로에 큰 바이너리가 포함되면 지원 접수와 무관한 I/O가 늘어나기 때문입니다.
세션 내 스크롤 위치와 임시 필터 입력은 클라이언트 또는 TTL이 짧은 저장소에 둡니다. 반면 지원 초안과 제출 의도는 잃으면 사용자 작업이 사라지므로 별도 내구성 정책을 적용합니다.
API Signatures
아래 경로와 JSON은 이 글에서 설계하는 예시 API입니다. 인증된 사용자 ID는 서버가 결정하며 클라이언트가 보낸 다른 사용자의 ID를 신뢰하지 않습니다.
공고 검색과 추천
POST /v1/job-matches:search
Content-Type: application/json
{
"query": "backend engineer",
"filters": {
"country": "US",
"region": "San Jose",
"work_modes": ["REMOTE", "HYBRID"],
"employment_types": ["FULL_TIME"]
},
"page_size": 20,
"cursor": null
}
{
"request_id": "req_01",
"decision_id": "dec_01",
"results": [
{
"job_id": "2fd673e5-df08-43c8-89de-9433e36a2449",
"hiring_cycle_id": "52bd61d5-f5ba-4cfb-9a8a-03dbe0a9281b",
"job_version": 17,
"requirements_version": 3,
"title": "Backend Engineer",
"reasons": ["Python 경험과 관련", "희망 근무 방식과 일치"],
"unknown_conditions": ["급여 정보 미제공"],
"sponsored": false
}
],
"next_cursor": "opaque_signed_cursor",
"partial_results": false,
"personalization_mode": "FULL"
}
이 API는 현재 요청에 필요한 후보 검색, 필터링과 순위 결정을 동기적으로 수행합니다. 이력서 파싱, 전체 사용자 이력 인코딩과 모델 학습은 기다리지 않습니다.
Cursor에는 검색 조건 해시, 결과 세션 ID, 정책 버전과 만료 정보를 연결합니다. 사용자가 다음 페이지를 열 때 전체 순위를 처음부터 다시 계산하면 중복과 누락이 늘어날 수 있습니다. 짧게 보관한 후보 순서를 이어 읽되, 마감 및 차단 상태는 페이지마다 다시 적용합니다. 세션이 만료됐으면 새 검색이 필요하다는 상태를 반환합니다.
저장과 관심 없음
PUT /v1/me/job-preferences/2fd673e5-df08-43c8-89de-9433e36a2449
If-Match: "preference-8"
Content-Type: application/json
{
"saved": false,
"hidden": true,
"reason": "LOCATION_MISMATCH"
}
최신 버전과 일치할 때만 변경하고 새 버전을 반환합니다. 동일한 원하는 상태를 보내는 PUT은 토글 명령보다 재시도가 안전합니다. 여러 기기에서 저장과 해제가 충돌하면 412를 반환해 최신 상태를 다시 확인하게 합니다.
관심 없음은 단순 이벤트 집계 외에 사용자별 제외 집합에도 반영합니다. 이벤트 소비가 늦다는 이유로 사용자가 방금 숨긴 공고를 계속 보여주면 안 되기 때문입니다.
지원서 접수
POST /v1/jobs/2fd673e5-df08-43c8-89de-9433e36a2449/applications
Idempotency-Key: 2a5c6b02-d6ab-4d1e-bd64-56eb185e063c
Content-Type: application/json
{
"hiring_cycle_id": "52bd61d5-f5ba-4cfb-9a8a-03dbe0a9281b",
"requirements_version": 3,
"resume_version": 12,
"resume_object_key": "private/resume/version-12",
"answers": [],
"decision_id": "dec_01"
}
HTTP/1.1 202 Accepted
Location: /v1/jobs/2fd673e5-df08-43c8-89de-9433e36a2449/applications/4192ac29-5d93-4108-a383-4f5395290aec
Content-Type: application/json
{
"application_id": "4192ac29-5d93-4108-a383-4f5395290aec",
"platform_status": "ACCEPTED",
"delivery_status": "QUEUED"
}
서버는 문서 소유권, 필수 입력과 현재 공고 조건을 확인하고, 지원과 Outbox를 함께 저장한 뒤 응답합니다. 외부 ATS의 응답까지 기다리지 않습니다. 문서 업로드와 악성 파일 검사는 앞선 업로드 과정에서 완료하고, 사용자 입력이 실제 자격을 증명한다고 간주하지 않습니다.
이 예시에서 멱등성 키의 범위는 인증된 구직자와 공고입니다. 동일 키로 다른 내용을 보내면 409를 반환합니다. 키가 달라도 같은 모집 회차에 이미 지원했다면 새 지원을 만들지 않으며, 기존 지원을 안내합니다.
조회 API는 전송 상태와 심사 상태를 구분해서 반환합니다. 기업 사이트로 이동하는 외부 지원에서는 이동 클릭만으로 지원 완료를 기록하지 않습니다.
외부 결과와 이벤트 수집
POST /v1/partner/application-outcomes
Authorization: Bearer partner-scoped-token
Content-Type: application/json
{
"partner_event_id": "evt_731",
"application_id": "4192ac29-5d93-4108-a383-4f5395290aec",
"job_id": "2fd673e5-df08-43c8-89de-9433e36a2449",
"source_version": 7,
"source_status": "InterviewScheduled",
"occurred_at": "2026-10-12T17:00:00Z"
}
외부 결과는 파트너 권한과 공고 소유 관계를 검증한 뒤 내구성 있게 접수합니다. 정규화와 학습 라벨 갱신은 비동기로 수행합니다. 배치 요청을 제공한다면 각 항목의 성공과 실패를 반환해, 일부 실패 때문에 성공한 항목까지 새로운 ID로 보내지 않도록 합니다.
화면 노출과 클릭은 별도 배치 수집 API를 사용합니다. 클라이언트가 생성한 event_id를 재시도에서도 유지하고, 이벤트가 서버가 발급한 결정에 속하는지 확인합니다. 클라이언트 이벤트를 기업의 면접 확인이나 채용 확정으로 신뢰하지 않습니다.
