[목암생명과학연구소] LLM 에이전트 연구원/엔지니어 채용 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• LLM 에이전트를 설계·구현하고 도구, 모델, 데이터 소스를 연동합니다(tool use, MCP 등).

  이렇게 볼 수 있어요

  신약 연구용 에이전트라면 PubMed 같은 문헌 검색, ChEMBL·UniProt 같은 화합물·단백질 데이터베이스, RDKit 같은 분자 계산 도구가 연동 후보로 흔히 꼽힙니다. 에이전트가 외부 도구와 데이터를 쓰도록 붙여 본 경험이 있다면 tool use나 MCP로 연동한 도구 이름과 함께 응답 형식이나 인증처럼 막힌 지점을 어떻게 풀었는지 적습니다.

• 작업 상태 관리, 실패 복구, 중간 결과 재사용을 포함한 워크플로우를 구축합니다.

  이렇게 볼 수 있어요

  신약 연구의 에이전트 작업은 문헌 수백 편을 훑거나 후보 분자 수천 개를 평가하는 것처럼 깁니다. 중간에 멈춘 뒤 처음부터 다시 돌리면 호출 비용과 시간이 그대로 다시 듭니다. 에이전트가 실패한 사례가 있다면 그때 넣은 복구 방식과 처음부터 다시 돌리지 않아 아낀 호출 수나 시간을 함께 설명합니다.

• 결과 품질, 실행 비용, 처리 시간을 측정하고 개선 효과를 검증합니다.

  이렇게 볼 수 있어요

  분석 시점에 같은 연구소 테크니컬 리드 공고가 평가 체계를 세운다면, 이 자리는 그 체계로 실제 결과를 재고 개선이 효과가 있었는지 검증합니다. LLM 출력은 같은 입력에도 달라집니다. 그래서 검증은 한 번 돌린 결과가 아니라 여러 번 반복한 평균과 편차로 해야 성립합니다. 개선 전후를 같은 기준으로 잰 실험이 있다면 품질, 비용, 처리 시간 가운데 무엇이 얼마나 달라졌는지와 몇 번 반복했는지를 함께 밝힙니다.

• 모델·도구 선택과 컨텍스트 관리 로직을 설계·개선해 불필요한 호출과 반복 실행을 줄입니다.

  이렇게 볼 수 있어요

  연구소가 참여하는 국가 과제는 보안 특화 온프레미스 에이전트와 상용 LLM을 결합한 하이브리드 시스템을 추진한다고 보도됐습니다. 이런 구조에서는 모델을 고를 때 비용과 속도뿐 아니라 어떤 자료를 밖의 모델로 보내도 되는지도 함께 따집니다. 호출 수나 토큰을 줄인 경험이 있다면 줄인 비율과 함께 작업을 어떤 기준으로 큰 모델과 작은 모델에 나눴는지 꺼냅니다.

• 새 에이전트 기법을 조사·구현·검증하고 도메인 연구자와 개선 사항을 반영합니다.

  이렇게 볼 수 있어요

  분석 시점 연구소는 Small Molecule AI 신약개발 연구원과 Computational Biology 연구원도 함께 뽑습니다. 개선 사항을 함께 반영할 도메인 연구자로 화학과 오믹스 분석 연구자를 떠올릴 수 있습니다. 논문의 기법을 직접 구현해 써 본 적이 있다면 기존 방식과의 비교 결과에 더해 그 분야 사용자의 피드백으로 무엇을 고쳤는지까지 설명합니다.

2자격 요건

• 학사 이상이고 전공은 무관합니다.

  이렇게 볼 수 있어요

  분석 시점에 같은 연구소 테크니컬 리드 공고의 조건은 박사 후 3년 또는 석사 후 6년의 경력과 정량 분야 전공입니다. 이 공고는 학사 이상이면 전공을 묻지 않습니다. 대신 나머지 자격 요건이 Python 구현, LLM 에이전트 운영 중 오류 처리, 공개 코드·논문·서비스 같은 결과물로 실력을 확인하는 항목들로 채워져 있습니다.

• 관련 경력 2~5년이 필요하고 석·박사 과정 중 LLM 에이전트 관련 연구 기간도 인정합니다.

  이렇게 볼 수 있어요

  자격 요건은 대학원 연구 기간을 경력으로 인정하는 한편, 스스로 정의한 문제를 끝까지 수행한 이력을 공개 코드나 논문, 서비스로 요구합니다. 대학원에서 만든 에이전트라면 공개 저장소나 논문에 오류와 예상 밖 동작을 어떻게 처리했는지까지 담겨 있어야 합니다.

• Python 기반 AI 시스템을 직접 구현한 경험이 필요합니다.

  이렇게 볼 수 있어요

  에이전트 프레임워크와 MCP SDK, RDKit 같은 과학 계산 라이브러리는 대부분 Python을 지원합니다. 연구소 에이전트가 도구와 데이터를 붙이는 언어도 Python이 중심입니다. 직접 구현한 시스템의 저장소나 구조 설명을 준비합니다. 비동기 호출이나 패키지 구조처럼 운영을 염두에 둔 구현도 함께 보여 줍니다.

• LLM 에이전트를 구현·운영하며 오류와 예상 밖 동작을 처리한 경험이 필요합니다.

  이렇게 볼 수 있어요

  작업 상태 관리와 실패 복구, 중간 결과 재사용을 넣은 워크플로우를 만드는 일을 하므로, 오류 처리 경험은 그 구조를 설계할 때 바로 쓰입니다. 도구 호출 실패나 반복 실행 같은 예상 밖 동작을 재시도나 상태 저장으로 막아 본 경험이 있다면 줄어든 실패율이나 호출 비용이 그 근거입니다.

• 스스로 정의한 문제를 끝까지 수행한 이력(공개 코드, 논문, 서비스)이 필요합니다.

  이렇게 볼 수 있어요

  분석 시점에 같은 연구소 테크니컬 리드 공고는 오픈소스나 논문 공개를 우대로 두었지만 이 공고는 공개된 이력을 필수로 요구합니다. '스스로 정의한 문제'와 '끝까지'가 함께 붙어 있어 주어진 과제보다 직접 문제를 고르고 결과물로 마무리한 경험을 묻습니다. 공개 코드, 논문, 서비스 가운데 하나를 링크로 붙입니다. 왜 그 문제를 골랐는지와 도중에 버린 접근도 함께 적어 '끝까지'의 과정을 보여 줍니다.

• AI 결과 품질의 정량 평가 설계, 로그·평가 분석 기반 성능·비용 개선, 논문·신기술 구현 후 비교 실험 가운데 하나를 해 봤어야 합니다.

  이렇게 볼 수 있어요

  세 경험은 업무의 결과 품질·비용·처리 시간 측정, 불필요한 호출과 반복 실행 줄이기, 새 에이전트 기법의 구현·검증과 하나씩 대응합니다. 공고가 '택1'로 적은 만큼 하나를 골라 사례로 만듭니다. 그 경험이 어느 업무에 쓰일지까지 말하면 입사 뒤 맡을 일과의 연결이 보입니다.

3우대 사항

• 모델 라우팅이나 반복 실행 제어 같은 에이전트 실행 최적화 경험을 우대합니다.

  이렇게 볼 수 있어요

  이 우대 사항은 주요 업무에 적힌 불필요한 호출과 반복 실행 줄이기를 이미 해 본 경험을 봅니다. 라우팅 규칙을 만들어 비용이나 속도가 바뀐 사례가 있다면 그 폭을 숫자로 밝히는 게 좋습니다.

• 컨텍스트·메모리 관리와 캐싱, 에이전트 평가 자동화 경험을 우대합니다.

  이렇게 볼 수 있어요

  긴 작업에서 무엇을 기억하고 무엇을 버릴지 정하는 컨텍스트·메모리 관리는 업무의 컨텍스트 관리 로직 설계와 한 줄기입니다. 캐싱은 고정된 프롬프트 앞부분을 다시 계산하지 않게 해 실행 비용을 줄입니다. 평가 자동화는 프롬프트나 모델을 바꿀 때마다 같은 평가를 다시 돌려 품질 저하를 막는 장치입니다. 평가를 자동으로 돌리는 파이프라인을 만들어 봤다면 몇 개 사례로 무엇을 잡아냈는지까지 꺼냅니다.

• LLM 서빙과 경량화, 연구 자동화 에이전트(Co-Scientist, AIDE 등) 구현 경험을 우대합니다.

  이렇게 볼 수 있어요

  Co-Scientist는 여러 에이전트가 가설을 만들고 서로 견주며 다듬는 구조입니다. AIDE는 머신러닝 실험 코드를 고쳐 가며 더 나은 해법을 탐색하는 에이전트입니다. 분석 시점에 같은 연구소 테크니컬 리드 공고도 가설 생성, 실험 설계, 결과 해석과 연결되는 에이전트 개발을 우대 사항으로 적었습니다. 비슷한 구조를 구현해 봤다면 자동화한 연구 단계를 소개합니다. 서빙·경량화를 해 봤다면 줄인 메모리나 지연 시간을 숫자로 덧붙입니다.

• MCP 서버 개발 경험을 우대합니다.

  이렇게 볼 수 있어요

  MCP 서버는 데이터베이스나 계산 도구를 tools와 resources로 감싸 여러 에이전트와 클라이언트가 같은 방식으로 쓰게 합니다. 여러 전문 에이전트가 협업하는 플랫폼에서는 연구소 내부 데이터를 서버 하나로 열어 에이전트마다 따로 연동하는 수고를 줄입니다. 만든 MCP 서버가 있다면 어떤 도구를 노출했고 권한이나 입력 검증을 어떻게 처리했는지 적습니다.

• 클라우드 다중 모델 비용 관리와 실사용 환경 운영 경험을 우대합니다.

  이렇게 볼 수 있어요

  분석 시점에 같은 연구소 테크니컬 리드 공고는 온프레미스 GPU와 클라우드 양쪽의 운영·비용 관리를 우대 사항으로 들었습니다. 이 공고는 클라우드에서 여러 모델을 함께 쓰는 비용 관리를 우대합니다. 모델마다 토큰 단가와 호출 한도가 다릅니다. 그래서 작업별 비용을 따로 집계하고 상한을 거는 일이 이 경험의 실제 모습입니다. 실제 사용자가 있는 환경에서 운영했다면 사용 규모와 월 비용을 함께 숫자로 밝힙니다.

• 바이오·과학 문헌 기반 AI 시스템 구축 경험을 우대합니다.

  이렇게 볼 수 있어요

  공고는 바이오 도메인 경험이 필수가 아니라고 밝혔습니다. 과학 문헌을 다루는 AI 시스템은 유전자·화합물 이름의 동의어를 맞추고, 논문 속 표와 그림에서 수치를 뽑고, 답의 근거 문장을 인용하는 일이 일반 문서 검색보다 까다롭습니다. 논문 검색이나 요약 시스템을 만들어 봤다면 이 가운데 무엇을 풀었는지가 바이오·과학 문헌을 다룬 경험의 예가 됩니다.

4기타 사항

• 게시일 : 2026년 10월 13일
• 고용형태 : 정규직
• 근무지 : 본사(서울 양재)
• 경력 조건 : 경력 2~5년
• 학력 조건 : 학사 이상, 전공 무관

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Python
• LLM
• MCP

전형과 지원

GC녹십자그룹 채용 사이트의 공고는 법인마다 전형 단계가 다릅니다. 인성검사와 평판조회가 있는지, 처우협의가 몇 번째에 오는지가 공고마다 달라서 지원하는 공고 아래쪽의 전형단계 항목에서 그 순서를 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   공개 결과물 링크 모으기

   필수역량에 스스로 정의한 문제를 끝까지 수행한 이력을 공개 코드, 논문, 서비스로 보여 달라고 적혀 있습니다. 대표 저장소나 논문 링크를 지원서에 붙일 수 있게 정리합니다.

2. 2

   택1 항목 하나를 골라 사례 만들기

   필수역량은 정량 평가 설계, 로그 기반 개선, 논문 구현 비교 실험 가운데 하나의 경험을 요구합니다. 해당하는 경험 하나를 골라 문제, 방법, 수치 결과를 정리합니다.

3. 3

   대학원 연구 기간 밝히기

   석·박사 과정 중 LLM 에이전트 연구 기간을 경력으로 인정합니다. 대학원 경력이 있다면 연구 주제와 기간을 경력기술서에 함께 적어 두세요. 공고가 적은 2~5년 경력에 그 연구 기간도 들어갑니다.