STAR = 프로젝트 서술의 정석

면접에서 "이 프로젝트 설명해주세요"라는 질문을 받으면 대부분 이렇게 답한다:

나쁜 답변:
"Neo4j, LangChain, LangGraph를 사용해서
제조 AI 시스템을 만들었습니다.
FastAPI로 백엔드를 구성하고,
ChromaDB로 벡터 검색을 했습니다."

→ 기술 나열. 그래서 뭘 해결했는데?

STAR 프레임워크를 쓰면:

좋은 답변:

S (Situation):
"제조 현장에서 설비 고장 시 매뉴얼 검색에 평균 23분이 소요되고,
숙련 기술자의 은퇴로 트러블슈팅 지식이 유실되는 문제가 있었습니다."

T (Task):
"AI를 활용하여 누구나 3초 만에 설비 고장을 진단할 수 있는
시스템을 개발하는 것이 목표였습니다."

A (Action):
"Knowledge Graph로 1,247개의 설비-부품-에러 관계를 구조화하고,
RAG로 KOSHA 안전 기준서와 장비 매뉴얼 기반 검색을 구현했으며,
LangGraph 멀티 에이전트로 복합 질문을 처리했습니다.
QLoRA로 Llama 4 Scout를 제조 도메인에 파인튜닝하여
도메인 특화 추론 능력을 강화했습니다."

R (Result):
"진단 시간을 23분에서 3초로 99.8% 단축했고,
RAG 응답 정확도 87%(RAGAS 기준)을 달성했습니다."

---

STAR의 핵심: 숫자

요소	나쁜 예	좋은 예
S	"문제가 있었다"	"23분 소요, 720시간/년 정지"
T	"시스템을 만들었다"	"3초 이내 진단 목표"
A	"AI를 사용했다"	"1,247개 노드 KG 구축"
R	"잘 동작했다"	"99.8% 시간 단축, 87% 정확도"

숫자가 없는 STAR는 소설이다. 숫자가 있는 STAR는 증거다.

---

활용처별 STAR 길이

활용처	분량	S	T	A	R
이력서	3줄	1줄	-	1줄	1줄
LinkedIn	5줄	1줄	1줄	2줄	1줄
포트폴리오	10줄	2줄	2줄	4줄	2줄
면접 답변	2분	30초	15초	45초	30초

---

이력서용 STAR (3줄 버전)

제조 AI 트러블슈팅 시스템 개발
- Knowledge Graph(Neo4j) + RAG(LangChain) + 멀티 에이전트(LangGraph) 통합 설계 및 개발
- 설비 고장 진단 시간 23분 → 3초 (99.8% 단축), RAG 정확도 87% 달성

---

LinkedIn용 STAR (5줄 버전)

제조 AI 트러블슈팅 어시스턴트

[Problem] 제조 현장의 설비 고장 진단에 평균 23분 소요, 숙련자 은퇴로 지식 유실 위기
[Solution] Knowledge Graph + RAG + 멀티 에이전트 기반 AI 진단 시스템 개발
[Tech] Neo4j, LangChain, LangGraph, QLoRA, FastAPI, ChromaDB
[Result] 진단 시간 99.8% 단축 (23분→3초), RAG 정확도 87% (RAGAS 기준)
[Link] github.com/username/mfg-ai-troubleshoot

---

핵심 정리

1. STAR = Situation, Task, Action, Result
2. 숫자 없는 STAR는 의미 없다
3. 활용처(이력서/LinkedIn/면접)에 따라 길이 조절
4. 기술 나열이 아닌 문제 해결 스토리로 서술