Resume MCP

로컬 전용 MCP 서버. 채용 공고(JD)를 입력하면 본인 프로필을 바탕으로 맞춤 이력서를 생성합니다. 프로필과 생성된 문서는 사용자 머신을 떠나지 않습니다. LLM 호출만 본인 API 키로 외부에 나가고, Local LLM(Ollama)을 쓰면 완전 오프라인입니다.

대부분의 이력서 AI 도구는 본인 경력 데이터를 자기네 서버에 업로드합니다. 이 도구는 그러지 않습니다. 프로필은 사용자 디스크의 ~/.resume-mcp/profile.json에 그대로 있고, MCP 서버는 Cursor / Claude Code / Antigravity 등 이미 쓰고 있는 클라이언트 안에서 로컬 프로세스로 돕니다 — 제3자 SaaS가 데이터를 들고 있을 일이 없습니다.

왜 MCP고, 왜 로컬인가

• Privacy by design — 프로필 JSON은 사용자 파일시스템에만 존재. DB 없음, 클라우드 동기화 없음, 텔레메트리 없음.
• 재사용 가능 — 경력 데이터를 한 번 작성하면 수십 번의 맞춤 이력서로 재활용.
• 조립형 파이프라인 — analyze_jd → match_profile_to_jd → generate_resume_bullets → generate_resume_markdown 으로 단계 분리. 중간에 사용자가 개입 가능.
• AI IDE 네이티브 — Cursor, Claude Code, Cline, Antigravity 등 MCP 호환 클라이언트에서 동작.

설치 (60초)

MCP 클라이언트 설정 (예: ~/.cursor/mcp.json, ~/.claude/mcp_config.json)에 한 줄 등록:

{
  "mcpServers": {
    "resume-mcp": {
      "command": "npx",
      "args": ["-y", "@doyeonjeong/resume-mcp"],
      "env": {
        "LLM_PROVIDER": "gemini",
        "GOOGLE_API_KEY": "your_api_key_here"
      }
    }
  }
}

끝. 클라이언트를 재시작하고 "call get_profile" 이라고 입력하세요. 첫 호출 시 ~/.resume-mcp/profile.json이 템플릿으로 자동 생성됩니다.

LLM Provider 선택

Cloud LLM은 한 방 생성 tool에 사용됩니다. 가지고 있는 키 중 아무거나 선택:

"env": {
  "LLM_PROVIDER": "claude",     // 또는 "openai" | "gemini"
  "ANTHROPIC_API_KEY": "...",
  "OPENAI_API_KEY": "...",
  "GOOGLE_API_KEY": "..."
}

단계형 파이프라인(analyze_jd, match_profile_to_jd 등)은 기본적으로 Local LLM을 사용합니다. Ollama(권장) 또는 OpenAI 호환 endpoint:

"env": {
  "LOCAL_LLM_PROVIDER": "ollama",
  "LOCAL_LLM_MODEL": "gemma4:26b"
}

프로필 세팅

~/.resume-mcp/profile.json을 본인 경력 데이터로 채우세요:

{
  "name": "정도연",
  "title": "Backend Developer",
  "summary": "...",
  "skills": ["NestJS", "TypeScript", "..."],
  "projects": [
    {
      "title": "프로젝트명",
      "period": "2025.01 ~ 2025.06",
      "role": "백엔드 리드",
      "description": "본인이 실제로 한 일",
      "techStack": ["..."],
      "achievements": "구체적이고 사실 기반 성과",
      "githubUrl": "https://github.com/you/project"
    }
  ]
}

또는 AI에게 대화로 채우게 시키기:

"내 프로필 업데이트해줘. 스킬은 NestJS, TypeScript, Python, MCP SDK"

→ AI가 update_profile 호출 → 파일이 부분 업데이트됨.

placeholder 값(홍길동, 프로젝트명, username/project)이 남아있으면 서버가 생성을 거부합니다 — 보일러플레이트 이력서가 잘못 나가는 사고를 막아줍니다.

프로필 위치 변경

"env": {
  "RESUME_MCP_PROFILE_PATH": "/path/to/your/profile.json"
}

사용 시나리오

시나리오 1 — JD 입력, 이력서 한 방

채팅에 JD 본문 붙여넣기:

"이 JD로 이력서 만들어줘. 회사: ROSAIC, 직무: LLM 엔지니어.\n\n<JD 본문>"

→ AI가 generate_resume({ jdText, companyName, position, language: "ko" }) 호출 → markdown 이력서 10~20초 내.

시나리오 2 — 단계별 파이프라인 (정확도 ↑, 권장)

4개 tool, 각 단계마다 사용자 개입 가능:

| 단계 | Tool | 출력 | |---|---|---| | 1 | analyze_jd | 구조화 JSON: 필수/우대 스킬, ATS 키워드, risk factors | | 2 | match_profile_to_jd | strong matches, partial matches, 과장하면 안 되는 항목 | | 3 | generate_resume_bullets | ATS 친화 bullet, summary, 자소서 hooks | | 4 | generate_resume_markdown | 최종 markdown, 템플릿 선택 (general / backend / fullstack / ios / ai-agent) |

총 ~90초 (Local LLM 기준). 핵심은 2단계 — *"이건 과장이다"*를 사전에 잡아주는 안전장치.

시나리오 3 — 자기소개서 한 방

"이 JD로 자기소개서 써줘"

→ generate_cover_letter({ jdText, companyName, position, language: "ko" })

시나리오 4 — 포트폴리오 요약본

"내 프로필을 포트폴리오 한 장으로 정리해줘"

→ generate_portfolio({ language: "ko" })

MCP Tools

| Tool | 용도 | |---|---| | get_profile | 현재 프로필 조회 | | update_profile | 프로필 JSON 부분 업데이트 | | generate_resume | JD 맞춤 이력서 한 방 생성 (Cloud LLM) | | generate_portfolio | 포트폴리오 요약본 (Cloud LLM) | | generate_cover_letter | 자기소개서 (Cloud LLM) | | analyze_jd | JD를 구조화 JSON으로 분석 (Local LLM) | | match_profile_to_jd | JD 분석 × 프로필 → 매칭 리포트 (Local LLM) | | generate_resume_bullets | ATS 친화 bullet (Local LLM) | | generate_resume_markdown | 최종 markdown 이력서 (Local LLM) |

환경변수

| 변수 | 기본값 | 설명 | |---|---|---| | LLM_PROVIDER | gemini | claude / openai / gemini | | ANTHROPIC_API_KEY | — | LLM_PROVIDER=claude일 때 필수 | | OPENAI_API_KEY | — | LLM_PROVIDER=openai일 때 필수 | | GOOGLE_API_KEY | — | LLM_PROVIDER=gemini일 때 필수 | | LOCAL_LLM_PROVIDER | ollama | ollama / openai-compatible | | LOCAL_LLM_BASE_URL | provider 기본값 | Ollama: http://localhost:11434 | | LOCAL_LLM_MODEL | provider 기본값 | 예: gemma4:26b | | LOCAL_LLM_API_KEY | — | OpenAI 호환 endpoint(HF Router 등) 토큰 | | LLM_TIMEOUT_MS | 120000 | per-call timeout | | RESUME_MCP_PROFILE_PATH | ~/.resume-mcp/profile.json | 프로필 경로 override |

Local LLM 셋업

옵션 A — Ollama (권장)

brew install ollama          # 또는 https://ollama.com/download
ollama pull gemma4:26b
ollama serve

MCP 환경변수:

"LOCAL_LLM_PROVIDER": "ollama",
"LOCAL_LLM_MODEL": "gemma4:26b"

옵션 B — OpenAI 호환 endpoint (MLX, vLLM, LM Studio, HF Router…)

"LOCAL_LLM_PROVIDER": "openai-compatible",
"LOCAL_LLM_BASE_URL": "http://localhost:8080/v1",
"LOCAL_LLM_MODEL": "mlx-community/gemma-4-26b-a4b-it-4bit",
"LOCAL_LLM_API_KEY": "any-non-empty-string"

트러블슈팅

| 에러 | 해결 | |---|---| | PROFILE_INCOMPLETE | ~/.resume-mcp/profile.json에 placeholder가 남아있음. 홍길동, 프로젝트명 등을 실제 값으로 교체 | | OLLAMA_CONNECTION_FAILED | ollama serve 실행 (기본 포트 11434) | | LOCAL_LLM_CONNECTION_FAILED | OpenAI 호환 endpoint 미접속. LOCAL_LLM_BASE_URL 확인 | | LOCAL_LLM_AUTH_FAILED | LOCAL_LLM_API_KEY 누락/잘못됨. HF Router는 토큰 권한 확인 | | LOCAL_LLM_MODEL_UNAVAILABLE | 모델이 서빙 안 됨. ollama pull <model> 또는 다른 모델 선택 | | No LLM API key found | Cloud tool 사용 시 ANTHROPIC_API_KEY, OPENAI_API_KEY, GOOGLE_API_KEY 중 최소 하나 필요 |

로컬 개발

git clone https://github.com/doyeonjeong/IT-Resume-MCP.git
cd IT-Resume-MCP
npm install
cp env.example .env

한 줄 명령어 3종

npm run smoke       # 5초 — 서버 부팅 + 9개 tool 등록 확인 (publish 전 헬스체크)
npm run inspect     # 브라우저 GUI에서 모든 tool 인터랙티브 호출 (MCP Inspector)
npm run pack:test   # 진짜 npm tarball 만들어서 publish 시뮬레이션

자세한 IDE 연결 방법(Antigravity, Cursor, Claude Code, Cline 등)과 5분 검증 시나리오는 TESTING.md 참고.

기본 명령어

npm test            # 단위 테스트 (53개)
npm run build       # NestJS 빌드 + chmod +x
npm run mcp         # tsx로 dev 모드 실행

로컬 dev 빌드를 MCP 클라이언트에 등록:

{
  "mcpServers": {
    "resume-mcp-dev": {
      "command": "node",
      "args": ["/absolute/path/to/IT-Resume-MCP/dist/mcp-server.js"]
    }
  }
}

기술 스택

NestJS 11 · TypeScript · MCP SDK · Ollama · OpenAI / Anthropic / Gemini SDKs · Zod

License

MIT — LICENSE 참고.