지원자 면접 점수 자동 산정 및 데이터베이스 업데이트 - n8n 워크플로우

• 대량의 지원자 스크리닝을 관리하는 HR 전문가 및 채용 담당자.


• 객관적이고 자동화된 평가 지표가 필요한 기술 리드(Technical Leads).


• AI 에이전트와 구글 시트 작업을 결합한 안정적인 n8n 템플릿을 찾는 사용자.


• 신뢰할 수 있는 맞춤형 AI 평가 n8n 워크플로우가 필요한 자동화 엔지니어.

지원자 설문지를 수동으로 채점하는 것은 시간이 많이 걸리고 사람의 편견이 개입되기 쉽습니다. 이 자동화된 n8n 워크플로우는 최신 AI 모델 기반의 즉각적이고 객관적인 평가를 제공하여 이 문제를 해결합니다.

시스템은 구글 시트를 통해 새로운 제출 건을 모니터링하는 n8n 트리거로 시작됩니다. 새 응답이 감지되면, 워크플로우는 해당 답변을 분석을 위해 Azure OpenAI GPT-4o-mini 에이전트에게 보냅니다. 에이전트는 지식의 깊이와 커뮤니케이션 명확성 등의 기준에 따라 응답을 채점(0~30점)하고 상세한 주요 사항(takeaways)을 반환합니다.

AI 결과를 파싱한 후, n8n 워크플로우는 중앙 데이터베이스 시트에서 지원자의 기존 프로필 점수를 가져옵니다. 그런 다음 기존 점수와 설문 점수를 합산한 '최종 점수'를 계산하고 마스터 지원자 데이터베이스를 즉시 업데이트합니다. 이 n8n 워크플로우는 일관되고 빠르며 확장 가능한 지원자 평가를 보장하여 채용 결정에 더 나은 통찰력을 제공합니다.

이 포괄적인 n8n 워크플로우는 다음 7단계 프로세스를 따릅니다.

1. 트리거 활성화 (구글 시트 트리거): 프로세스는 구글 시트 트리거 n8n 노드가 지정된 설문 응답 시트를 매분 모니터링하여 새 행 삽입(새로운 제출 건)을 감지할 때 시작됩니다.


2. AI 평가 (Langchain 에이전트): 들어온 설문 데이터는 'AI 설문 평가기' n8n 노드(구조화된 에이전트 역할)로 전달됩니다. 이 노드는 답변을 평가하고 questionnairescore 및 keytakeaways가 포함된 구조화된 JSON 객체로 출력하도록 사전에 정의된 프롬프트를 AI에 지시합니다.


3. 모델 선택 (Azure OpenAI): 에이전트는 구성된 Azure OpenAI GPT-4o-mini 모델을 사용하여 이 특정 n8n 워크플로우에 필요한 고품질이면서도 비용 효율적인 분석을 보장합니다.


4. 데이터 파싱 (Code): AI의 출력물은 종종 마크다운 코드 블록(code fences)으로 감싸져 있습니다. 'AI 평가 결과 파싱' 코드 n8n 노드는 이 출력물에서 코드 블록을 제거하고 결과 문자열을 안전하게 사용 가능한 JSON 객체로 변환하여 정리합니다.


5. 프로필 조회 (구글 시트): 워크플로우는 지원자 이름을 사용하여 중앙 '이력서 저장소(Resume store)' 구글 시트에서 기존 평가 '점수'를 포함한 데이터를 조회합니다.


6. 점수 계산 (Set): '통합 점수 계산' n8n 노드는 검색된 기존 점수와 AI가 생성한 새 questionnaire_score를 결합하여 '최종 점수'를 생성하고 개별 '설문 점수'를 설정합니다. 이로써 n8n 템플릿 내에서 완전한 평가가 이루어집니다.


7. 데이터베이스 업데이트 (구글 시트): 마지막 단계입니다. '지원자 데이터베이스 업데이트' n8n 노드는 지원자 '이름'을 기준으로 일치시켜 '이력서 저장소' 시트의 해당 행에 새 '최종 점수'와 '설문 점수'를 기록합니다. 이로써 자동화된 n8n 워크플로우 주기가 완료됩니다.

이 고급 n8n 워크플로우를 배포하려면 다음 단계를 따르십시오.

1. n8n 워크플로우 가져오기: 제공된 JSON 데이터를 복사하여 n8n 인스턴스에서 '새로 만들기' 버튼을 선택한 후 'JSON에서 가져오기'를 선택하여 붙여넣습니다.


2. 구글 시트 자격 증명: 두 개의 별도 구글 시트 자격 증명을 구성해야 합니다.

1. Azure OpenAI 자격 증명: 'Azure OpenAI GPT-4 모델' n8n 노드에 대한 Azure OpenAI API 키 및 엔드포인트 자격 증명을 구성합니다. 이 연결은 n8n 템플릿의 AI 평가 부분에 필수적입니다.


2. 시트 ID 업데이트: 모든 구글 시트 n8n 노드의 문서 ID와 시트 이름을 특정 설문 제출 시트 및 중앙 지원자 데이터베이스 시트에 맞게 업데이트해야 합니다. 이는 n8n 트리거 및 후속 작업에 매우 중요합니다.


3. AI 에이전트 맞춤 설정: 현재 채용 직무의 특정 질문 및 평가 기준에 맞도록 'AI 설문 평가기' n8n 노드의 시스템 메시지와 프롬프트를 검토하십시오.

• 새 설문 응답 모니터링 (구글 시트 트리거): 이것이 시작 n8n 트리거입니다. 지정된 'BD 설문지(BD Questionarie)' 시트(양식 응답 1 탭)를 매분 폴링하여 새로운 지원자 제출 건을 감지합니다.


• AI 설문 평가기 (Langchain 에이전트 n8n 노드): LLM 연결을 활용하여 지원자 답변(A1, A2)을 처리합니다. questionnairescore와 keytakeaways를 포함하는 JSON 출력을 요구하는 엄격한 시스템 메시지를 사용하여 작동합니다.


• Azure OpenAI GPT-4 모델 (Langchain Chat n8n 노드): gpt-4o-mini 모델을 사용하여 기본 LLM으로 구성되어 이 특정 n8n 워크플로우 내에서 요구되는 구조화된 평가를 위한 지능을 보장합니다.


• AI 평가 결과 파싱 (Code n8n 노드): 사용자 정의 JavaScript를 사용하여 AI 출력물에서 주변의 코드 블록(예: ``json)을 제거하고 강력한 JSON 파싱을 수행하는 중요한 단계입니다. 이를 통해 나머지 n8n 워크플로우에 필요한 데이터 품질을 보장합니다.


• 지원자 프로필 데이터 조회 (구글 시트 n8n 노드): 최종 계산에 필요한 지원자의 기존 총 '점수'를 가져오기 위해 '이력서 저장소' 시트에서 조회 작업을 수행합니다.


• 통합 점수 계산 (Set n8n 노드): 이 n8n 노드는 핵심 계산을 처리하며, 기존 점수와 AI가 생성한 새 questionnaire_score`를 표현식(expressions)을 사용하여 동적으로 결합하여 '최종 점수'를 생성하고 개별 '설문 점수'를 설정합니다.


• 지원자 데이터베이스 업데이트 (구글 시트 n8n 노드): 마지막 단계입니다. 지원자 '이름'을 기준으로 일치시켜 '추가 또는 업데이트(appendOrUpdate)' 작업을 사용하여 새 '최종 점수'와 '설문 점수'를 중앙 데이터베이스에 다시 기록합니다. 이것으로 n8n 템플릿의 기능이 완성됩니다.