대입 면접 상담 MCP 만들기

죄송합니다... 공유하고 싶어도 이게 참... 원본PDF 자체가 외부공유 금지도 많고 개인정보도 있기도 하고 참... 그래서 방법을 알려주고자 합니다... 죄송합니다...

1. 개발배경

대입 면접 사료집은 교육청별로 파편화되어있고 한 눈에 보기 어렵다. 이에 면접 사료집을 LLM이 접근하고 해석하여 사용자 요구에 맞게 출력하는 프로그램을 생각하게 되었다.

2. 초기 개발 난항

PDF를 AI가 접근하는 방법 중 하나로 흔히 RAG(검색 증강 생성) 방식을 사용한다. 데이터를 길이에 맞게 자르고(청킹), 벡터임베딩으로 데이터베이스화하고, 쿼리를 보면 유사도를 이용하여 관련성이 높은 데이터를 출력하는 방식인데... 이게 참 쉽지가 않았다.

일단 돌렸던 프로그램으로는 Openwebui, Ragwebui, ApeRAG, Local Deep Research 등이 있었다.

하이브리드서치, 풀 콘텍스트, 메타데이터 입력 등까지 생각하고 구현해 봤다. 메타데이터는 청킹 시 발생하는 문맥 손실을 방지하기 위해 문맥마다 어떤 데이터인지를 알려주는 것이다.

[대학: 건국대학교, 학과: KU자유전공학부, 전형: KU자기추천, ...]
(내용 약 1000자)
... 마지막으로 하고 싶은 말이 있냐고 물어봐 주시는데, 이에 대한 답변을 미리 준비하면 좋을 것 같습니다.

--- [문맥 정보: 건국대학교 KU자유전공학부 면접 후기 계속] ---

□ 사례5.
(내용 약 1000자)
... 일어나서 인사하고 퇴실함.

--- [문맥 정보: 건국대학교 KU자유전공학부 면접 후기 계속] ---

3. 후배를 위한 조언(면접 후기)
...

그런데 이렇게 해도 답이 없더라... 예를 들어 건국대학교 자유전공학부를 검색해줘 하면 갑자기 "명지대학교 경제학부"를 출력한다. Thinking 과정을 들여다 보니 자신도 벡터 DB에서 뭘 검색해야 하는지 헷갈려 하더라고...

확인해 보니

건국"대학교" 자유전공"학부"

명지"대학교" 경제"학부"

겹치는 단어들이 너무 많았던 것이다. 일반적으로 질문을 할 때 이와 관련성 있는 (유사한) 단어들을 벡터 DB에서 찾는데 그림과 같이 겹치는 단어들이 많으니 유사도가 비슷하므로 LLM이 제대로 판단을 못해버리는 것이다.

그러니까 RAG를 사용할 땐, 데이터들이 명확하게 구분되어 있고 효율적인 청킹이 가능할 때 사용해야 하는데 면접 후기처럼 내용이 비슷비슷하여 벡터 유사도에서 명확하게 구분하기 힘들고, 청킹 시 문맥이 잘리면 이게 어느 대학 어느 학과 면접 후기인지 LLM이 찾기 힘든 것이다. 그래서 일주일 간 다양한 삽질 끝에 구현하기 힘들다는 결론을 도출하였다. 사실 학기 초에 몇 번 구현해 봤는데 잘 안되더라... 혹시나해서 전문적인 RAG 프로그램 툴로 하면 되지 않을까 했는데 역시나였다...

3. 구현 방안을 떠올리다.

토이 프로젝트를 그만두고 현생을 살면서 어떻게 해결할까 틈날 때 고민하던 중 문득 "그래, 키워드 검색으로 접근하면 되지 않을까?" 생각이 들었다. 마침 AI 선도학교 독서모임으로 "MCP 구현 방법" 도서를 구매하고 실습한 적이 있었는데 SQLite로 DB화 한 다음 키워드 검색으로 접근하면 되지 않을까? 생각이 든 것이다.

https://smartstore.naver.com/ypbooks/products/12023755848?nl-ts-pid=je76isqo1SossFAiiyCssssssWR-024920&NaPm=ct%3Dmhu4wrkm%7Cci%3DCrPMCgAAAZpxZpd0CAiTZw%2E%2E01%7Ctr%3Dpmax%7Chk%3Ddd9273eb7d2e77feb9164bac981a1dd1cf8005f9%7Cnacn%3DKn0lB0grA9fMB

MCP로 똑똑하게 일하는 법 - 인공지능에 도구를 더해 나만의 AI 에이전트 만들기 / 케이트리 : 영풍

[영풍문고] 서점다운 서점, 영풍문고

smartstore.naver.com

MCP 입문자에게 추천. MCP 사용과 커스텀 MCP 구현 입문에 최적화된 어렵지 않은 책이다. 이 책을 보면서 많은 것을 배웠다.

"면접 데이터를 파싱하여 확인하기 쉬운 CSV로 변환하고, 추출한 키워드와 함께 SQLite 데이터베이스로 만든 다음 MCP 서버를 연결하면 되지 않을까?"

uv 환경을 구성하고 gemini ai와 함께 바이브 코딩으로 작업하였다.

uv 환경구성은 이 포스팅을 보세요.(uv는 goat입니다. conda 환경은 이제부터 잊으세요!)

https://toyourlight.tistory.com/155

[gemini cli + 커스텀 mcp 만들기] - 1. uv 환경구성

1. uv 설치최근 대세는 uv라고 한다. 지금까지 miniconda를 사용했었는데 과연 이게 어떨지 궁금하긴 하다. 참고로 uv를 설치하는 과정은 3. gemini cli + mcp(SQLite) 3. gemini cli + mcp(SQLite)1. SQLite란SQLite는 데

toyourlight.tistory.com

vs code로 작업하는 것을 권장드리고, CSV 뷰어와 SQLite 뷰어도 함께 설치하는 것을 권장드립니다.

4. 개발과정

본격적으로 개발에 착수했다. 걸린 기간은 3주. pdf 파싱에 가장 오래걸렸다. 사실 지금도 새로운 데이터가 들어오면 파싱에 가장 오래 걸려 죽을맛이다 ㅡㅡ;;;

1) 데이터 정제

모든 AI 프로젝트의 시작은 데이터이다. (이걸 진짜 많이 모른다) 인터넷에 공개되거나 다양한 경로로 구한 면접 후기가 담긴 PDF 파일을 수집하였다. 그러나 PDF는 비정형 데이터라 프로그램이 직접 읽고 분석하기가 매우 어렵다. 그래서 이 PDF들을 AI가 읽기 쉽도록 구조화된 데이터로 만들어야 한다.

PDF 파싱(Parsing) : Python의 'PyMuPDF', 'pdfplumber'와 같은 라이브러리를 사용하여 PDF 파일 내의 텍스트를 추출한다. 이 작업이 제일 오래 걸린다. DB화에 2시간이 걸렸다면 1시간 30분을 이 작업에 사용한다. 여기서 제일 중요한 사실, 바로 패턴을 사용자가 정확하게 확인하고 어떻게 파싱할지 AI와 논의해야 한다. 특히 table 구조가 많은 애를 먹었는데 코드 AI들이 파이썬 라이브러리의 기능들을 다 아는 것은 아니여서 나름대로의 검색과 공부를 해 보고 find_table() 메서드를 적극적으로 이용하라고 해야 한다.
CSV 형태로 저장: 추출한 데이터를 명확하게 특징별로 정리한다.
id : SQLite에 입력될 번호
university : 대학교명
department : 학과
admission_type : 전형
admission_detail : 세부전형
duration : 서류기반 면접
interviewers : 면접관 인원
procedure : 면접 과정
qa_list_json : 질문답변 json 리스트
tips_json : 면접팀 json 리스트
source_pdf : 자료 출처

예를 들면 아래와 같다.

이를 통해 비정형 텍스트 뭉치였던 면접자료는 분석 가능한 형태를 갖추게 되었다.

2) LLM을 활용한 키워드 분석

수 많은 면접 질문들을 단순히 모아두는 것만으로 부족하다. 사실 선생님들은 지원한 대학교에 어떠한 "질문"들이 나왔는지가 궁금한 것이기 때문에 (답변은 사실 덜 중요하다 ㅎㅎ) 사용자가 "프로젝트 경험에 대한 질문을 찾아줘" 라고 했을 때, 시스템이 질문들을 빠르고 정확하게 찾아내기 위해서 "키워드"를 바탕으로 검색하는 것이 가장 효율적이다.

이를 위해 LLM에게 키워드 분석 단계를 추가하였다. 과정은 아래와 같다.

LLM 활용 : 정제된 CSV 데이터에서 '질문' 컬럼의 내용을 LLM API를 호출하여 전달한다.
핵심 키워드 추출: LLM에게 "이 질문의 핵심 주제나 카테고리를 나타내는 키워들을 3~5개 추출해줘"와 같은 프롬프트를 주어 질문의 의도를 파악하고 핵심 키워드 (예: 프로젝트 경험, 협업, 문제 해결, 인성, 기술 스택)를 뽑아내도록 하게 한다.
새로운 컬럼 추가: 추출된 키워드들을 CSV 파일에 'question_keywords'라는 컬럼에 추가한다.

프롬프트는 아래와 같은 것을 사용했다.

    prompt = f"""
    당신은 입시 데이터 분석 전문가입니다.
    아래에 제공된 대학 면접 질문 목록을 분석하여, 면접 전체의 핵심 주제를 나타내는 '질문 키워드'를 추출해주세요.

    **[키워드 추출 규칙]**
    1. 각 질문의 핵심 내용을 짧고 명확한 키워드로 요약합니다.
    2. 의미가 비슷하거나 중복되는 키워드는 대표적인 하나로 통합합니다. (예: '8대공정', '인상깊은 공정' -> '반도체 공정')
    3. 키워드는 명사 형태로 추출하는 것을 원칙으로 합니다.
    4. "수고하셨습니다", "안녕하세요" 와 같은 단순 인사말이나 중요하지 않은 질문은 키워드에서 제외합니다.
    5. 최종 결과는 JSON 형식의 배열(array)로 반환해야 합니다. 예: {{"keywords": ["지원동기", "반도체 공정", "협업 경험"]}}

    **[분석할 질문 목록]**
    {questions_text}
    """

2025년 10월 ~ 11월 현재 가장 가성비 있다고 판단한 gemini-2.0-flash를 사용했다. 글을 읽고 키워드를 추출하는 과정은 그리 어렵지 않기 때문이다. (사실 Ollama 의 gpt-oss:20b도 사용할 수 있었는데 학교 서버컴이 4060Ti 16GB라 시간이 좀 걸릴 수 밖에 없는데 면접 일정은 다가오고... 그래서 외부 api를 사용했다.) 대전광역시교육청, 울산광역시교육청, 충청남도교육청, 경남교육청 해서 6개 정도 사용했는데 API 비용 약 4000원 정도 소모되었다. 이정되면 괜찮지 ㅎㅎ

맨 마지막 컬럼을 주목하자. question_keywords라고 하여 질문에 대한 키워드가 추가된 것을 알 수 있다.

이 단계를 통해 이제 각 질문은 어떤 유형인지 식별할 수 있는 태그(Tag)를 갖게 되었다. 추후 데이터베이스에서 검색 성능을 비약적으로 향상시키는 핵심적인 역할이 될 것이다.

3) 효율적인 데이터 관리를 위한 SQLite 데이터베이스 구축

csv 파일로 데이터를 저장할 수 있는데 왜 굳이 한 다계를 거쳐 SQLite 데이터베이스를 사용할까? 다시 말해 왜 데이터베이스(이하 DB)를 사용해야 하는 걸까? 그것은 바로 DB에 최적화된 도구가 존재하기 때문이다. 주요 이유를 짧게 요악하면 아래와 같다. (다 풀어서 설명하면 넘 길어집니다...)

검색 속도와 효율적의 압도적인 차이
CSV는 파일의 첫 줄부터 마지막 줄까지 전부 읽어야 하지만, SQLite는 인덱스(index)를 이용하여 '찾아보기' 처럼 해당 데이터가 어디있는지 즉시 찾을 수 있다.
데이터의 무결성과 일관성 보장(Schema 스키마)
CSV는 데이터 구조에 대한 강제성이 없다. 그러나 SQLite는 데이터 구조, 타입을 항상 일관된 구조와 형식을 유지하도록 보장하여 예기치 않은 오류를 방지하고 안정성을 높일 수 있다.
복잡한 조건의 데이터 조회, SQL query
복잡한 검색의 경우, CSV는 따로 파이썬 코드를 작성해야 하는데 SQLite의 경우 SQL(Structured Query Language)라는 표준화된 언어를 사용하여 "SELECT ... FROM ... WHERE ... AND ... OR ..." 등 복잡한 조건의 데이터를 쉽게 조회할 수 있도록 해준다. (진짜 생각보다 엄청 빠르다.)
확장성과 데이터 관리의 용이성
CSV의 경우 수정하려면 전부 읽어야 하고 다시 전부 써야 하는데, SQLite의 경우 "UPDATE, DELETE"와 같은 간단한 명령어로 원하는 데이터만 정확하고 효율적으로 수정하거나 삭제할 수 있다.

편리한 대신 엄격한 규칙이 있기 때문에 편집과 확인이 자유로운 CSV로 먼저 변환하고, 그 다음 SQLite로 변환하는 것이다.

과정은 아래와 같다.

CSV to SQLite : 키워드 분석까지 완료한 CSV 파일을 Python의 pandas와 sqlite3 라이브러리를 사용해 SQLite 데이터베이스 파일(*.db)로 변환한다.
테이블 생성: 데이터베이스 내에 interviews와 같은 테이블을 생성하고 위에서 언급한 컬럼으로 구성한다.

※ 사실 옆으로 이어져 있는건데 너무 길어서 위아래로 잘랐습니다.

4) MCP 서버 작성

fastmcp 라이브러리를 이용하여 아래와 같이 mcp.tool을 만들 수 있다.

<중략>

@mcp.tool()
def search_interview_reviews(
    university: str | None = None,
    department: str | None = None,
    question_keywords: str | None = None
) -> str:
    """
    대학교, 학과, 키워드를 조합하여 면접 후기를 데이터베이스에서 검색합니다.
    모든 인자는 선택 사항이며, 제공된 인자들만으로 AND 조건을 만들어 검색합니다.
    결과는 JSON 형식의 문자열로 반환됩니다.

    Args:
        university (str, optional): 검색할 대학교 이름.
        department (str, optional): 검색할 학과 이름.
        question_keywords (str, optional): 검색할 질문 키워드.

    Returns:
        str: 검색 결과를 담은 JSON 문자열. 결과가 없으면 해당 메시지를, 오류 발생 시 오류 메시지를 반환합니다.
    """
    try:
    
 <후략>

5) 상호작용 방법

사용자 입력(Input): 사용자가 "OO대학교, 컴퓨터공학과 프로젝트 경험" 라고 입력한다.
LLM의 질의 생성(Query Generation) : LLM은 "OO대학교 컴퓨터공학과 학생들의 프로젝트 경험 관련 면접 질문을 데이터베이스에서 찾아야하는구나!"라고 구체적인 목표를 설정하게 된다.
MCP 서버와 통신: 이 목표를 MCP 서버(MCP server)에 query로 전달한다.
데이터베이스 조회: MCP 서버는 받은 요청을 바탕으로 SELECT * FROM interviews WHERE university='OO대학교' AND department='컴퓨터공학과' AND question_keywords LIKE '%프로젝트 경험%'; 와 같은 SQL 쿼리를 생ㄴ성하여 SQLite DB에 실행한다.
정보 반환(Answer): 데이터베이스는 조건에 맞은 질문과 답변 데이터를 MCP 서버에 반환하고, MCP 서버는 이 결과를 다시 LLM에 전달한다.
최종 결과 생성 및 출력(Output): 메인 LLM은 데이터베이스에서 받은 딱딱한 원본 데이터를 그냥 보여주지 않고 사용자가 보기 좋게 요역하고, 관련 질문들을 구룹화하며, 예상 답변의 가이드라인을 제시하는 등 자연스러운 문장으로 가공하여 최종 결과물을 생성한다. 즉, 이 단계에서는 출력 결과물의 퀄리티가 LLM의 성능에 좌우된다.

5. 배포하기

이를 선생님분들께 배포하기 위해 install.bat 파일을 생성하였다. 이 파일을 실행하면 uv 설치 → 파이썬 가상환경 설치 → 프로젝트를 가상환경에 설치가 된다. Simithry에 배포도 생각해보았는데... 아무래도 맨 위에서 언급하였다싶이 개인정보의 문제가...

@echo off
chcp 65001 > nul

:: =================================================================
:: ==            면접 후기 분석 도구 자동 설치 스크립트(v1.1)        ==
:: =================================================================
echo.
echo 이 스크립트는 도구 실행에 필요한 'uv'를 확인하고, 없을 경우 자동으로 설치합니다.
echo.

:: 1. uv가 이미 설치되어 있는지 확인
echo [1/4] 필수 프로그램(uv) 확인 중...
uv --version >nul 2>nul

:: errorlevel이 0이면 uv가 이미 설치된 것이므로 설치 단계를 건너뛴다.
if %errorlevel% equ 0 (
    echo      ... uv가 이미 설치되어 있습니다. 설치 단계를 건너뜁니다.
    goto :INSTALL_TOOL
)

:: uv가 설치되어 있지 않은 경우
echo      ... uv가 설치되어 있지 않습니다. 자동 설치를 시작합니다.
echo.
echo =============================== 경 고 ===============================
echo 지금부터 인터넷을 통해 'uv' 설치를 진행합니다.
echo 이 과정에서 Windows 보안 경고창(파란색 또는 노란색)이 나타날 수 있습니다.
echo 이것은 정상적인 과정이니, '실행' 또는 'Y'를 눌러 계속 진행해주세요.
echo =======================================================================
echo.
pause
echo.

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

:: uv 설치가 성공했는지 다시 확인
uv --version >nul 2>nul
if %errorlevel% neq 0 (
    echo [오류] uv 자동 설치에 실패했습니다.
    echo 번거로우시겠지만, https://astral.sh/docs/installer 에서 직접 설치 후
    echo 이 스크립트를 다시 실행해주세요.
    pause
    exit /b
)
echo      ... uv 설치 완료!
echo.

:INSTALL_TOOL
:: 이 스크립트가 있는 폴더로 작업 디렉토리 변경 (중요!)
cd /d %~dp0

:: 2. 가상 환경 생성 (.venv 폴더)
echo [2/4] 파이썬 가상 환경을 생성합니다...
uv venv
if %errorlevel% neq 0 (
    echo [오류] 가상 환경 생성에 실패했습니다.
    pause
    exit /b
)
echo      ... 가상 환경 생성 완료.
echo.

:: 3. 현재 폴더의 프로젝트를 가상 환경에 설치
echo [3/4] 면접 후기 분석 도구를 설치합니다...
uv pip install -e .
if %errorlevel% neq 0 (
    echo [오류] 도구 설치에 실패했습니다.
    pause
    exit /b
)
echo      ... 도구 설치 완료.
echo.

:: 4. 최종 안내
echo [4/4] 모든 설치가 성공적으로 완료되었습니다!
echo.
echo =======================================================================
echo 이제 Claude나 Gemini CLI의 설정 파일(setting.json)에 서버를 등록하고
echo 프로그램을 다시 시작하면 도구를 사용할 수 있습니다.
echo (자세한 방법은 함께 드린 README_선생님용.txt 파일을 참고해주세요)
echo =======================================================================
echo.
pause

그리고 MCP 서버를 claude desktop과 gemini cli에 등록할 수 있도록 README 파일에 작성하였다. 인공지능을 잘 모르는 선생님분들한테는 claude desktop이 최고다. gemini cli가 한도가 많은데, 검정색 도스 화면만 보면 답답함을 느끼는 사람이 많기 때문에, 그리고 claude가 보고서 작성에는 매우 탁월하기 때문에 좋은 선택이었다.

{
  "mcpServers": {
    "univ_interviews_v1.1": {
      "command": "uv",
      "args": [
        "--directory",
        "D:\\uv_project/interview_project_v1.1",
        "run",
        "src/univ_interviews/server.py"
      ]
    }
  }
}

6. 실사용 후기

claude desktop에 등록한다. MCP 서버가 잘 등록되어 있는지 확인해본다.

질문을 하면 알아서 분석하여 어떤 인자를 전해야하는지 스스로 결정한다.

<출력결과>

건국대학교 KU자유전공학부 면접 후기 (물리학 관련)

📋 면접 특징

자기소개 및 지원동기를 묻지 않음 (하지만 준비는 권장)
압박 면접 스타일: 면접관이 직접적으로 "틀렸다", "모르는 거지?"라고 지적
개념 중심 질문: 생기부 활동보다는 물리학/건축학 개념에 대한 깊이 있는 질문
시간 제한: 타이머로 시간 측정

🔍 주요 질문 내용

1. 건축 관련 탐구 활동

재개발 지역 답사 활동 설명 요구
공실률 조사 방법에 대한 꼬리질문
"공실세" 개념 질문 (학생이 모르는 개념으로 당황)

2. 물리학 개념 질문 (핵심)

내진 설계 관련:

점탄성 댐퍼가 무엇인지 설명
면진 구조 vs 제진 구조 차이점
롯데타워의 내진 설계 방식 (생기부에 없던 내용)

다리 구조 역학:

현수교와 사장교의 차이점
와이어 연결 방식
다리 중앙기둥이 받는 힘: 압축력인지 인장력인지
- 학생이 "둘 다 받는다"고 답변 → 면접관이 "말이 안 된다"며 지적
- "한 부재가 어떻게 압축력과 인장력을 동시에 받을 수 있나?"

⚠️ 주의사항 및 팁

개념 공부 필수: 생기부에 적은 모든 개념을 정확히 이해하고 설명할 수 있어야 함
임기응변 능력: 대비할 수 없는 질문이 많이 나옴 - 모의면접 많이 해볼 것
전공 교수 랜덤: 자유전공학부는 어떤 과 교수님이 들어올지 몰라서 특정 과목만 집중적으로 질문받을 수 있음
압박 상황 대비: 틀린 답변에 대해 직접적으로 지적받을 수 있음
면접 평가 요소: 자유전공학부만의 특별한 평가 기준이 있으니 확인 필요

💡 이 후기의 교훈

생기부에 작성한 모든 전문 용어와 개념을 정확히 숙지할 것
탐구 활동은 깊이 있게 이해하고, 관련 심화 개념까지 학습할 것
압박 질문에도 당황하지 않고 논리적으로 재정리해서 답변하는 연습 필요

이 면접은 특히 물리학 개념(역학, 힘의 분석)에 대한 깊이 있는 이해를 요구했으며, 압박 면접 스타일이었다는 점이 특징적입니다.

키워드를 제시하면 관련 면접 후기를 찾을 수 있다.

한국외국어대학교 국제학부 면접 후기

📌 인플레이션 관련 질문

면접관의 질문 흐름:

1번 질문 (도입)

"3학년 동아리 시간에 인플레이션을 조사했었는데 코로나 이후 인플레이션은 전 세계에 큰 영향을 미쳤잖아요, 그렇다면 현재 인플레이션이 우리나라에 미친 영향에 대해서도 탐구한 건가요?"

학생 답변:

우리나라 경제 상황보단 인플레이션의 정의와 대표적 사례, 대응 방안 등에 초점을 맞춰 조사
한국도 코로나 이후 정부의 재정 지출 증가로 물가 상승 문제 발생

2번 질문 (심화)

"네, 그러면 세계적인 인플레이션 사례로는 무엇이 있을까요?"

학생 답변:

1920년 독일의 하이퍼 인플레이션 언급
마르크화 가치 급락과 화폐 가치 붕괴
실제 사례: 아이들이 돈 묶음을 벽돌처럼 가지고 노는 유명한 사진

💡 면접관의 질문 패턴 분석

생기부 활동 확인 → 현실 적용 질문
- 조사한 내용을 실제 한국 상황에 적용해봤는지 확인
구체적 사례 요구
- 이론적 내용을 넘어 실제 역사적 사례를 설명할 수 있는지 테스트
국제적 시각 확인
- 국제학부 특성상 글로벌 이슈에 대한 이해도 평가

🎯 추가로 나온 질문들

이스라엘-팔레스타인 전쟁 관련
최근 전쟁이 많이 발생하는 이유 (→ 학생이 "탈세계화"로 답변)
국제기구 공용어의 장단점
학과 커리큘럼 중 수강하고 싶은 과목

⚠️ 이 면접의 특징

생기부 전체를 골고루 질문: 중점적으로 탐구한 난민 이슈는 질문 안 나옴
시사 연계: 코로나, 전쟁 등 최근 이슈와 연결
학생 답변 기반 꼬리질문: 좁은 답변 → 넓은 시각으로 확장 요구

인플레이션 질문은 생기부의 동아리 활동을 기반으로 했으며, 면접관은 이론적 지식 + 실제 사례 설명 능력 + 한국 상황 적용 능력을 모두 확인하려는 의도를 보였습니다.

특정학과에 대하여 어떤 질문들이 많이 나왔는지도 확인해 볼 수 있다.

생명공학과 면접 주요 질문 키워드 분석

📚 1. 생명과학 핵심 개념 질문

세포 및 분자생물학

DNA/RNA: 전기영동, PCR, 유전자 가위(크리스퍼), DNA 추출 원리
단백질: 형광단백질, 효소(라이소자임, 텔로머레이스, 효소 활성)
세포 메커니즘: 오토파지, 텔로미어, 세포 분열, 생체시계

면역학

백신: 백신의 원리, mRNA 백신, 사백신
면역 반응: 히스타민, 비만세포, 면역 체계

미생물학

발효: 알코올 발효, 젖산 발효, 정밀발효 vs 자연발효
항생제: 항생제 내성, 슈퍼박테리아, 박테리오파지
미생물 실험: 그람염색, 균 막, 대장균 실험

🧪 2. 화학 관련 질문

산·염기: 중화적정, 이양성자산, 이온화 상수
유기화학: 아스피린 합성, 사카린 합성, HCl의 역할
물리화학: 흡광도, 비어-램버트 법칙, 반응속도, 아레니우스식
결합: 이온결합 vs 공유결합, 수소결합, 표면장력

🌱 3. 식품공학 특화 질문

식품 과학

식품첨가물: MSG(글루탐산모노나트륨), 감미료, GI지수
식품 반응: 캐러멜화, 마이야르 반응, 갈변현상
식품 안전: 식중독균, PCR 검출, 셀룰로오스

대체 식품

배양육: 상용화 문제, 생산 단가, 배양액
GMO/유전자 변형: 찬반 입장, 윤리적 문제
바이오매스/생분해성 플라스틱

🧬 4. 최신 생명공학 기술

유전자 편집: 크리스퍼(CRISPR), 가이드 RNA, Cas9 단백질
뇌과학: 뇌 임플란트, 치매(알츠하이머), 신경과학
바이오 소재: 알지네이트 비드, 키토산, 구리이온 항균필름
단백질 분해: PROTAC, 표적단백질 분해 기술
오가노이드, 정밀 발효 기술

📊 5. 수학·통계 응용

미적분: 개체군 생장모델, 미분방정식(상미분, 편미분)
통계: 조건부 확률, ANOVA 분산 관리법, 6시그마, QbD
데이터 분석: 흡광도 측정, 전개율 값(TLC)

🎓 6. 인성 및 경험 질문

리더십: 반장/회장 경험, 모둠활동, 갈등 해결
진로: 지원동기, 졸업 후 계획, 대학원 진학
독서: 관련 도서(이기적 유전자, 호모데우스, 슈퍼버그 등)
탐구 경험: 실험 실패와 극복, 성장 경험

⚡ 7. 압박/심화 질문 유형

개념 설명 요구: "정확한 정의가 뭐죠?", "원리를 설명해보세요"
비교 질문: "A와 B의 차이는?", "어느 것이 더 강해요?"
실험 원리: "왜 그 방법을 선택했나요?", "어떻게 측정했나요?"
생기부 꼬리질문: 기재된 내용의 심화 개념 추가 질문

💡 면접 준비 팁

생기부 모든 용어 완벽 숙지: 작성한 전문용어는 반드시 정의+원리+응용까지 설명 가능해야 함
실험은 원리 중심으로: 단순 절차보다 "왜"에 초점
비교 질문 대비: A vs B 유형(면진 vs 제진, 바이오 vs 생분해성 등)
최신 이슈 연결: 코로나, 배양육, 기후변화 등 시사 이슈와 전공 연계
모르면 솔직히: 아는 선에서 최선을 다해 논리적으로 답변

생명공학과는 개념 이해도를 매우 중시하므로, 생기부에 적은 모든 실험과 이론을 깊이 있게 복습하세요!

정리하면, 대학교명, 학과명, 질문 키워드를 조합하여 다양한 요청을 할 수 있다.

7. 앞으로의 계획

v1 버전은 면접 데이터베이스만 존재함. (그래서 이 방법을 소개했지요)

v2 버전은 면접과 생활기록부 데이터베이스 존재 (이건 교내에서도 매우 제한적으로만 공유)

v3 버전은 면접, 생활기록부 및 제시문 데이터베이스 존재 (이건 시간상 개발을 못합니다...)

1. 생활기록부 입력

여기에 학번, 창의적체험활동, 교과세부능력및특기사항, 행동발달및종합의견을 DB화 할 수 있다.

NEIS에서 항목별 조회 → xls 형식없는 데이터로 다운받고 파싱하면 된다. 사실 이미 완성했다 ㅎㅎ

(사실 그래서 더더욱 공유드리기 어렵습니다... 개인정보 소듕해...)

2. 제시문 데이터 입력

시간이 없어서 못했느데 제시문 데이터를 입력할 수 있다. 이건 내년이 되야 작업에 착수할 수 있을 듯...

저작자표시 비영리 동일조건 (새창열림)

'🗜 MCP' 카테고리의 다른 글

대입 면접 상담 MCP 만들기(FastAPI로 DB 서버 만들기) (0)	2025.11.18
[국가법령 MCP 서버 만들기] - 3. 판례, 헌재결정례, 법령해석례, 행정심판례 조회하기 (0)	2025.11.16
[국가법령 MCP 서버 만들기] - 2. 판례 목록, 판례 본문 조회하기 (8)	2025.08.29
[국가법령 MCP 서버 만들기] - 1. API 발급, 환경 구성 (0)	2025.08.28
[gemini cli + 커스텀 mcp 만들기] - 5. 기상청 mcp 서버 배포하기 (6)	2025.08.10