report

구직 폴더({user_dir}) 확인: 먼저 현재 작업 디렉터리에서 CareerLoop/ 폴더(또는 한 단계 위·아래)를 찾아 그 폴더가 들어 있는 디렉터리를 {user_dir}로 쓴다. 홈 디렉터리 전체를 검색하지 않는다. 작업 디렉터리에서 찾지 못하면 사용자에게 경로를 묻고, 그래도 없으면 /careerloop:launch를 안내한다.

analyst 에이전트를 호출해 세 가지 작업을 모두 실행하고 통합 인사이트 보고서를 제공합니다.

워크플로

1. 데이터 존재 확인

지원 데이터는 references/tracker-schema.md에 정의된 분리 레이아웃을 사용합니다. 읽거나 쓰기 전에 반드시 이 문서를 먼저 읽습니다.

{user_dir}/CareerLoop/tracker.json, {user_dir}/CareerLoop/ExperienceLibrary.json, {user_dir}/CareerLoop/profile.md, {user_dir}/CareerLoop/artifacts-index.json을 읽습니다. ExperienceLibrary가 비어 있으면:

"ExperienceLibrary가 비어 있습니다. 먼저 /careerloop:add-source를 실행해 이력서를 추가하세요."

트래커에 지원(건)이 없으면 그 사실을 본문에 그대로 밝힙니다. 패턴 분석은 제한되지만 나머지 두 작업은 계속 실행할 수 있습니다.

tracker.json에는 이제 요약 행만 있습니다. 작업 2와 3(전이 가능한 강점, AI 대체 가능성)은 이 행들과 ExperienceLibrary만으로 실행되며 다른 것은 필요 없습니다. 작업 1과 4(결과 패턴, 시장 벤치마크)는 단계 전환과 노트 텍스트를 근거로 추론하는데, 이 정보는 지원(건)별 상세 파일에 있습니다. 따라서 핸드오프 전에 stage_count가 0보다 크거나 또는 outcome != "pending"인 모든 요약 행에 대해 {user_dir}/CareerLoop/ + detail_file을 수집하고, 나머지는 건너뜁니다. contacts 파일은 불러오지 않습니다. 어떤 애널리스트 작업도 사용하지 않습니다.

1.5 ATS 점수 존재 확인 (이력서 아티팩트)

{user_dir}/CareerLoop/artifacts-index.json을 읽습니다.

type: "resume"인 아티팩트 중 ats_score가 없거나 ats_score: null인 것이 있으면:

• 해당 이력서 아티팩트에 대해 resume-score를 호출합니다(스킬이 찾아서 ATS 점검을 실행할 수 있도록 filename을 함께 전달).
• JD 맥락이 없어 키워드 커버리지를 계산할 수 없더라도, 서식/서사 ATS 점검은 그대로 진행하고 ATS 점검이 계산할 수 있는 ats_score를 기록합니다.
• ATS 점검 후 {user_dir}/CareerLoop/artifacts-index.json을 다시 확인합니다. 점수가 여전히 없으면 보고서 하이라이트에 남은 ATS 공백을 기재합니다.

2. analyst 호출 — 네 가지 작업 모두

analyst 에이전트에게 다음을 넘깁니다.

• 전체 CareerLoop/tracker.json (요약 행 — status, outcome, date_applied, follow_up_date, latest_stage, latest_stage_date, notes_count, stage_count, contact_count, pipeline_summary, search_performance)
• 1단계에서 선택한 CareerLoop/applications/<application_id>.json 상세 파일들(application_id로 키 지정). 이 파일들에 작업 1과 4에 필요한 stage_history[]와 notes[]가 있습니다. 단계 이력은 tracker.json에 없다는 점을 분명히 밝힙니다. 요약 행만으로 전환율 계산을 하면 오류 없이 전환이 0건으로 나옵니다
• 전체 CareerLoop/ExperienceLibrary.json
• 전체 artifacts-index.json
• 전체 CareerLoop/profile.md
• AI 대체 가능성 평가 전에 Anthropic, “Labor market impacts of AI: A new measure and early evidence” (Massenkoff·McCrory, 2026-03-05, https://www.anthropic.com/research/labor-market-impacts)를 확인하라는 지시(웹 도구로 원문 확인 → 작업 폴더의 PDF → 둘 다 불가하면 수치를 인용하지 말고 “보고서 미확인”을 명시)
• 네 가지 작업을 모두 실행하라는 지시: 결과 패턴(Op 1), 전이 가능한 강점(Op 2), AI 대체 가능성(Op 3), 시장 벤치마크(Op 4)
• 지시: 서술 보고서와 함께, {user_dir}/CareerLoop/analyst-graph-data.json에 쓸 수 있는 그래프용 데이터를 다음 스키마로 반환할 것
  • ai_displacement_outlook: {overall_risk, exposure_min_pct, exposure_max_pct, durable_min_pct, durable_max_pct, durable_differentiators[], narrative_reframe}
  • transferable_strengths: {name, rating, score_0_100, evidence, destinations[]}의 배열

3. 통합 보고서 제시

텍스트 보고서에는 HIGHLIGHTS, PART 1: WHAT'S WORKING IN YOUR SEARCH, RECOMMENDED NEXT ACTIONS만 포함합니다. PART 2/PART 3/PART 4 섹션은 출력하지 않고, 대신 AI 대체 가능성 + 전이 가능한 강점 그래프와 파이프라인/벤치마크 상세는 파이프라인 대시보드를 보도록 안내합니다.

**Analyst Report** — {오늘 날짜}

HIGHLIGHTS
- 검색:        {무엇이 효과가 있고 없는지에 대한 한 문장 평가}
- 강점:        {가장 전이 가능한 역량에 대한 한 문장}
- AI 전망:     {전반적인 대체 가능성 리스크 수준에 대한 한 문장}
- 시장 대비:   {이 레벨과 시장의 기준과 비교한 파이프라인 지표에 대한 한 문장}
- ATS 현황:    {이력서 아티팩트의 `ats_score` 존재 여부(및 남은 공백)에 대한 한 줄}

---

PART 1: WHAT'S WORKING IN YOUR SEARCH
{가장 실행 가능성이 높은 결과 패턴 발견 사항 하나에 대한 1–2문장 하이라이트}
{다음을 담은 짧은 상세 설명(3–6개 불릿): 데이터가 보여주는 것, 아직 보여주지 못하는 것, 가장 큰 파이프라인 병목 1–2개}

ExperienceLibrary 가중치 업데이트: {n}건 변경 (상향 {n}, 하향 {n})
데이터 신뢰도: {Preliminary / Directional / Moderate / High}

참고: AI 대체 가능성 + 전이 가능한 강점 그래프(그리고 파이프라인 퍼널/벤치마크 + ExperienceLibrary 가중치)는 파이프라인 대시보드에서 인터랙티브하게 볼 수 있으므로, 텍스트 보고서에는 같은 차트/표를 중복해서 싣지 않습니다.

---

---

PART 3: AI DISPLACEMENT OUTLOOK
{상세 설명 전에 오는 1–2문장의 섹션 하이라이트}
{현재 및 목표 직무의 리스크 프로필, 지속 가능한 차별점, 서사 재구성}

---

PART 4: BENCHMARK vs. INDUSTRY NORMS
{1–2문장의 섹션 하이라이트 — 이 레벨과 시장 기준에서 지표가 기준보다 높은가, 낮은가?}

  파이프라인 ({level} · {주요 회사 규모} · {지역})
    지원 → 응답:        {user%}  기준 {low–high%}  {▲ 상회 / ▼ 하회 / — 기준 수준}
    응답 → 스크린:      {user%}  기준 {low–high%}  {▲/▼/—}
    스크린 → 면접:      {user%}  기준 {low–high%}  {▲/▼/—}
    면접 → 오퍼:        {user%}  기준 {low–high%}  {▲/▼/—}
    평균 응답 소요일:   {n}일    기준 {low–high}일  {▲/▼/—}
    무응답(ghosting) 비율: {user%}  기준 {low–high%}  {▲/▼/—}

  ATS 점수
    평균: {n}/100  ·  기준선: 70+  ·  {상회/하회}
    최저: {score} — {filename}

  {레벨 및 회사 규모 기준 대비 보상 포지셔닝에 대한 1–2문장, 데이터가 없으면 salary-research를 실행하라는 안내}

---

RECOMMENDED NEXT ACTIONS
1. {네 가지 분석을 모두 반영한 가장 영향력 큰 액션}
2. ...

4. 대시보드 그래프 데이터 쓰기 (AI 대체 가능성 + 전이 가능한 강점)

2단계에서 analyst 에이전트가 반환한 그래프용 데이터를 사용해 {user_dir}/CareerLoop/analyst-graph-data.json을 씁니다(필요하면 {user_dir}/CareerLoop/를 생성).

필수 JSON 키:

• ai_displacement_outlook
• transferable_strengths

데이터가 부족해 필드가 빠지면, 대시보드가 실패하지 않고 자리 표시자를 보여주도록 null(또는 [])로 설정합니다.

대시보드 하위 키 (가능한 경우):

• ai_displacement_outlook: overall_risk, exposure_min_pct, exposure_max_pct, durable_min_pct, durable_max_pct
• transferable_strengths[]: name, rating, score_0_100 (선택적으로 evidence, destinations[])

5. 파이프라인 상태 페이지 생성

텍스트 보고서를 제시한 뒤 pipeline-status 스킬을 호출합니다. 이 스킬이 트래커/추천/패스(passed) 데이터를 읽고, {user_dir}/CareerLoop/pipeline-status.html(및 pipeline-data.js, timeline.html)을 쓴 다음 브라우저에서 자동으로 엽니다.

사용자가 요청하길 기다리지 말고, 보고서를 실행할 때마다 생성합니다.

6. 다음 단계 제안

네 가지 분석 전반에서 가장 두드러진 발견에 따라 다음과 같이 안내합니다.

• ATS 점수가 낮은 것이 있으면: > "개선 여지가 있는 이력서에 대해 /careerloop:ats-optimization을 실행하세요."
• 검색 패턴이 약하면: > "업데이트된 ExperienceLibrary 가중치로 /careerloop:tailor-resume를 실행하세요."
• 전이 가능한 강점이 피벗을 시사하면: > "{role type}을 대상으로 /careerloop:search-jobs를 실행하세요."
• 현재 포지셔닝에서 AI 리스크가 높으면: > "재구성한 서사를 시도해 보려면 /careerloop:cover-letter를 실행하세요."
• 파이프라인 지표가 기준보다 낮으면: > "맞춤 개선안이 포함된 전체 분석은 /careerloop:benchmark를 실행하세요."