training-roi

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.

honest-advisor를 training-roi 모드로 호출해 학습 옵션을 비교하고, 사용자의 목표 직무에 가장 ROI가 높은 경로를 추천합니다.

워크플로

1. 기본 맥락 확인

지원 데이터는 references/tracker-schema.md에 정의된 분리(split) 레이아웃을 사용합니다. 읽기나 쓰기 전에 반드시 이 문서를 읽습니다.

다음을 읽습니다.

• {user_dir}/CareerLoop/profile.md
• {user_dir}/CareerLoop/ExperienceLibrary.json

목표 직무가 없으면:

"교육 ROI 분석을 실행하려면 목표 직무가 필요합니다. 먼저 /careerloop:launch를 실행하거나 CareerLoop/profile.md를 업데이트해 주세요."

ExperienceLibrary units가 없거나 비어 있으면:

"학습 ROI를 추정하려면 ExperienceLibrary가 필요합니다. 먼저 /careerloop:add-source로 이력서를 추가해 주세요."

신뢰도와 병목 맥락을 위해 {user_dir}/CareerLoop/tracker.json을 선택적으로 읽을 수 있습니다. 이 스킬에 필요한 정보는 요약 행에 모두 들어 있습니다. status, outcome, latest_stage, latest_stage_date로 지원이 어디서 정체되는지 알 수 있으므로 detail_file은 열지 않습니다.

2. 선택적 제약 조건 수집

대화에서 아직 제공되지 않았다면 한 번만 질문합니다.

"특정 예산과 기간에 맞춰 최적화할까요? 그렇다면 최대 예산과 희망 기간을 알려 주세요(예: '300만 원, 4개월')."

사용자가 제약 조건을 제공하지 않아도 계속 진행합니다.

3. honest-advisor 호출 — training-roi 모드

각 목표 직무(또는 명시적으로 요청된 직무)마다 honest-advisor에게 다음을 전달합니다.

• analysis_mode: training-roi
• target_role_type
• target_level(알고 있거나 추론한 경우)
• target_geography
• time_horizon_months(제공된 경우, 없으면 기본값 12)
• budget_range(제공된 경우)

지시:

• 자격증, 학위, 부트캠프, 독학을 비교합니다.
• ROI 점수가 포함된 비용-효과-시간 옵션 매트릭스를 작성합니다.
• 주 경로와 대체 경로를 추천합니다.
• 명시적 가정과 데이터 공백을 포함합니다.

4. 추천 엔진 출력 제시

다음과 같이 렌더링합니다.

**교육 ROI 분석** — {Target Role}
기간: {n개월}
예산: {값 또는 "제공되지 않음"}
신뢰도: {Preliminary / Directional / Moderate / High}

주요 역량 격차
1. ...
2. ...

옵션 매트릭스 (비용-효과-시간)
| 경로 | 유형 | 예상 비용 | 예상 기간 | 신호 강도 | ROI 점수 | 주요 리스크 |
|---|---|---|---|---|---:|---|
| ... |

추천 계획
- 주 경로: ...
- 대체 경로: ...
- 첫 30일: ...
- 만들어야 할 증빙 아티팩트: ...

가정과 데이터 공백
- ...

이 사용자에게 유료 경로가 독학보다 ROI가 낮다면 그 점을 직접 밝히고 이유를 설명합니다.

5. 다음 단계 제안

제시한 후:

• 첫 마일스톤 이후 경쟁력을 다시 점검하도록 /careerloop:assessment를 제안합니다.
• 증빙 아티팩트를 만들면 /careerloop:tailor-resume를 제안합니다.