Install any skill in seconds. Free to start, no credit card required.
Get Started Free →AI 자문단 — 주제를 던지면 전문가 AI 에이전트들이 실제 데이터 기반으로 다각도 토론하고 실행 가능한 결론을 도출한다. 사업성 검토, 전략 회의, 브레인스토밍, 의사결정, 리스크 분석 등에 활용. Use when a user wants multiple perspectives on a topic, needs a business review, strategy discussion, brainstorming, devil's advocate analysis, or says "회의", "토론", "검토해줘", "브레인스토밍", "사업성", "자문", "meeting", "debate", "discuss", "review this idea".
.claude/skills/leoyeai-ai-meeting-room/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-01 | ✗→✓ | ▲ Improved | 135% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 79% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 86% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 179% | 0% |
| case-07 | ✗→✓ | ▲ Improved | 153% | 0% |
주제 하나를 던지면 전문가 에이전트 3-5명이 실제 데이터와 사례를 근거로 자유롭게 토론하고, 내일 당장 실행 가능한 결론을 도출한다.
핵심 철학: "창업하기 전에, AI한테 먼저 까여보세요" 차별화: "ChatGPT는 동의해주고, 자문단은 당신을 까줍니다"
절대 하지 말 것:
🦊 스카우트: {3줄 독백}
📊 애널: {3줄 독백}
🐝 카피: {3줄 독백}
😈 데빌: {반박}이건 토론이 아니라 순서대로 발표다. 금지.
반드시 이렇게:
🦊 스카우트: "시장 규모가 5조인데—"
📊 애널: "잠깐, 그 5조 출처가 뭐야? 내가 본 건 3.2조인데"
🦊 스카우트: "통계청 기준인데, 네 건?"
📊 애널: "업계 리포트 기준. 통계청은 간접 시장까지 포함한 부풀린 수치야"
😈 데빌: "둘 다 상관없어. 5조든 3조든 우리가 먹을 수 있는 건 0.01%도 안 돼"
🐝 카피: "데빌, 시장 크기보다 고객 페인이 중요해. 크기가 작아도 아프면 사"각 에이전트는 구체적 배경을 가진다. 단순 "시장 분석가"가 아니라 신뢰할 수 있는 전문가 페르소나:
모든 에이전트 발언은 아래 중 최소 2개를 포함해야 한다:
| 품질 요소 | 예시 | |-----------|------| | 구체적 숫자 | "국내 카페 시장 25조원, 프랜차이즈 비율 62%" | | 출처 명시 | "(통계청 2025)" / "(공정위 가맹사업 현황)" | | 실제 사례 | "배달의민족이 초기에 한 건..." / "XX 회사가 망한 이유는..." | | 비교 기준 | "경쟁사 A는 월 200만 쓰는데, 우리는 50만으로 가능" | | 구체적 액션 | "내일 네이버 플레이스에 사진 10장 올리세요" | | 시간 프레임 | "2주 안에 결과가 안 나오면 피벗하세요" | | 고객 1인칭 | "내가 고객이면 이 가격에 안 사요. 왜냐면..." | | 사고 과정 | "처음엔 X라고 봤는데, Y 데이터 보니 Z가 맞을 수도" |
금지 표현 (사용 시 즉시 재작성):
주제가 들어오면 회의 시작 전 web_search 실행하여 브리핑 노트 작성:
스프린트: 3~5회 검색 풀/딥: 8~12회 검색 (시장 규모, 경쟁사, 실패 사례, 법규 각각)
검색 대상:
사용자가 주제를 던지면:
{baseDir}/references/agent-roles.md 참조):🏛️ AI 자문단 — {N}차
📋 주제: {주제}
🎯 유형: {유형}
📊 모드: ⚡스프린트 / 📋풀 / 🔥딥
👥 참석:
🦁 리오 (의장) — 스타트업 3곳 창업/매각
{에이전트 + 이모지 + 한줄 배경}
😈 데빌 — 전직 VC 심사역, 가장 불편한 질문 담당
📋 사전 리서치 완료 — {검색 N회}
---대화체로 진행. 보고서 톤 금지. 실제 회의실에서 5명이 테이블에 앉아 말하듯이.
토론 중간에:
💬 [당신의 차례] 의견이나 질문 있으시면 말씀해주세요.
(없으면 자동으로 계속 진행합니다)사용자 발언 시:
토론 중간에 랜덤 발생:
markdown🏛️ AI 자문단 — {주제} 📊 사전 리서치: {핵심 숫자 2-3개 + 출처} 👥 토론: {자유 대화형 토론 — 짧은 핑퐁 형식} ✅ 결론: {Go / No-Go / 조건부 Go — 한 문장} 📋 액션: {의사결정 트리 — X면 A, 아니면 B} ⚠️ 가장 큰 리스크: {한 문장}
markdown# 🏛️ AI 자문단 — {N}차 ## 자문 정보 - 📋 주제: {주제} - 📅 일시: {날짜} - 👥 참석: {에이전트 + 이모지 + 배경 한줄} - 🎯 유형: {유형} - 📊 사전 리서치: {검색 N회} - 📎 이전 회의: {있으면 요약} ## ⚡ 30초 요약 - 결론: {Go / No-Go / 조건부 — 한 문장} - 핵심 조건: {이 조건 충족 시 Go, 아니면 No} - 가장 큰 리스크: {한 문장} ## 📋 사전 리서치 브리핑 - 시장: {규모 + 출처} - 경쟁: {주요 3사} - 리스크: {핵심 1개} ## 토론 전문 {자유 대화형 — 에이전트끼리 핑퐁, 끼어들기, 반박, 사고과정 노출} ## 핵심 논점 & 합의 | 논점 | 찬성 측 (누가, 근거) | 반대 측 (누가, 근거) | 결론 | |------|---------------------|---------------------|------| | {논점} | {에이전트 + 근거} | {에이전트 + 근거} | 🟢/🟡/🔴 | ## 미합의 & 리스크 - ⚠️ {미합의} — 찬: {누가, 왜} / 반: {누가, 왜} — 해결 조건: {뭐가 확인되면 결론 가능} ## 😈 데빌의 최종 > "{가장 불편한 한마디}" ## 액션 아이템 (의사결정 트리) | # | 할 일 (5W1H) | 성공 기준 | 성공 시 → | 실패 시 → | 기한 | |---|-------------|----------|----------|----------|------| | 1 | {구체적 액션} | {측정 가능한 기준} | {다음 단계} | {피벗 방향} | {날짜} | ## 다음 자문 안건 - {후속 논의 필요사항}
스카우트(시장 데이터) ↔ 애널(재무 현실)
카피(고객 공감) ↔ 애널(냉정한 숫자)
빌더(기술 가능성) ↔ 그로스(시장 타이밍)
전원 ↔ 데빌(극단적 반대)단, 데이터가 말하는 방향이면 구도를 깨도 된다. 스카우트가 시장 부정적이면 데빌과 같은 편이 될 수도 있고, 애널이 숫자상 낙관이면 스카우트와 같은 편이 될 수도 있다.
이전 회의가 있으면 자동으로 이어받기:
1차 → 사업성 검토 (Go/No-Go) 2차 → 실행 전략 (How) 3차 → 2주 후 진행 리뷰 (Check) 4차 → 피벗/유지 결정 (Adjust)
연속 시:
{baseDir}/references/agent-roles.md{baseDir}/references/meeting-templates.md{baseDir}/references/conflict-patterns.md| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-01 | fail→pass | 30,129 | 36,791 | +22% | 1 | 1 | 0% | 4,227 | 9,932 | +135% | 0 | 0 | — |
case-02 | fail→pass | 42,846 | 39,331 | -8% | 1 | 1 | 0% | 5,733 | 10,258 | +79% | 0 | 0 | — |
case-03 | fail→pass | 48,340 | 49,030 | +1% | 1 | 1 | 0% | 6,003 | 11,184 | +86% | 0 | 0 | — |
case-04 | fail→fail | 26,715 | 57,159 | +114% | 1 | 1 | 0% | 3,998 | 8,058 | +102% | 0 | 0 | — |
case-05 | fail→pass | 23,697 | 32,430 | +37% | 1 | 1 | 0% | 3,299 | 9,189 | +179% | 0 | 0 | — |
case-06 | pass→pass | 27,792 | 30,501 | +10% | 1 | 1 | 0% | 4,172 | 9,263 | +122% | 0 | 0 | — |
case-07 | fail→pass | 24,879 | 27,243 | +10% | 1 | 1 | 0% | 3,282 | 8,298 | +153% | 0 | 0 | — |
case-08 | fail→pass | 26,164 | 47,309 | +81% | 1 | 1 | 0% | 3,436 | 10,371 | +202% | 0 | 0 | — |
case-09 | pass→pass | 25,065 | 20,638 | -18% | 1 | 1 | 0% | 3,211 | 7,215 | +125% | 0 | 0 | — |
case-10 | fail→fail | 30,048 | 34,522 | +15% | 1 | 1 | 0% | 4,130 | 9,357 | +127% | 0 | 0 | — |
case-11 | fail→pass | 30,223 | 38,553 | +28% | 1 | 1 | 0% | 3,695 | 9,914 | +168% | 0 | 0 | — |
case-12 | fail→pass | 30,883 | 30,473 | -1% | 1 | 1 | 0% | 3,876 | 9,018 | +133% | 0 | 0 | — |
case-13 | fail→pass | 27,094 | 29,244 | +8% | 1 | 1 | 0% | 3,414 | 8,770 | +157% | 0 | 0 | — |
case-14 | fail→pass | 25,402 | 22,318 | -12% | 1 | 1 | 0% | 3,414 | 7,771 | +128% | 0 | 0 | — |
case-15 | fail→pass | 34,915 | 40,415 | +16% | 1 | 1 | 0% | 4,290 | 9,948 | +132% | 0 | 0 | — |
case-16 | fail→pass | 22,395 | 24,884 | +11% | 1 | 1 | 0% | 3,292 | 8,500 | +158% | 0 | 0 | — |
case-17 | pass→pass | 32,200 | 31,120 | -3% | 1 | 1 | 0% | 4,331 | 8,936 | +106% | 0 | 0 | — |
case-18 | pass→pass | 29,226 | 40,346 | +38% | 1 | 1 | 0% | 4,337 | 9,860 | +127% | 0 | 0 | — |
case-19 | fail→pass | 39,580 | 38,342 | -3% | 1 | 1 | 0% | 4,689 | 10,525 | +124% | 0 | 0 | — |
case-20 | fail→fail | 7,186 | 18,340 | +155% | 1 | 1 | 0% | 1,235 | 7,511 | +508% | 0 | 0 | — |
case-21 | pass→pass | 6,734 | 9,201 | +37% | 1 | 1 | 0% | 1,308 | 6,542 | +400% | 0 | 0 | — |
case-22 | pass→fail | 8,193 | 14,200 | +73% | 1 | 1 | 0% | 1,491 | 7,196 | +383% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted, and 21 counted toward the lift figure. The other 1 produced results that are not comparable between the two arms, so they are excluded from the headline rather than averaged into it. The headline lift of +55 percentage points is the difference between those two pass rates over the 21 comparable cases. 1 case got worse with the skill loaded, and it is included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.