リファクタリング・最適化

記事やプレゼン、ドキュメントなど、あらゆるコンテンツの「伝えたいこと」を対話しながら整理できます。 読者のペルソナ（誰に向けた内容か）と期待するアクション（読後にどうしてほしいか）を明確にし、ブレない構成を作ります。 複数の構成案を提案してもらい、その中から選びながら進められるので、自分の考えが反映された構成になります。 各セクションの内容を一緒に詰めながら、順番や強調点も調整できます。 実際の執筆は行わず「構成案の確定」までなので、重い腰を上げずに気軽に相談できます。 ブログ記事やホワイトペーパーを書く前に、「何を書くべきか」を整理したい人 プレゼン資料を作る前に、筋の通った話の流れを決めたい営業・企画担当者 社内向けドキュメントやマニュアルの構成を検討している業務効率化担当者 「伝えたいことはあるけど、どう構成すればいいか迷っている」という悩みがある人 対話的に進める方式で、以下4つのフェーズから構成されます。フェーズ1: 目的ヒアリングでは、①誰に向けた内容か（読者・聞き手のペルソナ）②読後/聞いた後にどんなアクションを起こしてほしいか、の2点を必ず確認します。フェーズ2: 素材ヒアリングでは、伝えたいことを自由に話してもらい、不足情報や曖昧な点を質問で深掘り、最後に「他に伝えたいことはありますか？」で漏れを確認します。フェーズ3: 構成案ヒアリング（対話的に）では、大まかな構成の方向性を2〜3案提案してフィードバックをもらい、選ばれた方向性で各セクション内容を詰めていき、順番や強調点を調整しながら「この構成でいいですか？」と確認を取ります。フェーズ4: 構成案確定では、目的・対象読者・期待するアクション・セクション構成をMarkdown形式で整理して提示します。重要な原則として、一方的に提案せず常にフィードバックをもらいながら進める、ユーザーの表現をそのまま活かす、実際の執筆は行わないことが強調されます。

複数の実装案や判断に迷う場面で、Codex CLIと議論しながら論点を整理し、各案のメリット・デメリットを可視化できます。 自分の仮説に対して反証や弱点を検証してもらい、より堅実な判断根拠を得られます。 既存の制約・技術的な実現可能性・コスト・既存仕組みとの整合性などの観点から総合的に検討できます。 議論の過程を「経緯と明らかになったこと」「未解決の論点」「提案するアクション」として整理・報告します。 アーキテクチャやテク選定で複数の案があり、決定根拠を固めたいエンジニア プロジェクトの重要な判断局面で、異なる視点からの検証が必要なリーダー トレードオフを可視化して、チーム内の合意形成をスムーズにしたいプロダクトマネージャー このスキルは議論・論点整理専用で、実装やファイル変更は行いません。使用場面は複数案があり論点整理したい場合、自案に対して反証・弱点検証したい場合、既存制約を踏まえた判断が必要な場合です。使わない場面は仕様確認のみ、明確な対処手順がある、単純な生成・作業代行のみの場合です。事前準備で議論論点・背景・制約・考えている案・迷い・判断基準を収集。codexとの会話は/tmp/codex-${CLAUDE_SESSION_ID}.txtに統一、codex execで新規セッション作成しthread_idを取得、resumeで会話継続。議論は自仮説提示→反証求める→根拠要求・代替案提示の流れで、2〜5往復で結論・トレードオフ整理・未解決論点で終了します。

デザイン検証の結果ファイルから改善点と改善のためのヒントを抽出し、それらに基づいてデザインを再作成できます。 前のステップで見つかった問題点を具体的に反映させ、より良いデザインへと段階的に洗練できます。 検証と修正のサイクルを繰り返すことで、品質の高い最終デザインに到達できます。 UX/UIデザイナーで、ユーザーテスト結果をデザインに反映したい方 プロダクト設計担当者で、反復的な改善プロセスを管理したい方 デザイン品質の段階的向上を目指すチーム このスキルは4つの手順で構成されています。手順1では Glob ツールで検証結果ファイル output/verify-design-result.md の存在を確認し、ファイルがない場合は /verify-design の実行を案内します。手順2では Read ツールで検証結果ファイルを読み込み、「悪い点・改善点」と「改善のための問い」を抽出します。手順3では Skill ツールで value-design-design スキルを呼び出し、抽出した改善点と問いを引数として渡し、デザインを再作成します。手順4では @common-procedures の「完了報告」に従い、検証と修正のサイクルを続ける場合は再度 /verify-design の実行を案内します。出力ファイルは output/value-design.tsv（更新）です。

因果関係ループ図の検証結果を読み込み、問題点と改善ポイントを自動抽出できます 検証指摘に基づいて因果関係ループ図を再作成し、より正確な図へ改善できます 修正内容をGitで管理し、自動でPR作成・マージまで完了させられます 検証と修正のサイクルを繰り返しながら、図の品質を段階的に高められます 経営企画・経営管理職（事業・システムの複雑な関係性を図解で整理・改善したい方） コンサルタント・ビジネスアナリスト（クライアント企業のループ図を精度高く検証・修正したい方） プロジェクト推進チーム（検証と改善のサイクルを効率的に回したい方） 前提条件として/verify-planning-causal-loop-diagramが完了し、output/verify-planning-causal-loop-diagram-result.mdが存在する必要があります。処理フロー：（1）Globツールで検証結果ファイルの存在確認、存在しなければメッセージ出力して終了、（2）Readツールで検証結果ファイルを読み込み「悪い点・改善点」と「改善のための問い」情報を抽出、（3）Skillツールでplanning-causal-loop-diagramスキルを呼び出し、抽出した改善点と問いを引数として渡す、（4）@common-proceduresの「完了報告」に従い処理完了を報告。出力ファイルはoutput/causal-loop-diagram.md（更新版）。検証と修正サイクルを続ける場合は/verify-planning-causal-loop-diagramの再実行を案内します。

working_memory.md と todo.md を自動整理し、記憶の検索精度を高めることができます embedding（埋め込みベクトル）を再構築して、類似検索の精度を向上できます 過去3日分の Recent Sessions のみを残し、それ以前の学びを mid-term フォルダに要約・移動できます 完了したタスクを自動検出し、アーカイブまたは削除できます フォルダ構造を監査し、一時ファイルや不要な実験ファイルを自動検出・整理できます エージェント・AI アシスタントの運用者で、定期的にメモリーを整理している人 長期的にプロジェクトを管理し、記憶の質を保ちたい場合 knowledge base（知識ベース）の検索精度低下を感じている人 定期的なメンテナンスを自動化したい運用チーム このスキルは Session 5（メンテナンスセッション）のチェックリストに沿って、6つのメインタスクを実行します。タスク1で uv run infra/generate_embeddings.py を実行し、embedding を再構築。タスク2で working_memory.md を500行以下に削減（Recent Sessionsは3日分のみ保持、それ以前はmid-term/YYYY-MM-WX.mdに要約・移動）。タスク3で todo.md を150行以下に削減（[x]完了タスク削除、不要タスク削除、重要タスク優先化）。タスク4で Recent Sessions から技術的学び・システム変更・人物情報を knowledge/ フォルダに移動。タスク5でフォルダ構造監査と一時ファイル削除実施。タスク6で git commit・push 実施。cronで自動化できるタスク例（daily-tests、daily-security、daily-cleanup、morning-info）は gateway/cron.json で設定可能。メンテナンス自体の機能確認も実施。

ワークフロー課題の自動検出：プロジェクトのタスクやマイルストーン管理がbrainbase標準に適合しているか自動チェックし、不整合な部分を具体的に特定できます。 標準準拠度の数値化：タスクフォーマットとマイルストーン管理ルールの適合率を算出し、現状の問題度を数字で把握できます。 優先度付き改善提案：検出された課題に対して、brainbase価値観に基づいた推奨アクションを優先度順に提示し、何から取り組むべきかが明確になります。 検証レポート自動生成：2段階の分析プロセス（要件分析→レポート生成）で、課題サマリーから詳細リストまで一貫した検証レポートを自動作成できます。 プロジェクトマネージャー：プロジェクトのワークフローが標準に沿っているか確認し、改善の指針を得たい。 プロジェクトリーダー：チームのタスク管理やマイルストーン設定に問題がないか客観的に評価したい。 品質保証担当者：複数プロジェクト間で管理ルールの統一度を測定したい。 プロセス改善担当者：ワークフロー最適化の課題を体系的に洗い出し、優先順位を付けて改善したい。 このOrchestratorは2 Phase workflowでプロジェクトワークフローの検証を自動化します。Phase 1（要件分析）では、プロジェクト配下のファイルを調査し、task-formatスキルでタスク管理標準フォーマット、milestone-managementスキルでマイルストーン管理ルールとの整合性をチェック。適合率を算出し、具体的な課題リストを出力します。Phase 2（検証レポート生成）では、Phase 1で特定した課題リストと適合率をinputとして受け取り、principlesスキルでbrainbase価値観に基づいた優先度付けを行い、最終的な検証レポート（課題サマリー+重大度別分類+推奨アクション）を生成します。入力はプロジェクト名（必須）と検証スコープ（オプション）で、出力はMarkdown形式の検証レポートです。

マーケティング・インサイドセールス・営業・カスタマーサクセスの4部門が行う営業プロセスを「分業から共業」へシフトさせ、各段階のハンドオフ基準を明確に設定できます。 リード獲得から受注、そして顧客活用まで一貫した「顧客ステージ」と「商談フェーズ」の体系を設計し、各部門のKPIと責任を整理できます。 新規リードの65%が「将来購入の可能性はあるが今すぐではない」という見込み客であることを踏まえ、失注・未商談リードの再商談化（リサイクル）プロセスを構築できます。 営業活動を5つのフェーズ（フェーズ1: 0%～フェーズ5: 75%）に細分化し、各段階での移行判定基準と顧客対応を明示できます。 SMB市場とエンタープライズ市場の違いに応じた戦略・人材・営業モデルを使い分け、「選択と集中」に基づく事業計画を立案できます。 B2B企業でマーケティングから営業、CSまで一気通貫で営業成果を高めたい経営者や営業責任者 レベニュー組織のボトルネック診断を行い、各部門のKPI・ハンドオフ基準を整備したい営業企画・組織開発担当者 インサイドセールス組織を立ち上げる際に、リード育成と商談供給の基準を明確にしたい企業 SMBとエンタープライズの異なる市場戦略を同時に運用し、市場戦略に基づく人材採用・育成を行いたい企業 このスキルは『ザ・モデル』に基づくB2B営業プロセス設計の体系的フレームワークです。 ザ・モデルの核となる概念：営業プロセスを従来の「一人が全工程を担当」から「部門横断の分業・共業」へシフト。マーケティング（リード獲得）→インサイドセールス（ナーチャリング・クオリファイ）→営業AE（提案・交渉）→カスタマーサクセス（活用促進・アップセル）の専門分業で再現性を追求。 顧客ステージ：認知拡大 → リード獲得 → リード育成 → 有望リード（購買意欲高）の4段階でマーケティング・インサイドセールスが管理。 営業フェーズ（5段階）：フェーズ1（0%確度、リード以上商談未満）→ フェーズ2（25%、課題認識とBANT確認）→ フェーズ3（30%、評価・選定・差別化）→ フェーズ4（50%、最終交渉・Mutual Close Plan）→ フェーズ5（75%、稟議決裁）。 リサイクルの重要性：失注・未商談リードはMA（マーケティングオートメーション）による継続ナーチャリング対象。リード件数を4倍にせず、既存リードの再商談化で効率化。 市場戦略：SMB市場（安定基盤、Volume×Velocity）とエンタープライズ市場（成長基盤、高単価）で異なる営業組織・人材・プロセスを適用。選択と集中で集中投下。

ビジネスドメインを4つのタイプに自動分類 - Pipeline Domain（順序的フロー）、Blackboard Domain（共有データ協調）、Dialogue Domain（双方向通信）、Hybrid（複合型）として自動判定し、ドメイン構造を可視化できます。 マイクロサービス境界を4つのカテゴリで最適に設計 - Process Domain、Master/Reference Domain、Integration Domain、Supporting Domain に分類し、サービス分割の最適な粒度を提案します。 ユビキタス言語とコードの対応関係を自動抽出 - 既存の分析結果から用語の意味が変わる境界、異なる責務の領域、異なるライフサイクルを持つデータを自動検出します。 コンテキストマップと境界づけられたコンテキストを自動生成 - ドメイン間の関係図（コンテキストマップ）と、各ドメインの詳細な定義ドキュメントを一括出力します。 マイクロサービスへの分割を計画している企業アーキテクト - ドメイン分類を自動化することで、サービス分割の判断ミスを減らし、最適な粒度での設計が実現できます。 ドメイン駆動設計（DDD）を導入したい開発チーム - 既存システムの分析結果から自動的に境界づけられたコンテキストを定義でき、DDD導入の初期工程が大幅に加速します。 レガシーシステムをマイクロサービス化する際の影響範囲を把握したい人 - コンテキストマップにより、サービス間の依存関係が明確になり、分割順序やリスク評価が容易になります。 ドメイン駆動設計の専門家による設計支援エージェント。入力は/analyze-systemの出力（ユビキタス言語、アクター・ロール・権限、ドメイン-コード対応表、システム概要）。Step 1で用語の意味変化境界・責務・ライフサイクル・ビジネスルール適用範囲からドメイン境界を特定。Step 2で各ドメインをビジネス構造軸（Pipeline/Blackboard/Dialogue/Hybrid）で判定。Step 3でマイクロサービス境界軸（Process/Master/Integration/Supporting）でカテゴリ判定。Step 4以降でコンテキスト定義、コンテキストマップ作成。出力先はreports/03_design/（domain-analysis.md、context-map.md、system-mapping.md）。

MMI評価（モジュール保守性指標）と DDD 評価（設計適合度）の結果を統合的に分析できます。 モジュール品質と DDD 適合度の相関を可視化し、どの改善項目が最大効果をもたらすか優先度付けできます。 両評価を踏まえた包括的な改善計画を自動生成し、ファイルとして出力できます。 前フェーズの評価結果から必要情報を自動抽出し、ステップごとに即座に成果物を出力できます。 システムの保守性と設計品質を総合的に評価・改善したい技術リード 複数の評価指標をまとめて分析し、優先順位を決めるのが課題のアーキテクト DDD 導入過程で設計品質を可視化し、段階的な改善を計画したい開発チーム MMI と DDD の両軸から「何をいつ改善すべきか」を客観的に判断したい組織 本エージェントは MMI 評価とDDD 評価を統合し、優先度付き改善計画を策定します。前提条件：mmi-overview.md・mmi-by-module.md・mmi-improvement-plan.md（/evaluate-mmi 出力）、ddd-strategic-evaluation.md・ddd-tactical-evaluation.md・ddd-improvement-plan.md（/ddd-evaluation 出力）、および推奨で ubiquitous-language.md・domain-code-mapping.md（/analyze-system 出力）の存在を確認します。実行前に必須ファイルを検証し、欠落時は前フェーズ実行を案内します。Step 1 で各評価から全体スコア・モジュール別スコア・問題モジュール・改善提案を抽出します。Step 2 で相関分析（品質低モジュールと DDD 適合度低領域の重複度合いなど）を実施し、重複度合いから相乗効果が大きい改善項目を抽出します。Step 3 で integrated-evaluation.md を出力、Step 4 で priority-matrix.md を出力、Step 5 で unified-improvement-plan.md を出力します。サブエージェント活用により、前フェーズ出力が多い場合は Explore エージェントで要約読み込みを行い、メインコンテキストを保護できます。

既存システムを DDD（ドメイン駆動設計）の視点から包括的に評価し、戦略的設計（境界コンテキスト・ユビキタス言語・コンテキストマップ）と戦術的設計（エンティティ・値オブジェクト・集約・リポジトリ）の両面から改善点を特定できます。 コンテキスト候補、集約候補、パターン適用度を自動抽出し、DDD 原則への適合度を可視化できます。 各ステップ完了時に即座に評価レポートを出力し、進捗を追跡可能な形で記録できます。 戦略的設計・戦術的設計・パターン分析の 3 つの評価結果をもとに、具体的な改善アクションプランを生成できます。 アーキテクト：既存システムの DDD 適合度を診断し、リファクタリング戦略を立てたい方 開発チームリーダー：チーム内の DDD 理解度を高め、ベストプラクティスを導入したい方 マイクロサービス化推進者：システムを複数のバウンデッドコンテキストに分割する際の設計根拠が必要な方 品質管理者：既存コードベースの DDD 原則への準拠状況を可視化したい方 このエージェントは 4 つのステップで DDD 評価を実行します。Step 0 では前提条件（ユビキタス言語、ドメインコードマッピング、DDD 準備度調査など）を検証。Step 1（戦略的設計評価）では、コンテキスト境界の明確さ・コンテキスト間の関係・独立性、ユビキタス言語の一貫性・ドメイン整合性・コンテキスト間での用語分離、Partnership・Shared Kernel・Customer-Supplier などのコンテキストマップパターンを分析し、reports/02_evaluation/ddd-strategic-evaluation.md に出力。Step 2（戦術的設計評価）ではエンティティ・値オブジェクト・集約・リポジトリの実装パターンを分析して ddd-tactical-evaluation.md に出力。Step 3（パターン分析）は DDD パターンの適用度を評価して ddd-pattern-analysis.md に出力。Step 4（改善計画）では具体的な改善アクションを ddd-improvement-plan.md に出力します。中間ファイルは work/{project}/investigation/ddd-evaluation/ に記録。

漠然としたアイデアや頭の中にあるモヤモヤを、対話を通じて言語化・構造化できます。実装前の検討段階で思考を整理するため、後戻りが減ります。 ユーザーの問いかけに対してこちらが一方的に答えるのではなく、相手側の考えを引き出す質問を投げかけるため、より深い思考が生まれます。 ブレインストーミング段階で、制約を取り除いて「理想的にはどうしたいか」を広く検討できるため、視野が広がります。 対話で整理された内容は最後に要約され、次に何をするべきかが明確になります。 ファイル作成やコード変更は行わない純粋な思考整理ツールなので、実装前の安全な検討が可能です。 新機能やプロジェクトの方向性について、実装前に頭を整理したい プロダクトマネージャーや企画者 技術的なアプローチの選択肢を広く検討してから決めたい 開発者やアーキテクト チーム内の意見が分かれており、論点整理が必要な 意思決定者 漠然とした違和感や改善案があるが、まだ言語化できていない 誰でも 「$ARGUMENTS」の内容から議論テーマを理解し、不明瞭な場合は「何が引っかかっていますか？」と掘り下げます。必要に応じて.ai-agent/steering/ドキュメントやコードベース、外部情報を参照し議論の土台を揃えます。対話は3つのアプローチを状況に応じて使い分けます。発散では「他にどんな方法がありそうですか？」と視野を広げ、関連技術や事例を紹介します。収束では「つまり、こういうことですか？」と要約確認し、論点整理とトレードオフ明示を行います。深掘りでは「具体的にはどういう状況ですか？」「なぜそう感じますか？」と前提・制約を明らかにします。区切りがついたら、議論で明らかになったこと、未決定事項、次のアクション（タスク作成、調査開始、Issue作成等）を要約します。ファイル作成・編集は行わず、ユーザーのペースに合わせた問いかけ中心で進めます。

既存システムのコード構造を分析し、モジュール性を4つの観点（凝集度・結合度・独立性・再利用性）から定量評価できます。 各モジュールの強み・弱みを明確にしたうえで、マイクロサービス化への準備度合いを数値スコア（0～100）で示します。 改善が必要な箇所を優先順位付きで提示し、リファクタリング（コードの整理・改善）や分割戦略の具体的な計画を策定できます。 分析結果は reports/02_evaluation/ に mmi-overview.md、mmi-by-module.md、mmi-improvement-plan.md として出力され、アーキテクチャ意思決定の根拠として活用できます。 既存レガシーシステムの分解・近代化を検討している技術責任者 モノリシックなアプリケーション（ひとかたまりのシステム）をマイクロサービス化したい開発チーム システムアーキテクチャの客観的な評価指標が欲しい設計者 リファクタリング計画の優先順位を数値に基づいて決めたい組織 Modularity Maturity Index (MMI) 評価エージェントは、ソフトウェアアーキテクチャのモジュール性を定量評価します。4つの評価軸（凝集度30%・結合度30%・独立性20%・再利用性20%）の加重平均で計算され、スコア80～100は高成熟、60～80は中成熟、40～60は低中成熟、0～40は未成熟と判定します。評価対象をパッケージ・クラス・サービス単位から選択し、Step 1でモジュール抽出、Step 2で各軸を5段階評価（5=最高、0=最低）、Step 3で結果をレポート化、Step 4で改善計画を策定します。Serena ツール等を用いてコードベースを直接分析し、前提条件として reports/01_analysis/system-overview.md などの事前分析ファイルを活用（推奨）しますが、存在しない場合はコードから直接分析を行います。

DDD評価結果から戦略的設計を自動再設計 - 境界コンテキストの再定義とコンテキストマップの再構築を、既存の評価結果に基づいて自動生成します。 戦術的設計を体系的に改善 - 集約・エンティティ・値オブジェクトの再設計案を、ドメイン構造の分析から導出します。 ユビキタス言語を整備・統一 - ドメイン用語の統一と文書化を通じ、チーム全体の共通理解を構築します。 移行ロードマップを自動生成 - 現在の実装から新設計への段階的な移行計画を、リスク評価とともに提示します。 レガシーシステムをDDD手法で再構築したいアーキテクトやリードエンジニア 既存システムのDDD評価結果に基づいて、実装の改善計画を策定したい人 複数の境界コンテキストを持つ大規模システムの設計を、体系的に改善したい開発チーム このエージェントは、DDD評価結果に基づいてシステムを再設計するプロセスを9ステップで実行します。 前提条件: 必須ファイルとしてreports/02_evaluation/配下の3つの評価ファイル（ddd-strategic-evaluation.md、ddd-tactical-evaluation.md、ddd-improvement-plan.md）を必要とします。推奨ファイルとして、ユビキタス言語・ドメインコードマッピング・MMI評価結果も参照。 実行フロー: Step0で前提条件を検証し、Step1-3でドメイン分類（ビジネス構造軸とサービス境界軸）、Step4-5で戦略/戦術的設計の改善、Step6-7でユビキタス言語とシステムマッピング、Step9で移行ロードマップを出力します。 出力: reports/03_design/に最終成果物（境界コンテキスト再設計・集約再設計・移行ロードマップなど）を、work/{project}/design/ddd-redesign/に中間ファイルを出力し、各ステップ完了時に即座にファイル化します。

A/B テスト自動セットアップ：Paywall（購読画面）のコピーテストを RevenueCat Experiments で自動設定でき、Offering 作成から AI Paywall 生成、experiment 作成依頼、Cron 登録まで一括で行えます。 3 日ごとの自動チェックインとデータ分析：定期的に実験の成績データを取得し、どちらのコピーが勝ったかを自動判定し、その理由を LLM で分析できます。 勝者から新しいコピーを自動生成：成功したコピーを分析し、そこからさらに効果的な新しいコピー案を 3 パターン自動生成でき、改善サイクルを加速できます。 複数アプリの同時管理：apps.json で複数アプリの設定を一元管理でき、1 つのスキルで複数プロダクトの A/B テストを並行運用できます。 Slack を通じたユーザー確認ループ：チェックイン結果を Slack で報告し、ユーザーの承認を得たうえで新実験を作成するため、人間のレビューも組み込まれています。 Paywall（購読画面）の CVR（購買率）を改善したいプロダクト責任者：A/B テストを自動化することで、複雑なテスト設計や分析の手間を減らし、継続的に改善できます。 RevenueCat を導入している SaaS/アプリ企業：RevenueCat Experiments と LLM を連携させることで、データ駆動型の Paywall 最適化が実現できます。 複数のアプリを運営している企業：一つのスキルで複数プロダクトの Paywall A/B テストを管理でき、運用負荷を大幅に削減できます。 定期的に Paywall コピーを改善したい担当者：3 日ごとの自動チェックインにより、人手をかけずに継続的な改善ループが回ります。 このスキルは RevenueCat Experiments を使った Paywall コピー自動 A/B テストループで、4 つのモードで動作します。setup モード：Offering 作成 → AI Paywall 生成 → Dais に experiment 作成依頼 → experiment_id 受取 → Cron 登録 → Slack 通知。check_in モード：実験開始から 3 日ごと 7:00 JST に発動し、RC MCP で実験情報取得 → Day N メッセージを Slack 送信 → ユーザー返信を待つ。analyze モード：ユーザーが「A 勝ち」or「B 勝ち」と返信時に、勝者・敗者テキスト取得 → LLM 分析 → 新コピー 3 パターン生成 → Slack 送信。create_variant モード：ユーザーが「1」「2」「3」選択時に、Pencil MCP で差替え → RC 新 Offering 作成 → Slack 承認ゲート → RC 新 Experiment 作成依頼。 Multi-App レジストリ：設定は /Users/anicca/.openclaw/workspace/paywall-ab/apps.json で管理され、rc_project_id、mixpanel_project_id、default_offering_id、monthly_product_id、slack_channel、active_experiment（experiment_id、variant_a_offering_id、variant_b_offering_id、start_date）を格納。新アプリ追加時は apps.json にエントリ追加 → Cron メッセージに app_id を指定するだけ。現在稼働中実験（2026-03-03〜）：app_id=anicca、experiment_id=prexpbac56abf66、Variant A（ofrng78a01eb506）vs Variant B（ofrng586631f021）、Cron=3 日ごと 7:00 JST。

スキルを一から作成: ユーザーとの対話を通じてアイデアを具体化し、実装可能なスキル定義書（SKILL.md）を自動生成できます。 既存スキルを改善: 現在のスキルが十分に機能しているか分析し、プロンプトやロジックを最適化できます。 複雑な要件を整理: 抽象的な「○○ができたらいいな」という要望を、具体的な「どんな入力でどんな出力が欲しいか」に段階的に落とし込めます。 適切なAIエンジンを選択: タスク内容に応じて Claude / Codex / 連携実行など、最適な実行エンジンを自動判定できます。 スキルの品質を保証: Domain-Driven Design や Design Thinking など5つの設計原則に基づき、一貫性のある高品質なスキルを生成できます。 AIツール構築者: Claude Skillsなど自社のAIスキル体系を整備・拡張したい人 プロダクトマネージャー: ユーザーニーズを正しくAI実装に落とし込みたい人 AI活用を推進する組織: スキルのメンテナンスや改善の過程を標準化・自動化したい企業・チーム 非エンジニアなスキル設計者: 技術詳細を気にせず、ビジネス視点でスキルを設計したい人 設計原則: (1) Collaborative First—ユーザーとの対話で要件を明確化、(2) Script First—決定論的処理をスクリプト化し100%精度で実行、(3) Progressive Disclosure—必要な時に必要なリソースのみ読み込む、(4) Custom Script Support—24タイプ以外の独自スクリプトも対応、(5) Self-Contained Skills—各スキルが独自のnode_modules・依存関係を持つ。 実行モード: collaborative（ユーザー対話型・推奨）、orchestrate（実行エンジン選択）、create/update/improve-promptの5つ。orchestrateモードでは claude（ファイル編集・Git・深い理解）/ codex（独立タスク・別視点）/ claude-to-codex（複合タスク）から選択。 抽象度レベル: L1（Concept：アイデア）→ L2（Capability：機能）→ L3（Implementation：実装詳細）。抽象度が高いほどインタビューを反復して具体化する。

go.mod と go.sum ファイルの整合性をチェックし、バージョン不整合を自動で検出できます。 不整合が見つかった場合、go mod tidy コマンドで自動修正し、整合性を回復させられます。 修正前後の状態をレポートとして出力し、何が変わったかを確認できます。 テスト実行で修正後の動作確認を行い、依存関係の問題で CI が止まるのを防げます。 hash mismatch や unknown module などの不整合パターンに対応した対処法を提案します。 Go プロジェクトを管理しており、依存関係のバージョン管理に手間がかかっている人 CIが go.mod / go.sum 不整合エラーで頻繁に落ちる人 パッケージをアップグレード・追加した後、整合性の確認手順を自動化したい人 不整合を検出したけど、どう修正すればいいかわからないという状況から抜け出したい人 go mod verify でバージョン整合性を確認し、エラー内容（hash mismatch 等）を検出します。go mod tidy -check で読み取り専用チェックを実行後、必要に応じて go mod tidy で修正します。テスト実行（go test ./... -v）で整合性を確認し、結果をサマリテーブル形式のレポートで出力します。不整合なしは「OK」、修正した場合は修正前後の diff と実行コマンド・Git 提案、エラー時は詳細なエラー内容と推奨対応（キャッシュクリア・明示的リクエスト等）を記載します。よくある不整合パターン（hash mismatch、unknown module、不要な依存残存、バージョン競合）ごとの原因と対応方法をドキュメント化し、ネットワークエラーなど発生時は go clean -modcache の実行を提案します。

プロジェクトのスコープを可視化：システムが何を解決し、誰のためで、どの範囲までを対象とするかを1つのドキュメントに統一することで、ステークホルダー全員が同じゴール認識で進められます。 ドメイン用語を標準化：チーム内で「顧客」「ユーザー」など同じ概念に複数の呼び方がされるのを防ぎ、コミュニケーションロスを削減できます。 機能開発の優先順位を客観的に判定：コアドメイン（競争優位）と支援ドメイン（必要だが差別化要素ではない部分）を分けることで、リソース配分の根拠が明確になります。 隣接ドメインとの境界を明確化：スコープ外の領域を事前に定義することで、機能追加時に「これ含める？」といった議論を減らせます。 次のフェーズへのロードマップが描ける：サブドメインの特定と関係整理により、フィーチャーモデリングや概念モデル化へ自然に進められます。 新規プロジェクトの企画・立ち上げを担当するPM・プロダクトマネージャー 複雑なシステムの開発範囲を整理したい技術リード ビジネス側とエンジニア側で「何を作るか」の認識を統一したい組織 アジャイル開発でも必要な基本設計を高速で実施したいチーム ドメインスコーピングは5つのステップで進みます：（1）システムの目的・利用者・ビジネス文脈の確認、（2）スコープ内/外の明確な線引き、（3）サブドメインの識別と関係整理、（4）ドメイン用語の収集と標準化、（5）成果物をdocs/gp/01-domain-scope.mdに出力（テンプレートはtemplates/domain-scope-template.mdを使用）。既存プロジェクトのコード・ドキュメント・設定ファイルも分析対象に含めます。次のステップは「フィーチャーモデリングと概念モデリング」（/feature-modeling）が推奨される関連スキルです。このスキルはジェネレーティブプログラミングのドメイン分析活動に位置づけられ、アーキテクチャ設計やコード生成の基礎となります。

完了済みの作業メモから改善案を自動抽出し、GitHub Issueとして記録できます。 メモのライフサイクルを自動管理し、処理済みメモを整理できます。 手作業でIssueを作成する手間を削減し、改善案の見落としを防げます。 重複するIssueの作成を自動チェックして防止できます。 プロジェクト管理者で、日々の振り返り結果をIssue化する必要がある人 チーム開発で改善案を体系的に管理したい人 メモの管理と課題追跡を一元化したい人 retroスキルで完了済みとなった作業メモから改善案を抽出し、GitHub Issueとして作成します。実装は行わず、Issue作成とメモファイルの移動のみに専念します。メモは${WORKSPACE_DIR}/.tmp/memo/（進行中）→memo/done/（retro完了）→memo/issued/（Issue化検討済み）のディレクトリを遷移します。memo/done/配下のメモのみを処理対象とし、memo/直下のメモは絶対に触りません。禁止事項としてコード実装、コミット・プッシュ、ブランチ操作、memo/直下メモへのアクセス、readyラベル付与があります。ワークフローは①memo/done/の.mdファイルを列挙②既存Issue一覧を1回取得③メモから改善案を抽出④重複チェック後Issue化⑤処理済みメモをissued/へ移動、という流れです。

新しいスキルをゼロから設計・実装し、反復的に改善できます。ユーザーインタビュー→ドラフト作成→テストケース設計→実行・評価→改善を繰り返します。 既存スキルの修正・最適化、パフォーマンス測定・ベンチマークを実施し、定量的・定性的な評価に基づいてスキルを進化させます。 スキルの説明文（description）を自動最適化し、トリガー精度を向上させ、ユーザーが適切な場面でスキルを活用できるようにします。 専用スクリプトeval-viewer/generate_review.pyを使い、テスト結果を可視化・分析し、改善点を明確にします。 Claude向けの新しいスキルを設計・構築したい開発者やプロダクトマネージャー 既存スキルの品質向上・最適化に取り組みたい技術チーム スキルのトリガー精度を改善し、ユーザーに正しい場面で活用されるようにしたい人 定量的なベンチマーク・定性的なレビューに基づいた科学的なスキル開発を実践したい組織 新規スキル作成時は、ユーザーの意図把握（何をさせるか・いつトリガーするか・出力形式）→インタビュー・リサーチ→SKILL.mdドラフト作成という流れです。テストプロンプト作成前に、エッジケース・入出力形式・成功基準・依存関係を積極的にヒアリングします。MCPを活用し並列リサーチも可能。SKILL.mdに記載する項目はname・descriptionで、説明文には「いつ使うか」の具体的コンテキストを含め、トリガー損失に対抗します。テストケース作成→実行→定性/定量評価→フィードバック反映→再実装を繰り返し、満足度に達したらテストセット拡張。最後に説明文最適化スクリプトで精度向上。ユーザーのコンピュータ素養に応じてコミュニケーション表現を調整し、「評価」「ベンチマーク」は説明不要、「JSON」「アサーション」は必要に応じて定義を明記します。

システムプロンプトを設計・改善・チューニングし、AIの回答品質を向上させることができます。ドキュメントと連動した管理により、変更履歴が明確に追跡できます。 テストケース駆動でプロンプトを改善し、期待通りの動作か自動・手動で検証しながら品質を高めていきます。 プロンプトの編集（docs/prompts/*.md）とDB反映（スクリプト実行）を分離し、源泉となるドキュメントを人間が管理しながら本番反映を自動化します。 汎用チャット・議事録・リサーチなど9種類のプロンプトから選択し、セッション内で段階的にチューニングできます。 既存プロンプトの現状分析から改善提案まで一気通貫で行い、ユーザーは必要な箇所だけ指示すればOKです。 AIツールの回答品質を改善したい企画・PM・システム管理者 プロンプト設計やAIの挙動最適化に携わるエンジニア・チーム テストケースベースで段階的にAIの動作を改善したい人 複数のプロンプトをバージョン管理し、変更理由を記録しながら運用したい組織 プロンプト管理は階層構造を持ち、Single Source of Truthはdocs/prompts/*.mdです。編集は常にこのマークダウンファイルを直接編集し、その後node .claude/skills/prompt/scripts/update-from-doc.mjs "変更理由"でDBに反映させます。本番で使われるのはSupabaseのsystem_prompts・system_prompt_versionsテーブルのデータで、アプリケーションは実行時にここからプロンプトを取得します。チューニングワークフロー開始時には「1.セッション開始（プロンプト選択→init-session.mjs実行→現状分析と設定提案）」「Step 1-B: セッション初期化」「Step 1-C: 現状分析と設定提案」で初期化し、その後の改善に進みます。9種類のプロンプト（汎用チャット・議事録・議事録フォーマット2種・リサーチ4種・企画立案）から番号で選択可能です。