教材ページをルーティング込みで自動作成

実験ルール・ドキュメント体系の参照：BSL-Droid Simplified V2二脚ロボット強化学習歩容獲得実験（exp008）に関連する作業時に、必須ドキュメントを自動参照・適用します。 バージョン管理と実験記録の確保：exp008_rules.mdに記載されたバージョン管理原則・実験記録ルールを確実に遵守できます。 報酬設計の正確な実装：報酬項目数・ペナルティ制約・報酬設計原則をexp008_reward_design.mdから確認し、適切な報酬関数を構築できます。 ワークフロー体系の把握：exp008実験の各フェーズ（新規バージョン作成、訓練、評価、考察）を効率的に進められます。 exp007知見の活用：先行実験（exp007）の教訓を確認し、改善案設計に反映できます。 ロボット強化学習研究者：exp008プロジェクトの実験規約を正確に遵守しながら進めたい 開発チーム：複数メンバーで実験を進める際に記録ルール・バージョン管理を統一したい 実験管理者：exp007の知見を踏まえてexp008を効率的に実施したい exp008（BSL-Droid Simplified V2二脚ロボット強化学習歩容獲得実験）関連作業時の必須ドキュメント参照スキル。droid_env_unitree.py、droid_train_narrow_v*.py、exp008報告書、狭いトルソモデルの強化学習訓練・評価作業時に自動適用。必読ドキュメント：常に最初にexp008_rules.mdを読む（バージョン管理・実験記録ルール）。ワークフロー確認時にexp008_workflow.md参照。コマンド実行時にexp008_commands.md参照。報酬設計変更・トラブルシューティング時にexp008_reward_design.md参照。訓練後考察・改善案設計時にexp007関連ドキュメント参照。全コマンドはcd rl_ws実行後に使用。

curriculum.md からレッスン番号を指定して、JavaScriptの詳細な学習教材を自動生成できます。 そのレッスンまでに学んだ概念だけを使用し、まだ習っていない関数やループなどは絶対に含めない、厳密なカリキュラム追従を実現します。 身近なサービス（YouTube、Amazon、Twitter等）を例に、初学者への共感と励ましを含めた十分な文章量（1レッスン300-400行程度）の教材を生成できます。 YAMLフロントマター、セクション構成、練習問題まで含めた投稿可能な学習教材を自動作成し、exercises/lesson-XXX/ に保存できます。 JavaScriptの初学者向けカリキュラムを構築・運営している教育プラットフォーム レッスン毎に統一されたスタイルの学習教材を効率的に生成したい講師・教材作成者 既習概念のみで解ける練習問題を自動生成し、学習者の混乱を防ぎたい人 ですます調・日常例・丁寧な解説など、初心者向けの教材品質を一貫して保ちたい教育者 curriculum.md からレッスン番号指定して JavaScript 学習教材を生成するスキル。ステップ1でレッスン情報抽出：レッスン番号・タイトル・□ステップ・【知識】・✅成果物を取得し、前レッスン情報も抽出して「前回の復習」に使用。ステップ1.5で既習概念を確認（レッスン12以前は console.log/alert/ブラウザ操作のみ、レッスン13-24は DOM 操作、レッスン20以降で関数登場等）。ステップ2で教材生成：レッスン1ははじめに→学習→概念説明→実践→練習問題→まとめ構成、レッスン2以降は学習（前回復習+目標）→概念→実践→練習→まとめ構成。YAMLフロントマター title:「Lesson XXX: [タイトル]」(3桁ゼロ埋め)。概念説明は【知識】から詳細説明+日常例+複数サンプルコード+各行コメント+実行結果記載。練習問題は ✅成果物を課題化、詳細手順+複数視点ヒント+解答例+追加チャレンジ。ですます調厳守、感嘆符なし、行末に「：」なし（単語説明は可）、十分な文章量で初学者への配慮。

実験の出力ディレクトリをそのままKaggle Datasetに変換・アップロード：複雑な変換やメタデータ作成なしで、フォルダ構造を保ったまま（fold0/fold1/など）Kaggle上に公開できます。 学習済みモデルを研究コミュニティと簡単に共有：チェックポイントファイルをKaggleの標準形式でホストし、他の研究者が即座に利用・引用できる環境を整えます。 実験メタデータを自動管理・更新：Dataset IDやタイトル、ライセンス情報をYAML形式で一元管理し、新バージョンの追加も自動化します。 複数実験の並列管理と版管理：異なる実験や複数のrun（小実験）を整理して管理し、バージョン更新メッセージで変更内容を明確に記録できます。 機械学習の研究結果をオープンソース化・公開したい研究者・学生 Kaggleコンペで学習済みモデルをチームメンバーや審査員と共有する必要があるデータサイエンティスト 複数の前処理パイプラインやモデルチェックポイントを体系的に管理したいML エンジニア 過去の実験結果を再現・参照可能な形で記録・公開したい機械学習プロジェクト管理者 4フェーズで実行：(1)対象実験・run・チェックポイントの特定：src/exp*/をGlobで検索し、config/config.yamlのrun_nameを確認、ls -lhRでチェックポイント一覧表示。(2)Kaggle Datasetメタデータ準備：既存のdataset-metadata.jsonを確認、なければユーザーからKaggleユーザー名とコンペティションslugを取得し、{kaggle_user}/{comp_slug}-{exp_name}形式のslugで新規作成。(3)アップロード実行：初回はkaggle datasets create -p src/{exp_name}/output/{run_name}/、更新はkaggle datasets versionでメッセージ付き。(4)完了報告：アップロード情報・fold数・ファイル一覧・Notebookから参照するパス例を提示します。