JavaScriptカリキュラムから詳細な学習教材を自動生成

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。

ナビゲーション設定（navigation.ts）とルーティング（App.tsx）を自動で追加し、新しい教材ページを作成できます。手作業の設定漏れを防げます。 CodeBlock、CodePreview、CodingChallenge（プレビュー付き）、Quiz、InfoBox など教材に必要なコンポーネントを含めたページテンプレートを自動生成できます。 ページ作成後、自動的にテスト（navigation.test.ts のページ数期待値更新）を実行し、ビルド検証までを一貫して行えます。 既存ページのパターンに準拠した統一的なページ構造を保ちながら、新規教材を効率的に追加できます。 React ベースの教材サイトで新しいコース・セクションを頻繁に追加する教育プラットフォーム運営者 ページ作成時の設定漏れやテスト漏れを減らしたい開発チーム CodeBlock やプレビュー機能を活用した対話的な教材を数多く作成したいコンテンツ制作者 統一されたコンポーネント構成を保ちながら教材を増やしたい教育サービス ページ作成6ステップ：(1) client/src/lib/navigation.ts にセクション（必要なら）とページ定義追加。(2) client/src/App.tsx に lazy import + Route 追加。(3) client/src/pages/{manual}/{section}/{PageName}.tsx ファイル作成（既存ページパターン準拠、step-badge と PageNavigation 含める）。(4) CodeBlock / CodePreview / CodingChallenge（preview=true で有効なJSX initialCode）/ Quiz / InfoBox / PageNavigation 要素を含める。(5) navigation.test.ts のページ数期待値更新。(6) ビルド + テスト通過確認。禁止パターン：CodingChallenge initialCode 内で /* */ コメント非使用、text-black / bg-white 直接使用禁止（CSS変数使用）、ポエム調コピー回避。

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。