Skill Creator Auto

Skill AUTL Creator

このスキルは、1行レベルの「やりたいこと」から、フルオートでスキルを作り切るためのメタスキルです。

通常の skill-creator は「人間とClaudeが協力してスキルを作る」前提ですが、この skill-auto-creator は:

• 目的の聞き出し
• ユースケースの洗い出し
• スキル構成の設計
• ディレクトリの生成 (init_skill.py)
• scripts/ / references/ / assets/ の実装
• SKILL.md の執筆
• 検証 (quick_validate.py)
• パッケージング (package_skill.py)
• 必要なら改善ループ

までを、Claude/エージェント主導で再帰的に回し、ほぼ自動で完結させることを目的とします。

想定する利用シナリオ

• ユーザ: 「1行の要望」を投げる。

  【新規作成の例】:

  • 社内Redshiftのメトリクスを分析するスキルを作って
  • PDFを分割・結合・回転できるpdf-toolsスキルをフルセットで作って
  • NotionのAPIを叩いてDBを同期するスキルを作って

  【更新の例】:

  • commit-prep-helperを最新の共通ライブラリ方式に更新して
  • 既存のgithub-issue-improverスキルを移植可能にアップデートして
  • すべてのスキルスクリプトを動的.env読み込み方式に更新して

• エージェント（Claudeなど）:

  1. このSKILL_AUTL.mdに従い、目的・制約・環境を対話で最小限ヒアリング
  2. 新規作成の場合: 設計 → 実装 → 検証 → パッケージ を自動でループ
  3. 更新の場合: 解析 → 差分適用 → 検証 → レポート を自動でループ
  4. .skill ファイルと、必要なら簡単な README 相当の説明を返す

基本原則

コード・指示の一元化（最重要）

【絶対遵守】: このスキルは、機能や指示が重複することを断固として拒否する。

• コード重複の禁止: 同じ機能を持つコードが複数存在しないようにする
• 指示の一本化: 同じ内容の指示が複数箇所に存在しないようにする
• 破壊的変更の恐れを克服: 新しい方式が確立したら、古い方式は即座に完全削除する
• フォールバックは最小限: 互換性のためのコード重複は、最小限で安全な代替処理のみにする

実践ルール

1. 新機能追加時:

   • 既存の類似機能をまず検索
   • 存在する場合は機能拡張を検討
   • 重複が許容されない場合は、既存機能を削除して統合

2. 更新時:

   • 古い実装は完全に削除
   • 新しい実装に一本化
   • 過渡期のコード共存を許容しない

3. 文書化時:

   • 同じ説明が複数箇所に存在しないようにする
   • 参照によって一元化する
   • 重複説明は削除統合

この原則を守ることで、メンテナンス性と一貫性を最大化する。

全体アーキテクチャ

使用するローカルスクリプト

• scripts/init_skill.py 新しいスキルのテンプレートディレクトリを生成する。

• scripts/quick_validate.py スキルフォルダのフォーマットと内容を素早く検証する。

• scripts/package_skill.py スキルフォルダを .skill ファイルとして検証＆パッケージングする。

Claude/エージェントは「ローカル環境に対してコマンド実行できる」か「ツール呼び出し経由でこれらのスクリプトを叩ける」前提とする。

既存スキルの更新機能

重要: このスキルは新規作成だけでなく、既存スキルの差分更新もサポートします。

更新モードの開始条件

• ユーザーが「既存のスキル名を更新して」という指示をした場合
• 例: 「commit-prep-helperを更新して」「既存の〇〇スキルを最新の方式にアップデートして」

更新フロー

1. 既存スキルの解析:

   • 既存のSKILL.md、scripts/、references/の構造を分析
   • 現在の実装と最新の共通ライブラリ方式との差分を特定
   • 更新が必要な箇所をリストアップ

2. 差分の適用:

   • 共通ライブラリ使用パターンの更新（絶対パス→動的探索）
   • .env読み込み方式の更新
   • 最新のバリデーションルールへの準拠
   • ドキュメントの修正（必要な場合）

3. 検証とテスト:

   • quick_validate.pyで更新後の構造を検証
   • スクリプトが正しく動作することを確認
   • 既存機能が維持されていることをテスト

4. 差分レポート:

   • 何を変更したかの明確なリスト
   • 変更理由（セキュリティ、移植性、保守性向上など）
   • 影響範囲と互換性情報

更新時の注意点

• 破壊的変更を避ける: 既存の主要機能は維持
• 段階的適用: 可能な限り後方互換性を確保
• 明確な記録: すべての変更をドキュメント化
• テスト重視: 更新後の動作確認を必ず実行

プロジェクト共通ライブラリ

重要: すべての生成スキルはMiyabi共通ライブラリを使用する必要があります。

共通ライブラリの存在場所

• パス: .claude/lib/python/ (プロジェクトルートから見た相対パス)
• 主要モジュール: env_utils.py

env_utils.py の機能

# 利用可能な関数:
- load_env_files(start_path=None, project_root=None, additional_paths=None)
  - 複数階層の.envファイルを自動検索・読み込み
  - スクリプト位置→プロジェクトルートまで遡って.envを探索
  - 優先順位: スクリプトディレクトリ > カレント > プロジェクトルート > 親階層

- setup_python_path(project_root=None)
  - プロジェクトルートと共通ディレクトリをPythonパスに追加
  - lib/, src/, scripts/ ディレクトリを自動追加

- find_project_root(start_path=None, max_depth=6)
  - .git, package.json, requirements.txt等の指標からプロジェクトルートを自動検出

スクリプトでの必須使用パターン

import sys
from pathlib import Path

# 共通ライブラリパスを追加（.claudeディレクトリを動的に探す）
def find_claude_lib():
    current = Path(__file__).resolve()
    for _ in range(8):  # 最大8階層まで遡る
        claude_lib = current / '.claude' / 'lib'
        if claude_lib.exists():
            return str(claude_lib)
        current = current.parent
        if current == current.parent:  # ファイルシステムルートに到達
            break
    return None  # 見つからない場合

claude_lib_path = find_claude_lib()
if claude_lib_path:
    sys.path.insert(0, claude_lib_path)
    from env_utils import setup_python_path, load_env_files

    # 初期化（必須）
    setup_python_path()
    load_env_files()
else:
    import warnings
    warnings.warn("Miyabi共通ライブラリが見つかりませんでした")

探索対象の.envファイル階層

生成スキルのscripts/から以下の順で.envを探索:

1. scripts/.env (スキル固有)
2. カレントディレクトリ/.env
3. プロジェクトルート/.env (自動検出)
4. .claudeディレクトリが見つかった階層の.env (.claudeの親ディレクトリ)
5. 親階層を6階層まで遡って.envを探索

これにより、どのリポジトリに埋め込まれてもプロジェクトルートの.envを確実に読み込めます。

フルオートスキル生成の再帰ループ構造

高レベルフロー

【新規作成の場合】

1. 目的の理解・補完
2. スキル設計（リソース設計）
3. スキルの初期化（init_skill.py）
4. リソース実装（scripts/references/assets の埋め込み）
5. SKILL.md 実装
6. 検証＆パッケージング（quick_validate.py, package_skill.py）
7. エラー・不足分の解析と再帰的改善
8. 完成報告とハンドオフ

【更新の場合】

1. 既存スキルの解析
   • 現在の構造と実装を調査
   • 最新方式との差分を特定
2. 差分の特定と優先順位付け
   • 共通ライブラリ使用方式の更新
   • .env読み込み方式の改善
   • バリデーションルールへの準拠
3. 段階的な適用
   • 破壊的変更を避ける段階的更新
   • 各ステップで動作確認
4. 検証とテスト
   • quick_validate.pyでの構造検証
   • 既存機能の維持確認
5. 差分レポート作成
   • 変更内容の明確な記録
   • 互換性情報の提供
6. 更新完了報告

各ステップは「満足度チェック」と「再帰的な自己修正」を含む。 エージェントは自分自身の出力を批評しながら次のステップを決める。

ステップ 0: モード判定（新規作成 vs 更新）

モード判定フロー

ユーザーの入力を分析して、新規作成モードか更新モードかを判定する。

新規作成モードの条件

• 「〜を作って」「〜スキルを作成」「新しい〜」などの表現
• 具体的な機能や要件の説明
• 既存のスキル名が指定されていない

更新モードの条件

• 既存のスキル名が明示的に指定されている
  • 例: 「commit-prep-helperを更新して」「github-issue-improverスキルを修正して」
• 「更新」「アップデート」「修正」「改善」といったキーワード
• 「最新の方式に」「移植可能に」など既存技術の改善を示す表現

判定が曖昧な場合

• ユーザーに明確化を求める：
  • 「新規にスキルを作成しますか？それとも既存のスキルを更新しますか？」
  • 「対象となる既存スキル名を教えてください」

ステップ 1: 目的の理解・補完（再帰的質問ループ）

新規作成モードの場合

目標

• ユーザの1行要望を、スキル設計に使えるレベルまで具体化する。
• 不必要に質問し過ぎない。最小限の質問で決めきる。

更新モードの場合

目標

• 更新の目的と範囲を明確化する。
• 破壊的変更を避け、差分のみを適用する。
• 既存機能の維持を確認する。

手順

1. 対象スキルの特定:

   • スキル名の正確な特定
   • スキルの場所と現在の状態を確認

2. 更新目的の明確化:

   • なぜ更新が必要か？（セキュリティ、移植性、機能追加など）
   • どの部分を更新したいか？
   • 期待される改善点は何か？

3. 制約の確認:

   • 破壊的変更を許容するか？
   • 後方互換性は必須か？
   • 既存のAPIやインターフェースは維持するか？

更新パターンの例

• 共通ライブラリ対応: 「最新の動的.env読み込み方式に対応させたい」
• 移植性向上: 「どのリポジトリでも動くようにしたい」
• セキュリティ強化: 「最新のセキュリティ基準に合わせたい」
• 機能改善: 「新しい機能を追加したい」

ステップ 2: スキル設計（リソース設計の再帰）

目標

• 「このスキルフォルダには何を入れるか？」を決める。
• scripts/, references/, assets/ 内の具体的な構造を設計する。

手順

1. 各ユースケースごとに以下を考える:

   • この処理を毎回ゼロから書くとしたら、どんなコードになるか？
   • その中で、共通化したい部分はどこか？
   • ドキュメント化すべき知識は何か？
   • 出力テンプレートやスタブファイルは必要か？

2. その結果から、以下を列挙する:

   • scripts/ に入れるべきスクリプト
     • 名前
     • 役割
     • 想定する引数・I/O
   • references/ に入れるべきドキュメント
     • 例: schema.md, api_docs.md, workflows.md, output-patterns.md
   • assets/ に入れるべきテンプレ/静的ファイル
     • 例: HTMLテンプレ, PPTXテンプレ, サンプルコード一式

3. 設計を内省:

   • 不要に細かく分割しすぎていないか？
   • 逆に1ファイルに詰め込みすぎていないか？
   • ユーザの典型フローを1〜2本想定して、それをトレースしやすい構造になっているか？

4. 必要であれば、再度ユーザに確認・調整質問を行う。

ステップ 3: スキルの初期化 (init_skill.py の自動利用)

目標

• 設計したスキルの骨組みを、init_skill.py を使って自動生成する。

操作（ローカルコマンド）

python skill-creator/scripts/init_skill.py <skill-name> --path <output-directory>

エージェントの挙動

1. スキル名を正規化:
   • 小文字・ハイフン区切りで一意な名前を決める（例: redshift-analytics-helper）
2. 出力ディレクトリが既にあるかを確認し、競合があれば対処方針を決める:
   • 例: <output-directory>/<skill-name> が既にあれば、別名を案内するか、上書き可否を聞く。
3. コマンド実行結果を解析し、生成されたフォルダ構造をキャプチャする。

ステップ 4: リソース実装（scripts / references / assets）

目標

• ステップ2の設計に従って、scripts/, references/, assets/ を埋める。
• ここも再帰ループで、徐々に精度と網羅性を上げる。

一般方針

1. 最初はミニマル実装から始める:

   • 各ユースケースを代表する1〜2本のスクリプト
   • 必須の schema / API docs / workflows のみ
   • 必須テンプレートのみ

2. その後、

   • quick_validate / package_skill のエラー
   • 内省（「このままだと使いづらい」など） に基づいてファイルを増やす。

scripts/ 実装ガイド

• 各スクリプトは「外部からも単体で動く」ように書く：

  • if __name__ == "__main__": を用いた CLI エントリ
  • 引数パースの簡易ラッパ（argparse 等）

• Claude が後からパッチしやすいように：

  • 単一ファイル内でロジックを整理
  • 関数レベルで責務を分離する（取得・変換・出力など）

• 【必須】共通ライブラリの使用:

  import sys
  from pathlib import Path
  
  # 共通ライブラリパスを追加（.claudeディレクトリを動的に探す）
  def find_claude_lib():
      current = Path(__file__).resolve()
      for _ in range(8):  # 最大8階層まで遡る
          claude_lib = current / '.claude' / 'lib'
          if claude_lib.exists():
              return str(claude_lib)
          current = current.parent
          if current == current.parent:  # ファイルシステムルートに到達
              break
      return None  # 見つからない場合
  
  claude_lib_path = find_claude_lib()
  if claude_lib_path:
      sys.path.insert(0, claude_lib_path)
      from env_utils import setup_python_path, load_env_files
  
      def main():
          # 環境初期化（必須）
          setup_python_path()
          load_env_files()
  
          # ここからスクリプト本体の処理
  else:
      import warnings
      warnings.warn("Miyabi共通ライブラリが見つかりませんでした")
  

• .envファイルアクセスについて:

  • 共通ライブラリにより自動的にプロジェクトルートの.envが読み込まれる
  • 追加の環境変数が必要な場合は os.getenv() でアクセス
  • スキル固有の設定は スキルディレクトリ/.env に配置可能
  • .claudeディレクトリがある階層が自動的に検出され、その親ディレクトリの.envも読み込まれる

references/ 実装ガイド

• できるだけ「構造化された Doc」として書く：

  • セクション見出し
  • テーブル形式（スキーマ／パラメータ一覧等）
  • 例／アンチパターン

• SKILL.md からのリンクを一段階に収める：

  • SKILL.md → references/*.md それ以上深くネストしない。

• 【推奨】共通ライブラリのドキュメント:

  • references/common_libraries.md にMiyabi共通ライブラリの使用例を記載
  • 特に env_utils.py の具体的な使用方法をドキュメント化
  • スキル固有の環境設定パターンを明記

assets/ 実装ガイド

• 必要最小限のテンプレやサンプルのみ含める。
• 大きなバイナリや不要なサンプルは避ける。
• ファイル名は機能がわかるものにする（例: report_template.pptx, hello-world-react/）。

ステップ 5: SKILL.md 実装（この AUTL スキル自身の応用）

目標

• 生成したスキルフォルダ用の SKILL.md を、
  • トリガ情報（frontmatter）
  • 使い方のワークフロー
  • scripts/ / references/ / assets/ のナビゲーション を備えた状態にする。

ガイドライン（skill-creator の原則に加えた AUTL 視点）

1. frontmatter の description は「いつ使うか」を必ず含める

   • 例:

     description: >
       社内Redshiftのイベントログとメトリクステーブルを分析して、
       日次/週次のKPIレポートを生成するためのスキル。
       「Redshiftのログから日次アクティブユーザを出して」などの集計・分析依頼に使う。
     

2. Body には以下を含める:

   • Quick start（最も典型的な1本のフロー）
   • 主要ユースケースごとのセクション
   • scripts/ の使い方（どのスクリプトをいつ叩くか）
   • references/ のリンクと参照タイミング
   • assets/ の使い方（どのテンプレートをどのように適用するか）

3. 「これは人間用ではなく、エージェント用のマニュアルだ」という前提で書く：

   • 命令形で書く（「〜せよ」「〜を行う」）
   • 迷う余地のあるところには選択ルールを書く（AならX, BならY）

ステップ 6: 検証＆パッケージング（quick_validate.py / package_skill.py）

quick_validate の利用

python skill-creator/scripts/quick_validate.py <path/to/skill-folder>

• 目的：
  • SKILL.md の frontmatter / 構造の検証
  • ディレクトリ構成・ファイル配置の確認
• エージェントはエラーメッセージを:
  • 分類（構文エラー / 命名規約違反 / 参照切れなど）
  • 優先度付け
  • 自動修正

package_skill の利用

python skill-creator/scripts/package_skill.py <path/to/skill-folder> <optional-output-dir>

• 目的：
  • バリデーションを通過したスキルを .skill にパッケージング
  • <skill-name>.skill を生成してユーザに渡せる状態にする

ステップ 7: 再帰的改善ループ

トリガ

• quick_validate / package_skill のエラー
• 自己内省での違和感（例: 「このSKILL.mdだとトリガ条件が曖昧」）
• ユーザからのフィードバック（例: 「このスキルだと○○ができない」）

改善サイクル

1. 問題点の特定
   • どの層の問題か？
     • frontmatter / SKILL.md body / scripts / references / assets / 構造
2. 改善候補の列挙
   • 最小変更から順に3案程度
3. 影響範囲を評価
   • 既存ユースケースへの影響
   • 将来の拡張性
4. 一つの案を選び、変更を適用
5. 再度 quick_validate / package_skill を実行
6. 終了条件:
   • バリデーションが通り、主要ユースケースをカバーできている
   • description と実際の機能が整合している

ステップ 8: 完成報告とハンドオフ

エージェントがユーザに返すべき情報

• 生成された .skill ファイルのパス
• スキル名と簡単な説明
• 代表的な使い方（1〜3個）
• もしあれば、制約事項や今後の拡張候補

例（応答テンプレート）

次のスキルを自動生成し、./dist/redshift-analytics-helper.skill としてパッケージしました。

• スキル名: redshift-analytics-helper
• 機能概要: 社内Redshiftのイベントログ/メトリクステーブルから、日次・週次のKPIを集計し、Markdownレポートを生成します。
• 主なユースケース:
  • 日次アクティブユーザ / 週次アクティブユーザの算出
  • 任意の期間のイベント回数・ユニークユーザ数の集計
  • フラグメント化したクエリのテンプレを使った分析

詳細なワークフローやスキーマは SKILL 内の SKILL.md と references/schema.md に記載しています。

この SKILL_AUTL.md 自体の利用方法（メタ）

• ユーザが「1行の要望」を投げたとき、
  • Claude / エージェントはまずこの SKILL_AUTL をトリガし、
  • ここに書かれた手順に沿って自己誘導しながらスキル生成プロセスを進める。
• 必要に応じて、
  • この SKILL_AUTL.md 自体を別のスキルとしてパッケージングし、
  • 「スキル自動生成スキル」として組織内で再利用することもできる。