# Es Writer > 日本の新卒採用向けエントリーシートを、企業・職種・設問の調査と応募者本人の確認可能な事実に基づいて作成、診断、添削、短縮、拡張する。ガクチカ、自己PR、志望動機、研究内容、開発経験、挫折経験、価値観、キャリアビジョン、インターン応募文、履歴書の自由記述を扱うとき、ESの文字数調整、企業別最適化、複数案の比較、面接との整合確認を求められたときに使う。 - Skill: `novelsavage/es-writer` (Agent Skill, multi-file: 5 files) - Install (CLI): `npx skillmds@latest add novelsavage/es-writer` - Raw SKILL.md: https://api.skillmd.com/api/skills/novelsavage/es-writer/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: novelsavage (https://skillmd.com/u/novelsavage) - Updated: 2026-09-22 - Page: https://skillmd.com/skills/novelsavage/es-writer --- # ES Writer 日本の新卒ESを、企業が確認したい情報と応募者の事実が対応する文章にする。 「通る型」を機械的に当てはめず、設問、企業、職種、選考段階に応じて評価仮説を変える。 ## 作業モードを決める 依頼を次のいずれかとして扱う。 - **新規作成**：事実を収集して提出可能な本文を書く。 - **診断と改稿**：草稿を評価し、問題点と改稿案を返す。 - **文字数調整**：主張と証拠を保ったまま短縮または拡張する。 - **企業別最適化**：企業と職種の評価仮説に合わせて証拠の選択と強調を変える。 - **面接接続**：ESから想定質問を作り、説明できない記述や矛盾を見つける。 - **移植と転記**：ユーザーが本文の保存、移植、再掲だけを求めた場合は、許可なく推敲しない。 複数の設問や経験に個別の文字数上限がある場合は、一項目ずつ独立して作成し、項目ごとに文字数を確認する。 ## 最初に集める情報 次の順で確認する。 1. 企業名、募集会社、応募コース、職種、選考段階を特定する。 2. 設問の原文、文字数条件、入力形式、締切を確認する。 3. 既存草稿、履歴書、過去ESとの重複や矛盾を確認する。 4. 応募者の経験、役割、判断、行動、成果、学習を一次資料から確認する。 5. 採用サイト、募集要項、事業資料、社員インタビューから企業側の評価仮説を作る。 会社や募集情報は変わるため、最新情報が成果物へ影響する場合は、企業の公式採用サイトを優先して確認する。 採用基準が公開されていない場合は、設問と公開情報からの推定であることを明示する。 情報が足りなくても、確認可能な資料があるなら先に調べる。 本人しか分からない事実が文章を左右するときは、答えやすい質問を一度に一つから三つだけ聞く。 ## 応募者の事実を確認する 経験を次の要素へ分ける。 - 状況と期間。 - 目的または達成基準。 - 本人が発見した課題。 - 選択肢と判断理由。 - 本人が行った具体的行動。 - 他者との関係と働きかけ。 - 結果と測定方法。 - 失敗、修正、学習後の変化。 - 応募職種での再現可能性。 チーム全体の成果と本人の担当を分ける。 数字、受賞理由、期間、利用者数、精度、本人の役割を推測で補わない。 根拠がない箇所をもっともらしい文章で埋めず、確認質問または明示的な仮置きにする。 応募者本人のプロフィールや経歴資料が利用できる場合は基礎情報として読み、現在の明示的な発言を優先する。 成果や担当範囲が重要な場合は、対象プロジェクトのローカル資料、成果物、コミット履歴なども確認する。 プロフィール全体を一つのESへ詰め込まず、設問と企業に関係する経験だけを選ぶ。 ## 評価仮説を作る 企業がESを選別、面接設計、志望度確認、職務適合、配属検討のどれに使うかを考える。 次の八軸を共通の確認項目として使い、設問ごとに比重を変える。 1. 設問適合。 2. 行動証拠。 3. 判断と主体性。 4. 他者との関係。 5. 成果と学習。 6. 再現可能性。 7. 企業と職務への適合。 8. 可読性と面接接続。 詳しい基準、失格リスク、配点の使い方、通説の扱いは[評価基準](references/evaluation-framework.md)を読む。 設問ごとの情報選択と確認質問は[設問別ガイド](references/question-types.md)を読む。 ## 本文を組み立てる 設問への答えを早い段階で確定させ、その後に証拠を置く。 必要な要素だけを、原則として次の順で配置する。 1. 設問への直接回答。 2. 背景、目的、課題。 3. 本人の判断と理由。 4. 具体的な行動と他者への働きかけ。 5. 結果と意味。 6. 学習、再現可能性、志望先との接点。 すべての要素を毎回入れず、設問が評価する情報を優先する。 PREPやSTARは整理の補助として使ってよいが、文章の型を守ること自体を目的にしない。 「主体性」「コミュニケーション力」「課題解決力」のような能力語は、観察可能な行動で立証する。 企業理念を引用するだけで企業理解を示したことにしない。 事業、職種、社員の行動、本人の経験との具体的な接点を書く。 数字は変化、規模、期間、担当範囲を明確にするときだけ使い、測定方法と本人の寄与を説明できるようにする。 就活で頻出する定型句へ語彙を寄せすぎず、本人が説明できる自然な日本語を保つ。 ## 草稿を診断する 内容点より先に、次の失格リスクを確認する。 - 設問への未回答。 - 文字数、形式、対象期間、回答個数の違反。 - 企業名、商品名、職種名、敬称の誤り。 - 誇張、捏造、本人の担当範囲の曖昧さ。 - 他設問、履歴書、面接回答との矛盾。 - 適性や能力と無関係なセンシティブ情報。 診断では、抽象的な感想ではなく、該当箇所、評価への影響、直し方を対応させる。 優先度は「提出不能」「評価材料の不足」「伝達上の弱さ」「表現調整」の順に付ける。 ユーザーが修正案を求めた場合は、講評だけで終えず提出可能な改稿案も返す。 ## 文字数を検証する 文字数は目視で推定せず、`scripts/count_es_chars.py` を実行する。 応募フォームの数え方が不明な場合は、Unicodeコードポイント、UTF-16コード単位、改行除外の値を確認し、上限に余裕を持たせる。 文字数を削るときは、重複、一般論、企業への賛辞、技術名の羅列から削る。 課題、判断理由、本人の行動、結果の因果関係は最後まで残す。 文字数を増やすときは、形容詞を足さず、不足している判断、行動、他者との関係、検証方法を補う。 ## 面接との整合を確かめる 完成稿の主要な文から、次の追加質問を作る。 - なぜそう判断したのか。 - 具体的に何をしたのか。 - 本人の担当はどこまでか。 - 代案や反対意見はあったか。 - 結果をどう測ったか。 - 失敗と修正は何か。 - 入社後のどの場面で再現できるか。 答えられない文は、事実不足、過度な抽象化、本人の寄与不明、生成文への依存を疑う。 生成AIの利用を隠すための言い換えは行わない。 本人固有の事実と判断を増やし、本人が説明できる文章にする。 ## 出力形式 新規作成では、提出可能な本文を先に示し、その後に文字数と確認が必要な事実だけを短く示す。 診断では、優先度順の指摘、改稿案、文字数、想定質問の順に示す。 複数案を出す場合は、語尾だけを変えず、強調する評価軸や経験の切り口を変える。 採用基準を点数化する場合は、通過確率として扱わず、本文に評価材料が揃っているかを確認する診断値として扱う。 ユーザーが本文だけを求めた場合は、前置きや長い解説を付けない。