nwiizo prompt-review スキル
ユーザーの過去のAIエージェント対話履歴を分析し、技術理解度・プロンプティングパターン・AI依存度を推定してレポートを生成する。レポートは日本語で reports/prompt-review-YYYY-MM-DD.md に書き出す。
引数の処理
$ARGUMENTS を解析し、以下のルールで引数を処理する:
- 数値のみ → 日数フィルタ（例:
30→ 過去30日分） - 文字列のみ → プロジェクト名フィルタ（部分一致）
- 文字列 + 数値 → プロジェクト名 + 日数フィルタ（例:
yonshogen 30） - 引数なし → 全プロジェクト横断、過去7日分（デフォルト）
ステップ1: データ収集（スクリプト実行）
前処理スクリプト scripts/collect.py を実行してデータを収集する。 このスクリプトは Claude Code, GitHub Copilot Chat, Cline, Roo Code, Windsurf, Antigravity, OpenCode の ログを自動検出し、フィルタ済みのJSON を標準出力に返す。
引数からスクリプトオプションを組み立てる
$ARGUMENTS を解析し、Bash で以下のように実行する:
python "${CLAUDE_SKILL_DIR}/scripts/collect.py" [OPTIONS] > /tmp/prompt-review-data.json
- 引数なし → オプションなし（デフォルト: 過去7日分）
- 数値のみ（例:
30） →--days 30 allまたは0→--days 0（全期間）- 文字列のみ（例:
yonshogen） →--project yonshogen - 文字列 + 数値（例:
yonshogen 30） →--project yonshogen --days 30
出力の読み取り
スクリプト実行後、/tmp/prompt-review-data.json を Read で読み込む。
出力JSON構造:
{
"summary": {
"total_messages": 2616,
"detected_tools": ["Claude Code", "GitHub Copilot Chat"],
"filter_days": null,
"filter_project": null
},
"sources": [
{
"tool": "Claude Code",
"status": "検出",
"messages": [
{"text": "プロンプト本文", "timestamp": "2025-09-29 03:16", "project": "yonshogen"}
],
"period": "2025-09-29 03:16 〜 2026-03-12 04:58"
}
],
"project_stats": {
"farbrain": {"count": 668, "tools": ["Claude Code"]},
"yonshogen": {"count": 215, "tools": ["Claude Code"]}
},
"secret_warnings": [
{
"tool": "Claude Code",
"project": "some-project",
"timestamp": "2025-10-01 12:00",
"type": "OpenAI API Key",
"masked_value": "sk-abc12***xyz9",
"prompt_excerpt": "APIキーはsk-abc123..."
}
]
}
ステップ2: 分析
Read で /tmp/prompt-review-data.json を読み込んだら、以下の観点で messages 配列内のユーザープロンプトを分析する。各観点について具体的なエビデンス（実際のプロンプト断片の引用）を必ず含めること。
前処理: プロジェクト別サマリーの作成と短文応答の除外
まず project_stats を使ってプロジェクト別のメッセージ数・使用ツールの一覧を把握する。
各プロジェクトのプロンプト内容を読み、そのプロジェクトで行われている作業内容を1行で要約する。
この情報はレポートの「2. プロジェクト別サマリー」セクションに出力する。
次に、短文の肯定応答を分析対象から除外する。
前処理: 短文の肯定応答を無視する
Claude Code はユーザーに「〜しますか？」と確認を求めることが多く、それに対するユーザーの短い肯定応答はプロンプティング能力や技術理解度の分析に価値がない。以下のようなメッセージは分析対象から除外すること:
- 単純な肯定: 「y」「yes」「はい」「うん」「ok」「sure」「yep」「yeah」
- 実行指示: 「進めて」「やって」「do it」「doit」「go」「go ahead」「proceed」
- 承認: 「それで」「それでいい」「それでお願いします」「お願いします」「いいよ」「いいです」「大丈夫」
- 感謝のみ: 「ありがとう」「ありがとうございます」「thanks」「thx」
判定基準: メッセージが短文（概ね20文字以下）で、上記のパターンに該当するもの。ただし、短文でも具体的な技術指示を含むもの（例:「30pxがいいです」「asyncで」）は除外しない。
2a. 技術的理解度マップ
プロンプトから言及されている技術概念を抽出し、3段階に分類:
- 熟知: 自信を持って指示、正確な用語使用、具体的な実装方針の提示
- 基本理解: 概念は知っているが詳細はAIに委任
- 学習中/曖昧: 質問形式、誤解がある、試行錯誤が多い
分類のシグナル:
- 命令形で具体的な指示 → 熟知
- 「〜してください」＋概念名のみ → 基本理解
- 「〜って何？」「〜がうまくいかない」「どうすればいい？」 → 学習中
2b. プロンプティングパターン分析
- 効果的なパターン: 具体的な制約指定、段階的な指示、十分なコンテキスト提供、期待する出力形式の明示
- 改善可能なパターン: 曖昧な指示（「いい感じにして」等）、コンテキスト不足、目的と手段の混同
- 特徴的な癖: 短い承認（「y」「doit」等）の頻度、日本語/英語の使い分け
2c. AI依存度分析
プロジェクト・ツールごとに:
- ユーザーが方針を決定しAIに実装を任せているケース（主体的）
- AIに方針決定から任せているケース（依存的）
- デバッグ/エラー解決でAIに頼るパターン
- 状態確認を頻繁にAIに依頼するパターン（「状況確認して」等）
2d. 成長の軌跡
時系列で:
- プロンプトの質・具体性の変化
- 新しく使い始めた技術概念
- 繰り返し発生する課題パターン
2e. プロジェクト横断・ツール横断の傾向
- 得意領域と不得意領域
- プロジェクト種類による振る舞いの違い
- AIツールの使い分け方（検出されたツールが複数の場合）
2f. シークレット・クレデンシャル警告
secret_warnings 配列が空でない場合、レポートの冒頭（データソースサマリーの直後）に警告セクションを出力する。
スクリプトが検出した API Key、Token、Password、接続文字列等のシークレットを一覧で表示し、
ユーザーに対してキーのローテーション（再発行・無効化）を推奨する。
レポート内ではシークレットの値は絶対に平文で書かない。スクリプトがマスク済みの値（masked_value）を返すので、それをそのまま使う。
ステップ3: レポート生成
references/report-template.md のテンプレートに従い、日本語でレポートを生成する。
出力ルール
reports/ディレクトリが存在しない場合は Bash でmkdir -p reportsを実行- Write ツールを使って
reports/prompt-review-YYYY-MM-DD.mdに書き出す（YYYYMMDDは実行日） - レポート生成後、ファイルパスをユーザーに通知する
記述上の注意
- レポートは必ず日本語で出力すること
- 推測は「〜と推測されます」「〜の可能性があります」と明示すること
- プロンプトの原文を引用する場合は短く切り取り、プライバシーに配慮すること
- ファイルパスの個人名部分は
<user>にマスク - プロジェクト固有の機密情報は伏せる
- ファイルパスの個人名部分は
- 分析できなかった部分は「データ不足のため分析できませんでした」と正直に記載
- どのツールからの情報かを括弧書きで明記する（例:「(Claude Code)」「(Copilot Chat)」）
- エビデンスのないセクションは省略してよい
参照リソース
- scripts/collect.py — データ収集・前処理スクリプト（Python）
- references/data-sources.md — 各AIツールのログ保存場所・形式の詳細
- references/report-template.md — レポートの構造テンプレート