# Kaizen > コーディングエージェントのセッションから失敗・修正・エラーを抽出し根本原因を分析。スキル・ルール・Hooks・ドキュメントへ反映することで同じ失敗を繰り返さない仕組みを構築する。「セッションを振り返る」「学びを抽出する」「kaizen」「改善を適用する」「学びを適用して」などで発動。 - Skill: `shoji9x9/kaizen` (Agent Skill, multi-file: 56 files) - Install (CLI): `npx skillmds@latest add shoji9x9/kaizen` - Raw SKILL.md: https://api.skillmd.com/api/skills/shoji9x9/kaizen/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: MIT - Author: shoji9x9 (https://skillmd.com/u/shoji9x9) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/shoji9x9/kaizen --- # Kaizen セッションから学びを継続的に抽出・適用するスキル。 ## 使い方 ```text /kaizen [extract] [--current | --all] 学びを抽出（extract は省略可 = 既定。--current = 最新セッション・最重要 1 件 / --all = 全セッション・優先度順） /kaizen extract --current --record-pending 最重要候補を最大 1 件、承認確認なしで pending 記録（オーケストレーション専用） /kaizen apply pending の学びを成果物（ルール / doc / hook 等）へ適用 /kaizen archive [対象フラグ] .kaizen を整理 = アーカイブ（既定・非破壊。.kaizen/archive/ へ移動） /kaizen delete [対象フラグ] .kaizen を整理 = 物理削除（破壊的・明示時のみ） 対象フラグ（archive / delete 共通・省略時は対象を対話で確認）: --applied | --rejected | --applied-and-rejected | --all 初回のみ: /kaizen setup（インストール後の hooks 等のセットアップ。「Step 3」参照） ``` 例: `/kaizen --all` / `/kaizen archive` / `/kaizen archive --rejected` / `/kaizen delete --applied` - 自然文でも発動する:「振り返って」「kaizen」= 抽出 /「学びを適用して」= apply /「整理して」「アーカイブして」「クリーンアップして」= archive /「削除して」「消して」= delete /「セットアップして」「hooks を設定して」= setup。 - `--record-pending` は `extract --current` と同時指定した場合だけ受理する。通常抽出の承認フローを変えず、apply / archive / delete は行わない。 - **抽出はコミット前ゲートからも駆動される**: 未抽出の活動があり transcript に候補が見つかる、または安全に判定できないと、PreToolUse ゲートが `git commit` をブロックして `kaizen --current` を促す。候補ゼロを検証できた場合は自動通過する。コミットの既定クリティカルパスは抽出・記録までで、apply はユーザーが今すぐ適用すると選んだ場合だけ続ける。 ## 前提 - **ツール**: `git` - **前提スキル**: `multiagent-setup`（Hook・ドキュメント整備のセットアップで利用。`references/setup.md` 参照）。学びの反映先スキルの検証に `skill-creator` を使えるが任意 - **MCP**: なし - **シェル**: bash（POSIX 互換シェル）。本スキルのコマンド例・設定する Hook（`mkdir -p` / `date -u` 等）は bash 前提のため、Windows では WSL / Git Bash 等の bash 環境で実行する - node / pnpm / python などのランタイムは不要。高速な transcript 候補走査には `jq` を任意利用し、無い場合は従来どおり安全側にブロックする。 ## 基本原則 - **根本原因を分析する**: 個別の失敗への対策ではなく、その失敗が起きた理由を分析し原因への対策を行う - **仕組みで解決する**: 可能な限り決定論的な仕組みで再発を防ぐ。エージェントの挙動は確率論的なため、エージェントへの指示（ルール・ドキュメント等）だけでなく、リンター・フォーマッター・pre-commit フック・スクリプトなど決定論的なチェックを優先して活用する - **エージェント間で共有する**: `.kaizen/` に保存された学びはプロジェクト内の全エージェント（Claude Code / Codex / GitHub Copilot）が参照できる。あるエージェントで得た学びを他のエージェントでも活かす - **スコープはプロジェクトレベル**: 学びは `.kaizen/` ディレクトリに保存し、このプロジェクトに適用する ## フロー ### Step 1: 操作の特定 「使い方」のコマンドまたは自然文から、**抽出 / 適用 / 整理（アーカイブ・削除）/ セットアップ**のいずれかを判定する。判定できないときは AskUserQuestion で確認する。整理の対象フラグ（`--applied` 等）が省略されたときは、対象を AskUserQuestion で確認する。 ### Step 2: コンポーネントの実行 対応コンポーネントファイルを Read ツールで読み込み手順に従う: - 学び抽出 → `references/extract.md` - 学び適用 → `references/apply.md` - 整理（アーカイブ・削除）→ `references/housekeeping.md` - セットアップ → `references/setup.md` コンポーネントファイルは SKILL.md と同じディレクトリの `references/` 配下にある。インストール先に応じて以下を試みる: - `~/.claude/skills/kaizen/references/.md` - `.claude/skills/kaizen/references/.md` - `.agents/skills/kaizen/references/.md` ### Step 3: セットアップ（インストール後・初回のみ） `references/setup.md` を Read ツールで読み込み手順に従う。kaizen を「自動で回る」状態にする 3 つの Hook（終了時センチネル記録・コミット前 PreToolUse ゲート・セッション開始時の参照注入）、基底ドキュメント（`AGENTS.md` 等）への自己設定制約追記、`.gitignore` への一時ファイル除外、`multiagent-setup` 依存をまとめている。 --- ## 参考文献 このスキルの根本原因分析（`references/extract.md`「根本原因分析」: 最低 3 階層の「なぜ」・KEDB 照合・横断スコープ確認）は、LLM エージェントによる障害原因分析（RCA）の研究知見に基づく。 - Roy et al. "Exploring LLM-based Agents for Root Cause Analysis" ([arXiv:2403.04123](https://arxiv.org/abs/2403.04123)) — 推論とツール実行を往復する ReAct 型エージェントが単発 LLM より診断精度が高い。証拠を取りに行く反復の根拠。 - Chen et al. "Automatic Root Cause Analysis via Large Language Models for Cloud Incidents" ([arXiv:2305.15778](https://arxiv.org/abs/2305.15778)) — 約 4 万件の過去インシデントを RAG で参照すると精度向上。KEDB（既存 `.kaizen/` 照合）の根拠。 - "Reasoning Language Models for Root Cause Analysis in 5G Wireless Networks" ([arXiv:2507.21974](https://arxiv.org/abs/2507.21974)) — 推論特化モデルが高い pass@1 を達成。段階的な深掘りの有効性。 - "Towards LLM-based Root Cause Analysis of Hardware Design Failures" ([arXiv:2507.06512](https://arxiv.org/abs/2507.06512)) — 深い推論で RCA タスクの正答率が向上。 - "TAMO: Fine-Grained Root Cause Analysis via Tool-Assisted LLM Agent" ([arXiv:2504.20462](https://arxiv.org/abs/2504.20462)) — 多角的な観測データとツール呼び出しで深い分析。「単一の視点だけで結論しない」の根拠。 これらの要素は [karaage0703/ai-assistant-workspace の xangi-kaizen スキル](https://github.com/karaage0703/ai-assistant-workspace/tree/main/skills/xangi-kaizen) を参考に取り入れた。