Daily Knowledge Sync

Daily Knowledge Sync

Claude Codeの会話から自動的に知識を収集し、検索可能でカテゴリ分類された知識リポジトリを構築します。

概要

このスキルは、前日のClaude Code会話ログ（~/.claude/projects/内のJSONLファイル）を分析し、価値ある知識項目を抽出し、カテゴリ分類し、重複をチェックし、GitHubリポジトリにコミットします。1日1回、最初のClaude Codeセッションで実行されます。

抽出される内容:

• エラー解決とデバッグの知見
• コーディングパターンとベストプラクティス
• 便利なコマンドとCLIワークフロー
• 設計判断とアーキテクチャの知見
• ドメイン固有の知識
• DevOpsと運用手順

主な機能:

• 🔄 自動的な日次実行
• 🏷️ カテゴリベースの整理 + タグメタデータ
• 🔍 重複検出のための70%類似度閾値
• 📝 構造化されたmarkdown形式
• 🔐 バージョン管理のためのGit統合

実行ガイドライン

⚠️ 重要: このスキルは完全自律実行を前提としています。以下のガイドラインを厳守してください。

🚨 自律的な作業進行（必須）

このスキル実行中は、原則としてユーザーへの質問・確認を一切行わないでください。ただし、Step 3の初回設定が未完了の場合のみ、ユーザーへの確認を許容します。

• 質問・確認禁止: ユーザーへの質問や確認メッセージを出力しない（AskUserQuestion ツールの使用も不可）
  • 例外: Step 3（リポジトリの設定）が未完了の場合、リポジトリURLやパスの確認は許可
• 自己判断: 知識として価値があるかどうかは、Step 5 の判断基準に従って自分で判断する
  • 迷った場合 → 除外する方向で判断（追加より除外を優先）
  • ただし、Step 7 で 90% 以上の類似度が検出された場合はスキップを優先

🚨 完了までの継続（必須）

コーヒータイムから最終のコーヒー豆紹介まで、必ずすべてのステップを完了させてください。途中で停止しないでください。

• 全ステップ必須: コーヒータイムから最終のコーヒー豆紹介まで、一つも省略しない
• 中断禁止: 途中で「完了しました」と報告して終わらない。必ず最終ステップまで実行
• エラー回復: エラーが発生しても可能な限り回復して続行。致命的なエラー（リポジトリ未設定など）の場合のみ停止
• 最終確認: コーヒー豆紹介を出力して初めて「完了」とする

🚨 パス検証の判断基準（AIエージェント向け）

スクリプト存在確認で誤判断を防ぐため、以下の基準を厳守してください:

1. SKILL_BASE の取得方法:

   • スキル読み込み時に表示される "Base directory for this skill" の値を使用
   • 推測でパスを設定しない（例: プラグインルートパスから推測しない）
   • 不明な場合は、Read ツールでスキルファイルのパスを確認してから親ディレクトリを取得

2. スクリプト確認の正しい方法:

   • 必須スクリプト5個を個別に確認（ls でディレクトリを表示するだけでは不十分）
   • 各スクリプトごとに ✅/❌ を表示
   • 1つでも ❌ があれば「スクリプトが見つからない」と判断

3. よくある間違い:

   • ❌ ls "$SKILL_BASE/scripts/" の出力が空 → 「見つからない」と誤判断
   • ❌ スクリプトパスを scripts/xxx.py で指定（相対パス）
   • ❌ 古いバージョンにフォールバック（指定されたバージョンを優先）
   • ✅ 各スクリプトを -f で個別確認 → 正確な判断

4. フォールバック不要の原則:

   • 指定された SKILL_BASE のバージョンを必ず使用
   • 古いバージョンへのフォールバックは不要（スクリプトが見つからない場合はエラーとして報告）

🚨 出力の簡潔化（日常使用時・必須）

このスキルは日常使用（毎朝自動実行）を想定しています。以下の出力ルールを厳守してください:

1. Step 1-4: 内部処理のみ（出力禁止）

以下の出力は一切行わないでください:

• ✅ 環境変数確認（echo "KNOWLEDGE_REPO_PATH: ..."）
• ✅ スクリプト個別確認（✅ extract_knowledge.py などのリスト）
• ✅ リポジトリ状態の詳細（git status の出力）
• ✅ 候補ファイルリスト（7cde3f29-f6b4-4fc4-adca-9f8f5b7370ba.jsonl: 24 candidates など1342行）
• ✅ 候補内容の分析（JSON解析、サンプル表示、複数回の試行錯誤）
• ✅ スコアリング詳細（文字数分布、スコア分布、高スコア候補の詳細）

許可される出力:

• ❌ なし（完全に内部処理のみ）

2. Step 5: サマリーのみ（詳細禁止）

バッチ処理の最終結果のみを簡潔に表示:

### 知識同期結果

✅ **処理完了**
- 対象日: YYYY-MM-DD
- 総候補数: N件
- 作成した知識ファイル: N件
  - 採用: N件
  - 拒否: N件
  - 重複: N件

禁止される出力:

• ❌ プログレス表示（Progress: 100/3273 は内部のみ、ユーザーには非表示）
• ❌ 候補内容の確認（head -n 100 /tmp/knowledge_candidates_...）
• ❌ 拒否理由の統計（Rejection reasons (first 100 samples): ...）
• ❌ スコア分布の分析（Score distribution: ...）
• ❌ 高スコア候補の詳細（Rank 1: Score 30 ===）

注意: Step 5 では Claude Code 自身がハイブリッド方式で評価を行います。 スクリプトを直接呼び出す必要はありません。

3. エラー時の出力

エラー発生時のみ、以下を簡潔に表示:

• エラー箇所（どのStepで失敗したか）
• 主な原因を1-2行で表示

例:

❌ Step 5 でエラー: リポジトリへのアクセス権限がありません
   → ~/.gitconfig を確認してください

4. 理想的な出力フロー

Step 0: コーヒー ☕
  ↓
（Step 1-4: 内部処理、出力なし）
  ↓
知識同期結果サマリー（Step 5 の最終結果のみ）
  ↓
日次まとめ（Step 11-1）
  ↓
本日のコーヒー豆（Step 11-2）

期待される効果:

• 出力量: 約 70% 削減
• ユーザー体験: コーヒー ☕ → 結果 → まとめ → コーヒー豆 🌍

サブエージェント活用（効率化・推奨）

複数のセッションログを参照する際は、サブエージェントを活用して効率化することを検討してください。

• 複数セッションログの並列処理: ~/.claude/projects/ 配下に複数のプロジェクトディレクトリがある場合、Task ツールでサブエージェントを活用して並列に分析
• 活用パターン例:
  • 各プロジェクトディレクトリごとに Explore エージェントで内容を調査
  • 複数の JSONL ファイルを並列に読み込み・分析
• 判断基準: 3つ以上のセッションログがある場合は並列処理を検討、2つ以下なら直列処理で十分

ワークフロー

Step 0: コーヒーでひと息 ☕

知識同期を始める前に、まずはコーヒーでも飲んでリラックスしましょう。

        ) )
       ( (
     ........
     |      |]
     \      /
      `----'

おはようございます！今日も素敵な1日になりますように。 コーヒーを片手に、昨日の会話から得られた知見を整理していきましょう。

準備ができたら、次のステップに進んでください。

Step 1: 前提条件の確認

⚠️ 重要: このステップは内部処理のみです。ユーザーへの出力は一切行わないでください。以下のコード例は確認のためのものであり、実際に実行しても結果は表示しないでください。

スキル実行前に、必要な設定を確認します。

1-1. 環境変数の確認

echo "KNOWLEDGE_REPO_PATH: ${KNOWLEDGE_REPO_PATH:-未設定}"
echo "KNOWLEDGE_REPO_URL: ${KNOWLEDGE_REPO_URL:-未設定}"

• 設定済み → その値を使用して続行
• 未設定 → Step 3（リポジトリの設定）で設定が必要

1-2. Base Directoryの確認

このスキルのスクリプトは、Base directory からの相対パスで参照します。

SKILL_BASE の取得方法:

スキル読み込み時に表示される「Base directory for this skill」の値を そのまま 使用します:

# スキル読み込み時の表示:
# Base directory for this skill: /Users/.../skills/daily-knowledge-sync

SKILL_BASE="/Users/.../skills/daily-knowledge-sync"  # ← この値をそのまま使用

重要: パスを推測・短縮しないでください。表示された値をそのままコピーしてください。

1-3. スクリプト個別確認

必須スクリプト5個を個別に確認します（ls でディレクトリを表示するだけでは不十分）:

REQUIRED_SCRIPTS=(
  "extract_knowledge.py"
  "create_knowledge_files.py"
  "categorize_knowledge.py"
  "check_similarity.py"
  "manage_daily_trigger.py"
)

echo "=== スクリプト確認 ==="
for script in "${REQUIRED_SCRIPTS[@]}"; do
  if [ -f "$SKILL_BASE/scripts/$script" ]; then
    echo "✅ $script"
  else
    echo "❌ $script"
  fi
done

判断基準:

• すべて ✅ → Step 2 へ進む
• 1つでも ❌ → エラーとして報告（フォールバック不要）

1-4. リポジトリの状態確認

REPO_PATH="${KNOWLEDGE_REPO_PATH:-$HOME/knowledge-base}"
if [ -d "$REPO_PATH" ]; then
  echo "✅ リポジトリ存在: $REPO_PATH"
  cd "$REPO_PATH" && git status
else
  echo "❌ リポジトリ未設定 → Step 3 へ"
fi

Step 2: 今日実行すべきか確認

まず、スキルを実行すべきか確認します（1日1回）:

python "$SKILL_BASE/scripts/manage_daily_trigger.py" check

終了コードが0なら続行、1なら今日は既に実行済みです。

既に実行済みの場合

終了コードが1の場合（今日は既に実行済み）:

注: このケースは「全ステップ必須」の例外として扱い、Step 11-2 のみ実行します。

1. 処理を終了: 以降のステップは実行しない
2. ユーザーへの報告: 「今日は既に知識同期が実行済みです」と報告
3. コーヒー豆紹介: Step 11-2 のコーヒー豆紹介のみ実行して終了

強制再実行が必要な場合:

ユーザーに以下のコマンドを手動で実行するよう案内してください:

rm ~/.claude/daily_knowledge/last_run.txt

その後、再度このスキルを実行してください。

注意: 自律実行の原則に従い、AIエージェントが勝手にトリガーファイルを削除することは禁止です。

Step 3: リポジトリの設定（初回のみ）

まだ設定していない場合、知識リポジトリをセットアップします:

オプションA: 既存のリポジトリを使用

1. 知識リポジトリをローカルにクローン:

   git clone <your-knowledge-repo-url> ~/knowledge-base
   

2. 後で使用するためにリポジトリパスをメモしておく

オプションB: 新しいリポジトリを作成

1. 新しいGitHubリポジトリを作成（例: my-knowledge-base）

2. ローカルにクローン:

   git clone <repo-url> ~/knowledge-base
   

3. 構造を初期化:

   cd ~/knowledge-base
   mkdir -p errors patterns commands design domain operations
   git add .
   git commit -m "docs: Initialize knowledge base structure"
   git push origin main
   

設定変数（これらを覚えておいてください）:

• KNOWLEDGE_REPO_PATH: 知識リポジトリのローカルパス（例: ~/knowledge-base）
• KNOWLEDGE_REPO_URL: GitHubリポジトリのURL

Step 4: 知識候補の抽出

⚠️ 重要: このステップは内部処理のみです。スクリプトの出力（1342ファイルの候補リスト）はユーザーに表示しないでください。

前日のJSONLファイルから潜在的な知識項目を抽出:

# 昨日分を抽出（デフォルト）
python "$SKILL_BASE/scripts/extract_knowledge.py"

# または日付を指定
python "$SKILL_BASE/scripts/extract_knowledge.py" 2026-01-30

これは /tmp/knowledge_candidates_YYYY-MM-DD.json に出力されます。

候補をレビューして、何が抽出されたかを理解します。

日次まとめ用の記録: 以下の情報を記録してください（Step 11-1で使用）:

• 対象日（YYYY-MM-DD形式）
• 作業リポジトリ一覧（候補の project_path フィールドから取得）
• 知識候補件数（抽出された候補の総数）

Step 5: 知識の評価とファイル作成（ハイブリッド方式 v1.9.0+）

⚠️ 重要: このステップではサマリーのみを表示してください。候補内容の分析（JSON解析、スコア分布、高スコア候補の詳細）は一切出力しないでください。

v1.9.0以降では、候補数に応じて処理方法を最適化します。

抽出された候補（/tmp/knowledge_candidates_YYYY-MM-DD.json）を評価・処理します。

5-0. 処理方法の判断

候補数に応じて最適な処理方法を選択してください：

5-1. 一次スクリーニング（サブエージェント並列処理）

対象: 201件以上の候補がある場合のみ実施

事前フィルタリング（501件以上の場合）:

以下の基準で候補を絞り込みます。詳細はフィルタリング基準リファレンスを参照してください。

• 除外: 100文字未満、システムメッセージ、スキル自身の実行ログ、完了報告のみ
• 残す: エラー解決手順、改善計画、コード例、具体的な手順

サブエージェント起動（Taskツール）:

候補を150件ずつバッチに分割し、Taskツールで並列評価します。

# 候補を150件ずつ分割（v1.9.0: 50 → 150に拡大）
candidates = json.load(open(candidates_file))
batch_size = 150
batches = [candidates[i:i+batch_size] for i in range(0, len(candidates), batch_size)]

# 最大5並列で一次スクリーニング
for batch_id, batch in enumerate(batches[:5]):  # 最大5バッチまで並列（750件まで）
    Task(
        subagent_type="general-purpose",
        model="haiku",  # コスト削減のためhaiku推奨
        description=f"一次スクリーニング バッチ{batch_id+1}",
        prompt=f"""
以下の知識候補を一次スクリーニングしてください。

## 判定基準
- **pass**: 詳細評価の価値あり（解決策、コード例、手順など）
- **reject**: 明らかに価値なし（断片的、意味不明）

## 候補データ
{json.dumps(batch, ensure_ascii=False, indent=2)}

## 出力形式
JSONで以下の形式で出力:
[
  {{"index": 0, "decision": "pass"}},
  {{"index": 1, "decision": "reject", "reason": "断片的"}}
]
"""
    )

並列実行例（783件の場合）:

• バッチ1（候補0-149）: Task agent 1
• バッチ2（候補150-299）: Task agent 2
• バッチ3（候補300-449）: Task agent 3
• バッチ4（候補450-599）: Task agent 4
• バッチ5（候補600-749）: Task agent 5
• （合計6バッチ、最大5並列処理）

結果集約: pass判定された候補のみを次ステップへ

5-2. 精密評価（Claude Code自身）

対象:

• 一次スクリーニング通過候補（50-100件）
• または、0-50件の場合は全候補を直接評価

Claude Code自身が詳細評価します。

評価プロセス:

1. 候補JSONを10件ずつ読み込む
2. 各候補について以下を判定:

filename 生成ルール:

• 英語で記述（日本語タイトルは意味を保って英訳）
• kebab-case（ハイフン区切り、小文字）
• 50文字以内
• 日付・拡張子は含めない

採用基準（accept）:

• 文字数: 200文字以上（_should_excludeで自動チェック）
• 価値キーワード: エラー、解決、手順、実装、設計などを含む
• 汎用性: 複数のプロジェクトで再利用可能な知見
• エラー解決の具体的な手順が含まれる
• コード例と説明が含まれる
• ベストプラクティスやパターンの説明
• 複数ステップの手順書
• 問題の根本原因と解決策の両方が含まれる

拒否基準（reject）:

• 単純な質問のみ（回答なし）
• コンテキスト不足で理解不能
• 一時的な作業メモ（WIP, TODO）
• ツール出力の単純なコピー
• 会話の断片（前後の文脈が不明）

カテゴリ判定基準:

• errors: エラー解決、デバッグ、バグ修正
• ops: コマンド、運用、DevOps、インフラ
• domain: 設計判断、ビジネスロジック、アーキテクチャ

3. 結果を /tmp/knowledge_evaluated_YYYY-MM-DD.json に保存

5-3. ファイル作成（create_knowledge_files.py）

評価結果からaccept判定のみを処理し、知識ファイルを作成します。

CANDIDATES_FILE="/tmp/knowledge_candidates_$(date -v-1d +%Y-%m-%d).json"
EVALUATION_FILE="/tmp/knowledge_evaluated_$(date -v-1d +%Y-%m-%d).json"
REPO_PATH="${KNOWLEDGE_REPO_PATH:-$HOME/knowledge-base}"

python "$SKILL_BASE/scripts/create_knowledge_files.py" \
  "$CANDIDATES_FILE" \
  "$EVALUATION_FILE" \
  "$REPO_PATH" \
  "$(date -v-1d +%Y-%m-%d)"

このスクリプトは以下を自動実行します:

1. accept判定のみ処理: evaluation_fileから採用された候補を取得
2. 類似度チェック: 既存知識と70%以上類似していれば重複として除外
3. ファイル作成: カテゴリ別にMarkdownファイルを生成
4. Git コミット: 自動的にコミット

処理結果の確認:

バッチ処理後、以下の簡潔なサマリーのみをユーザーに表示してください:

### 知識同期結果

✅ **処理完了**
- 対象日: 2026-01-31
- 総候補数: 150件
- 一次通過: 60件
- 作成した知識ファイル: 25件
  - 採用: 25件
  - 拒否: 35件
  - 重複: 0件

5-4. ハードリミット（1日最大5件）

重要: 1日の知識ファイル作成数は最大5件に制限します。

採用基準を厳格化し、以下をすべて満たす知識のみを作成してください:

5件を超える場合の優先順位:

1. エラー解決: 再現可能な手順と解決策
2. 設計判断: アーキテクチャの意思決定記録
3. コードパターン: ベストプラクティス
4. 運用手順: 複数ステップの手順書
5. その他: ドメイン知識、Tips

実装方法:

accept判定された候補が5件を超える場合、以下の処理を行います:

# accept判定の候補をスコアリング（例: 文字数、キーワード出現回数）
scored_items = []
for item in accepted_items:
    score = len(item["text"])  # 文字数
    score += item["text"].count("エラー") * 10
    score += item["text"].count("解決") * 10
    score += item["text"].count("設計") * 5
    scored_items.append((score, item))

# スコア降順でソート、上位5件のみ作成
top_5 = sorted(scored_items, key=lambda x: x[0], reverse=True)[:5]

日次まとめ用の記録: 以下の情報を記録してください（Step 11-1で使用）:

• 作成されたファイル数と主なトピック
• 採用された知識項目のカテゴリ分布
• 除外された候補の主な理由
• ハードリミットによる除外件数（accept判定だが5件超過で除外）

Step 6: （削除）カテゴリ分類はStep 5で自動実行

v1.7.0以降、このステップは不要です。 Step 5のハイブリッド方式で自動的にカテゴリ分類されます。

参考: カテゴリ分類の詳細は references/categories.md を参照してください。

Step 7: 重複のチェック

注意: v1.7.0以降、このステップはStep 5-3で自動実行されます。 以下はカスタマイズ時の参考情報として残しています。

新しい知識ファイルを作成する前に、重複をチェック:

from scripts.check_similarity import SimilarityChecker

checker = SimilarityChecker(threshold=0.7)

# カテゴリ内の既存ファイルと照合
category_dir = Path(KNOWLEDGE_REPO_PATH) / category
for existing_file in category_dir.glob("*.md"):
    duplicates = checker.check_knowledge_file(
        new_text=knowledge_content,
        knowledge_file=existing_file
    )

    if duplicates:
        # 重複を処理: スキップ、マージ、またはユーザーに確認
        print(f"Found similar knowledge: {duplicates[0]['section']}")

重複処理のオプション:

1. スキップ: 非常に類似している場合（>90%）
2. マージ: 補完的な場合（70-90%）
3. 新規作成: 十分に異なる場合（<70%）

日次まとめ用の記録: 以下の情報を記録してください（Step 11-1で使用）:

• スキップされた知識候補の数（重複により除外）

Step 8: 知識ファイルの作成

注意: v1.7.0以降、このステップはStep 5-3で自動実行されます。 以下はカスタマイズ時の参考情報として残しています。

重複していない知識について:

from datetime import datetime
from scripts.categorize_knowledge import KnowledgeCategorizer

categorizer = KnowledgeCategorizer(KNOWLEDGE_REPO_PATH)
date = datetime.now().strftime("%Y-%m-%d")

filename = categorizer.generate_filename(
    title=knowledge_title,
    date=date
)

file_path = categorizer.create_knowledge_file(
    category=category,
    filename=filename,
    title=knowledge_title,
    content=knowledge_content,
    tags=knowledge_tags,
    metadata={
        "date": date,
        "source": "conversation",
    }
)

print(f"Created: {file_path}")

形式の詳細は references/knowledge_format.md を参照してください。

日次まとめ用の記録: 以下の情報を記録してください（Step 11-1で使用）:

• 作成した知識ファイルの一覧（カテゴリ/ファイル名）
• 作成した知識ファイルの総数

Step 9: GitHubへのコミットとプッシュ

すべての知識ファイルを作成した後:

cd $KNOWLEDGE_REPO_PATH

# 変更をステージング
git add errors/ patterns/ commands/ design/ domain/ operations/

# コミットメッセージ用のユーザー名を取得
USERNAME=$(git config user.name)
DATE=$(date +%Y-%m-%d)

# 標準形式でコミット
git commit -m "docs: $USERNAME $DATE

Daily knowledge sync from Claude Code conversations.

Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>"

# mainブランチにプッシュ
git push origin main

Step 10: 今日実行済みとしてマーク

正常に完了した後、今日を処理済みとしてマーク:

python "$SKILL_BASE/scripts/manage_daily_trigger.py" mark

これにより、明日まで再実行されないようになります。

Step 11: 知識同期完了と日次まとめ

お疲れさまでした！知識同期が完了しました。

Step 11-1: 日次まとめの出力

Step 4-8で記録した情報を使用して、日次まとめを出力してください。

参照: references/daily_summary_format.md のテンプレートとタスク推測ロジックを使用してください。

出力内容:

1. 実行サマリー（対象日、リポジトリ数、候補件数、作成ファイル数）
2. 作業リポジトリ一覧
3. カテゴリ別分布と主なトピック
4. 新規追加ファイル一覧
5. 明日の推奨タスク（継続作業、未解決問題、深堀りトピック等）

重要: ユーザーへの質問は禁止。Step 4-8の記録データのみから自律的に生成してください。

Step 11-2: 今日のコーヒー豆 🌍

最後に、世界のコーヒーから今日の1杯をご紹介します。

参照: references/coffee_output_format.md の出力フォーマットを使用してください。

references/coffee_beans.md からランダムに1つ選んで紹介してください。

設定リファレンス

環境変数（オプション）

~/.bashrc または ~/.zshrc に設定できます:

export KNOWLEDGE_REPO_PATH="$HOME/knowledge-base"
export KNOWLEDGE_REPO_URL="https://github.com/username/knowledge-base"
export KNOWLEDGE_SIMILARITY_THRESHOLD="0.7"  # デフォルト: 0.7

スキル状態ファイル

• ~/.claude/daily_knowledge/last_run.txt: 最終実行日を追跡

リポジトリ構造

knowledge-base/
├── errors/
│   ├── README.md
│   ├── 2026-01-31_fix_import_error.md
│   └── 2026-01-30_resolve_cors_issue.md
├── patterns/
│   ├── README.md
│   └── 2026-01-31_dependency_injection.md
├── commands/
│   ├── README.md
│   └── 2026-01-31_git_rebase_onto.md
├── design/
│   ├── README.md
│   └── 2026-01-30_microservices_design.md
├── domain/
│   ├── README.md
│   └── 2026-01-29_payment_workflow.md
└── operations/
    ├── README.md
    └── 2026-01-31_docker_deployment.md

カスタマイズ

類似度閾値の調整

SimilarityCheckerを作成する際に閾値を編集:

# より厳格（検出される重複が少ない）
checker = SimilarityChecker(threshold=0.8)

# より寛容（検出される重複が多い）
checker = SimilarityChecker(threshold=0.6)

カスタムカテゴリ

scripts/categorize_knowledge.py を編集してカスタムカテゴリを追加:

CATEGORY_KEYWORDS = {
    # 既存のカテゴリ...
    "security": ["security", "vulnerability", "auth", "encryption"],
    "performance": ["performance", "optimization", "speed", "memory"],
}

その後、リポジトリにディレクトリを作成してください。

会話のフィルタリング

特定のプロジェクトを抽出から除外するには、extract_knowledge.py を変更:

def find_jsonl_files(self, target_date: str) -> list[Path]:
    jsonl_files = []

    # 特定のディレクトリをスキップ
    exclude_dirs = ["test-project", "scratch"]

    for jsonl_file in self.projects_dir.rglob("*.jsonl"):
        if any(excl in str(jsonl_file) for excl in exclude_dirs):
            continue
        jsonl_files.append(jsonl_file)

    return jsonl_files

トラブルシューティング

スキルが1日に複数回実行される

トリガー状態を確認:

python "$SKILL_BASE/scripts/manage_daily_trigger.py" status

必要に応じてリセット:

rm ~/.claude/daily_knowledge/last_run.txt

候補が抽出されない

JSONLファイルが存在することを確認:

ls -la ~/.claude/projects/*/

日付形式を確認:

python "$SKILL_BASE/scripts/extract_knowledge.py" 2026-01-31

類似度チェックが機能しない

scikit-learnがインストールされていない場合:

pip install scikit-learn

scikit-learnが利用できない場合、スクリプトは単純な単語ベースの類似度にフォールバックします。

Gitプッシュが失敗する

認証されていることを確認:

gh auth status  # GitHub CLI用
# またはSSHキーを設定

リモートに変更がある場合、プッシュ前にプル:

cd $KNOWLEDGE_REPO_PATH
git pull origin main --rebase
git push origin main

カテゴリが自動検出されない

カテゴリはキーワードマッチングに基づいています。自動分類が失敗する場合:

1. コンテンツにキーワードが含まれているか確認
2. ファイル作成時に手動でカテゴリを指定
3. categorize_knowledge.py にカスタムキーワードを追加

ベストプラクティス

1. プッシュ前にレビュー: コミット前に抽出された知識を必ずレビュー
2. タイトルを洗練: タイトルを具体的で検索可能にする
3. コンテキストを追加: この知識がなぜ重要かを含める
4. 関連項目をリンク: 知識項目間の接続を構築
5. タグを豊富に使用: タグ不足よりタグ過多の方が良い
6. 重複をクリーンアップ: 定期的に類似項目をレビューしてマージ
7. 既存知識を更新: 重複作成よりも既存項目の更新を優先

他スキルとの連携

このスキルは以下と相性が良いです:

• /guardrail-builder: 繰り返しパターンからルールを自動作成
• /michi:dev: TDDワークフロー中の開発知見をキャプチャ
• Code Reviewスキル: レビューの学びを抽出

リソース

詳細な形式仕様については、同梱のリファレンスファイルを参照してください:

• references/knowledge_format.md: Markdown形式、frontmatter、タグ戦略
• references/categories.md: カテゴリ定義、分類ガイドライン、検索戦略

フィルタリング基準リファレンス

v1.9.0 で追加: 事前フィルタリング（Step 5-1）の判断基準を明文化

除外すべき内容

残すべき内容

判断に迷った場合（事前フィルタリング時）

注: この基準は Step 5-1 の事前フィルタリング専用です。Step 5-2 の精密評価では「迷ったら追加」を優先してください。

以下の優先順位で判断してください：

1. 具体性: 抽象的な内容より具体的な内容を優先
2. 再現性: 同じ問題に遭遇した時に役立つか
3. 普遍性: プロジェクト固有の一時的なメモか、一般的な知見か
4. 完全性: 断片的な情報より、完結した情報を優先

事前フィルタリングで迷った場合: 除外（精密評価で再判定できるため）

変更履歴

v2.0.0（2026-02-01）

破壊的変更:

• 最小文字数を80→200文字に引き上げ
• 評価方針を「迷ったら追加」→「迷ったら除外」に変更
• ハードリミット導入（1日最大5件）

改善内容:

• 価値キーワードフィルタ追加（エラー、解決、手順、実装、設計など）
• スキル自身のログを除外（知識同期結果、コーヒー豆など）
• ファイル名形式を統一（YYYY-MM-DD_snake_case.md）
• categorizer.generate_filename 使用で記号・絵文字を正しく処理

期待効果:

• 作成数: 242件/日 → 1-5件/日（95%削減）
• ファイル名品質: 100%準拠
• 知識の品質向上: 汎用性・再利用性の高い知見のみを蓄積

v1.9.0（2026-02-01）

改善内容:

• バッチサイズ拡大（50 → 150件）で処理効率60%向上
• 候補数に応じた柔軟な処理フロー（Step 5-0）
• フィルタリング基準の明文化
• ドキュメント改善（省略可能なステップを明記）

期待効果:

• 処理時間: 約50%短縮（10-15分 → 5-8分）
• 運用性: 候補数に応じた最適化
• 一貫性: フィルタリング基準の明確化