# Daily Knowledge Sync

> 日々のClaude Code会話から知識を自動抽出し、GitHubリポジトリに同期します。JSONL会話ログを分析し、価値ある知見（エラー解決、コーディングパターン、便利なコマンド、設計判断、ドメイン知識、運用）を特定し、70%類似度閾値で重複をチェックし、カテゴリ分類された知識ベースにコミットします。1日1回、Claude Code起動時または「おはよう」の挨拶時にトリガーされます。

- Skill: `sk8metalme/daily-knowledge-sync` (Agent Skill, multi-file: 12 files)
- Install (CLI): `npx skillmds@latest add sk8metalme/daily-knowledge-sync`
- Raw SKILL.md: https://api.skillmd.com/api/skills/sk8metalme/daily-knowledge-sync/raw
- Safety review: pending (external: skill-scanner PASS, skillspector CAUTION)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: sk8metalme (https://skillmd.com/u/sk8metalme)
- Updated: 2026-09-10
- Page: https://skillmd.com/skills/sk8metalme/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:**

```markdown
### 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

```bash
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:

```bash
# 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）:

```bash
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

```bash
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）:

```bash
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:

```bash
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:
   ```bash
   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:
   ```bash
   git clone <repo-url> ~/knowledge-base
   ```

3. 構造を初期化:
   ```bash
   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:

```bash
# 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：

| 候補数 | 処理方法 | 理由 |
|--------|---------|------|
| **0-50件** | 直接評価（5-2へスキップ） | サブエージェント不要、手動評価で十分 |
| **51-200件** | 1-2バッチのみサブエージェント | 効率と精度のバランス |
| **201-500件** | バッチサイズ150で並列処理 | 標準フロー（5-1 → 5-2） |
| **501件以上** | 事前フィルタリング → バッチ処理 | 大量候補を効率的に処理 |

#### 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](#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。

```python
# 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:

| 項目 | 内容 |
|------|------|
| decision | "accept" / "reject" |
| category | "errors" / "ops" / "domain" |
| title | 知識タイトル（acceptの場合） |
| filename | ファイル名ベース（kebab-case、英語、50文字以内、日付・拡張子なし） |
| reason | 判定理由（20文字以内） |

**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。

```bash
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:

```markdown
### 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:

| 項目 | 基準 |
|------|------|
| **文字数** | 200文字以上（`_should_exclude`で自動除外済み） |
| **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** | プロジェクト固有の一時的なメモでない |
| **完全性** | 断片的でなく、完結した情報 |

**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:

```python
# 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](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:

```python
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:

```python
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](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:

```bash
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:

```bash
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](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](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](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:

```bash
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:

```python
# 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:

```python
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:

```python
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:
```bash
python "$SKILL_BASE/scripts/manage_daily_trigger.py" status
```

必要に応じてリセット:
```bash
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:
```bash
ls -la ~/.claude/projects/*/
```

日付形式を確認:
```bash
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:
```bash
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:
```bash
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:
```bash
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](references/knowledge_format.md)**: Markdown形式、frontmatter、タグ戦略
- **[references/categories.md](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

| パターン | 例 | 理由 |
|---------|-----|------|
| **スキル自身の実行ログ** | `Step 5の結果`<br>`知識同期結果`<br>`コーヒー豆`<br>`📊 日次知識まとめ` | メタ的な内容、知識として価値なし |
| **完了報告のみ** | `✅ 実装完了`<br>`処理完了しました`<br>`タスク完了` | 具体的な内容を含まない |
| **システムメッセージ** | `<command-name>`<br>`local-command-caveat`<br>`system-reminder` | 会話制御用、知識として無意味 |
| **断片的な会話** | `はい`<br>`ありがとうございます`<br>`確認しました` | コンテキスト不足 |
| **短すぎるテキスト** | 100文字未満 | 情報量が少なすぎる |

### 残すべき内容

| パターン | 例 | 理由 |
|---------|-----|------|
| **エラー解決手順** | `原因まとめ`<br>`解決方法`<br>`エラー: 〜` | 具体的な技術知識 |
| **改善計画** | `改善計画サマリー`<br>`方針:`<br>`設計判断` | 設計・意思決定の記録 |
| **コード例** | ` ```python`<br>`実装例:`<br>`コード:` | 実用的な知識 |
| **具体的な手順** | `Step 1: 〜`<br>`手順:`<br>`コマンド:` | 再現可能な知識 |
| **原因分析** | `問題の検出`<br>`根本原因`<br>`なぜ〜` | トラブルシューティング知見 |

### 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