skill-creator-from-logs

name	skill-creator-from-logs
description	VS Code / GitHub Copilot Chat の「Chat: Export Chat...」で出力した JSON を解析し、繰り返しワークフロー（WHAT/HOW/FLOW）を発見して Agent Skills を自動生成する。"analyze my chat history", "find repetitive tasks", "create skills from logs", "Copilot Chat の履歴からスキルを作って", "VS Code Chat Export を分析して"などのリクエスト時に使用される。

GitHub Copilot Chat のエクスポート履歴からスキルを生成

このスキルは VS Code の公式機能（Chat: Export Chat...）で書き出した JSON を一次ソースとして扱い、 繰り返しタスクのパターンを抽出して新しい Agent Skills を自動生成します。

安全性とプライバシー

• エクスポート JSON には、ソースコード断片・ログ・秘密情報が含まれる可能性があります。生ログをそのままスキルに貼り付けない
• 読み取りを開始する前に、必ず「読み取るファイル（Export JSON のパス）」を明示し、ユーザーの明確な承認を得る
• スキル本文・使用例に、トークン/パスワード/APIキー/秘密のURL/個人情報/ユーザー固有の絶対パスを含めない

ワークフロー概要

以下の 6 フェーズを順番に実行します。

スキル生成進捗:
- [ ] Phase 1: データ収集（同意取得→Export JSON 縮約→Read）
- [ ] Phase 2: タスクパターン抽出（WHAT/HOW/FLOW の三軸抽出）
- [ ] Phase 3: スキル適性評価（スコアリング→ランク付け→候補提示）
- [ ] Phase 4: ユーザー選択（スキル化対象の決定→スコープ確認）
- [ ] Phase 5: スキル生成（SKILL.md + 補助ファイルの作成）
- [ ] Phase 6: 品質検証（チェックリスト確認）

Phase 1: データ収集

同意ゲート（必須）

読み取りを開始する前に、ユーザーに以下を伝えて承認を得ます。

• 対象: VS Code Chat Export JSON（単体ファイル or ディレクトリ）
• 分析スコープ: どのワークスペース/プロジェクトの履歴か（--workspace の値）
• 時間範囲: 過去 N 日（--days）
• 読み取るファイル: 具体的なパス（例: exports/*.json）

収集と縮約（推奨）

Export JSON はサイズが大きくなりやすい（tool 実行結果やコード断片が大量に入ることがある）ため、 ファイル読み込みの制限を避ける目的で 縮約（フィルタ）→ JSONL 化 してから読みます。

1. ユーザーに、Export した JSON の場所を用意してもらう（例: exports/ に集約）

2. 同梱スクリプトで縮約します:

python3 {skill-dir}/scripts/filter-vscode-chat-export.py \
  --input "{export-path-or-dir}" \
  --workspace "{project-path}" \
  --days {N} \
  --noise-filter \
  > /tmp/vscode-chat-filtered.jsonl

• 出力が大きい場合は --max-turns / --max-assistant-chars を下げて再実行する
• 失敗した場合は「どのファイルが大きいか」を特定し、対象セッションを絞って Export し直す

3. /tmp/vscode-chat-filtered.jsonl を Read して Phase 2 に渡す

データモデル（抽象）

縮約後は「1行=1 turn（概ね user/assistant のペア）」の JSONL として扱います。 最低限、以下が取れればよいです。

• timestamp（あれば）
• workspace（または推定できるプロジェクト識別子）
• user_text
• assistant_text
• source_file（どの Export JSON 由来か）

フィールド名は Export 形式で揺れるため、スクリプト側で best-effort に正規化しています。

Phase 2: タスクパターン抽出

縮約した会話（user/assistant）から、具体的な繰り返しタスクパターンを抽出します。

三軸抽出（重要）

• WHAT: 何を達成したいか（例: 「PR レビュー指摘を一括で直す」）
• HOW: どう進めるか（例: 「差分だけ出す」「テスト駆動で修正する」「チェックリストで検証する」）
• FLOW: セッション内の作業連鎖（例: 「調査→修正→テスト→コミット」）

ルール: HOW を WHAT に丸めない。FLOW は複数ステップの連鎖として独立に抽出します。

ノイズ除外（推奨）

• 形式だけの相づち（例: 「OK」「ありがとう」）
• 変化が少ない繰り返し（例: 同じ質問の言い換えのみ）
• 大量の貼り付け（コード/ログ）が主体で、指示（WHAT/HOW）が読み取れない turn

FLOW 抽出

1. session 相当（Export ファイル単位、または timestamp の近接で）で会話をまとめる
2. そのまとまりごとに「作業の流れ」を 1 行で要約（矢印表現）
3. 似た流れが 3 回以上出るものを FLOW パターンとして記録

詳細な粒度例は references/pattern-extraction-examples.md を参照してください。

Phase 3: スキル適性評価

ステップ 0: 既存スキルとの照合

ユーザー環境にインストール済みのスキルを列挙し、抽出パターンとの重複を確認します。

1. .github/skills/ 配下のスキルを Glob で列挙
2. 各スキルの SKILL.md の name / description を読み取り
3. 抽出パターンを以下に分類:
   • 完全カバー済み → 候補から除外
   • 部分カバー → 未カバー部分のみ候補として残す
   • 未カバー → そのまま候補

ステップ 1〜3: スコアリング→ランク付け→候補提示

内部的に「頻度」「一貫性」「自動化可能なステップ数」で優先度を付けます。 ただし 内部スコアの詳細はユーザーに見せません。

提示フォーマット:

スキル化推奨:
1. [パターン名] (N回) — [1行説明]

スキル化の価値あり:
2. [パターン名] (N回) — [1行説明]

Phase 4: ユーザー選択

1. ユーザーにスキル化対象のパターンを選んでもらう（複数可）
2. 選択パターンに該当する代表 turn（サニタイズ前提）を 2〜3 件提示してスコープを確認
3. 以下を確定:
   • スキルのスコープ（どこからどこまで）
   • バリエーションの扱い（オプション化 or 別スキル）
   • 配置先: .github/skills/ 配下
   • トリガーフレーズ

Phase 5: スキル生成

重要ルール

• 生の会話ログをそのまま貼り付けない
• シークレット/個人情報/絶対パスを含めない（必要ならテンプレート化）
• YAML フロントマターに山括弧文字を含めない
• GitHub Copilot のコンテキスト制限を考慮し、簡潔で明確な記述を心がける

生成物の構造

{skill-name}/
  SKILL.md
  scripts/
  references/

SKILL.md の要件:

• name（kebab-case）と description を含む
• 番号付きの実行手順（再現可能）
• よくあるエラーと対処
• 少なくとも 2 つの使用例（サニタイズ済み）
• 200〜300行を目標（必要に応じて400行まで許容）

Phase 6: 品質検証

1. references/quality-checklist.md でチェックリストを確認
2. 既存の skill-creator スキルの設計原則と照合
3. 不合格項目があれば修正して再検証

よくある問題

Export JSON が用意できない

• このスキルは Export JSON のみを入力として扱います。VS Code 側で Chat: Export Chat... を実行して JSON を用意してもらいます。

Export JSON が大きすぎる

• 必ず scripts/filter-vscode-chat-export.py で縮約してから読み込みます
• それでも大きい場合は、対象セッションを絞って Export し直す（分析対象を減らす）

JSON パースエラー

• 対象ファイルを 1 つに絞り、縮約スクリプトを再実行
• それでも失敗する場合は、Export の再取得（別名で保存）を依頼