sugupoko

コンペ開始時の7項目チェックリストを対話的に埋め、survey/competition/overview.md として保存する。新しいコンペに着手するときに最初に使う。

提出物の事前検証を実行する。Kaggle CSV / Kaggle Code Competition / 予測ファイル zip / Docker コンテナ / Simulation エージェントの5形式に対応。submission-validator agent を呼び出して機械的にチェックする。提出直前に必ず使う。

Walks through the 7-item competition onboarding checklist interactively and saves it to survey/competition/overview.md. Use first when starting a new competition.

Run pre-submission validation. Handles 5 formats — Kaggle CSV / Kaggle Code Competition / prediction-file zip / Docker container / Simulation agent. Delegates to the submission-validator agent for mechanical checks. Use right before any submission.

今日の daily_reports/YYYYMMDD.md を、前日のレポートと未完了TODO・直近の実験結果を引き継いで作成する。セッション開始時に使う。

新しい実験フォルダを reference/ から雛形コピーして作成する。SESSION_NOTES.md と run.sh も自動生成。Claude用は expA00, A01, ...、人間用は exp200, 201, ... の連番で命名する。

コンペ戦略の横断synthesis を実行する。competition-strategist agent を起動し、daily_reports/* と全 SESSION_NOTES.md / claudeSummary.md / submit/SUBMISSIONS.md / KAGGLE_DIRECTION.md を一括ロードして「次の一手」を出力する。週1回や局面の変わり目で使う。

コンペに関連する論文や類似コンペの解法を検索し、survey/papers/にまとめる。リサーチフェーズや新しいアプローチを探すときに使う。

受け取ったデータから最適化問題の構造を把握し、仮説を立てる。最も重要なスキル。

実行可能性（feasibility）を確認する。問題の複雑度に応じて一発解きor段階的解法を選ぶ

最適化モデルの運用設計。自動化・監視・フォールバックを定義する

ボトルネックに合わせた改善策を設計・実行・検証する

最適化結果を非技術者にも伝わる改善提案書にまとめる

追加データの依頼書を生成する。何がなぜ必要かを非技術者向けに説明

評価が安定した動くエージェントを実運用に乗せるためのスキル。cron / Webhook トリガー、配信先（Slack / SMTP / Confluence）、コスト上限、人間レビュー工程、監視・アラート、リトライ・フォールバック、シークレット管理を設計する。「本番運用したい」「業務に組み込みたい」と言われたら呼ぶ。

agent-discover の後に呼び出すスキル。spec.md を読んで業務プロセスをノードに分割し、各ノードを「決定論コード」と「LLM 判断」に振り分け、設計パターン（Reflection / Tool Use / Planning / Multi-Agent）を選定する。LangGraph のグラフ構造、ReAct ツール定義、ハイブリッド構成を design.md として出力する。「実装の設計をしたい」「ノードの切り方が分からない」「パターンの選び方を知りたい」と言われたとき呼ぶ。

AIエージェントを作るときの最初の段階。業務担当者へのヒアリング内容（hearing_sheet_*.md の記入結果）を読み取り、spec.md の初版・hearing_notes.md・usecase_catalog.md を生成する。「○○業務を効率化したい」「○○エージェントを作りたい」と相談されたとき、まずこのスキルで業務理解とユースケース抽出をする。リサーチ・レビュー・抽出・アシスタント系のいずれにも使える。

agent-prototype で動くものができた後、評価データセットを使って品質・コスト・所要時間を測定し、改善案を出すスキル。LayerX 流の評価駆動開発（Eval-driven）を実践する。「精度を上げたい」「コストを抑えたい」「品質を客観評価したい」と言われたら呼ぶ。10〜20件の代表的データから始めて、リリース後にユーザーフィードバックで拡充するサイクル。

動いているエージェントの構成を探索的に改善する高度スキル。マルチエージェント化（Planner+Reviewer+Synthesizer）、モデル使い分け（Sonnet/Haiku）、プロンプトの自動改善、パラメータ探索などを試みる。Sakana AI の ShinkaEvolve（進化的アルゴリズムでエージェント設計を発見）の思想を取り入れる。「もう一段、品質を上げたい」「コストを大幅削減したい」と言われたとき呼ぶ。オプション・後回しで OK。

agent-decompose の後に呼び出すスキル。design.md を読み、reference/ の雛形コード（workflow_skeleton.py / react_skeleton.py / multi_agent_skeleton.py）を起点にエージェントの最小実装を作る。LangGraph の StateGraph、ReAct エージェント、ツール定義を組み合わせて scripts/ に動くコードを出力する。「最初の動くもの」を1日以内に作るのが目標。