agent-prototype

name	agent-prototype
description	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。

agent-prototype — 雛形からの最小実装

いつ使うか

• /agent-decompose で design.md tools.md が完成した直後
• 「最初の動くもの」を作りたい

入力

• workspace/<project>/vN/design.md
• workspace/<project>/vN/tools.md
• workspace/<project>/vN/spec.md

出力

ファイル	内容
scripts/agent.py	エージェント本体（LangGraph ワークフロー）
scripts/tools.py	ReAct ツール群（必要な場合）
scripts/config.yaml	設定ファイル（テーマ・キーワード・editorial 等）
scripts/run.sh	実行用シェルスクリプト
reports/prototype_report.md	何を実装したか・テスト結果・既知の課題

進め方

Step 1: 雛形の選択

design.md の構造を見て、reference/ から起点となる雛形を選ぶ:

design.md の構造	使う雛形
直線的な5〜7ノード（fetch→...→send）	workflow_skeleton.py
ノードの中で多段検索が必要	react_skeleton.py を組み込み
Planner + Reviewer + Synthesizer の協調	multi_agent_skeleton.py

雛形をそのままコピーし、プロジェクト固有部分を埋める方式（LayerX 流の写経起点）。

Step 2: WorkflowState の定義

design.md §4「データフロー」を見て、ノード間で受け渡す全フィールドを WorkflowState (TypedDict) に書く。

class WorkflowState(TypedDict, total=False):
    cfg: dict
    items: list
    summary: str
    # ... design.md に書いた全フィールド

注意: 宣言外のフィールドは LangGraph に silent drop される。漏れなく書く。

Step 3: 各ノードの実装

design.md のノード一覧に従って関数化。「LLM/コード」境界を守る:

def fetch_node(state: WorkflowState) -> dict:
    """決定論的: API/RSS から取得して整形"""
    items = collect_from_sources(state["cfg"])
    items = dedup(items)
    items = rerank_by_relevance(items, state["cfg"])
    return {"items": items}

def summarize_node(state: WorkflowState) -> dict:
    """LLM: ペルソナを注入して構造化生成"""
    llm = ChatAnthropic(model="claude-sonnet-4-6", max_tokens=2500)
    prompt = build_prompt_with_persona(state)
    resp = llm.invoke([SystemMessage(...), HumanMessage(content=prompt)])
    return parse_sections(resp.content)

Step 4: ReAct エージェントの組み込み（必要な場合）

design.md でエージェント化したノードがあれば、react_skeleton.py のパターンで:

from langgraph.prebuilt import create_react_agent

def deep_dive_node(state):
    agent = create_react_agent(llm, tools=[search, fetch_url, ...],
                                prompt="あなたは...")
    result = agent.invoke({"messages": [...]},
                          config={"recursion_limit": 40})
    return {"deep_dives": parse(result)}

忘れずに:

• recursion_limit を明示
• プロンプトで「ツール呼び出しは最大5回」と制約
• ツールにキャッシュを入れる（tools_pattern.md）

Step 5: 設定の YAML 化

scripts/config.yaml にすべての可変パラメータを切り出す:

theme: ...
sources: [...]
editorial:
  persona: |
    spec.md §4 をコピー
  perspective: |
    spec.md §5 をコピー
  rules: |
    spec.md §6 をコピー
sections:
  ...

業務担当者が触れるレベルまで切り出すこと。

Step 6: コスト計測の組み込み

reference/cost_management.md を参照し、USAGE グローバル + accumulate_usage(messages) でトークン数を記録。実行末尾で概算コストをログに出す。

Step 7: ロガーの設定

実行ごとに logs/agent_<slug>_<timestamp>.log に1ファイル残す。 各ノードの開始・終了・件数・エラーをログに記録。

Step 8: 動作確認

• スキー設定だけで実行できる軽量モード（--no-deep-dive など）から動作確認
• 1〜2件の小規模データで動くことを確認してから本番データへ

Step 9: prototype_report.md の生成

# Prototype Report v1

## 実装したノード
（design.md のどれを実装したか）

## 動作確認結果
- 軽量モード: ✓ / ✗
- フルモード: ✓ / ✗
- コスト実測: $X.XX

## 既知の課題
（次の `/agent-eval` で潰すべき項目）

## 動作させるコマンド
\`\`\`
python scripts/agent.py --config scripts/config.yaml
\`\`\`

雛形からの実装パターン（LayerX 流の写経）

LayerX のブログでも言及されている進め方:

1. 段階1: 雛形をそのままコピーして動かす（中身を完璧に理解しなくてよい）
2. 段階2: 1ノードずつ自分のロジックに置き換える
3. 段階3: ツール定義を整える、エラー処理を足す

完璧理解より早く回す。動くものを作って評価サイクルへ。

このスキルが「やらない」こと

• 評価データセットでの精度測定（/agent-eval の仕事）
• 配信先実装・cron 設定（/agent-deploy の仕事）

次のステップ

/agent-eval

評価データセットで精度・コスト・所要時間を測り、改善案を出す。