메뉴
作業フローや手順を分析し、自動化可能な要素を特定する。ワークフロー分析時、自動化検討時、業務プロセス改善時、またはユーザーが作業フロー分析、自動化要素、業務手順、プロセス最適化に言及した際に使用する。
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
SOC 직업 분류 기준
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/majiayu000/claude-skill-registry --skill workflow-analyzer명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
SKILL.md 표시 중
LLM token logprobs and calibration. Per-decision confidence, ECE, Brier, reliability diagrams, low-confidence triage.
Analyze LLM token logprobs and calibration. Use for per-decision confidence, ECE, Brier scores, reliability diagrams, and low-confidence triage.
回顾最近 N 天的 Claude Code 使用记录——扫描原始会话数据，按主题分组汇总"我都做了什么"，并从个人操作系统视角输出模式、风险与增删建议。当用户说 /recap、"看看我这几天做了什么"、"回顾一下我最近的会话"、"这两天我用 claude 干了啥"、"活动回顾" 时使用。
| name | workflow-analyzer |
| description | 作業フローや手順を分析し、自動化可能な要素を特定する。ワークフロー分析時、自動化検討時、業務プロセス改善時、またはユーザーが作業フロー分析、自動化要素、業務手順、プロセス最適化に言及した際に使用する。 |
このSkillは、ユーザーが提供する作業フローや業務手順の情報を基に、自動化可能な要素を分析・特定する。ユーザーとの対話を通じて作業の詳細を理解し、プラグイン化すべきスキルや作業の依存関係を明確にする。
このSkillは以下の範囲をカバーする:
ユーザーとの対話を通じて、作業フローや業務手順に関する情報を収集する。
実施内容:
質問例:
【作業フローの確認】
分析したい作業フローを教えてください。
1. 作業名: [作業の名称]
2. 目的: [この作業で達成したいこと]
3. 頻度: [どのくらいの頻度で実施するか]
4. 所要時間: [1回あたりの作業時間]
5. 担当者: [誰が実施するか]
良い例:
作業名: コードレビュー実施
目的: コード品質を確保し、バグやセキュリティ問題を早期発見する
頻度: プルリクエストごと（1日5〜10回）
所要時間: 1回あたり30分〜1時間
担当者: シニアエンジニア、テックリード
開始条件:
- プルリクエストが作成される
- CI/CDパイプラインが成功する
終了条件:
- レビューコメントが全て解決される
- 承認者が2名以上Approveする
- マージ可能な状態になる
悪い例:
作業名: レビュー
目的: 確認する
頻度: たまに
所要時間: 適当
担当者: 誰か
作業フローを具体的なステップに分解し、各ステップの詳細を明確にする。
実施内容:
分解基準:
良い例:
【コードレビュー実施フロー】
ステップ1: プルリクエスト確認
- 入力: プルリクエストURL
- 処理: PR内容、変更ファイル、コミットメッセージを確認
- 出力: レビュー対象の特定、優先度判断
- 判断基準: 変更規模、影響範囲、緊急度
ステップ2: 静的解析結果確認
- 入力: CI/CDパイプライン結果
- 処理: linter、型チェック、セキュリティスキャン結果を確認
- 出力: 自動検出された問題リスト
- 判断基準: エラーがゼロであること
ステップ3: コード品質チェック
- 入力: 変更されたコード
- 処理: コーディング規約、設計原則、ベストプラクティスに照らしてチェック
- 出力: 品質問題リスト、改善提案
- 判断基準: コーディング規約、SOLID原則、セキュリティガイドライン
ステップ4: テストカバレッジ確認
- 入力: テスト実行結果、カバレッジレポート
- 処理: テストの網羅性、テストの品質を確認
- 出力: テスト改善提案
- 判断基準: カバレッジ80%以上、エッジケースのテストが含まれる
ステップ5: レビューコメント作成
- 入力: 品質問題リスト、改善提案
- 処理: コメントの優先度付け、具体的な修正案の作成
- 出力: レビューコメント
- 判断基準: 建設的、具体的、実行可能
ステップ6: 承認判断
- 入力: 全てのチェック結果、レビューコメント
- 処理: 承認可否を判断
- 出力: Approve or Request Changes
- 判断基準: 重大な問題がゼロ、軽微な問題は許容範囲内
悪い例:
ステップ1: 確認する
ステップ2: チェックする
ステップ3: 終わり
各ステップを分析し、自動化可能性を評価する。
実施内容:
評価基準:
良い例:
【自動化分析結果】
ステップ1: プルリクエスト確認
- 自動化可能性: 高
- 自動化難易度: 容易
- 自動化効果: 中
- 理由: GitHub APIで情報取得可能、基本的な分析は自動化できる
- 手作業部分: 優先度の最終判断（レビュー者の経験に基づく）
ステップ2: 静的解析結果確認
- 自動化可能性: 高
- 自動化難易度: 容易
- 自動化効果: 高
- 理由: CI/CD結果の取得と解析は完全自動化可能
- 手作業部分: なし
ステップ3: コード品質チェック
- 自動化可能性: 中
- 自動化難易度: 中程度
- 自動化効果: 高
- 理由: コーディング規約チェックは自動化可能だが、設計原則の評価は難しい
- 手作業部分: アーキテクチャレビュー、設計の妥当性判断
ステップ4: テストカバレッジ確認
- 自動化可能性: 高
- 自動化難易度: 容易
- 自動化効果: 高
- 理由: カバレッジレポートの解析は完全自動化可能
- 手作業部分: テストの品質評価（テストが適切かどうか）
ステップ5: レビューコメント作成
- 自動化可能性: 中
- 自動化難易度: 中程度
- 自動化効果: 中
- 理由: 定型的なコメントは自動生成可能、建設的なコメントは難しい
- 手作業部分: 具体的な修正提案、コンテキストに応じたアドバイス
ステップ6: 承認判断
- 自動化可能性: 中
- 自動化難易度: 中程度
- 自動化効果: 低
- 理由: ルールベースの判断は可能だが、最終承認は人間が行うべき
- 手作業部分: 最終的な承認判断
悪い例:
全部自動化できる
自動化可能な要素をワークフロースキルとコンベンションスキルに分類する。
実施内容:
分類基準:
良い例:
【スキル分類結果】
ワークフロースキル候補:
1. pull-request-analyzer
- 責任範囲: プルリクエストの内容を分析し、レビュー対象を特定する
- 入力: プルリクエストURL
- 出力: レビュー対象の特定、優先度判断、変更サマリー
- 依存: なし
2. static-analysis-checker
- 責任範囲: CI/CD静的解析結果を確認し、問題を抽出する
- 入力: CI/CDパイプライン結果
- 出力: 問題リスト、重要度分類
- 依存: なし
3. code-quality-reviewer
- 責任範囲: コード品質をチェックし、改善提案を作成する
- 入力: 変更されたコード、コーディング規約
- 出力: 品質問題リスト、改善提案
- 依存: coding-conventions
4. test-coverage-analyzer
- 責任範囲: テストカバレッジを確認し、テスト改善提案を作成する
- 入力: テスト実行結果、カバレッジレポート
- 出力: カバレッジ分析結果、テスト改善提案
- 依存: なし
5. review-comment-generator
- 責任範囲: レビューコメントを生成し、優先度付けを行う
- 入力: 品質問題リスト、改善提案
- 出力: レビューコメント
- 依存: review-comment-guidelines
コンベンションスキル候補:
1. coding-conventions
- 責任範囲: コーディング規約（命名規則、フォーマット、ベストプラクティス）を定義
- カテゴリ: 命名規則、コードレイアウト、設計原則
- 良い例/悪い例: あり
2. review-comment-guidelines
- 責任範囲: レビューコメントのガイドライン（建設的、具体的、実行可能）を定義
- カテゴリ: コメントの書き方、優先度付け、フィードバックの伝え方
- 良い例/悪い例: あり
悪い例:
スキル: レビュー全部
分類結果を基に、推奨されるスキル構成をユーザーに提示する。
実施内容:
提示形式:
【推奨スキル構成】
ワークフロースキル (5個):
- pull-request-analyzer: プルリクエストの内容を分析し、レビュー対象を特定する
- static-analysis-checker: CI/CD静的解析結果を確認し、問題を抽出する
- code-quality-reviewer: コード品質をチェックし、改善提案を作成する
- test-coverage-analyzer: テストカバレッジを確認し、テスト改善提案を作成する
- review-comment-generator: レビューコメントを生成し、優先度付けを行う
コンベンションスキル (2個):
- coding-conventions: コーディング規約を定義
- review-comment-guidelines: レビューコメントのガイドラインを定義
【実行順序】
1. pull-request-analyzer (並列実行可能)
2. static-analysis-checker (並列実行可能)
3. code-quality-reviewer (coding-conventionsに依存)
4. test-coverage-analyzer (並列実行可能)
5. review-comment-generator (review-comment-guidelinesに依存)
【実装優先順位】
優先度1（必須）:
- coding-conventions
- pull-request-analyzer
- static-analysis-checker
- code-quality-reviewer
優先度2（推奨）:
- test-coverage-analyzer
- review-comment-guidelines
- review-comment-generator
【自動化効果見積もり】
現状: 1回あたり30分〜1時間（手作業）
自動化後: 1回あたり10分〜15分（自動+人間の最終判断）
削減効果: 約60%〜75%の時間削減
良い例:
推奨構成が明確で、各スキルの役割、実行順序、優先順位が説明されており、自動化効果も示されている。
悪い例:
スキルをいくつか作る
このスキルは以下を生成する:
検出例:
ステップ1: レビューする
ステップ2: 終わり
対処法:
検出例:
自動化可能性: たぶんできる
対処法:
検出例:
スキルが大きすぎる、または小さすぎる。
対処法: