research-driven-planning

ユーザーが長い自然言語プロンプトに依存していると、繰り返し行う AI ワークフローは遅くなります。このスキルは、ルーティング、検証、チェーン化、ヘルプテキストを備えた簡潔なスラッシュコマンドを定義するのに役立ちます。

再利用可能なAIワークフローは、範囲が広くなりすぎてテストが難しくなりがちです。このスキルは、専門的なプロンプト、契約、検証計画を備えた焦点の明確なスキルの定義を支援します。

複雑なAI作業では、複数のスキル、モデル、品質チェックが必要になることがよくあります。このスキルは、ルーティング、サンドボックステスト、スウォーム連携、メモリを備えたカスケードの設計を支援します。

タスクに対して誤った Claude Code インターフェースを選ぶと、チームは時間を失います。このスキルは Web、CLI、またはハイブリッドな引き継ぎワークフローを推奨します。

チームには、RAG やナレッジベース向けに関連性の高いドキュメント検索が必要です。このスキルは、AgentDB のセットアップ、埋め込みの保存、インデックス作成、API 検索、関連性チューニングをガイドします。

手作業でのプレゼンテーション制作は、時間がかかり、一貫性を保ちにくい場合があります。このスキルは、Claude、Codex、またはClaude Codeが構造化されたPPTX生成と検証を進められるよう支援します。

AI の再現作業は、コマンドやエントリーポイントが不明確だと停滞しがちです。このスキルはリポジトリ内のエビデンスを調査し、保守的な再現計画を返します。

研究者は観察結果を明確で検証可能な説明へと変換する必要があります。このスキルは、エビデンスレビュー、競合する仮説、予測、実験計画を構造化します。

複雑なWeb調査は散漫になり、検証が難しくなることがあります。このスキルはサブトピックを計画し、検索を委任し、引用付きの調査結果を明確な回答に統合します。

研究チームには、結果を過大評価せずに候補アイデアを検証するための規律ある方法が必要です。このスキルは、ソース検索、アイデアの順位付け、範囲を限定した実行、監査可能な出力を体系化します。

大規模なAIコーディングプロジェクトは、アーキテクチャが明確になる前に実装を始めると失敗します。このスキルは、詳細なMarkdown計画、モデルレビュー、タスクの引き継ぎのための計画ワークフローを提供します。

プロジェクトチームは、仕様を明確な実装作業へ落とし込むのに苦労することがよくあります。このスキルは、仕様を依存関係と検証手順を含む段階的なタスクに変換します。