ai-dev-harness

技術選定で1つの候補(ライブラリ/フレームワーク/サービス等)を独立コンテキストで調査するワーカー。tech-selection-research スキルから候補ごとに委譲して使う。指定された評価軸で調べ、公式ドキュメントなど信頼できる一次情報の原文を引用しながら裏取りし、本線には render.py 用のJSON断片(主張+原文引用+バッジ)と要約だけを返す。生成後レポートへの「なぜ/もっと調べて」という深掘り依頼にも、対象の論点だけを再調査して応える。本線のコンテキストを汚さないためのエージェント。

生成済み技術レポートの軽い文章修正を行う低コストのワーカー。文言・誤字・トーン・簡潔化・語順・ラベル表記など、意味や事実を変えないテキスト修正だけを担当する。report-revision スキルから、軽微な修正に振り分けられて呼ばれる。事実・原文引用・数値・構造・図解には触れない。

生成済み技術レポートの重い修正を行うワーカー。図解の改善・配色/スタイル/レイアウト変更・セクションの追加削除や再構成・表構造の変更など、判断や設計を要する修正を担当する。report-revision スキルから、重い修正に振り分けられて呼ばれる。事実と原文引用は保持し、新たな事実調査が必要な場合は深掘りに差し戻す。

生成済みの技術調査レポート(research-writeup が出力したHTML/データ)に対する修正依頼を、内容に応じて適切なエージェントに振り分けるスキル。文言の直し・誤字・トーン・簡潔化など軽い修正は安いモデルの report-copyeditor に、図解の改善・レイアウト/スタイル変更・セクション再構成など重い修正は少し性能の高い report-reviser に委譲する。「レポートを修正したい」「この文言を直して」「図解を改善して」「ここを書き換えて」「レイアウトを変えて」「表現を簡潔に」といった依頼で使う。新たな事実の調査が必要な修正は revision ではなく candidate-researcher の深掘りに回す。Claude Code 環境での利用を前提とする。

技術調査の結果を、原文引用つきの自己完結型HTMLレポートにまとめるスキル。同梱の生成器 assets/render.py にJSONを渡すと、事実/解釈を視覚分離した比較表・根拠(原文引用)・ADRを含むHTMLを出力する。解説文で出典を引用したら、そのすぐ後に「原文+日本語訳(非日本語のみ)+リンク」を置き、末尾に出典を一括しない。要約は自分の言葉で簡潔に書き、引用する原文は最小限の範囲にとどめる。技術選定・障害調査・実装調査の結果を「HTMLでまとめて」「図解して」「比較表にして」「ADRを書いて」と言われたとき、また調査内容を判断可能な形で残す必要があるときは必ずこのスキルを使うこと。成果物は調査ごとに新しいHTMLファイルとして出力する。Claude Code 環境での利用を前提とする。

技術調査で集めた情報の信頼性を評価し、一次情報で裏取りするためのスキル。情報源を信頼性の階層で格付けし、日付とバージョンを確認し、重要な主張が一次情報に基づくかを検証する。技術選定・障害調査・実装調査など、外部情報(公式ドキュメント・ブログ・Q&A・AI回答など)を根拠に判断する場面全般で使う。「この情報は正しい?」「裏取りして」「出典は?」「本当にそう?」「エビデンスは」といった語が出たとき、また Web検索で得た情報をそのまま結論の根拠にしようとするときは必ずこのスキルを使い、推測や古い情報を事実として扱わないようにすること。

エンジニアの技術選定・比較調査を、要件の言語化から根拠ある推奨まで導くスキル。Claude Code 環境での利用を前提とし、各候補の調査をサブエージェント(candidate-researcher)に委譲して本線のコンテキストを汚さず進め、公式ドキュメント等の原文引用つき図解HTMLレポートにまとめる。生成後の「なぜ/もっと調べて」は該当候補の深掘りに、「修正したい」は report-revision に振り分ける。ライブラリ・フレームワーク・クラウドサービス・DB・認証方式・アーキテクチャパターンなどの選定に使う。「技術選定」「ライブラリ比較」「どれを採用すべき」「AとBどっちがいい」「〜の選び方」といった語が出たとき、また明示的に「比較して」と言われなくても複数の技術的選択肢から1つを選ぶ判断が絡む相談では必ずこのスキルを使うこと。