autoskill

autoskill スキルの概要

autoskill ができること

autoskill は、Screenpipe を使って最近の画面アクティビティを解析し、繰り返し発生しているリサーチ作業を検出して、それらのパターンを新しいスキルや composition recipe に変換します。autoskill スキルは一般的なメモ取りではなく、Skill Authoring 向けです。自分の行動から再利用可能なワークフローを見つけ、それをインストール可能なスキルとして残したい人に向いています。

どんな人に向いているか

すでにローカルで Screenpipe を使っていて、実際に何をどのくらい頻繁にやっているのかを把握し、それがスキル化に値するか知りたいなら autoskill が適しています。特に、パワーユーザー、研究者、そして記憶頼りのブレストではなく、実際の行動に基づいたスキル案が欲しいスキルメンテナーに有用です。

何が違うのか

一般的なプロンプトと違い、autoskill は screenpipe のライブなローカルテレメトリに依存しており、そのデーモンが使えない場合は実行を拒否します。つまり、autoskill の導入判断はシンプルです。実利用データからワークフローを掘り出したいなら適していますが、単体で動くライティングアシスタントが欲しいなら向いていません。主な価値は、パターン検出とスキルのマッチングにあり、モデルに渡すのはマスキング済みの要約だけです。

autoskill スキルの使い方

インストールと実行前提

autoskill のインストールは次のコマンドで行います:
npx skills add K-Dense-AI/claude-scientific-skills --skill autoskill

autoskill を使う前に、screenpipe がローカルの port 3030 で起動していること、そして利用する LLM バックエンドが設定済みであることを確認してください。このスキルは http://localhost:3030 への認証済みアクセスと、http://localhost:1234/v1、https://api.anthropic.com、または BYOK Foundry gateway のような LLM エンドポイントを前提にしています。

まずは適切な入力から始める

autoskill のガイドプロンプトは、どの期間・どのワークフロー・どの成果物を分析したいのかを具体的に示すのが最善です。たとえば「過去7日間の画面アクティビティを分析して、新しい scientific-agent-skills になりうる繰り返しのリサーチワークフローを見つけてください」は強い入力です。一方で「スキルをいくつか提案して」は曖昧すぎて、浅い一致に終わりやすくなります。

分析のベストワークフロー

まず SKILL.md を読み、その後 README.md、AGENTS.md、metadata.json、そして存在するなら rules/、resources/、references/、scripts/ フォルダを確認してください。このリポジトリでは SKILL.md が主たる正本です。そのため、autoskill の実用的な進め方は、前提条件を確認し、短い分析リクエストを実行し、提案されたスキルや composition recipe が自分の用途に合うかを見てから採用する、という流れになります。

より良い出力のために伝えるべきこと

autoskill が推測できない意思決定の前提を与えてください。つまり、対象ドメイン、使っているツール、確認したい時間範囲、新しいスキルが欲しいのか既存スキルの連結が欲しいのか、です。単一プロジェクトのパターンだけを見たいなら、その点を明確に伝えてください。より広く行動を掘り起こしたいなら、それもはっきり書くべきです。境界条件が具体的であるほど、スキルのマッチング精度は上がり、ありきたりな提案に寄りにくくなります。

autoskill スキルの FAQ

autoskill を使うのに Screenpipe は必要ですか？

はい。autoskill には代替データソースがなく、ローカルの screenpipe デーモンに依存します。Screenpipe に接続できない場合、このスキルは推測せずに停止すべきです。

autoskill は初心者にも向いていますか？

ツールのインストールとワークフロー目標の説明ができる初心者なら使えますが、どのような再利用可能な行動を抽出したいかがすでに分かっている場合に最も価値があります。まだプロンプトの基礎を試している段階なら、autoskill の導入より、もっとシンプルなプロンプトのほうが扱いやすいかもしれません。

通常のプロンプトと何が違いますか？

通常のプロンプトは、LLM にテキストだけからアイデアを発想させます。autoskill はワークフロー発見のためのツールです。実際の画面アクティビティを調べ、繰り返し行われる操作をクラスタリングし、それを既存のスキルパターンに照らし合わせたうえで、新しい案を下書きします。

どんなときに autoskill を使うべきではありませんか？

Screenpipe を使わない完全オフライン動作を求めている場合、ローカルのアクティビティ要約をモデルに接続することに抵抗がある場合、または反復的なワークフロー分析ではなく1回だけの回答が欲しい場合は、autoskill は使わないでください。

autoskill スキルの改善方法

より狭く、測定可能な目標を与える

autoskill の結果を最も早く改善する方法は、探索範囲を絞ることです。文献レビュー、ソースの仕分け、引用の整備、下書き作成のように、一度に1カテゴリだけを依頼してください。要求が広すぎると、曖昧なパターンが出やすく、実際に使えるスキルへ落とし込みにくくなります。

最初の出力はフィルタとして扱う

最初の autoskill 実行結果は、最終的な正解ではなく候補生成として扱ってください。提案されたスキルが本当に繰り返されているか、時間短縮になるか、自分の環境に合うかを確認します。合わない場合は、確認期間を短くする、別プロジェクトに変える、あるいは「繰り返し」の定義をより厳しくして再実行してください。

よくある失敗パターンに注意する

主な失敗パターンは過度な一般化です。いくつかの無関係な操作が、偽の「ワークフロー」としてまとめられてしまいます。もう1つは、期待する出力を十分に指定しないことです。その結果、インストールしにくい、再利用しにくいスキル案が返ってきます。そうなったら、何を成功とみなすか、何を除外すべきかの例を追加してください。

データだけでなく、プロンプトも改善する

Skill Authoring における autoskill では、結果のスキルをどうまとめたいかを伝える追加入力が特に有効です。単体スキルとして欲しいのか、composition recipe として欲しいのか、それとも既存の scientific-agent-skills を連結するスキルにしたいのかを明示してください。その一言で、出力の形は「より良い提案をして」と頼むよりずっと大きく変わります。