Ai Agents

iterative-retrieval は、エージェント型の作業でコンテキスト取得を段階的に洗練していくためのワークフローパターンです。サブエージェントがコンテキストを取りすぎたり、逆に足りなさすぎたりするのを防ぎ、iterative-retrieval の導入判断や、Workflow Automation における iterative-retrieval の活用に役立ちます。

continuous-agent-loop は、品質ゲート、評価、復旧手順、明確な停止ルールを備えた再現可能な自律ループをエージェントが実行し、タスクを信頼性高く完了できるよう支援します。

autonomous-loops は、単純な順次パイプラインから、品質ゲートと引き継ぎを備えたマルチエージェント DAG オーケストレーションまで、Claude Code の自律ワークフローを設計するためのスキルです。

autonomous-agent-harness は、Claude Code をメモリ、定期実行、タスク配信、computer use を備えた持続的で自己指向のエージェントシステムに変えます。一度きりのプロンプトでは足りない、エージェントのオーケストレーション、定期チェック、長期稼働のワークフローに適しています。

agentic-engineeringスキルを使って、eval-firstの実行、タスク分解、モデルルーティング、回帰チェック付きのより安全なワークフロー自動化を学べます。

agent-introspection-debugging スキルは、AI エージェントの失敗に対して構造化された自己デバッグのワークフローを提供します。失敗状態を記録し、原因候補を特定し、範囲を限定した回復ステップを適用し、人間が読める introspection レポートを出力します。ループしやすい実行、再試行が多い処理、挙動がずれやすい処理に向いており、通常の検証用途には適していません。

agent-harness-construction は、エージェントのハーネス設計を改善するための実践的なスキルです。ツールのスキーマ、観測フォーマット、エラー復旧、コンテキスト予算管理まで含め、完了率を高めるための設計を支援します。

subagent-driven-development は、実装計画をタスク単位で進めるためのスキルです。各タスクごとに新しい subagent を割り当て、結果はまず仕様適合、その後にコード品質の順で2段階レビューします。implementer、spec reviewer、code quality reviewer 向けのプロンプトテンプレートも含まれています。

dispatching-parallel-agents は、完全に独立したタスクを別々のエージェントへ分割し、コンテキストを分離したまま結果を協調的にまとめるための Agent Orchestration スキルです。

evaluation-methodologyは、Model EvaluationにおけるPluginEvalの採点方法を解説するスキルです。評価レイヤー、ルーブリック、合成スコア、バッジ閾値に加え、結果の読み解き方や弱い評価軸の改善に役立つ実践的な指針を確認できます。

prompt-engineering-patterns は、本番運用を見据えたプロンプト設計に役立つ実践的なスキルです。導入時の前提整理、再利用しやすいテンプレート、few-shot examples、structured outputs、さらに Context Engineering のためのプロンプト最適化ワークフローまで幅広くカバーします。

langchain-architecture は、LangChain 1.x と LangGraph アプリケーションを設計するためのガイドです。実装に入る前に、chains、agents、retrieval、memory、stateful orchestration のどのパターンを採用するか整理・判断するのに役立ちます。

team-composition-patterns は、Claude Code Agent Teams のマルチエージェントチーム設計に向けた判断スキルです。チーム規模の目安、subagent_type の選び方、表示モードの指針を提供します。この team-composition-patterns ガイドを使って、レビュー/デバッグ向けのプリセットチーム適用、役割の選定、タスク間でのチーム設定の標準化が行えます。

parallel-feature-developmentは、1つの機能を担当範囲が明確なグループに分け、共有インターフェースを早い段階で定義し、マルチエージェントのGitワークフローでより安全なマージ方針を選ぶためのスキルです。ファイルの担当分担、依存関係を踏まえた統合計画、競合を抑えた並行実装の設計に役立ちます。

task-coordination-strategies は、複雑な作業の分解、依存関係の整理、受け入れ条件の定義、並行して進むエージェントや担当者のワークフロー調整を支援し、担当範囲を明確にしながらマージ競合を減らしやすくします。

team-communication-protocols は、agent チーム向けのメッセージ運用ルールを定義するスキルです。direct と broadcast の使い分け、plan approval、shutdown 手順、再利用しやすいテンプレートを通じて、連携の取れた Agent Orchestration を支援します。

agentic-eval は、reflection、rubric ベースの批評、evaluator-optimizer パターンを使って、AI 出力の評価ループをどう構築するかを示す GitHub Copilot スキルです。

agent-governanceは、ツールを使うAIエージェントやマルチエージェントシステム向けに、ガードレール、ポリシーチェック、信頼ルール、ツール制限、監査ログを設計するためのドキュメント主導型スキルです。

context-engineeringは、プロジェクトの文脈を整理し、エージェントが規約に沿って動き、ハルシネーションを抑え、作業の焦点を保てるようにするためのスキルです。セッション開始時、タスク切り替え時、またはコードベース向けのcontext-engineeringガイドを整備したいときに役立ちます。

puaスキルでできること、使い方の流れ、導入前に確認すべきポイントをまとめたガイドです。Workflow Automation向けに、起動トリガー、ワークフローの振り分け、参照ファイル、エスカレーション経路、設定上の制約をわかりやすく整理しています。

p9は、Agent Orchestration向けのテックリード型スキルです。タスク用プロンプトを作成し、P8エージェントを調整し、直接コーディングは行いません。プロジェクト目標を、役割・制約・依存関係・受け入れ条件を備えた、実行しやすいスコープ済みプロンプトへ分解したいときに役立ちます。

ai-shaped-readiness-advisor は、組織が AI-first か AI-shaped かを見極め、成熟度のギャップを特定し、より良い意思決定のために次に伸ばすべき能力を選ぶのを支援します。

agent-framework-azure-ai-py は、Microsoft Agent Framework Python SDK を使って永続的な Azure AI Foundry エージェントを構築するためのスキルです。agent-framework-azure-ai-py のインストールと使い方、AzureAIAgentsProvider の設定、スレッド対応の会話、ホスト済みツール、MCP 統合、ストリーミング実行、エージェントオーケストレーション向けの構造化出力を扱います。

do-in-steps は、作業を順序立てたサブタスクに分解し、サブエージェントをオーケストレーションしながら、次に進む前に各ステップを検証することで、エージェントの複雑なタスク処理を支援します。リポジトリ変更、複数段階のリファクタリング、移行作業などに適しており、制御された引き継ぎとサイレント失敗の削減が必要な Agent Orchestration における do-in-steps として特に有効です。