mcpField
A
automatic-stateful-prompt-improver

automatic-stateful-prompt-improver

github.com/curiositechエージェントワークフロー257196 回インストール2 日前に更新
リポジトリ

automatic-stateful-prompt-improver について

回答前に対象となるユーザーのプロンプトを改善し、重要なタスクの後にフィードバックを記録するようエージェントに指示するスキルです。`mcp__prompt-learning`のツールを使って最適化と結果からの学習を行います。

主な機能

  1. 01対象タスクのプロンプト自動最適化
  2. 02分野の推定と反復回数の選択
  3. 03タスク後のフィードバック記録
  4. 04収束条件とアンチパターンの案内

活用シーン

  1. 01曖昧な技術依頼の改善
  2. 02再利用可能なプロンプトやテンプレートの改善
  3. 03複数段階のタスク後の結果記録

MCP 対応

プロンプト最適化には`mcp__prompt-learning__optimize_prompt`を、結果のフィードバック送信には`mcp__prompt-learning__record_feedback`を呼び出します。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/curiositech/some_claude_skills --skill automatic-stateful-prompt-improver

インストール後、Claude Code で/automatic-stateful-prompt-improverを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

CHANGELOG.md
SETUP.md
.claude-plugin/
plugin.json
references/
ape-opro-implementation.md
dspy-patterns.md
embedding-architecture.md
iteration-strategy.md
learning-architecture.md
mcp-server-spec.md
optimization-techniques.md

詳細

自動状態管理型プロンプト改善ツール

必須の自動動作

このスキルが有効な場合、以下のルールに必ず従います。

自動最適化のトリガー

以下に該当する場合、応答する前に mcp__prompt-learning__optimize_prompt を自動的に呼び出します。

  1. 複雑なタスク（複数の手順があり、推論が必要）
  2. 技術的な出力（コード、分析、構造化データ）
  3. 再利用可能なコンテンツ（システムプロンプト、テンプレート、指示）
  4. 明示的な依頼（「改善」「より良く」「最適化」）
  5. 要件が曖昧（詳細が不十分、複数の解釈が可能）
  6. 高い精度が不可欠（コード、法律、医療、金融）
自動最適化のプロセス
1. INTERCEPT the user's request
2. CALL: mcp__prompt-learning__optimize_prompt
   - prompt: [user's original request]
   - domain: [inferred domain]
   - max_iterations: [3-20 based on complexity]
3. RECEIVE: optimized prompt + improvement details
4. INFORM user briefly: "I've refined your request for [reason]"
5. PROCEED with the OPTIMIZED version
最適化しないケース
  • 簡単な質問（「X とは何ですか？」）
  • 直接的なコマンド（「npm install を実行」）
  • 会話的な応答（「こんにちは」「ありがとう」）
  • 推論を伴わないファイル操作
  • すでに最適化されたプロンプト

学習ループ（応答後）

重要なタスクを完了した後は、必ず以下を実行します。

1. ASSESS: Did the response achieve the goal?
2. CALL: mcp__prompt-learning__record_feedback
   - prompt_id: [from optimization response]
   - success: [true/false]
   - quality_score: [0.0-1.0]
3. This enables future retrievals to learn from outcomes

クイックリファレンス

反復回数の判断
要素低（3～5）中（5～10）高（10～20）
複雑さ単純複数の手順エージェント／パイプライン
曖昧さ明確一部あり詳細が不十分
分野既知中程度未知
重要度低中程度重大
収束（停止するタイミング）
  • 3 回の反復で改善率が 1% 未満
  • ユーザーが満足している
  • トークン予算を使い切った
  • 20 回の反復に到達した
  • 検証スコアが 0.95 を超えた
期待されるパフォーマンス
シナリオ改善率反復回数
単純なタスク10～20%3～5
複雑な推論20～40%10～15
エージェント／パイプライン30～50%15～20
履歴がある場合+10～15% のボーナス状況による

アンチパターン

過剰な最適化
どのような状態かなぜ問題なのか
プロンプトに制約を多数盛り込み、過度に複雑になる脆弱性、モデルの混乱、トークンの浪費を招きます
代わりに：オッカムの剃刀を適用します。十分な成果を得られる最もシンプルなプロンプトが最適です
テンプレートへの執着
どのような状態かなぜ問題なのか
タスクの理解よりもテンプレートに注力するテンプレートでは汎用化できません。汎用化できるのは理解です
代わりに：どのように形式を整えるかではなく、タスクに何が必要かに注力します
測定を伴わない反復
どのような状態かなぜ問題なのか
改善を記録せずに何度も書き直す指標がなければ、変更が役立っているか判断できません
代わりに：最適化の前に、必ず成功基準を定義します
モデルの能力を無視する
どのような状態かなぜ問題なのか
モデルが実行できることを、できないと決めつける過剰な足場づくりはトークンを浪費します
代わりに：詳細なプロンプトを作成する前に、能力をテストします

参考ファイル

詳細な実装については、以下を読み込んでください。

ファイル内容
references/optimization-techniques.mdAPE、OPRO、CoT、指示の書き換え、制約の設計
references/learning-architecture.mdウォームスタート、埋め込み検索、MCP のセットアップ、ドリフト検出
references/iteration-strategy.md判断マトリクス、複雑さのスコアリング、収束アルゴリズム

目標：確実に成果を達成できる、最もシンプルなプロンプトを作ることです。明瞭さ、具体性、測定可能な改善を重視して最適化します。

コメント

Markdown 対応