autoresearch

オートリサーチスキル

コンバージョンを重視するあらゆるコンテンツに対応する、Karpathy スタイルの最適化ループです。トラフィックは不要です。専門家パネルをシミュレーションします。数週間ではなく、数分で完了します。

使用するタイミング： ローンチ前のコンテンツ最適化。50 種類以上のバリエーションを生成し、5 人の専門家をシミュレーションして評価し、優れた案を進化させ、最良のバージョンと完全な実験ログを出力します。

使用しないタイミング： ローンチ後の実トラフィックによる A/B テスト。これにはシミュレーション評価ではなく、実際のアナリティクスが必要です。

手順： まずオートリサーチを実行し、シミュレーションスコアが 85 以上になるまで最適化します。次にデプロイします。その後、実トラフィックで検証します。

---

出力されるもの

実行するたびに、次の 3 つのファイルが出力されます。

ファイル	目的
{name}-optimized.{ext}	最適化で選ばれたコンテンツ
data/{name}-experiments.json	完全な実験ログ — すべてのバリエーションとスコア
data/{name}-optimization-report.md	選定理由を含む、人が読める形式の概要

---

専門家パネル（5 人のペルソナ）

すべてのバリエーションを 5 人全員で評価します。各ラウンドの全バリエーションを1 回の API 呼び出しにまとめてください。

#	ペルソナ	評価の観点
1	中堅 B2B 企業（売上 5,000 万以上）の CMO	「これは私の足を止め、関心を引くだろうか？」
2	懐疑的な創業者	「これは信じられるだろうか？この会社を信頼できるだろうか？」
3	コンバージョン率最適化担当者	「明確で、具体的で、行動を促す内容だろうか？」
4	シニアコピーライター	「魅力的で、差別化されており、よく練られているだろうか？」
5	あなたの CEO／創業者	「率直で、ROI 重視で、忖度なし。これを自社サイトに掲載するだろうか？」

カスタマイズ： ペルソナ #5 を自社の CEO／創業者の声に置き換えてください。references/founder-voice.md ファイルで、その人の優先事項とコミュニケーションスタイルを定義します。

各評価者が 0～100 点で採点します。最終スコア = 5 人全員の平均点です。

---

ラウンド構成（コンテンツ要素ごと）

Round 1:
  → Generate 10 variants of the element
  → Batch-score all 10 with the 5-expert panel (1 API call)
  → Rank by average score
  → Keep top 3

Round 2 (Evolution):
  → Analyze what the top 3 did right
  → Generate 10 new variants that push those winning patterns further
  → Batch-score all 10 (1 API call)
  → Keep top 3

Round 3 (If score < threshold):
  → Identify weakest scoring dimension
  → Generate 10 variants optimized for that dimension
  → Batch-score → keep top 1

Multi-element cross-breeding:
  → Take top 1 winner from each element
  → Generate 5 combinations that mix winning elements
  → Score holistically as complete units
  → Output the single best combination

停止条件： 最上位のバリエーションが最低スコアのしきい値（デフォルト：80）に達する、または 3 ラウンドが完了する。

---

コンテンツの種類とスコアの評価軸

ランディングページ

最適化する要素： ヒーロー見出し、サブ見出し、CTA テキスト、課題セクション、ソーシャルプルーフ

スコアの評価軸：

• first_impression — すぐに注意を引くか？
• clarity — 提案内容を瞬時に理解できるか？
• trust — 信頼できる印象があるか？
• urgency — 今すぐ行動する理由があるか？
• would_convert — 評価者は実際にクリックするか？

メールシーケンス

最適化する要素： 件名、書き出し、本文、CTA、追伸

スコアの評価軸：

• would_open — 件名による開封率
• would_read — 書き出しが興味を引くか？
• would_click — CTA に魅力があるか？
• would_reply — 返信したくなるほど、個人的な内容か？
• spam_risk — スパムのように感じられるか？（低いほど良い。最終スコアでは反転させます）

広告コピー

最適化する要素： 見出し、説明文、CTA

スコアの評価軸：

• scroll_stopping — スクロールを止める力があるか？
• clarity — 価値提案を 3 秒で理解できるか？
• click_worthiness — 評価者はクリックしたいと思うか？
• relevance — 想定されるオーディエンスの意図に合っているか？
• differentiation — 競合他社と差別化できているか？

フォームページ

最適化する要素： 見出し、補足テキスト、価値提案の箇条書き、ボタンテキスト、フィールドの順序、送信完了後の文面

スコアの評価軸：

• first_impression — 入力する価値があると感じられるか？
• trust — 自分の情報が安全に扱われ、オファーが実在すると信じられるか？
• completion_likelihood — 評価者は入力を始めるか？
• lead_quality — 冷やかしではなく、真剣に検討している見込み客を引きつけられるか？
• would_fill_out — 最後に直感で確認：実際に送信するか？

---

ステップごとの実行プロトコル

ステップ 1：内容の確認と解析

ソースコンテンツを読みます。コンテンツの種類を自動的に特定するか、ユーザーに確認します。

• HTML ファイル → ランディングページまたはフォームページ
• Markdown／プレーンテキスト → メールまたは広告コピー
• 判別できない場合は、次のように尋ねます：「これはランディングページ、メールシーケンス、広告コピー、フォームページのどれですか？」

最適化可能な要素をすべて抽出します。要素の一覧をユーザーに提示します。

Found 5 elements to optimize:
1. Hero headline: "We help B2B companies grow"
2. Subheadline: "Full-service digital marketing..."
3. CTA: "Get Started"
4. Problem statement: [excerpt]
5. Social proof: [excerpt]

Optimizing: all | Variants per round: 10 | Min score: 80

ステップ 2：API キーを取得する

Anthropic API キーを確認します：$ANTHROPIC_API_KEY 環境変数を確認してください。

export ANTHROPIC_API_KEY="your-api-key-here"

ステップ 3：最適化ラウンドを実行する

各要素について、上記のラウンド構成を実行します。

重要な API 効率化ルール： すべてのバリエーションを必ず 1 つのプロンプトにまとめてください。バリエーションごとに API を呼び出してはいけません。バリエーションが 10 個あるラウンドでも、API 呼び出しは 1 回です。

モデルの優先順位（上から順）：

1. claude-sonnet-4-5（推奨 — 高速で高性能）
2. claude-opus-4（最高品質が必要な場合）
3. 上記が利用できない場合は、claude-3.5 以降の任意のモデル

ステップ 4：掛け合わせる（複数要素）

すべての要素で最適な案が決まったら：

1. 各要素の最適な案を組み合わせて、完全なユニットを作成します
2. 選ばれた要素を自然に組み合わせた、全体的なバリエーションを 5 つ生成します
3. 個々のパーツだけでなく、完全なユニットを評価します
4. 全体スコアが最も高い案を選びます

ステップ 5：出力ファイルを書き込む

# Create output directory
mkdir -p data

# Write optimized content
# Write experiments JSON
# Write optimization report

実験 JSON の構造：

{
  "run_id": "autoresearch-{name}-{timestamp}",
  "content_type": "landing_page",
  "source_file": "path/to/original",
  "min_score_threshold": 80,
  "rounds": [
    {
      "round": 1,
      "element": "hero_headline",
      "variants": [
        {
          "id": 1,
          "text": "...",
          "scores": {
            "cmo": 72,
            "skeptical_founder": 68,
            "cro": 75,
            "copywriter": 70,
            "founder": 65
          },
          "avg_score": 70
        }
      ],
      "top_3": [1, 4, 7],
      "winner_score": 82
    }
  ],
  "final_winner": {
    "hero_headline": "...",
    "subheadline": "...",
    "cta": "...",
    "holistic_score": 87
  }
}

ステップ 6：結果を報告する

結果をユーザーに要約します：

• 最終的な最優秀案のスコア
• 最大のスコア上昇（最も改善した要素）
• 次点の代替案を上位 2 つ（最優秀案がしっくりこない場合に備えて）
• 3 つの出力ファイルすべてのパス
• 次に行うべきこと

---

ユーザーオプション

オプション	デフォルト	説明
elements	すべて	最適化する要素
variants_per_round	10	ラウンドごとに生成するバリエーションの数
min_score	80	このスコアに達したら停止
rounds	3	停止するまでの最大ラウンド数
auto_apply	false	最適な案でソースファイルを上書きするかどうか
content_type	自動検出	自動検出が誤っている場合に、コンテンツの種類を指定

---

品質ゲート

• < 70： リリースしないでください。根本的な問題があります。
• 70-79： 基準ぎりぎりです。最もスコアの低い評価軸を対象に、もう 1 ラウンド実施します。
• 80-84： 良好です。リリース可能です。実際のトラフィックで検証してください。
• 85-89： 優れています。自信を持ってリリースしてください。
• 90 以上： 非常にまれです。すぐにリリースしてください。

---

避けるべきアンチパターン

• バリエーションごとに API を呼び出してはいけません。 必ずまとめてください。バリエーションが 10 個あるラウンドでも、API 呼び出しは 1 回です。
• 1 つの評価軸だけを過度に最適化しないでください。 明瞭さが 95 でも信頼性が 45 なら、総合スコアは誤解を招きます。
• 5 ラウンドを超えて実行しないでください。 3 ラウンド後も 80 に達しない場合、問題は戦術（言葉選び）ではなく戦略（ポジショニングの誤り）にあります。
• 各要素の最適な案が決まるまで、掛け合わせないでください。 早すぎる掛け合わせは、まとまりのない組み合わせを生みます。