mcpField
C
compression-and-iteration

compression-and-iteration

github.com/arthurzakirovマーケティング・グロース0164 回インストール4 週間前に更新
リポジトリ

compression-and-iteration について

文字数制限を超える、または冗長な文章を短くするライティングスキルです。削る優先順位と反復手順を示し、根拠や仕組み、読み手への利点を保ちます。

主な機能

  1. 01文字数と削減量を確認
  2. 02文章の中心的な主張を維持
  3. 03情報価値の低い部分から削除
  4. 04事実のニュアンスを保って改稿

活用シーン

  1. 01LinkedInプロフィールを文字数制限内に短縮
  2. 02履歴書の項目やSNS投稿を圧縮
  3. 03制約を保ちながら画像プロンプトを短縮

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/arthurzakirov/proofstack --skill compression-and-iteration

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

詳細

圧縮と反復のスキル

こんなときに使う

文章が文字数制限を超えている、または情報が詰め込まれすぎていると感じるときに、このスキルを使います。

よくある制限:

  • LinkedIn の見出し
  • LinkedIn の「概要」セクション
  • LinkedIn の職務経歴の説明
  • GitHub の自己紹介
  • 履歴書を1ページに収める制約
  • ソーシャルメディアへの投稿
  • 画像プロンプトの文字数制限

基本原則

圧縮しても、読む価値のある理由は残します。

次の要素を維持します。

  1. フック
  2. 裏付け
  3. 意外性のある対比
  4. 仕組み
  5. 読者が得られるメリット
  6. CTA

まず、それ以外をすべて削ります。

ステップ 1 — 数えて分類する

次の項目を特定します。

  • 現在の文字数
  • 目標文字数
  • 必要な削減量
  • 最も訴求力の高い文
  • 訴求力の低い箇所/重複している箇所

ステップ 2 — 骨格を守る

自己紹介/プロフィールでは、次を維持します。

proof → unusual starting point → curiosity question → mechanism → reader benefit → CTA

履歴書の箇条書きでは、次を維持します。

metric → outcome → mechanism → scope

ビジュアルプロンプトでは、次を維持します。

layout → emotional contrast → mechanism → aspect ratio → text constraints

ステップ 3 — 適切な順序で削る

次の順序で削ります。

  1. つなぎの表現
  2. 重複する単語
  3. 不要な形容詞
  4. 長い前置きの説明
  5. 重複する例
  6. 出発点の過度に詳しい説明
  7. 長い技術スタック一覧にある優先度の低いツール
  8. 測定可能性の低い主張
  9. 任意の CTA 修飾語

次の要素から先に削ってはいけません。

  • 数値
  • 期間
  • 変更前/変更後の指標
  • 仕組みを端的に表す強い表現
  • 読者が得られるメリットを示す一文
  • 採用されたことを示す裏付け

よく使う圧縮表現

"in order to" → "to"
"the reason why" → "why"
"was able to" → "could" or direct verb
"helped to secure" → "helped secure"
"a very high amount of" → "high"
"the people closest to the work" → "operators/users"
"with the goal of" → "to"
"made it possible for" → "enabled"
"used operational data to see the bigger picture" → "used operational data"

出発点とのギャップを圧縮する

悪い例:

Before this role, most of my coding experience came from many different internships where I mainly wrote Jupyter notebooks and scripts, and I had little experience with Java, AWS, Databricks, Spark, CI/CD, production testing, and large legacy services.

良い例:

Before this, my coding was mostly ML notebooks and scripts. I had to ramp up on production engineering, cloud, CI/CD, testing, and legacy services almost from scratch.

仕組みを圧縮する

冗長な表現:

I use active listening, operational data, and direct manual exposure to uncover the real bottleneck, risk, deadline, or hidden constraint.

短い表現:

Use active listening, data, and hands-on exposure to uncover the real bottleneck, risk, or constraint.

圧縮後の出力形式

次の形式で返します。

## Current estimate
- Characters: [count]
- Limit: [limit]
- Need to cut: [number]

## Revised version
[text]

## What I cut
- [cut]
- [cut]

## What I protected
- [protected]
- [protected]

反復のルール

フィードバックに基づいて修正する場合:

  • 表面的な言い回しだけでなく、ユーザーの根本的な概念上の修正を維持します。
  • ユーザーが表現を退けた場合は、その背後にある原則を推測します。
  • 以前に退けられた主張を再び持ち出しません。
  • 事実の修正と文体の好みを区別します。
  • 維持する表現を簡潔なリストにまとめます。

品質基準

次の条件を満たせば、圧縮は成功です。

  • 文字数制限に収まっている
  • フックの効果が保たれている
  • 裏付けが具体的に残っている
  • 仕組みが他と区別できる
  • 読者が得られるメリットが明確である
  • 事実に関するニュアンスが逆転していない

コメント