expert-panel

前文（スキル開始時に実行）

# Version check (silent if up to date)
python3 telemetry/version_check.py 2>/dev/null || true

# Telemetry opt-in (first run only, then remembers your choice)
python3 telemetry/telemetry_init.py 2>/dev/null || true

プライバシー： このスキルは使用状況をローカルの ~/.ai-marketing-skills/analytics/ に記録します。リモートテレメトリーはオプトインの場合のみ有効です。コード、ファイルパス、リポジトリの内容が収集されることはありません。詳しくは telemetry/README.md をご覧ください。

---

エキスパートパネル

汎用のスコアリングと反復改善エンジンです。評価対象に合わせて適切なエキスパートを自動で編成し、スコアを付け、90点以上になるまで改善を繰り返します。

---

ステップ 1：受付 — 評価対象を把握する

次の情報を収集するか、コンテキストから推測します。

1. コンテンツ／成果物 — スコアを付ける対象（貼り付けた内容、ファイルパス、または URL）
2. コンテンツの種類 — コピー、シーケンス、ランディングページ、戦略、タイトル、グラフ、候補者評価など
3. オファーのコンテキスト — 何を販売／宣伝していますか？対象は誰ですか？どの分野／業界ですか？
4. バリエーション — 比較する複数のバージョン（A/B/C）はありますか？
5. ソーススキル — この出力は別のスキルによるものですか？（例：cold-outbound-optimizer） はいの場合は、ステップ 6 でのフィードバック送信先としてソースを記録します。

会話からコンテキストが明らかな場合は質問せず、そのまま進めてください。

---

ステップ 2：エキスパートパネルを自動編成する

コンテンツの種類と分野に合わせて、7～10 人のエキスパートでパネルを編成します。

編成ルール

1. まず、コンテンツの種類に対応するエキスパートを選びます。 experts/ ディレクトリを確認し、コンテンツの種類に一致する既成パネルを探します。完全に一致するもの（例：LinkedIn の投稿に対する experts/linkedin.md）があれば、それをベースとして使用します。

2. 分野／オファーのエキスパートを追加します。 オファーのコンテキストに基づき、特定の業界や分野に詳しいエキスパートを 1～3 人追加します。例：

   • ベーカリーのマーケティングを評価する場合 → Food & Beverage Marketing Expert を追加
   • SaaS のランディングページを評価する場合 → SaaS Conversion Expert を追加
   • 採用活動のアウトリーチを評価する場合 → Agency Recruiter + Talent Market Expert を追加
   • 医療機器のコピーを評価する場合 → Healthcare Compliance Expert を追加

3. 次の 2 人は必ず含めます。

   • AI Writing Detector — experts/humanizer.md を参照してください。重み：1.5 倍。必須です。
   • Brand Voice Match — 設定されたブランドボイスとの整合性と、（存在する場合は）references/patterns.md に記載された既知の却下パターンを確認します。

4. 学習済みのパターンを確認します。 references/patterns.md が存在する場合は読み込みます。コンテンツの種類に該当するパターンがあれば、パネルに概要を伝えます。既知の問題パターンには減点します。

5. エキスパートは最大 10 人です。 10 人を超える場合は、役割が重複するエキスパートを統合します。

パネルの出力形式

各エキスパートについて、名前、視点／重点、確認項目を列挙します。

---

ステップ 3：スコアリング基準を選択する

scoring-rubrics/ から適切な基準を選択します。

コンテンツの種類	基準ファイル
ブログ、ソーシャル、メール、ニュースレター、スクリプト	scoring-rubrics/content-quality.md
戦略、推奨事項、分析	scoring-rubrics/strategic-quality.md
ランディングページ、広告、CTA	scoring-rubrics/conversion-quality.md
グラフ、データビジュアライゼーション、インフォグラフィック	scoring-rubrics/visual-quality.md
候補者評価	scoring-rubrics/evaluation-quality.md
その他	最も近い 2 つの基準をもとに基準を作成します

選択した基準ファイルを読み、詳細な評価項目と配点を確認します。

---

ステップ 4：スコアリング — 90 点以上になるまで再帰的に繰り返す

目標：全エキスパートで 90/100。必須です。最大 3 ラウンド。

各ラウンドで出力する内容：

## Round [N] — Score: [AVG]/100

| Expert | Score | Key Feedback |
|--------|-------|--------------|
| [Name] | [0-100] | [One-line rationale] |
| ... | ... | ... |

**Aggregate:** [weighted average — humanizer at 1.5x]
**Top 3 weaknesses:** [ranked]
**Changes made:** [specific edits addressing each weakness]

続いて、改訂したコンテンツ／成果物を出力します。

ルール

• スコアは一切忖度せず、率直に付けます。90 点に届かせるための水増しは禁止です。
• 集計時には Humanizer のスコアに 1.5 倍の重みを適用します。
• 集計スコアが 90 未満の場合：主な弱点を 3 つ特定 → 改訂 → 次のラウンドへ進みます。
• 集計スコアが 90 以上の場合：最終版として確定し、出力に進みます。
• 3 ラウンド後も 90 未満の場合：最良版を率直なスコアと、改善を妨げている要因の説明を添えて返します。
• 出力にはすべてのラウンドを示します。反復の履歴も価値の一部です。

バリエーション比較モード

複数のバリエーション（A/B/C）を評価する場合：

• 各バリエーションをパネル全員で個別に評価します。
• 評価後、集計スコアの順にバリエーションを順位付けします。
• 最上位のバリエーションが 90 未満の場合は、最良のものだけを反復改善します（すべてを反復改善する必要はありません）。

---

ステップ 5：出力形式

勝者 + スコア（常に先頭）

## 🏆 Result: [SCORE]/100 — [PASS ✅ | NEEDS WORK ⚠️]

[Final content/artifact here]

**Iterations:** [N] rounds
**Panel:** [Expert names, comma-separated]

バリエーションがある場合：勝者を先に表示し、その後に次点のスコアを表示します。

## 🏆 Winner: Variant [X] — [SCORE]/100

[Winning content]

### Runner-up scores
- Variant A: 87/100
- Variant B: 82/100
- Variant C: 91/100 ← Winner

フィードバック履歴（結果の下）

スコアリングの各ラウンドをすべて表示します。

---
<details>
<summary>📊 Scoring History (N rounds)</summary>

[All round tables from Step 4]

</details>

---

ステップ 6：フィードバックからソースへ（別のスキルの出力を採点する場合）

採点対象のコンテンツが別のスキルによって生成された場合は、ソース改善ブリーフを作成します。

## 🔁 Feedback for [Source Skill]

### What scored low
- [Pattern]: [Specific example from this content]

### Suggested skill improvements
- [Concrete change to the source skill's process/rubric/prompt]

### Patterns to add to source skill
- [Any recurring weakness that should become a rule]

このブリーフは、ソーススキルの SKILL.md や評価基準の更新に使用できます。

---

ステップ 7：メモリー — 承認と拒否から学習する

ユーザーがパネルの出力を承認または拒否した後：

承認時（スコア ≥ 90、ユーザーが承認）

効果があった点を記録します。新しい肯定的なパターンが生まれない限り、対応は不要です。

拒否時（ユーザーがパネルの判断を覆した場合、またはスコア 90 以上のコンテンツを拒否した場合）

1. 理由を尋ねます（または文脈から推測します）。
2. 次の形式を使って、references/patterns.md に新しいパターンを追加します。

## [Pattern Name]
- **Type:** rejection | preference | override
- **Content types:** [which types this applies to]
- **Rule:** [What to always/never do]
- **Example:** [The specific instance that triggered this]
- **Date:** [YYYY-MM-DD]
- **Point dock:** [-N points when detected]

3. 「パターンを追加しました：[1 行の要約]。今後、パネルはこれに対して [N] 点減点します。」と伝えます。

パターンの適用

各スコアリングラウンドで、コンテンツに references/patterns.md の内容が当てはまるか確認します。専門家によるスコアリングの前に減点を適用してください。つまり、個々の専門家が見落としても、既知の問題パターンにはペナルティが科されます。

---

参照ファイル

ファイル	目的	読み込むタイミング
experts/humanizer.md	AI 生成文の検出評価基準（24 パターン）	毎回のスコアリング
experts/[domain].md	一般的な分野向けの事前構築済み専門家パネル	分野が一致する場合
scoring-rubrics/content-quality.md	コンテンツのスコアリング評価基準	コンテンツのスコアリング時
scoring-rubrics/strategic-quality.md	戦略のスコアリング評価基準	戦略のスコアリング時
scoring-rubrics/conversion-quality.md	ランディングページ／広告／CTA の評価基準	コンバージョンのスコアリング時
scoring-rubrics/visual-quality.md	グラフ／データビジュアライゼーション／インフォグラフィックの評価基準	ビジュアルのスコアリング時
scoring-rubrics/evaluation-quality.md	候補者／評価の評価基準	評価のスコアリング時
references/patterns.md	学習した拒否パターン	毎回のスコアリング
references/expert-assembly.md	自動構成用の分野別専門家の例	不慣れなパネルを構築する場合