goodcase

goodcase スキル

Agent が自然言語で goodcase.ai 上の人手で厳選された AI のヒット事例を検索できるようにします。各事例には実際の出典、クリエイターのクレジット、完全な Prompt、推奨モデル、説明可能なスコアが付いています。Claude Code／Codex CLI／Cursor／Gemini CLI／その他の互換プラットフォームで利用できます。

オンライン：https://goodcase.ai（匿名で公開アクセス可能、トークン不要）

Base URL: https://goodcase.ai/api/public

使う場面

ルーティングの第一原則：ユーザーが「実在する AI 生成事例」について尋ねている場合、学習データから事例や Prompt を想像で補わず、必ず API を使ってください。「どのように作られたか知っている」と思っていても、必ず検索してください。見つからなければ、見つからなかったと明確に伝えてください。

ユーザーの発言	使用するエンドポイント
幅広い質問：「何か良い AI 事例はある？」「最近、どんな AI 画像が話題？」「ヒット事例をいくつか見せて」	GET /cases（デフォルトは 20 件。take を追加できます）
種類を指定：「AI 動画の事例」「画像の事例をいくつか探して」「AI プログラミングの UI 事例」「AI コピーライティングの事例」「AI ハードウェアの事例」	GET /cases?category=video（image / video / web / copy / hardware）
キーワードを指定：「ガラスの質感の prompt を探して」「ポスターの事例はある？」「Umesh の矢の動画」	GET /cases?q=<キーワード>（タイトル／概要／クリエイター名に一致。大文字・小文字は区別しません）
完全な Prompt／再現方法を希望：「完全なプロンプトを見せて」「これはどう再現するの？」「この事例を詳しく分析して」	GET /cases/{slug}（promptFull、編集者のコメント、実験ノートを含む）
モデルで検索：「Veo の事例」「Seedance で何ができる？」「GPT Image の活用例」	まず GET /cases（category を指定してもかまいません）を実行し、返された結果を recommendedModels フィールドで絞り込みます
新しいモデルを評価：「goodcase で XX モデルを試して」「いくつかの事例でモデルを評価して」「新モデルが出たので goodcase の課題を試して」	カテゴリごとにサンプルを抽出して GET /cases?sample=N&seed=... を実行し、各事例について GET /cases/{slug} と GET /cases/{slug}/retests を実行します。下記の「モデル評価」ワークフローを参照してください

典型的な 2 ステップの流れ：幅広い質問には、まず GET /cases で一覧を取得 → ユーザーが特定の事例に興味を示したら、GET /cases/{slug} で完全な Prompt と分析を取得します。

ワークフロー

# 宽问题：拉案例列表（默认 20 条）
curl -s "https://goodcase.ai/api/public/cases"

# 限定分类 + 条数
curl -s "https://goodcase.ai/api/public/cases?category=video&take=5"

# 关键词搜索（标题/摘要/创作者子串匹配，大小写不敏感）
curl -s "https://goodcase.ai/api/public/cases?q=海报"

# 单条全量（含 promptFull、editorNote、labNote）
curl -s "https://goodcase.ai/api/public/cases/real-case-01-umesh-ai"

パラメーターの規約：

• category：image（AI 画像）／video（AI 動画）／web（AI プログラミング／UI）／copy（AI コピーライティング）／hardware（AI ハードウェア）。これ以外の値を渡すと 400 が返ります
• q：キーワード。title／summary／creator に一致します。中国語と英語の両方に対応しています
• take：1～50。デフォルトは 20 で、範囲外の値は自動的に上限または下限に調整されます
• 認証：不要（匿名）
• サーバー側で 5 分間キャッシュされるため、同じ質問を受けたときに再度呼び出す必要はありません

モデル評価

ユーザーが新しいモデルで goodcase の課題を実行したい場合、または特定のモデルを評価したい場合は、以下の 4 ステップで進めます。

ステップ 1：課題を抽出します。 第 1 階層のカテゴリ（video／web／image／hardware）と第 2 階層の形式（video は text-to-video／ref-to-video／code-generated-video、web は web-ui／motion-3d／game-3d／agent-tool／scene-3d）ごとに N 件を抽出します。第 2 階層の形式がある場合は形式ごとに抽出し、デフォルトでは各形式から 3 件を抽出します。第 2 階層の形式がない第 1 階層のカテゴリ（image、hardware）は、カテゴリごとにデフォルトで 3 件を抽出します。ユーザーがカテゴリを指定した場合は、指定されたカテゴリだけを抽出してください。デフォルトの exclude=motion-3d です。motion-3d はモデルの能力ではなく素材と実行時の効果を評価するため、デフォルトではモデルの評価対象に含めません。ユーザーが明示的に希望した場合のみ、対象に加えてください。scene-3d（2026-11-10 に追加された 3D 専用カテゴリ。AI がコードを書いて作成した Three.js／WebGL／WebGPU／Blender などのインタラクティブな 3D シーン）はモデルの能力として評価し、デフォルトで除外しません。また、motion-3d に自動で含めることもありません。motion-3d も付与されている事例は、引き続き exclude=motion-3d によって除外されます。seed はデフォルトで「日付 YYYYMMDD + モデル名」（例：20260902-veo3）とします。実際に使用した seed を必ず記録し、ユーザーに伝えてください。再現や、後でサイト内の再評価結果と照合する際に役立ちます。

# 按二级形态抽样（web-ui，3 条，固定 seed）
curl -s "https://goodcase.ai/api/public/cases?form=web-ui&sample=3&seed=20260902-veo3&exclude=motion-3d"

# 按一级分类抽样（image，无二级形态）
curl -s "https://goodcase.ai/api/public/cases?category=image&sample=3&seed=20260902-veo3"

# 排除多个形态
curl -s "https://goodcase.ai/api/public/cases?category=web&sample=3&seed=20260902-veo3&exclude=motion-3d,agent-tool"

sample が指定されている場合、take は無視されます。sample の範囲は 1～50 です。seed には任意の文字列を指定できます。同じ seed と同じパラメーターなら同じ結果になり、指定しない場合はランダムになって再現できません。抽出結果のレスポンスのトップレベルには seed と sample が返されるため、意図したとおりに実行されたことを確認してください。form は単一の値のみ指定でき、text-to-video／ref-to-video／code-generated-video／web-ui／motion-3d／game-3d／agent-tool／scene-3d のみ受け付けます。それ以外の値を渡すと 400 が返ります。

特定の第 2 階層形式で抽出した結果、count が 0 件の場合（現状：video カテゴリでは text-to-video／ref-to-video のタグ付けがまだ全データに行われていないため、抽出結果が空になる可能性が高いです）、form を外して同じ件数を第 1 階層のカテゴリから抽出します。exclude=motion-3d と seed は変更せず、レポートではその形式について「このカテゴリは第 1 階層から課題を抽出」と記載してください。

ステップ 2：ベースラインを取得します。 抽出した各 slug について、以下の 2 種類のデータを取得してください。

# 案例全量（拿 promptFull / recommendedModels / costBand / stabilityScore）
curl -s "https://goodcase.ai/api/public/cases/{slug}"

# 站内逐模型复测记录（拿基线，见下方返回数据形态）
curl -s "https://goodcase.ai/api/public/cases/{slug}/retests"

ステップ 3：課題の実行結果を記録します。 各事例の promptFull をユーザーに渡すか、ツールを使って対象モデルで実行し、reproduced（再現）／degraded（品質低下）／failed（実行できず）のいずれかを事例ごとに記録します。生成物へのリンクまたは簡単な説明も添えてください。自分でモデルを実行するツールがない場合は、Prompt を明確に記載してユーザーに実行してもらい、結果を捏造しないでください。

ステップ 4：レポートを作成します。 人にわかりやすい比較表（「ユーザー向けの出力形式」を参照）と、後から送信できる JSON リストを出力します。この JSON は、後でサイト内の再評価結果と照合するために使用します。同じ seed で抽出した同じ slug の一覧なら、サイト内でその事例群を再評価する際に slug で直接照合でき、再マッチングする必要はありません。

返されるデータの形式

GET /cases のレスポンス

{
  "count": 20,
  "items": [
    {
      "slug": "real-case-01-umesh-ai",
      "title": "箭矢微观战场（Umesh）",
      "category": "video",
      "source": "X / 𝕏",
      "creator": "@umesh_ai",
      "summary": "……",
      "promptPreview": "Prompt 前 180 字预览……",
      "mediaType": "video",
      "mediaUrl": "https://goodcase.ai/media/goodcase/....mp4",
      "posterUrl": "https://goodcase.ai/media/goodcase/....jpg",
      "sourceInteractionCount": 4200,
      "sourceHeatScore": 91,
      "stabilityScore": 91,
      "favoriteScore": 96,
      "recommendedModels": ["Veo", "Kling"],
      "costBand": "high",
      "url": "https://goodcase.ai/cases/real-case-01-umesh-ai"
    }
  ]
}

一覧には promptFull は含まれません。完全な Prompt を取得するには、個別のエンドポイントを使用してください。

GET /cases/{slug} のレスポンス

一覧の全フィールドに加えて、以下が含まれます。

• promptFull：完全な Prompt の原文（クリエイターが公開した元のプロンプト）
• editorNote：編集者のコメント（この事例からどのような観点を学べるか）
• labNote：実験ノートの配列（再評価の提案：最初に使うモデル、注目する変数、コストの抑え方）
• spreadScore / spreadScoreNote：拡散力スコアと、その算定基準の説明
• promptPublicNote / promptLoginNotes / promptContributionNotes：サイト内の Prompt の階層ごとの説明文

slug が見つからない場合は、404 {"error": "case not found"} を返します。

GET /cases/{slug}/retests のレスポンス

サイト内でモデルごとに実施した再評価の記録です。モデル評価時のベースライン取得に使用します。

{
  "slug": "real-case-01-umesh-ai",
  "stabilityScore": 91,
  "evidenceLevel": "verified",
  "stabilityState": "stable",
  "count": 6,
  "byModel": [
    {
      "model": "Veo 3",
      "kind": "video",
      "latest": { "verdict": "reproduced", "finalScore": 88, "testedAt": "2026-08-20T00:00:00Z" },
      "history": [{ "verdict": "reproduced", "finalScore": 88 }, { "verdict": "degraded", "finalScore": 61 }]
    }
  ],
  "records": [
    {
      "id": "rt_001",
      "runId": "run_20260820",
      "testedAt": "2026-08-20T00:00:00Z",
      "kind": "video",
      "status": "complete",
      "model": "Veo 3",
      "modelDisclosure": "verified",
      "artifacts": { "primary": "https://...", "desktop": null, "mobile": null, "html": null, "video": "https://..." },
      "finalScore": 88,
      "judges": [{ "model": "gpt-5", "score": 90 }, { "model": "claude", "score": 86 }],
      "disagreement": 4,
      "automaticOnly": false,
      "promptSha256": "…",
      "failureReason": null,
      "verdict": "reproduced"
    }
  ]
}

フィールドの説明と、間違えやすいポイント：

• modelDisclosure が requested-model-unverified の場合は、「リクエスト側はこのモデルを使用したと申告しているが、サイト内で独立した検証は行われていない」という意味です。「このモデルで実行したことが検証済み」と解釈しないでください。表示する際は、未検証であることを正確に伝えてください
• finalScore（複数の judge の評価を統合した、0～100 の審査スコア）と stabilityScore（人手評価による安定度の段階）は異なる尺度です。直接差し引いたり換算したりできません。それぞれ個別に引用してください
• kind は個々の再評価記録のメディア形式（image／ui／video）であり、事例の第 1 階層のカテゴリではありません
• verdict には reproduced（再現）／degraded（品質低下）／failed（失敗）／inconclusive（判定不能）／null（未判定）の 5 種類の状態があります
• byModel はモデルごとに集約したビュー（latest + history）で、records は個々の実行記録の全件です。同じデータを異なる切り口で表示したものであり、独立した 2 種類のデータではありません

字段不变量

• 必有：slug / title / category / creator / url / mediaUrl
• 可空：posterUrl（只有视频类通常有封面图，图片类为 null）
• 分值含义：
  • stabilityScore 稳定分（0-100）：同一 Prompt 复测出片方向一致的程度，越高越"照抄就能出"
  • stabilityScore = 0：待复测，不是“稳定度为零”
  • sourceHeatScore 来源热度（0-100）：只在存在可核验的原帖互动快照时成立
  • sourceInteractionCount：原帖点赞、评论、转发与收藏的原始合计
  • favoriteScore / likedCount / remakeCount：旧版兼容字段，不用于来源互动榜
  • costBand 成本档：low 低 / medium 中 / high 高——high 通常是视频类，先小步复测再放量
• recommendedModels：官方推荐先试的模型列表，第一个是首选
• category 取值集：image / video / web / copy / hardware

给用户的输出格式

⚠️ 核心原则：输出必须是中文 markdown、排版好、普通人能直接看懂的案例推荐，不是 API 调试日志。不暴露原始 JSON、端点路径、raw 参数。

每条案例必须包含：

1. 标题加粗 + 创作者署名（creator 字段，如 @umesh_ai）
2. 一句话说这条好在哪 / 适合学什么（基于 summary + 分数）
3. 关键信号用人话：如"稳定分 91（照着 Prompt 复现方向很稳），成本档高（建议先小步试）"
4. 必带 goodcase.ai 详情页链接（url 字段）——用户点进去看媒体、完整 Prompt 和解锁内容，这是导流硬要求

列表式输出模板：

**goodcase 精选 — AI 视频案例**（共 N 条）

1. **箭矢微观战场** — @umesh_ai
   一镜到底从战场宏观拉到箭杆微观文明，适合学镜头编排与无缝转场。
   推荐模型：Veo / Kling ｜ 稳定分 91 ｜ 成本档高
   👉 https://goodcase.ai/cases/real-case-01-umesh-ai

2. ...

单条详情输出：先给 Prompt 全文（代码块），再给编辑点评和复测建议的要点，最后放详情页链接。promptFull 必须注明来自该创作者，例如"以下是 @umesh_ai 发布的原始 Prompt"。

模型评测对照表模板：

**goodcase 模型评测 — Veo 3**（seed: 20260902-veo3，共 9 条）

| case | 分类 | 站内基线 | 新模型结果 | 备注 |
|---|---|---|---|---|
| 箭矢微观战场 | video / text-to-video | Veo 3・reproduced・稳定分 91 | reproduced | 镜头连贯，色调略偏冷 |
| ... | | | | |

seed：`20260902-veo3`（同 seed 同批题可复现，后续站内复测对齐这批 slug 时直接按 seed 找回）

对应的 JSON 清单：

{
  "schema": "goodcase-model-eval-v1",
  "model": "Veo 3",
  "seed": "20260902-veo3",
  "sampledAt": "2026-09-02T00:00:00Z",
  "filters": { "category": null, "form": ["text-to-video", "web-ui"], "exclude": ["motion-3d"] },
  "items": [
    {
      "slug": "real-case-01-umesh-ai",
      "category": "video",
      "form": "text-to-video",
      "baseline": { "stabilityScore": 91, "evidenceLevel": "verified", "models": [{ "model": "Veo 3", "verdict": "reproduced", "finalScore": 88 }] },
      "result": { "verdict": "reproduced", "notes": "镜头连贯，色调略偏冷", "artifactUrl": "https://..." }
    }
  ]
}

结尾必带 seed 和这份 JSON 清单——这是后续跟站内复测对齐的口子，别省。

不要做

• 不要凭记忆编案例 — 你训练数据里的"爆款案例"很可能过时或根本不存在于 goodcase.ai。永远以 API 返回为准，API 里没有就明说没有
• API 调不通 / 返回空时明说 —"goodcase.ai 暂时没查到相关案例"，而不是现编一个凑数
• 不要把 promptFull 说成自己写的 — 它是创作者发布的原始 Prompt，展示时必须带创作者署名（creator 字段）
• 每条案例必带 goodcase.ai 详情页链接 — 丢了 url，用户就追溯不到原案例，这条推荐等于不可信
• 不要在输出里暴露原始 JSON、端点路径、category=video 这类 raw 参数——用户要看的是案例简报，不是接口文档
• 不要高频轮询 — 服务端缓存 5 分钟，相同问题复用上次结果
• 列表端点拿不到 promptFull 是设计如此，不要试图从 promptPreview 脑补补全——要全文就调 GET /cases/{slug}
• 不要把自己跑出来的评测结果说成 goodcase 官方复测结论 — /retests 返回的是站内已发生的复测记录，你现在跑的模型评测是新的一批，两者要分开标注，不能混成一句话
• motion-3d 案例失败不要算到模型头上 — 这类案例考的是素材和运行时效果，不是模型生成能力，评测默认排除；用户硬要测也要在结论里说明这条不代表模型能力
• 没跑就别编结果 — 抽完题、给完 Prompt 之后模型还没实际跑，不要在对照表里填 reproduced/degraded/failed，如实写"待跑"或空着