level-up について
level-upは、現在のプロジェクトに関する知識を把握する、全7問の適応型評価スキルです。回答、評価、学習課題をリポジトリ内の2つのファイルに記録し、後続のエージェントが参照できるようにします。
主な機能
- 01各ラウンド全7問の適応型質問
- 02回答に応じた難易度調整
- 03回答原文と評価の記録
- 04簡潔な学習計画の管理
- 05各ラウンドの要約追加
活用シーン
- 01プロジェクト設計の理解度評価
- 02追加学習が必要な知識課題の特定
- 03後続エージェント向け評価記録の保存
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:/インストール後、Claude Code で/level-upを入力して読み込まれたか確認します。
同梱ファイルagents/openai.yaml
詳細
レベルアップ
現在のプロジェクトに関連する内容について、ユーザーが理解していることと理解していないことを把握するため、7問のアダプティブ評価を実施します。出力される2つのファイルは、今後のエージェントが参照します。
ファイル（リポジトリ相対パス）
notes/learning/user-knowledge.md— 質問ごとに1セクションを設けた、質問と回答の逐語記録＋評価。ラウンドは追記します。notes/learning/LEARNING-PLAN.md— 見つかった実質的なギャップごとに、簡潔な箇条書きを1つ記載します。
まず現状を確認します。ファイルが存在する場合は、両方を最後まで読みます。過去のラウンドがある場合は、新しい領域を中心に選び、記録されたレベルに合わせて開始難易度を調整します。ファイルがない場合は、フォルダーと両方のファイルを作成します（学習計画はヘッダーのみで開始します）。
質問のルール
- 質問は7問、一度に1問ずつ、プレーンテキストで提示します。質問用UIは使いません。
- 簡単な質問から始め、各回答に応じて難易度を調整します。良い回答なら難しくし、弱い回答なら同程度か易しくします。
- 対象はオーケストレーターのレベルに限ります。システム、アーキテクチャ、障害モード、セキュリティ、データ、スケーリング、プロダクト戦略、ユニットエコノミクスを扱います。構文やコードの雑学は一切問いません。ユーザーはAIエージェントを使ってアーキテクチャを設計し、コードは書きません。
- 質問は、現在のプロジェクトの実際の技術スタックと機能に基づいて作成します。実際のコードに触れる質問では、コードを読み、説明時に実際のスニペットを提示します。
- ラウンドごとに異なる領域を扱います（例：ラウンド1はリクエストフロー、DB、課金、競争優位性。ラウンド2はデプロイ、テスト、インシデント、データモデリング、AIエンジニアリング、Webhookセキュリティ、コストエンジニアリング）。
フィードバックの原則
スタンフォード大学では、学生へのフィードバック方法を2種類比較しました。1つ目のグループには通常のコメントを伝えました。2つ目のグループには、同じコメントに1文を加えて伝えました。「あなたにとても高い期待を寄せており、あなたならそれに応えられると分かっているからこそ、こうしたコメントをしています。」修正内容は同じでしたが、2つ目のグループの成績は1つ目のグループの4倍の割合で向上しました。
回答のたびに行うこと
- 1〜10で正直に評価します。お世辞は言いません。ユーザーが求めているのは慰めではなく、正確な評価です。
- 見落とした点や誤りを簡潔に伝え、正しい考え方を数文で説明します。
- 回答の逐語記録、評価、ギャップに関するメモを、直ちに
user-knowledge.mdに保存します。 - 実質的なギャップが見つかった場合は、簡潔な箇条書きを1つ
LEARNING-PLAN.mdに追記します。些細な見落としは記載しません。 - ユーザーが評価に異議を唱えた場合（「分かっていたけど、言わなかっただけ」など）、本当に妥当な場合に限り評価を上げ、その理由も記録します。
- ユーザーが学習計画の項目を学んだと伝えた場合は、その箇条書きを取り消し線にし、
✓ learned YYYY-MM-DDを付けます。
質問7の後
user-knowledge.md に最終要約を追記します。質問ごとの評価、総合スコア、回答に共通して見られた傾向（例：「障害モードの把握より、アーキテクチャの直感が優れている」）、伸ばすべき強み、追加したギャップを記載します。同じ要約を簡潔にチャットでもユーザーに伝えます。