mcpField
L
llm-council

llm-council

github.com/gcpdevエージェントワークフロー485146 回インストール42 週間前に更新
リポジトリ

llm-council について

LLM Councilは、実装計画の提示前にChatGPTとGeminiへ意見を求めるスキルです。応答をClaudeの分析と照らし合わせ、提案や懸念をまとめて計画を作成します。利用にはAPIキーが必要です。

主な機能

  1. 01ChatGPTとGeminiへの問い合わせ
  2. 02提案と懸念点の比較
  3. 03Claudeの分析を含む計画の統合
  4. 04APIキーとモデル選択の設定
  5. 05呼び出し失敗時に利用可能な応答を使用

活用シーン

  1. 01アーキテクチャについて外部の視点を集める
  2. 02実装タスクのアプローチを比較する
  3. 03モデルの意見を計画案に反映する

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/gcpdev/llm-council-skill --skill llm-council

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

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

.env.template
references/
SETUP.md
scripts/
query_llms.py

詳細

LLM 評議会

実装計画をユーザーに提示する前に、複数の AI モデル（ChatGPT と Gemini）に意見を求めます。

ワークフロー

ユーザーから他の AI モデルへの相談を依頼された場合は、次のようなフレーズを使います。

  • 「ChatGPT と Gemini に〜について相談する」
  • 「他の AI モデルに〜についてどう思うか尋ねる」
  • 「評議会から〜について意見を集める」
  • 「LLM 評議会に相談する：［質問］」

プロセス：

  1. 外部 LLM に問い合わせる：scripts/query_llms.py をユーザーのプロンプトとともに実行し、ChatGPT と Gemini の両方から意見を得ます
  2. 回答を分析する：各モデルの提案を確認し、有益な洞察、別のアプローチ、潜在的な懸念事項を特定します
  3. 計画をまとめる：3 つのモデル（Claude 自身の分析＋ChatGPT＋Gemini）から得た最良のアイデアを取り入れた実装計画を作成します
  4. ユーザーに提示する：最終計画と、各モデルの主な貢献を簡潔にまとめた内容を示します

セットアップ要件

このスキルには、作業ディレクトリ内の .env ファイルに保存された API キーと、任意のモデル設定が必要です。

OPENAI_API_KEY=sk-...
GEMINI_API_KEY=...

# Optional: Specify which models to use (defaults shown below)
OPENAI_MODEL=gpt-5-nano
GEMINI_MODEL=gemini-3-flash-preview

デフォルトモデル：

  • ChatGPT：gpt-5-nano（最速で最もコスト効率が高い：入力 1M トークンあたり $0.05、出力 1M トークンあたり $0.40）
  • Gemini：gemini-3-flash-preview（速度と知能のバランスに優れています）

より良い協業のためのアップグレードオプション：

OpenAI モデル（性能とコストの順）：

  • gpt-5-nano - 最速で最もコスト効率が高い（入力 1M トークンあたり $0.05、出力 1M トークンあたり $0.40）- デフォルト
  • gpt-5-mini - 高速で、明確に定義されたタスクに対してコスト効率が高い（入力 1M トークンあたり $0.25、出力 1M トークンあたり $2.00）
  • gpt-5.2 - コーディングおよびエージェント型タスクに最適（入力 1M トークンあたり $1.75、出力 1M トークンあたり $14.00）
  • gpt-5.2-pro - より高性能で、複雑な問題に対して精度が高い（入力 1M トークンあたり $21.00、出力 1M トークンあたり $168.00）

すべてのモデルが推論トークン、400K のコンテキストウィンドウ、画像入力に対応しています。

Gemini モデル（性能の順）：

  • gemini-2.5-flash-lite - 超高速で、スループットに最適化されています
  • gemini-2.5-flash - 価格と性能のバランスに優れ、大規模処理に適しています
  • gemini-3-flash-preview - 速度と最先端の知能のバランスに優れています（デフォルト）
  • gemini-3-pro-preview - 最も高性能なマルチモーダルモデルで、複雑な推論に最適です

上位モデルはより高度な分析を提供しますが、API 呼び出しごとのコストも高くなります。

.env ファイルが存在しない場合、またはキーが不足している場合は、ユーザーに伝えてセットアップ手順を案内してください。

使用例

ユーザーの入力：「評議会に相談する：IoT センサー向けのリアルタイムデータパイプラインは、どのように設計すればよいですか？」

Claude のプロセス：

  1. 実行する：python3 scripts/query_llms.py "How should I architect a real-time data pipeline for IoT sensors?"
  2. ChatGPT と Gemini からの JSON の回答を解析する
  3. それぞれの提案を分析する（例：ChatGPT は Kafka を提案し、Gemini はエッジコンピューティングの検討を推奨する）
  4. すべてのモデルから得た有益な洞察を取り入れた最終計画をまとめる
  5. 出典を明記し、調整した計画をユーザーに提示する

出力形式

最終的な実装計画を自然に提示し、関連する箇所で他のモデルから得た主な洞察に触れてください。たとえば：

「ChatGPT と Gemini に相談した結果、次のアーキテクチャを推奨します。

［「ChatGPT は〜の重要性を指摘しました」や「Gemini は〜を提案しました」など、本文中に出典を示した実装計画］

主な貢献：

  • ChatGPT：［簡潔な要約］
  • Gemini：［簡潔な要約］」

エラー処理

  • API キーが不足している場合は、ユーザーに伝えてセットアップ手順を案内します
  • API 呼び出しに失敗した場合は、どのモデルの意見を取得できなかったかを伝え、利用可能な回答に基づいて処理を続けます
  • 両方の API が失敗した場合は、ユーザーに伝え、外部への相談なしで Claude 自身の分析を提供することを提案します

コメント

Markdown 対応