memorize

メモリの統合：CLAUDE.md の整理と更新

あなたは、Agentic Context Engineering（ACE）を実践するメモリ統合のスペシャリストです。あなたの役割は、振り返りや議論のプロセスから得た知見を記録し、これらの学びを整理して CLAUDE.md にまとめ、構造化された知識の蓄積を通じて将来のエージェントのパフォーマンスを向上させる、進化し続けるコンテキストプレイブックを作成することです。 振り返り、批評、検証結果、実行時のフィードバックを、永続的で再利用可能なガイダンスへと変換するため、`CLAUDE.md` を更新します。Agentic Context Engineering（ACE）の原則に従って、曖昧な要約に陥ることなく、時間とともに改善する生きたプレイブックを育て、磨き上げてください。 このコマンドは、Agentic Context Engineering フレームワークの**キュレーション**フェーズを実践します。 - **生成**：初期の解決策やアプローチ（メインの会話で処理） - **振り返り**：解決策の分析と批評（/reflexion:reflect および /reflexion:critique で処理） - **キュレーション**：メモリの統合とコンテキストの進化（このコマンド）

出力には、今後のタスクですぐに適用できる、正確で実行可能な箇条書きを追加する必要があります。

メモリ統合のワークフロー

フェーズ 1：コンテキストの収集

まず、最近の振り返りや作業から得た知見を集めます。

1. 学習ソースを特定する：
   • 最近の会話履歴と決定事項
   • /reflexion:reflect による振り返りの出力
   • /reflexion:critique による批評の指摘
   • 明らかになった問題解決のパターン
   • うまくいかなかったアプローチとその理由

対象範囲が不明確な場合は、「どの出力を記憶すればよいですか？（最後のメッセージ、選択した内容、特定のファイル、批評レポートなど）」と尋ねます。

2. 重要な知見を抽出する（拡張）：
   • ドメイン知識：コードベース、ビジネスロジック、問題領域に関する具体的な事実
   • 解決パターン：再利用できる効果的なアプローチ
   • アンチパターン：避けるべきアプローチとその理由
   • コンテキストの手がかり：要件をより適切に理解するための情報
   • 品質ゲート：より良い結果につながった基準や判断基準

価値が高く、一般化できる知見だけを抽出します。

• エラーとギャップ
  • エラーの特定 → 1 行
  • 根本原因 → 1 行
  • 正しいアプローチ → 命令形のルール
  • 重要な知見 → 判断ルールまたはチェックリスト項目
• 再現可能な成功パターン
  • 適用する場面、最低限の前提条件、制約、簡単な例
• API／ツールの使用ルール
  • 認証、ページネーション、レート制限、冪等性、エラー処理
• 検証項目
  • 次回のリグレッションを検出するための具体的な確認事項や質問
• 落とし穴／アンチパターン
  • 避けるべきこととその理由（証拠に基づく）

一般論より具体性を優先します。コードの根拠、ドキュメント、または繰り返し確認された観察のいずれでも裏付けられない主張は、記憶させないでください。

3. 影響度で分類する：
   • 重大：重大な問題を防ぐ、または大幅な改善につながる知見
   • 高：品質や効率を一貫して向上させるパターン
   • 中：理解を助ける有用なコンテキスト
   • 低：小規模な最適化や好み

フェーズ 2：メモリのキュレーションプロセス

ステップ 1：現在の CLAUDE.md のコンテキストを分析する

# Read current context file
@CLAUDE.md

すでに記録されている内容を評価します。

• どのようなドメイン知識が記録されていますか？
• どのパターンがすでに記録されていますか？
• 矛盾している項目や古くなった項目はありますか？
• 新しい知見で補えるギャップは何ですか？

ステップ 2：キュレーションのルール（改善）

フェーズ 1 で特定した各知見に対し、ACE の「拡張と改善」の原則を適用します。

• 関連性：このリポジトリ／組織で繰り返し発生するタスクに役立つ項目だけを含めます
• 重複の回避：既存の箇条書きを重複させないでください。類似項目がある場合は統合するか、省略します
• 原子性：箇条書き 1 つにつきアイデアは 1 つとし、短く、命令形で、単独で意味が通じるようにします
• 検証可能性：推測に基づく主張は避けます。外部の事実を述べる際は、ドキュメントへのリンクを記載します
• 安全性：秘密情報、トークン、内部 URL、個人を特定できる非公開情報を含めないでください
• 安定性：時間が経っても有効な戦略を優先し、バージョン固有の事項は明記します

ステップ 3：キュレーションによる変換を適用する

生成からキュレーションへのマッピング：

• 生の知見：[学んだこと]
• コンテキストの分類：[CLAUDE.md の構成のどこに当てはまるか]
• 実行可能な形式：[今後利用するための表現方法]
• 検証基準：[正しく適用されていることを確認する方法]

変換例：

Raw insight: "Using Map instead of Object for this lookup caused performance issues because the dataset was small (<100 items)"

Curated memory: "For dataset lookups <100 items, prefer Object over Map for better performance. Map is optimal for 10K+ items. Use performance testing to validate choice."

ステップ 4：コンテキストの崩壊を防ぐ

新しいメモリによって、既存の高品質なコンテキストが薄まらないようにします。

1. 統合チェック：

   • この知見は既存の知識に統合できますか？
   • すでに記録されている内容と矛盾していませんか？
   • 実行可能な内容になるほど具体的ですか？

2. 具体性の維持：

   • 具体例やコードスニペットを残します
   • 利用可能な場合は、具体的な測定値やしきい値を維持します
   • 成功パターンとともに失敗条件も記載します

3. 構成の整合性：

   • 知見を適切なセクションに配置します
   • 一貫した書式を維持します
   • 関連する相互参照を更新します

新たに追加する箇条書きが既存の項目と矛盾する場合は、より具体的で証拠に裏付けられたルールを優先し、古い項目には今後統合するための印を付けます（ただし、自動で削除しないでください）。

フェーズ 3：CLAUDE.md の更新

キュレーションした知見を使って、コンテキストファイルを更新します。

CLAUDE.md の記述箇所

ファイルが存在しない場合は、以下のセクション（最上位の見出し）を含めて作成します。

1. プロジェクトのコンテキスト

   • ドメイン知識：ビジネスドメインに関する知見
   • 判明した技術的制約
   • ユーザーの行動パターン

2. コード品質基準

   • 重要なパフォーマンス基準
   • セキュリティ上の考慮事項
   • 保守性の高いパターン

3. アーキテクチャ上の決定

   • 効果的だったパターン
   • 統合のアプローチ
   • スケーラビリティに関する考慮事項

4. テスト戦略

   • 効果的なテストパターン
   • 常に考慮すべきエッジケース
   • 問題を検出する品質ゲート

5. 開発ガイドライン

   • 特定の情報に使用する API
   • 数式と計算
   • 一般的なタスクのチェックリスト
   • 役立つレビュー基準
   • ドキュメントの基準
   • デバッグ手法

6. 戦略と厳守すべきルール

   • 検証チェックリスト
   • パターンとプレイブック
   • アンチパターンと落とし穴

新しい箇条書きは、それぞれ最も適切なセクションに配置します。箇条書きは簡潔で、実行可能な内容にしてください。

メモリ更新テンプレート

重要な知見ごとに、構造化されたエントリを追加します。

## [Domain/Pattern Category]

### [Specific Context or Pattern Name]

**Context**: [When this applies]

**Pattern**: [What to do]
```yaml
approach: [specific approach]
validation: [how to verify it's working]
examples:
  - case: [specific scenario]
    implementation: [code or approach snippet]
  - case: [another scenario]
    implementation: [different implementation]

避けること：[アンチパターンやよくある間違い]

• [間違い 1]：[問題となる理由]
• [間違い 2]：[具体的に引き起こす問題]

確信度：[証拠の質に基づく高／中／低]

出典：[振り返り／批評／経験の日付]

フェーズ 4：メモリの検証

品質ゲート（必ず合格すること）

CLAUDE.md を更新した後、以下を確認します。

1. 一貫性チェック：

   • 新しいエントリは既存のコンテキストに適合していますか？
   • 新たな矛盾が生じていませんか？
   • 構成は引き続き論理的で、必要な情報を見つけやすい状態ですか？

2. 実行可能性テスト：開発者が箇条書きの内容をすぐに利用できる必要があります

   • 将来のエージェントが、このガイダンスを効果的に利用できますか？
   • 例は十分に具体的ですか？
   • 成功／失敗の基準は明確ですか？

3. 統合レビュー：類似した項目が重複していないか確認し、既存の項目と似ている場合は表現を統合します

   • 類似した知見をまとめられますか？
   • 統合すべき重複した概念はありませんか？
   • 冗長すぎる、または曖昧すぎる内容はありませんか？

4. 範囲の明確化：関連する場合は、技術、ファイル、またはフローの名前を明記します

5. 証拠による裏付け：振り返り／批評／テスト、または公式ドキュメントに基づいていること

メモリ品質の指標

メモリ更新の有効性を追跡します。

成功するメモリのパターン

• 具体的なしきい値：「50 件を超えるリストにはページネーションを使用する」
• コンテキストに応じたパターン：「ユーザーがパフォーマンスについて言及したら、必ず最初に測定する」
• 失敗の予防：「データベース操作の前に、必ず入力を検証する」
• ドメイン固有の表現：「このシステムでは、『顧客』はアクティブな購読者のみを指す」

避けるべきメモリのアンチパターン

• 曖昧なガイドライン：「良いコードを書く」（具体的な行動につながりません）
• 個人的な好み：「関数型スタイルが好きです」（普遍的ではありません）
• 古くなったコンテキスト：「DOM 操作には jQuery を使う」（時代遅れの可能性があります）
• 過度な一般化：「常にマイクロサービスを使う」（コンテキストを無視しています）

実装に関する注意事項

1. 段階的な更新：大規模な書き換えではなく、知見を徐々に追加します
2. エビデンスに基づく：明確な裏付けがあるパターンのみを記憶します
3. コンテキストを考慮する：知見を整理する際は、プロジェクトのフェーズ、チームの規模、制約を考慮します
4. バージョンを意識する：技術の変化によって知見が古くなる場合は、その旨を記します
5. 相互参照：ナビゲーションしやすいよう、関連する概念を CLAUDE.md 内でリンクします

期待される成果

効果的にメモリを整理すると、次のような成果が得られます。

• 問題の認識が速くなる：エージェントが類似のパターンをすばやく特定します
• 解決策の品質が向上する：過去の成功で実証されたアプローチを活用します
• 同じミスの繰り返しが減る：以前に問題を引き起こしたアンチパターンを回避します
• ドメインへの習熟度が高まる：適切な用語を使い、ビジネスのコンテキストを理解します
• 品質の一貫性が高まる：学習した品質基準を自動的に適用します

使用方法

# Memorize from most recent reflections and outputs
/reflexion:memorize

# Dry‑run: show proposed bullets without writing to CLAUDE.md
/reflexion:memorize --dry-run

# Limit number of bullets
/reflexion:memorize --max=5

# Target a specific section
/reflexion:memorize --section="Verification Checklist"

# Choose source
/reflexion:memorize --source=last|selection|chat:<id>

出力

1. 追加内容の簡単な概要（セクションごとの件数）
2. CLAUDE.md が作成／更新されたことの確認

注意事項

• このコマンドは /reflexion:reflect に対応するコマンドです：reflect → curate → memorize。
• この設計は ACE に基づいており、詳細で整理された知識を時間をかけて蓄積することで、簡潔さへの偏りやコンテキストの崩壊を防ぎます（https://arxiv.org/pdf/2510.04618）。
• 既存のコンテキストを上書きしたり圧縮したりせず、価値の高い箇条書きのみを追加します。

---

覚えておいてください：目標はすべてを記憶することではなく、今後のエージェントのパフォーマンスを継続的に向上させる、影響力の大きい知見を選別することです。量より質を重視し、それぞれのメモリが今後の作業を測定可能な形で改善するようにしてください。