research-orchestrator

リサーチオーケストレーター（スタータースキル）

概要

このスキルは、Research-Agentで研究ワークフロー全体を自動化するための主要な入口（starter/entry point）です。ユーザーが大まかな研究アイデアや一般的な分野を指定してこのスキルを有効にすると、エージェントは他の23個の支援スキルを順番にオーケストレーションして呼び出し、各段階の出力を次の段階の入力として渡し、統合された最終レポートとしてResearch Dashboardを提示します。

特に、このスキルはImplicit Personalizationに対応しています。実行の開始時に、エージェントはルートディレクトリにuser_profile.jsonファイルがあるかを必ず確認し、ユーザーの好みを読み込みます。実行の終了時には、ユーザーからのフィードバックを分析し、そのファイルを自動的に更新します。

依存関係

このスキルは、以下の23個のスキルの実行を調整します。

1. discover-phenomenon-and-gap
2. research-question-builder
3. hypothesis-or-proposition-builder
4. research-design-planner
5. synthetic-data-generator
6. data-acquisition-specialist
7. hardware-workload-estimator
8. computer-use
9. data-scientist-analyst
10. model-evaluator-validator
11. literature-review-generator
12. extract-methodology
13. source-quality-appraiser
14. citation-and-reference-validator
15. paper-matrix-builder
16. synthesize-research
17. patent-and-literature-matcher
18. journal-recommendation-finder
19. journal-template-formatter
20. academic-peer-reviewer
21. reviewer-response-and-revision
22. obsidian-vault-exporter
23. agent-update-checker

クイックスタート

使用例： "research-orchestratorスキルを使って、グラフベースの取引不正検出手法（Graph Neural Networks）の有効性に関する研究を完全に自動化して開始してください。"

全体指示：ハルシネーションおよびモックアップの禁止

オーケストレーターとして、すべての下位エージェントに対して「偽データに対するゼロトレランス」方針を適用する必要があります。エージェントにタスクを委任するたびに、指示の末尾に以下の警告を必ず追加してください。 "全体警告：モックデータ、ダミーのDataFrame、架空の論文を生成すること、またはハルシネーションを起こすことを固く禁じます。インターネット/APIから実データを処理してください。取得に失敗した場合やタイムアウトした場合は、ERRORを報告して停止し、決してデータを捏造しないでください。"

特別な例外（ホワイトリスト）：synthetic-data-generatorエージェントは、特定のタスクがシミュレーションペルソナ（Digital Twin）の作成であるため、データの捏造が許可されている唯一のエージェントです。このエージェントには、モックアップ禁止の警告を送らないでください。

ワークフロー

エージェントは、以下の5つのフェーズからなる自動実行フローを順番に実行する必要があります。

[Cek Update & Baca Profil] ──> [Fase 1: Masalah] ──> [Fase 2: Metodologi & Eksperimen] ──> [Fase 3: Literatur] ──> [Fase 4: Publikasi] ──> [Fase 5: Personalization]

事前準備（更新確認、プロフィールの読み込み、進捗の初期化）

-1. 定期的な更新確認（頻度制限あり）：user_profile.json内のlast_update_check属性を読み取ります。最終確認日から7日を超えている場合（または属性が存在しない場合）に限り、agent-update-checkerを実行します。今日すでに確認済みの場合は、時間を無駄にしないよう、この手順を省略してください。 0. プロジェクトのルートディレクトリにuser_profile.jsonファイルがあるか確認します。存在する場合は、研究の設定を読み込みます。 0b. 進捗トラッカーとHITLチェックリストの初期化（必須）：

• python bin/progress_tracker.py init --topic "<TOPIC>"を実行して、progress.jsonに5つのフェーズの状態を記録します。
• python "<PATH_KE_SKILL>/scripts/generate_hitl_checklist.py" --project-title "<TOPIC>"を実行して、ユーザー管理用ファイルhitl_research_checklist.mdをプロジェクトのルートに作成します。
• 各フェーズの終了時にチェックリストのステータスを更新し、ユーザーが評価と承認（Human-in-the-Loop Sign-Off）を行えるようにします。

フェーズ 1：探索と問題の枠組み設定

1. ユーザーから初期トピック／アイデアを受け取ります。理論文献に基づくアイデアの探索（モード A：文献主導型）と、二次データセットに基づく探索（モード B：データセット主導型（データ記述論文））のどちらを希望するか、積極的にユーザーに尋ねます。
2. ユーザーがモード Bを選択した場合、希望する方法論／データ分析の専門知識（例：Random Forest、SVM、線形回帰など）を尋ねます。
3. 選択されたモードに応じて discover-phenomenon-and-gap を実行します。
   • モード A：最新のトレンド現象をマッピングし、科学研究におけるギャップを定式化します。
   • モード B：最新の Data Descriptor 論文を見つけ、原著者の提案（ポテンシャル 1）を抽出し、ユーザーが選択した手法を用いて新たな変数相関に関する革新的な提案（ポテンシャル 2）を探します。
   • これらの研究アイデアの選択肢をユーザーに提示し、「難易度」の指標（Trivial／Moderate／Hardcore）を評価したうえで、次のステップに進む前に、実行したい選択肢についてユーザーの承認／選択を求めます。
4. 選択された研究アイデア／ギャップを research-question-builder に送信し、研究課題（RQ）、目的、研究の貢献を定式化します。
5. RQの結果を hypothesis-or-proposition-builder に送信し、理論的な概念枠組みと、検証対象となる仮説／命題を設計します。

フェーズ 2：方法論とデータ実験の計画

5. フェーズ 1 のすべての成果物を research-design-planner に送信し、実験方法の詳細、サンプリング／変数の決定、データ検証の流れ、および頑健性／アブレーションテストのシナリオを策定します。
6. 必要に応じて synthetic-data-generator を実行し、回答者のペルソナをシミュレーションして、定量／定性の合成データセットを生成します。
7. オプション／補完として data-acquisition-specialist を実行し、インターネット／API ソースから実データセットを検索、収集、スクレイピング、またはダウンロードします。
8. data-scientist-analyst を実行し、データクリーニング（前処理）、統計分析（必ず関連スキルの scripts/ フォルダーにある run_stat_analysis.py を実行してください）、機械学習モデルのトレーニング、および実験結果の可視化を行います。
9. model-evaluator-validator を必ず実行し、モデル予測結果に対する統計的有意性検定（例：T検定、Diebold-Mariano検定）を実施して、パフォーマンスの妥当性と比較を検証します。

フェーズ 3：文献レビューと検証

10. literature-review-generator を実行し、過去の研究動向をマッピングして、新たな研究の位置づけに関する論拠を構築します。大規模な SLR モードでは、エージェントは PRISMA の4段階のワークフロー（メタデータ取得 -> Python フィルタリング -> セマンティック監査 -> 抽出）を必ず遵守し、各ステップで .csv の checkpoint を保存する必要があります。
11. extract-methodology を使用して主要な参考論文から技術データを抽出します（抽出前にセクションのテキストをフィルタリングするため、必ず関連スキルの scripts/ フォルダーにある parse_sections.py を実行してください）。
12. source_quality_appraiser を実行し、参考文献のジャーナルの信頼性（Scopus 四分位／CORE ランキング）を監査して、方法論の弱い論文を除外します。
13. citation-and-reference-validator を実行して DOI の正確性を検証し、原稿の主張が事実に基づいて裏付けられていることを確認します。関連スキルの scripts/ フォルダーにある validate_references.py と fetch_evidence_snippet.py を必ず実行し、偽の参考文献を除外して、統合フェーズに送る前に Evidence Snippets の逐語的な内容を検証してください。
14. paper-matrix-builder を実行し、プログラムによる検証を通過した参考文献のすべての技術パラメーター（必ず関連スキルの scripts/ フォルダーにある build_sota_matrix.py を実行してください）を、標準化された State-of-the-Art（SotA）表にまとめます。(注：エージェントは、スキルのインストール先がローカルでもグローバルでも、絶対パスを使用して Python スクリプトを実行する必要があります。)

フェーズ 4：統合と公開準備

15. synthesize-research を実行し、文献調査で得られたすべての証拠を統合して、コンセンサスを整理し、矛盾点を批判的に検討します。
16. patent-and-literature-matcher を実行し、発明の主張の新規性（novelty）を、潜在的な先行技術（prior art）と照らし合わせて検証します。
17. journal-recommendation-finder を実行し、研究の範囲に最も適した学術誌の投稿先（Q1～Q4）を推薦します。
18. journal-template-formatter を実行し、選定した学術誌の書式と執筆ガイドライン（Author Guidelines）に従って、最終稿の構成を整えます。
19. academic-peer-reviewer を実行し、査読（peer review）プロセスをシミュレートして、批判的な評価、問題点の一覧（重大／軽微）、正式な学術誌に投稿する前の掲載可能性に関する推奨を提示します。
20. （任意／修正がある場合）reviewer-response-and-revision を実行し、原稿の改訂手順を案内します。
21. （任意／Vault 連携）obsidian-vault-exporter を実行し、構造化された Frontmatter と双方向の WikiLinks を備えた Obsidian Vault のノート構造に、研究成果の全ドキュメントをエクスポートして書式を整えます。

フェーズ 5：プロフィールと研究メモリの更新（暗黙的なパーソナライズ）

22. インタラクションの全セッション、コメント、ユーザーからの明示的および暗黙的なフィードバックを評価します。
23. プロジェクトのルートディレクトリにある user_profile.json を自動的に更新または作成し、新たな好みを記録します。python bin/progress_tracker.py advance を実行して、progress.json に最終完了を記録します。

出力形式：統合研究ダッシュボード

作業の最後に、エージェントは以下を含む1ページのエグゼクティブサマリーを提示する必要があります。

1. 研究状況：トピック、選定したギャップ、研究の主な目的を簡潔にまとめます。
2. フェーズ1～4の概要：自動的に実行された各研究フェーズの主な成果を簡潔に説明します（データ実験と ML 分析の結果を含む）。
3. 出版先の推薦表：抽出結果に基づく最適な投稿先の学術誌を推薦します。
4. 適格性スコアと主な問題点：査読シミュレーションによる評価結果を示します。
5. 成果ファイル一覧：各サブスキルの詳細な成果ドキュメントへの直接リンク（Markdown のファイルリンク）を記載します（例：ギャップ分析レポート、未加工データセット、データ分析スクリプトなど）。
6. 個人メモリの更新：新たに学習し、user_profile.json に暗黙的に保存したユーザーの好みをまとめます。

よくある間違いと重要なルール

• 手順の省略（Skipping Flow）：ギャップと研究課題の特定（フェーズ1）を完了する前に、方法の設計や研究の統合を試みること。
• 成果物の追跡漏れ：前のスキルの成果ファイルを次のスキルにコンテキスト入力として渡さず、研究プロセスに一貫性がなくなること。
• 信頼性に関する警告の無視：フェーズ3で、主要な参考論文の大半が信頼性の低いもの（low quality）に該当する、または誤引用だと判明しているにもかかわらず、次のフェーズに進むこと。参考文献に信頼性がない場合、エージェントは作業を中断し、文献の再構成についてユーザーに指示を求める必要があります。
• プロフィール更新の無視：研究プロセス中に重要なユーザーの好みが変化したにもかかわらず、研究を完了して user_profile.json を更新しないこと。このプロフィールファイルに API Key や機密情報を公開してはいけません。