self-improving-agent

自己改善型エージェント — 自律学習パターン

使うほど性能が向上する AI エージェントのアーキテクチャパターンです。ほとんどのエージェントはステートレスであり、自らの実行から学習できないため、同じ間違いを繰り返します。このスキルは、フィードバックの収集、メモリの整理、スキルの抽出、リグレッションの検出に関するパターンによって、その課題を解決します。重要なポイントは、自動メモリはあらゆる情報を記録しますが、ノイズを知識に変えるのは整理だということです。

主な機能

• メモリの整理 — レイヤー構造のメモリスタック（CLAUDE.md → MEMORY.md → セッション）、レビュー手順、および学習内容を強制ルールへ昇格させるための基準。
• フィードバックループ — 結果の分類、シグナルの抽出、すべてのタスク結果を構造化された学習内容に変えるための記録テンプレート。
• リグレッションの検出 — 数セッション以内にパフォーマンスの低下を検知する指標、しきい値、対応手順。
• スキルの抽出 — 実証済みのパターンを独立したスキルパッケージに昇格させるための基準と4段階のプロセス。
• メタ学習 — エージェントが学ぶ価値のあることを学習できるようにする、適応的な記録戦略とアンチパターンの検出。
• 継続的な調整 — 学習した知識の矛盾を解消するための、確信度のスコアリングと信念の更新。

使用する場面

• ステートレスのままではなく、時間とともに改善するエージェントを構築するとき。
• 自動メモリ（MEMORY.md）を管理し、何を保持、昇格、または廃止するかを判断するとき。
• エージェントの動作に対する自己修正型のフィードバックループやリグレッションアラームを設計するとき。
• 繰り返し使える解決策を再利用可能なスキルパッケージに昇格させるとき。

先に確認すること

学習内容を記録または昇格させる前に、以下の入力を確認してください。いずれかが不足または曖昧で、結果に影響する場合は質問してください。影響しない場合は妥当なデフォルトを使い、使用した値を明示してください。

• ループの段階： remember / extract / promote / review（サブスキルとワークフロー全体の進行先を決めます）。
• ソースデータ： 対象とするセッションログ、MEMORY.md、およびルールディレクトリ（ツールが読み書きする対象）。
• 昇格の基準： 学習内容を強制ルールに昇格させるための最小出現回数／確信度のしきい値（--min-occurrences。何を保持し、何を破棄するかを決めます）。

リスト全体ではなく、このリクエストで最も重要な入力を2つか3つ質問してください。ユーザーがすぐに結果を求めている場合は、前提を最初に明記して結果を提示してください。

サブスキル

複合サブスキルのアーキテクチャ — skills/ 内の各ファイルが、改善ループの各ステップを担当します。

サブスキル	ファイル	目的
記憶	skills/remember.md	現在のセッションからエラーと学習内容を記録する
抽出	skills/extract.md	完了した作業から再利用可能なパターンを抽出する
昇格	skills/promote.md	実証済みのパターンを恒久的なルールに昇格させる
レビュー	skills/review.md	メモリの健全性を監査し、古いエントリを整理する
ステータス	skills/status.md	メモリの状態と学習の進捗を表示するダッシュボード

フロー：Remember → Extract → Promote → Review。Status により、サイクル全体を可視化できます。

ツール

ツール	目的	コマンド
pattern_extractor.py	セッションログから再利用可能なパターンを抽出します	python scripts/pattern_extractor.py --input sessions.jsonl --min-occurrences 3
memory_health_checker.py	メモリの行数、古くなった項目、昇格可能な項目を監査します	python scripts/memory_health_checker.py --memory ./MEMORY.md --rules ./.claude/rules/
rule_promoter.py	メモリからルールへの昇格を検証し、適用します	python scripts/rule_promoter.py --memory ./MEMORY.md --list-candidates
feedback_analyzer.py	フィードバックログを分析し、成功率と改善の機会を把握します	python scripts/feedback_analyzer.py analyze
regression_detector.py	ベースラインと現在のパフォーマンス指標を比較します	python scripts/regression_detector.py compare
rule_manager.py	CRUD 操作で学習済みルールのナレッジベースを管理します	python scripts/rule_manager.py list

参考資料

タスクに合った参考資料を読み込みます。このファイルは簡潔に保ち、必要に応じて詳細を確認してください。

• references/memory-curation-guide.md — メモリスタック、レビュー手順、昇格基準と対象、Weekly Memory Health Check ワークフロー、継続的なキャリブレーションの仕組み（信頼度スコアリング＋信念の見直し）を扱います。MEMORY.md のキュレーションや、学習内容のルールへの昇格時に読みます。
• references/feedback-loop-patterns.md — 改善ループの中核となるアーキテクチャと成熟度レベル、成果の分類とシグナルの抽出、記録用テンプレート、回帰指標と対応、セッション後および回帰調査のワークフロー、よくある落とし穴、トラブルシューティング、成功基準を扱います。フィードバックの記録を設計するときや、回帰の原因を調査するときに読みます。
• references/meta-learning-architectures.md — スキル抽出の基準とプロセス、適応型の記録戦略、アンチパターンの検出を扱います。エージェントが自身の学習戦略を適応させるときや、実証済みのパターンをスキルとして抽出するときに読みます。
• references/self-improvement-methodology.md — エージェント学習の5つの層、信頼度スコアリングモデル、昇格の判断ツリー、メモリキュレーションのチェックリスト、アンチパターン、指標としきい値の表を扱います。手法の全体像を確認するときに読みます。

範囲と制限

このスキルで扱う内容：

• 実行履歴とユーザーからのフィードバックを通じて学習するエージェントを構築するためのアーキテクチャパターン。
• メモリのライフサイクル管理：学習した知識の記録、キュレーション、昇格、廃止。
• エージェントシステム向けのパフォーマンス回帰検出フレームワークと対応手順。
• 実証済みのパターンを再利用可能なスタンドアロンパッケージへ発展させるためのスキル抽出手法。

このスキルでは扱わない内容：

• ランタイムでのエージェントオーケストレーションやマルチエージェント連携については、agent-workflow-designer と agent-protocol を参照してください。
• プロンプト自体のプロンプトエンジニアリング、テスト、バージョン管理については、prompt-engineer-toolkit を参照してください。
• インフラレベルのオブザーバビリティ（ログ記録、トレース、アラートダッシュボード）については、observability-designer を参照してください。
• エージェントの初期アーキテクチャ設計、ツール選定、機能計画については、agent-designer を参照してください。

統合ポイント

スキル	統合内容	データフロー
context-engine	セッションごとにエージェントに表示する内容を制御します。このスキルは、長期的に記憶する価値のある情報を判断します	昇格されたルールと厳選されたメモリがコンテキスト検索に利用され、コンテキストの関連性メトリクスが回帰追跡のために戻されます
agent-designer	エージェントのアーキテクチャと機能を定義します。このスキルは、その上に学習インフラストラクチャを構築します	アーキテクチャ上の制約が実現可能なフィードバックループに反映され、抽出されたスキルが新たな機能として還元されます
prompt-engineer-toolkit	コードベースの進化に伴い、プロンプトの効果は低下します。このスキルは、成果の追跡を通じてプロンプトの回帰を検出します	パフォーマンスメトリクスがパフォーマンスの低いプロンプトを特定し、プロンプトの更新が CLAUDE.md のルール変更として反映されます
observability-designer	システムレベルのメトリクスを提供します。このスキルは、エージェントの動作レベルのメトリクスを提供します	システムテレメトリが回帰診断を強化し、エージェントのメトリクスがオブザーバビリティダッシュボードにエクスポートされます
tech-debt-tracker	古くなったルールや肥大化したメモリは、このスキルがコードの負債とともに明らかにできる技術的負債です	メモリの健全性メトリクスが負債のスコアリングに反映され、負債の優先順位付けによって、どの古いルールを廃止するかが決まります
agent-workflow-designer	複数ステップのワークフローでは、各ステップのフィードバック収集と、ワークフロー間のパターン抽出が有効です	各ステップの成果データがフィードバックループに送られ、抽出された最適化内容がワークフロー定義を更新します