sparc-methodology

SPARC Methodology - Comprehensive Development Framework

概要

SPARC（Specification、Pseudocode、Architecture、Refinement、Completion）は、このフレームワークのマルチエージェントオーケストレーション機能と統合された、体系的な開発手法です。初期調査からデプロイ、モニタリングまで、包括的なソフトウェア開発を支える17種類の専門モードを提供します。

agent-studio の場合： 以下の mcp__claude-flow__* または npx claude-flow の例が利用できないときは、Task ツールでエージェント（例：planner、developer、qa、architect）を起動し、代わりに .claude/workflows/ と router-decision.md のワークフローに従ってください。

目次

1. 基本理念
2. 開発フェーズ
3. 利用可能なモード
4. 有効化方法
5. オーケストレーションパターン
6. TDD ワークフロー
7. ベストプラクティス
8. 統合例
9. 一般的なワークフロー

---

基本理念

SPARC 手法では、以下を重視します。

• 体系的なアプローチ：仕様策定から完了までの構造化されたフェーズ
• テスト駆動開発：実装前にテストを作成
• 並列実行：エージェントを並行して連携させ、2.8～4.4 倍の速度向上を実現
• メモリ統合：エージェントやセッションをまたいだ永続的な知識共有
• 品質優先：包括的なレビュー、テスト、検証
• モジュール設計：明確なインターフェースによる関心事の適切な分離

主な原則

1. コードより先に仕様を定める：要件と制約を明確に定義します
2. 実装より先に設計する：アーキテクチャとコンポーネントを計画します
3. 機能より先にテストする：失敗するテストを書いてから、合格させます
4. すべてをレビューする：コード品質、セキュリティ、パフォーマンスを確認します
5. 継続的に文書化する：常に最新のドキュメントを維持します

---

開発フェーズ

フェーズ 1：仕様策定

目標：要件、制約、成功基準を定義します

• 要件分析
• ユーザーストーリーのマッピング
• 制約の特定
• 成功指標の定義
• 疑似コードの計画

主なモード：researcher、analyzer、memory-manager

フェーズ 2：アーキテクチャ

目標：システム構造とコンポーネントのインターフェースを設計します

• システムアーキテクチャの設計
• コンポーネントインターフェースの定義
• データベーススキーマの計画
• API コントラクトの仕様策定
• インフラストラクチャの計画

主なモード：architect、designer、orchestrator

フェーズ 3：リファインメント（TDD による実装）

目標：テストファーストのアプローチで機能を実装します

• 失敗するテストを書く
• 最小限の実用的なコードを実装する
• テストを合格させる
• 品質向上のためにリファクタリングする
• 完了するまで繰り返す

主なモード：tdd、coder、tester

フェーズ 4：レビュー

目標：コード品質、セキュリティ、パフォーマンスを確保します

• コード品質の評価
• セキュリティ脆弱性のスキャン
• パフォーマンスのプロファイリング
• ベストプラクティスへの準拠確認
• ドキュメントのレビュー

主なモード：reviewer、optimizer、debugger

フェーズ 5：完了

目標：統合、デプロイ、モニタリングを行います

• システム統合
• デプロイの自動化
• モニタリングの設定
• ドキュメントの最終化
• 知識の記録

主なモード：workflow-manager、documenter、memory-manager

---

利用可能なモード

コアオーケストレーションモード

orchestrator

TaskCreate／Task／Memory による連携を用いた、マルチエージェントのタスクオーケストレーションです。

機能：

• タスクを管理可能な単位に分解
• エージェントの連携とリソースの割り当て
• 進捗の追跡と結果の統合
• 適応的な戦略の選択
• エージェント間のコミュニケーション

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "orchestrator",
  task_description: "coordinate feature development",
  options: { parallel: true, monitor: true }
}

swarm-coordinator

複雑なマルチエージェントワークフローに特化したスウォーム管理です。

機能：

• トポロジーの最適化（メッシュ、階層型、リング、スター）
• エージェントのライフサイクル管理
• ワークロードに応じた動的スケーリング
• フォールトトレランスと復旧
• パフォーマンスの監視

workflow-manager

プロセスの自動化とワークフローのオーケストレーションです。

機能：

• ワークフローの定義と実行
• イベント駆動型トリガー
• シーケンシャルおよび並列パイプライン
• 状態管理
• エラー処理と再試行ロジック

batch-executor

高スループットの操作に向けた並列タスク実行です。

機能：

• ファイル操作の同時実行
• バッチ処理の最適化
• リソースプーリング
• 負荷分散
• 進捗の集約

---

開発モード

coder

バッチファイル操作による自律的なコード生成です。

機能：

• 機能の実装
• コードのリファクタリング
• バグ修正とパッチ適用
• API 開発
• アルゴリズムの実装

品質基準：

• ES2022 以降の標準
• TypeScript の型安全性
• 包括的なエラー処理
• パフォーマンスの最適化
• セキュリティのベストプラクティス

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "implement user authentication with JWT",
  options: {
    test_driven: true,
    parallel_edits: true,
    typescript: true
  }
}

architect

Memory ベースの連携によるシステム設計です。

機能：

• マイクロサービスアーキテクチャ
• イベント駆動型設計
• ドメイン駆動設計（DDD）
• ヘキサゴナルアーキテクチャ
• CQRS とイベントソーシング

Memory との連携：

• アーキテクチャ上の決定を保存する
• コンポーネント仕様を共有する
• 設計の一貫性を維持する
• アーキテクチャの変遷を追跡する

設計パターン：

• レイヤードアーキテクチャ
• マイクロサービスパターン
• イベント駆動型パターン
• ドメインモデリング
• Infrastructure as Code

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "architect",
  task_description: "design scalable e-commerce platform",
  options: {
    detailed: true,
    memory_enabled: true,
    patterns: ["microservices", "event-driven"]
  }
}

tdd

包括的なテストを行うテスト駆動開発です。

機能：

• テストファースト開発
• レッド・グリーン・リファクターサイクル
• テストスイートの設計
• カバレッジの最適化（目標：90% 以上）
• 継続的テスト

TDD ワークフロー：

1. 失敗するテストを書く（RED）
2. 最小限のコードを実装する
3. テストを成功させる（GREEN）
4. 品質向上のためにリファクタリングする（REFACTOR）
5. サイクルを繰り返す

テスト戦略：

• ユニットテスト（Jest、Mocha、Vitest）
• インテグレーションテスト
• エンドツーエンドテスト（Playwright、Cypress）
• パフォーマンステスト
• セキュリティテスト

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "tdd",
  task_description: "shopping cart feature with payment integration",
  options: {
    coverage_target: 90,
    test_framework: "jest",
    e2e_framework: "playwright"
  }
}

reviewer

バッチファイル分析によるコードレビューです。

機能：

• コード品質の評価
• セキュリティ脆弱性の検出
• パフォーマンス分析
• ベストプラクティスへの準拠確認
• ドキュメントレビュー

レビュー基準：

• コードの正確性とロジック
• 設計パターンへの準拠
• 包括的なエラー処理
• テストカバレッジの適切性
• 保守性と可読性
• セキュリティ脆弱性
• パフォーマンスのボトルネック

バッチ分析：

• ファイルの並列レビュー
• パターン検出
• 依存関係の確認
• 一貫性の検証
• 自動レポート作成

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "reviewer",
  task_description: "review authentication module PR #123",
  options: {
    security_check: true,
    performance_check: true,
    test_coverage_check: true
  }
}

---

分析および調査モード

researcher

WebSearch/WebFetch の並列実行と Memory との連携による詳細な調査です。

機能：

• 包括的な情報収集
• 情報源の信頼性評価
• トレンド分析と予測
• 競合調査
• 技術評価

調査方法：

• Web 検索の並列実行
• 学術論文の分析
• 業界レポートの統合
• 専門家の意見収集
• 統計データの集約

Memory との連携：

• 引用情報とともに調査結果を保存する
• ナレッジグラフを構築する
• 情報源を追跡する
• 知見を相互参照する
• 調査履歴を維持する

使用方法：

mcp__claude-flow__sparc_mode {
  mode: "researcher",
  task_description: "research microservices best practices 2024",
  options: {
    depth: "comprehensive",
    sources: ["academic", "industry", "news"],
    citations: true
  }
}

analyzer

パターン認識を用いたコードとデータの分析です。

機能：

• 静的コード分析
• 依存関係の分析
• パフォーマンスプロファイリング
• セキュリティスキャン
• データパターンの認識

optimizer

パフォーマンスの最適化とボトルネックの解消です。

機能：

• アルゴリズムの最適化
• データベースクエリのチューニング
• キャッシュ戦略の設計
• バンドルサイズの削減
• メモリリークの検出

---

クリエイティブおよびサポートモード

designer

アクセシビリティを重視した UI/UX デザインです。

機能：

• インターフェースデザイン
• ユーザーエクスペリエンスの最適化
• アクセシビリティへの準拠（WCAG 2.1）
• デザインシステムの作成
• レスポンシブレイアウトのデザイン

innovator

創造的な問題解決と斬新なソリューションです。

機能：

• ブレインストーミングとアイデア創出
• 代替アプローチの生成
• テクノロジーの評価
• 概念実証の開発
• イノベーションの実現可能性分析

documenter

包括的なドキュメントを生成します。

機能：

• API ドキュメント（OpenAPI/Swagger）
• アーキテクチャ図
• ユーザーガイドとチュートリアル
• コードコメントと JSDoc
• README と変更履歴の保守

debugger

体系的なデバッグと問題解決を行います。

機能：

• バグの再現
• 根本原因分析
• 修正の実装
• リグレッションの防止
• デバッグログの最適化

tester

TDD の範囲を超えた包括的なテストを行います。

機能：

• テストスイートの拡充
• エッジケースの特定
• パフォーマンステスト
• 負荷テスト
• カオスエンジニアリング

memory-manager

ナレッジ管理とコンテキストの保持を行います。

機能：

• セッションをまたいだメモリーの永続化
• ナレッジグラフの構築
• コンテキストの復元
• 学習パターンの抽出
• 意思決定の追跡

---

有効化方法

方法 1：MCP ツール（Claude Code で推奨）

最適な用途：完全なオーケストレーション機能を備えた、Claude Code と統合されたワークフロー

// Basic mode execution
mcp__claude-flow__sparc_mode {
  mode: "<mode-name>",
  task_description: "<task description>",
  options: {
    // mode-specific options
  }
}

// Initialize swarm for complex tasks
mcp__claude-flow__swarm_init {
  topology: "hierarchical",  // or "mesh", "ring", "star"
  strategy: "auto",           // or "balanced", "specialized", "adaptive"
  maxAgents: 8
}

// Spawn specialized agents
mcp__claude-flow__agent_spawn {
  type: "<agent-type>",
  capabilities: ["<capability1>", "<capability2>"]
}

// Monitor execution
mcp__claude-flow__swarm_monitor {
  swarmId: "current",
  interval: 5000
}

方法 2：NPX CLI（代替手段）

最適な用途：ターミナルでの使用、または MCP ツールが利用できない場合

# Execute specific mode
npx claude-flow sparc run <mode> "task description"

# Use alpha features
npx claude-flow@alpha sparc run <mode> "task description"

# List all available modes
npx claude-flow sparc modes

# Get help for specific mode
npx claude-flow sparc help <mode>

# Run with options
npx claude-flow sparc run <mode> "task" --parallel --monitor

# Execute TDD workflow
npx claude-flow sparc tdd "feature description"

# Batch execution
npx claude-flow sparc batch <mode1,mode2,mode3> "task"

# Pipeline execution
npx claude-flow sparc pipeline "task description"

方法 3：ローカルインストール

最適な用途：claude-flow をローカルにインストールしたプロジェクト

# If claude-flow is installed locally
./claude-flow sparc run <mode> "task description"

---

オーケストレーションパターン

パターン 1：階層型調整

最適な用途：明確な委任階層を持つ複雑なプロジェクト

// Initialize hierarchical swarm
mcp__claude-flow__swarm_init {
  topology: "hierarchical",
  maxAgents: 12
}

// Spawn coordinator
mcp__claude-flow__agent_spawn {
  type: "coordinator",
  capabilities: ["planning", "delegation", "monitoring"]
}

// Spawn specialized workers
mcp__claude-flow__agent_spawn { type: "architect" }
mcp__claude-flow__agent_spawn { type: "coder" }
mcp__claude-flow__agent_spawn { type: "tester" }
mcp__claude-flow__agent_spawn { type: "reviewer" }

パターン 2：メッシュ型調整

最適な用途：ピアツーピア通信を必要とする共同作業

mcp__claude-flow__swarm_init {
  topology: "mesh",
  strategy: "balanced",
  maxAgents: 6
}

パターン 3：逐次パイプライン

最適な用途：順序に沿ったワークフローの実行（仕様 → 設計 → コード → テスト → レビュー）

mcp__claude-flow__workflow_create {
  name: "development-pipeline",
  steps: [
    { mode: "researcher", task: "gather requirements" },
    { mode: "architect", task: "design system" },
    { mode: "coder", task: "implement features" },
    { mode: "tdd", task: "create tests" },
    { mode: "reviewer", task: "review code" }
  ],
  triggers: ["on_step_complete"]
}

パターン 4：並列実行

最適な用途：同時に実行できる独立したタスク

mcp__claude-flow__task_orchestrate {
  task: "build full-stack application",
  strategy: "parallel",
  dependencies: {
    backend: [],
    frontend: [],
    database: [],
    tests: ["backend", "frontend"]
  }
}

パターン 5：適応型戦略

最適な用途：要件が変化する動的なワークロード

mcp__claude-flow__swarm_init {
  topology: "hierarchical",
  strategy: "adaptive",  // Auto-adjusts based on workload
  maxAgents: 20
}

---

TDD ワークフロー

完全な TDD ワークフロー

// Step 1: Initialize TDD swarm
mcp__claude-flow__swarm_init {
  topology: "hierarchical",
  maxAgents: 8
}

// Step 2: Research and planning
mcp__claude-flow__sparc_mode {
  mode: "researcher",
  task_description: "research testing best practices for feature X"
}

// Step 3: Architecture design
mcp__claude-flow__sparc_mode {
  mode: "architect",
  task_description: "design testable architecture for feature X"
}

// Step 4: TDD implementation
mcp__claude-flow__sparc_mode {
  mode: "tdd",
  task_description: "implement feature X with 90% coverage",
  options: {
    coverage_target: 90,
    test_framework: "jest",
    parallel_tests: true
  }
}

// Step 5: Code review
mcp__claude-flow__sparc_mode {
  mode: "reviewer",
  task_description: "review feature X implementation",
  options: {
    test_coverage_check: true,
    security_check: true
  }
}

// Step 6: Optimization
mcp__claude-flow__sparc_mode {
  mode: "optimizer",
  task_description: "optimize feature X performance"
}

レッド・グリーン・リファクターサイクル

// RED: Write failing test
mcp__claude-flow__sparc_mode {
  mode: "tester",
  task_description: "create failing test for shopping cart add item",
  options: { expect_failure: true }
}

// GREEN: Minimal implementation
mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "implement minimal code to pass test",
  options: { minimal: true }
}

// REFACTOR: Improve code quality
mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "refactor shopping cart implementation",
  options: { maintain_tests: true }
}

---

ベストプラクティス

1. メモリーの統合

エージェント間の調整には必ずメモリーを使用します：

// Store architectural decisions
mcp__claude-flow__memory_usage {
  action: "store",
  namespace: "architecture",
  key: "api-design-v1",
  value: JSON.stringify(apiDesign),
  ttl: 86400000  // 24 hours
}

// Retrieve in subsequent agents
mcp__claude-flow__memory_usage {
  action: "retrieve",
  namespace: "architecture",
  key: "api-design-v1"
}

2. 並列操作

関連する操作はすべて、1 つのメッセージにまとめます：

// ✅ CORRECT: All operations together
[Single Message]:
  mcp__claude-flow__agent_spawn { type: "researcher" }
  mcp__claude-flow__agent_spawn { type: "coder" }
  mcp__claude-flow__agent_spawn { type: "tester" }
  TaskCreate { tasks: [8-10 tasks] }

// ❌ WRONG: Multiple messages
Message 1: mcp__claude-flow__agent_spawn { type: "researcher" }
Message 2: mcp__claude-flow__agent_spawn { type: "coder" }
Message 3: TaskCreate { tasks: [...] }

3. フックの統合

すべての SPARC モードでフックを使用します：

# Before work
npx claude-flow@alpha hooks pre-task --description "implement auth"

# During work
npx claude-flow@alpha hooks post-edit --file "auth.js"

# After work
npx claude-flow@alpha hooks post-task --task-id "task-123"

4. テストカバレッジ

最低 90% のカバレッジを維持します：

• すべての関数にユニットテストを実施
• API にインテグレーションテストを実施
• 重要なフローに E2E テストを実施
• エッジケースをカバー
• エラーパスをテスト

5. ドキュメント

構築と同時にドキュメントを作成します：

• API ドキュメント（OpenAPI）
• アーキテクチャ決定記録（ADR）
• 複雑なロジックのコードコメント
• セットアップ手順を記載した README
• バージョン追跡用の変更履歴

6. ファイルの整理

ルートフォルダーには絶対に保存しないでください：

project/
├── src/           # Source code
├── tests/         # Test files
├── docs/          # Documentation
├── config/        # Configuration
├── scripts/       # Utility scripts
└── examples/      # Example code

---

統合例

例 1：フルスタック開発

[Single Message - Parallel Agent Execution]:

// Initialize swarm
mcp__claude-flow__swarm_init {
  topology: "hierarchical",
  maxAgents: 10
}

// Architecture phase
mcp__claude-flow__sparc_mode {
  mode: "architect",
  task_description: "design REST API with authentication",
  options: { memory_enabled: true }
}

// Research phase
mcp__claude-flow__sparc_mode {
  mode: "researcher",
  task_description: "research authentication best practices"
}

// Implementation phase
mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "implement Express API with JWT auth",
  options: { test_driven: true }
}

// Testing phase
mcp__claude-flow__sparc_mode {
  mode: "tdd",
  task_description: "comprehensive API tests",
  options: { coverage_target: 90 }
}

// Review phase
mcp__claude-flow__sparc_mode {
  mode: "reviewer",
  task_description: "security and performance review",
  options: { security_check: true }
}

// Batch task creation
TaskCreate {
  tasks: [
    {content: "Design API schema", status: "completed"},
    {content: "Research JWT implementation", status: "completed"},
    {content: "Implement authentication", status: "in_progress"},
    {content: "Write API tests", status: "pending"},
    {content: "Security review", status: "pending"},
    {content: "Performance optimization", status: "pending"},
    {content: "API documentation", status: "pending"},
    {content: "Deployment setup", status: "pending"}
  ]
}

例 2：調査に基づくイノベーション

// Research phase
mcp__claude-flow__sparc_mode {
  mode: "researcher",
  task_description: "research AI-powered search implementations",
  options: {
    depth: "comprehensive",
    sources: ["academic", "industry"]
  }
}

// Innovation phase
mcp__claude-flow__sparc_mode {
  mode: "innovator",
  task_description: "propose novel search algorithm",
  options: { memory_enabled: true }
}

// Architecture phase
mcp__claude-flow__sparc_mode {
  mode: "architect",
  task_description: "design scalable search system"
}

// Implementation phase
mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "implement search algorithm",
  options: { test_driven: true }
}

// Documentation phase
mcp__claude-flow__sparc_mode {
  mode: "documenter",
  task_description: "document search system architecture and API"
}

例 3：レガシーコードのリファクタリング

// Analysis phase
mcp__claude-flow__sparc_mode {
  mode: "analyzer",
  task_description: "analyze legacy codebase dependencies"
}

// Planning phase
mcp__claude-flow__sparc_mode {
  mode: "orchestrator",
  task_description: "plan incremental refactoring strategy"
}

// Testing phase (create safety net)
mcp__claude-flow__sparc_mode {
  mode: "tester",
  task_description: "create comprehensive test suite for legacy code",
  options: { coverage_target: 80 }
}

// Refactoring phase
mcp__claude-flow__sparc_mode {
  mode: "coder",
  task_description: "refactor module X with modern patterns",
  options: { maintain_tests: true }
}

// Review phase
mcp__claude-flow__sparc_mode {
  mode: "reviewer",
  task_description: "validate refactoring maintains functionality"
}

---

よくあるワークフロー

ワークフロー 1：機能開発

# Step 1: Research and planning
npx claude-flow sparc run researcher "authentication patterns"

# Step 2: Architecture design
npx claude-flow sparc run architect "design auth system"

# Step 3: TDD implementation
npx claude-flow sparc tdd "user authentication feature"

# Step 4: Code review
npx claude-flow sparc run reviewer "review auth implementation"

# Step 5: Documentation
npx claude-flow sparc run documenter "document auth API"

ワークフロー 2：バグ調査

# Step 1: Analyze issue
npx claude-flow sparc run analyzer "investigate bug #456"

# Step 2: Debug systematically
npx claude-flow sparc run debugger "fix memory leak in service X"

# Step 3: Create tests
npx claude-flow sparc run tester "regression tests for bug #456"

# Step 4: Review fix
npx claude-flow sparc run reviewer "validate bug fix"

ワークフロー 3：パフォーマンス最適化

# Step 1: Profile performance
npx claude-flow sparc run analyzer "profile API response times"

# Step 2: Identify bottlenecks
npx claude-flow sparc run optimizer "optimize database queries"

# Step 3: Implement improvements
npx claude-flow sparc run coder "implement caching layer"

# Step 4: Benchmark results
npx claude-flow sparc run tester "performance benchmarks"

ワークフロー 4：完全なパイプライン

# Execute full development pipeline
npx claude-flow sparc pipeline "e-commerce checkout feature"

# This automatically runs:
# 1. researcher - Gather requirements
# 2. architect - Design system
# 3. coder - Implement features
# 4. tdd - Create comprehensive tests
# 5. reviewer - Code quality review
# 6. optimizer - Performance tuning
# 7. documenter - Documentation

---

高度な機能

ニューラルパターンのトレーニング

// Train patterns from successful workflows
mcp__claude-flow__neural_train {
  pattern_type: "coordination",
  training_data: "successful_tdd_workflow.json",
  epochs: 50
}

セッションをまたいだメモリー

// Save session state
mcp__claude-flow__memory_persist {
  sessionId: "feature-auth-v1"
}

// Restore in new session
mcp__claude-flow__context_restore {
  snapshotId: "feature-auth-v1"
}

GitHub 連携

// Analyze repository
mcp__claude-flow__github_repo_analyze {
  repo: "owner/repo",
  analysis_type: "code_quality"
}

// Manage pull requests
mcp__claude-flow__github_pr_manage {
  repo: "owner/repo",
  pr_number: 123,
  action: "review"
}

パフォーマンス監視

// Real-time swarm monitoring
mcp__claude-flow__swarm_monitor {
  swarmId: "current",
  interval: 5000
}

// Bottleneck analysis
mcp__claude-flow__bottleneck_analyze {
  component: "api-layer",
  metrics: ["latency", "throughput", "errors"]
}

// Token usage tracking
mcp__claude-flow__token_usage {
  operation: "feature-development",
  timeframe: "24h"
}

---

パフォーマンス上のメリット

実証済みの結果：

• 84.8% の SWE-Bench 解決率
• 最適化による 32.3% のトークン削減
• 並列実行による 2.8～4.4 倍 の速度向上
• パターン学習用の 27 以上 のニューラルモデル
• 90% 以上 のテストカバレッジ基準

---

サポートとリソース

• ドキュメント：https://github.com/ruvnet/claude-flow
• イシュー：https://github.com/ruvnet/claude-flow/issues
• NPM パッケージ：https://www.npmjs.com/package/claude-flow
• コミュニティ：Discord サーバー（リポジトリ内のリンク）

---

クイックリファレンス

よく使うコマンド

# List modes
npx claude-flow sparc modes

# Run specific mode
npx claude-flow sparc run <mode> "task"

# TDD workflow
npx claude-flow sparc tdd "feature"

# Full pipeline
npx claude-flow sparc pipeline "task"

# Batch execution
npx claude-flow sparc batch <modes> "task"

よく使う MCP 呼び出し

// Initialize swarm
mcp__claude-flow__swarm_init { topology: "hierarchical" }

// Execute mode
mcp__claude-flow__sparc_mode { mode: "coder", task_description: "..." }

// Monitor progress
mcp__claude-flow__swarm_monitor { interval: 5000 }

// Store in memory
mcp__claude-flow__memory_usage { action: "store", key: "...", value: "..." }

---

鉄の掟

1. 仕様策定フェーズを完了する前に、実装コードを決して書かないでください
2. 改善フェーズでは、実装を始める前に必ず失敗するテストを書いてください
3. 現在のフェーズのレビューゲートをすべて完了する前に、次の SPARC フェーズへ決して進まないでください
4. エージェントを起動する前に、複雑なタスクを明示的な依存関係を持つサブタスクに必ず分解してください
5. 品質ゲートを通過した証拠を文書化せずに、フェーズの完了を決して宣言しないでください

アンチパターン

アンチパターン	失敗する理由	正しいアプローチ
仕様策定フェーズを省略する	実装の対象が誤った要件になる	コードを書く前に、要件、ユーザーストーリー、制約を定義する
テストの前に実装する	正しさを検証できず、リグレッションを見逃す	機能コードを書く前に、改善フェーズで失敗するテストを書く
時間に追われてフェーズを飛ばす	品質ゲートを見逃し、後続のフェーズが失敗する	先へ進む前にすべてのレビューゲートを完了する。ゲートがあるのには正当な理由があります
依存関係を整理せずにエージェントを起動する	エージェント同士が作業を妨げたり、重複して作業したりする	エージェントを起動する前に、タスクの依存関係と並列グループを整理する
証拠なしにフェーズを完了扱いにする	不完全な作業が後続のフェーズに引き継がれる	各フェーズで明示的なゲート通過の証拠（テスト結果、レビュー承認）を求める

メモリプロトコル（必須）

開始前： .claude/context/memory/learnings.md を読みます

完了後：

• 新しいパターン → .claude/context/memory/learnings.md
• 見つかった問題 → .claude/context/memory/issues.md
• 決定事項 → .claude/context/memory/decisions.md

中断を想定してください。メモリに記録されていなければ、実行されていないものとします。

覚えておいてください：SPARC = Systematic（体系的）、Parallel（並列）、Agile（アジャイル）、Refined（洗練）、Complete（完全）