error-debugging-multi-agent-review
エラーのデバッグやマルチエージェントによるコードレビューを行う際に活用するスキル。複数のエージェントが連携してエラーの原因を特定・分析し、効率的な問題解決をサポートします。
description の原文を見る
Use when working with error debugging multi agent review
SKILL.md 本文
マルチエージェント コードレビュー オーケストレーション ツール
このスキルを使用するのはこのような場合
- マルチエージェント コードレビュー オーケストレーション ツールのタスクやワークフローで作業している
- マルチエージェント コードレビュー オーケストレーション ツールに関するガイダンス、ベストプラクティス、またはチェックリストが必要
このスキルを使用しないのはこのような場合
- タスクがマルチエージェント コードレビュー オーケストレーション ツールと無関係
- このスコープ外の別のドメインやツールが必要
手順
- 目標、制約条件、必要なインプットを明確にする。
- 関連するベストプラクティスを適用し、成果を検証する。
- 実行可能なステップと検証方法を提供する。
- 詳細な例が必要な場合は、
resources/implementation-playbook.mdを開く。
役割: マルチエージェント レビュー オーケストレーション スペシャリスト
インテリジェントなエージェント協調とスペシャライズドなドメイン専門知識を活用して、ソフトウェア成果物の包括的でマルチパースペクティブな分析を提供するために設計された、洗練された AI 駆動型コードレビューシステム。
コンテキストと目的
マルチエージェント レビュー ツールは、分散された特化したエージェント ネットワークを活用して、従来の単一パースペクティブ レビューアプローチを超えた全体的なコード評価を実行します。異なる専門知識を持つエージェントを調整することで、複数の重要な次元にわたるニュアンスに富んだインサイトをキャプチャする包括的な評価を生成します:
- 深さ: スペシャライズド エージェントが特定のドメインに深く潜り込む
- 幅: 並列処理で包括的なカバレッジを実現
- インテリジェンス: コンテキスト認識ルーティングとインテリジェント合成
- 適応性: コード特性に基づいた動的エージェント選択
ツール引数と設定
入力パラメーター
$ARGUMENTS: レビュー対象のコード/プロジェクト- サポート対象: ファイルパス、Git リポジトリ、コードスニペット
- 複数の入力フォーマットに対応
- コンテキスト抽出とエージェント ルーティングを実現
エージェント タイプ
- コード品質レビューアー
- セキュリティ監査人
- アーキテクチャ スペシャリスト
- パフォーマンス アナリスト
- コンプライアンス バリデーター
- ベストプラクティス エキスパート
マルチエージェント 協調戦略
1. エージェント選択とルーティング ロジック
- 動的エージェント マッチング:
- 入力特性を分析
- 最も適切なエージェント タイプを選択
- スペシャライズド サブエージェントを動的に設定
- 専門知識ルーティング:
def route_agents(code_context): agents = [] if is_web_application(code_context): agents.extend([ "security-auditor", "web-architecture-reviewer" ]) if is_performance_critical(code_context): agents.append("performance-analyst") return agents
2. コンテキスト管理と状態パッシング
- コンテキスト インテリジェンス:
- エージェント インタラクション全体で共有コンテキストを維持
- 洗練されたインサイトをエージェント間で伝達
- インクリメンタル レビュー改善をサポート
- コンテキスト プロパゲーション モデル:
class ReviewContext: def __init__(self, target, metadata): self.target = target self.metadata = metadata self.agent_insights = {} def update_insights(self, agent_type, insights): self.agent_insights[agent_type] = insights
3. 並列 vs シーケンシャル実行
- ハイブリッド実行戦略:
- 独立したレビューの並列実行
- 依存インサイトのシーケンシャル処理
- インテリジェントなタイムアウトと フォールバック メカニズム
- 実行フロー:
def execute_review(review_context): # Parallel independent agents parallel_agents = [ "code-quality-reviewer", "security-auditor" ] # Sequential dependent agents sequential_agents = [ "architecture-reviewer", "performance-optimizer" ]
4. 結果の集約と合成
- インテリジェント統合:
- 複数のエージェントからのインサイトをマージ
- 矛盾する推奨事項を解決
- 統一された優先順位付きレポートを生成
- 合成アルゴリズム:
def synthesize_review_insights(agent_results): consolidated_report = { "critical_issues": [], "important_issues": [], "improvement_suggestions": [] } # Intelligent merging logic return consolidated_report
5. コンフリクト解決メカニズム
- スマート コンフリクト ハンドリング:
- 矛盾するエージェント推奨事項を検出
- 重み付けスコアリングを適用
- 複雑なコンフリクトをエスカレート
- 解決戦略:
def resolve_conflicts(agent_insights): conflict_resolver = ConflictResolutionEngine() return conflict_resolver.process(agent_insights)
6. パフォーマンス最適化
- 効率化テクニック:
- 冗長処理を最小化
- 中間結果をキャッシュ
- 適応的なエージェント リソース割り当て
- 最適化アプローチ:
def optimize_review_process(review_context): return ReviewOptimizer.allocate_resources(review_context)
7. 品質検証フレームワーク
- 包括的な検証:
- クロスエージェント結果検証
- 統計的信頼度スコアリング
- 継続的な学習と改善
- 検証プロセス:
def validate_review_quality(review_results): quality_score = QualityScoreCalculator.compute(review_results) return quality_score > QUALITY_THRESHOLD
実装例
1. 並列コードレビュー シナリオ
multi_agent_review(
target="/path/to/project",
agents=[
{"type": "security-auditor", "weight": 0.3},
{"type": "architecture-reviewer", "weight": 0.3},
{"type": "performance-analyst", "weight": 0.2}
]
)
2. シーケンシャル ワークフロー
sequential_review_workflow = [
{"phase": "design-review", "agent": "architect-reviewer"},
{"phase": "implementation-review", "agent": "code-quality-reviewer"},
{"phase": "testing-review", "agent": "test-coverage-analyst"},
{"phase": "deployment-readiness", "agent": "devops-validator"}
]
3. ハイブリッド オーケストレーション
hybrid_review_strategy = {
"parallel_agents": ["security", "performance"],
"sequential_agents": ["architecture", "compliance"]
}
リファレンス実装
- ウェブアプリケーション セキュリティ レビュー
- マイクロサービス アーキテクチャ 検証
ベストプラクティスと考慮事項
- エージェント独立性を維持
- 堅牢なエラーハンドリングを実装
- 確率的ルーティングを使用
- インクリメンタル レビューをサポート
- プライバシーとセキュリティを確保
拡張性
このツールはプラグインベースのアーキテクチャで設計されており、新しいエージェント タイプとレビュー戦略の追加が容易です。
実行方法
レビュー対象: $ARGUMENTS
制限事項
- このスキルは、タスクが上記で説明されたスコープと明確に一致する場合にのみ使用してください。
- 出力を環境固有の検証、テスト、または専門家レビューの代替物と見なさないでください。
- 必要なインプット、権限、安全性境界、または成功基準が不足している場合は、停止して明確化を求めてください。
ライセンス: MIT(寛容ライセンスのため全文を引用しています) · 原本リポジトリ
詳細情報
- 作者
- sickn33
- ライセンス
- MIT
- 最終更新
- 不明
Source: https://github.com/sickn33/antigravity-awesome-skills / ライセンス: MIT
関連スキル
agent-browser
AI エージェント向けのブラウザ自動化 CLI です。ウェブサイトとの対話が必要な場合に使用します。ページ遷移、フォーム入力、ボタンクリック、スクリーンショット取得、データ抽出、ウェブアプリのテスト、ブラウザ操作の自動化など、あらゆるブラウザタスクに対応できます。「ウェブサイトを開く」「フォームに記入する」「ボタンをクリックする」「スクリーンショットを取得する」「ページからデータを抽出する」「このウェブアプリをテストする」「サイトにログインする」「ブラウザ操作を自動化する」といった要求や、プログラマティックなウェブ操作が必要なタスクで起動します。
anyskill
AnySkill — あなたのプライベート・スキルクラウド。GitHubを基盤としたリポジトリからエージェントスキルを管理、同期、動的にロードできます。自然言語でクラウドスキルを検索し、オンデマンドでプロンプトを自動ロード、カスタムスキルのアップロードと共有、スキルバンドルの一括インストールが可能です。OpenClaw、Antigravity、Claude Code、Cursorに対応しています。
engram
AIエージェント向けの永続的なメモリシステムです。バグ修正、意思決定、発見、設定変更の後はmem_saveを使用してください。ユーザーが「覚えている」「記憶している」と言及した場合、または以前のセッションと重複する作業を開始する際はmem_searchを使用します。セッション終了前にmem_session_summaryを使用して、コンテキストを保持してください。
skyvern
AI駆動のブラウザ自動化により、任意のウェブサイトを自動化できます。フォーム入力、データ抽出、ファイルダウンロード、ログイン、複数ステップのワークフロー実行など、ユーザーがウェブサイトと連携する必要があるときに使用します。Skyvernは、LLMとコンピュータビジョンを活用して、未知のサイトも自動操作可能です。Python SDK、TypeScript SDK、REST API、MCPサーバー、またはCLIを通じて統合できます。
pinchbench
PinchBenchベンチマークを実行して、OpenClawエージェントの実世界タスクにおけるパフォーマンスを評価できます。モデルの機能テスト、モデル間の比較、ベンチマーク結果のリーダーボード提出、またはOpenClawのセットアップがカレンダー、メール、リサーチ、コーディング、複数ステップのワークフローにどの程度対応しているかを確認する際に使用します。
openui
OpenUIとOpenUI Langを使用してジェネレーティブUIアプリを構築できます。これらはLLM生成インターフェースのためのトークン効率的なオープン標準です。OpenUI、@openuidev、ジェネレーティブUI、LLMからのストリーミングUI、AI向けコンポーネントライブラリ、またはjson-render/A2UIの置き換えについて述べる際に使用します。スキャフォルディング、defineComponent、システムプロンプト、Renderer、およびOpenUI Lang出力のデバッグに対応しています。