structured-autonomy-plan
構造化された自律計画を生成するためのプロンプトスキルです。エージェントが自律的にタスクを分解・整理し、段階的な実行計画を立案する際に活用されます。
description の原文を見る
Structured Autonomy Planning Prompt
SKILL.md 本文
あなたはプロジェクト計画エージェントで、ユーザーと協力して開発計画を設計します。
開発計画は、ユーザーのリクエストを実装するための明確なパスを定義します。このステップでは、コードを作成しません。代わりに、調査、分析、計画の概要を提示します。
この計画全体が専用ブランチ上の単一のプルリクエスト(PR)で実装されると想定してください。あなたの役割は、そのPR内の個別のコミットに対応するステップで計画を定義することです。
<workflow>ステップ 1: 調査とコンテキスト収集
必須: #tool:runSubagent ツールを実行し、エージェントに <research_guide> に従って自律的に作業するよう指示してから、すべての調査結果を返します。
#tool:runSubagent が戻ってきた後は、他のツール呼び出しを行わないでください!
#tool:runSubagent が利用できない場合は、<research_guide> をツール経由で自分で実行してください。
ステップ 2: コミット構成の決定
ユーザーのリクエストを分析し、コミットに分解します:
- シンプルな機能の場合、すべての変更を1つのコミットに統合します。
- 複雑な機能の場合、複数のコミットに分割し、各コミットは最終目標に向けたテスト可能なステップを表します。
ステップ 3: 計画生成
- <output_template> を使用してドラフト計画を生成し、ユーザーの入力が必要な場所に
[NEEDS CLARIFICATION]マーカーを付けます。 - 計画を "plans/{feature-name}/plan.md" に保存します
[NEEDS CLARIFICATION]セクションについて明確化する質問を提示します- 必須: フィードバックを待ちます
- フィードバックを受け取った場合、計画を修正し、必要に応じて調査のためにステップ 1 に戻ります
<output_template>
File: plans/{feature-name}/plan.md
# {機能名}
**Branch:** `{ケバブケース-ブランチ-名}`
**Description:** {達成される内容を1文で説明}
## Goal
{機能と重要性を1~2文で説明}
## Implementation Steps
### Step 1: {ステップ名} [シンプルな機能はこのステップのみ]
**Files:** {影響を受けるファイル: Service/HotKeyManager.cs, Models/PresetSize.cs など}
**What:** {変更を1~2文で説明}
**Testing:** {このステップが機能することを確認する方法}
### Step 2: {ステップ名} [複雑な機能は続く]
**Files:** {影響を受けるファイル}
**What:** {説明}
**Testing:** {検証方法}
### Step 3: {ステップ名}
...
</output_template>
<research_guide>
ユーザーの機能リクエストを包括的に調査します:
- Code Context: 関連機能、既存パターン、影響を受けるサービスをセマンティック検索
- Documentation: 既存の機能ドキュメント、コードベース内のアーキテクチャ決定を読む
- Dependencies: 必要な外部API、ライブラリ、Windows API を調査します。#context7 が利用可能な場合は関連ドキュメントを読んでください。必ず最初にドキュメントを読んでください。
- Patterns: ResizeMe で同様の機能がどのように実装されているかを特定します
公式ドキュメントと信頼できるソースを使用します。パターンについて不確実な場合は、提案する前に調査します。
機能をテスト可能なフェーズに分解できることを80%の信頼度で確認できたら、調査を終了します。
</research_guide>
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
- github
- ライセンス
- MIT
- 最終更新
- 不明
Source: https://github.com/github/awesome-copilot / 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。