データ集約型レポート解説原稿生成スキル
これは中短編の専門レポート、企業の財務報告、証券会社のリサーチレポート、業界ホワイトペーパーなど、データ集約型の資料向けに設計された動画原稿生成スキルです。複雑なデータや表を、一般の人が理解できて役立つ「ハードコアな解説動画」に変換します。
本スキルは薄いエントリポイントとして機能し、レポート処理を以下の個別に保守可能なモジュールに分割します。
- reading-and-extraction.md:高精度なテキスト/表抽出(ローカル抽出/外部前処理と組み合わせ)、データ対照表の初期化とウィンドウ読み込み。
- writing-standard.md:レポート解説原稿の冒頭、論理展開、データの口語化基準、最終JSON出力契約。
- revision-workflow.md:v1初稿、v2データ照合稿、最終稿、および修正監査差分プロセス。
本文の長さ設定
これは本スキルにおける本文原稿の長さに関する唯一の真実の情報源です。その他のリファレンスでは具体的な文字数を記述せず、このセクションのみを参照してください。
draft_min_chars: 1000
final_target_chars: 1200
_draft_v1.txtを保存する前に、draft_min_charsに達している必要があります。- 以降のすべての本文原稿は、原則として
draft_min_charsを下回ってはなりません。 - 最終的な raw JSON の
contentの目標長さはfinal_target_charsに従い、total_lengthには実際のcontentの文字数を記入します。
メインフロー
一度に直接出力しないでください。データの信頼性と原稿の伝播力を確保するために、以下の手順を実行します。
- 抽出と読み取り:最初に reading-and-extraction.md を読みます。ローカル抽出ツール(PyMuPDF/fitz など)を使用してPDFを解析するか、事前に変換されたMarkdownレポートを直接読み取り、Bash読み取りウィンドウに分割して100%読み込みます。データ対照表を作成して後で参照できるようにします。
- 論理的なエントリポイントの特定:レポートの核心的な問題(業界の危機、企業の成長の壁、マクロの異常など)を静かに抽出し、レポートの核心的な説明フレームワークを抽出し、視聴者に高い関連性のある利益ポイント(例:このデータは一般の人にとって何を意味するのか)を結び付けます。
- 初稿の作成:writing-standard.md を読み、
draft_min_charsに達する_draft_v1.txtを作成します。重点は冷たいデータを「翻訳」して口語と論理的な因果関係にすることです。 - 構造とデータの検証と修正:revision-workflow.md を読みます。第2稿
_draft_v2_structure.txtを確定した後、直接暫定の_draft_final.txtとして保存します。その中のすべてのデータを抽出して台帳_data_check_ledger.json(初期状態はunchecked)を生成します。その後、原文と照合して検証し、直接_draft_final.txt上で部分的な訂正/削除を行います(ステータスをverified/abandon/correctedに更新します)。すべてのデータ検証が完了し(uncheckedがなくなったら)、_draft_final.txtを確定し、_revision_audit.jsonに差分監査を記録します。 - JSON出力のパッケージ化:writing-standard.md の最終JSON出力契約に従って最終JSONを生成します。
自己チェック要件
最終JSONを提出する前に、以下の点を静かに確認します。
- データ対照表が完全に作成されており、原稿に登場するすべてのパーセンテージ、金額、比率などの数字が対照表に正確な出典として記載されていること。
- データ検証台帳
_data_check_ledger.json内のすべてのエントリのstatusが更新され(uncheckedがない)、データのクローズドループが完了していること。 - 冒頭の100文字以内で、鋭い問題や核心的な対立、および視聴者が気にする利益に関する約束が提示されていること。
- 約250文字ごとに論理的な推進があり、文体が口語的であり、「本書によると」「上の図からわかるように」などのAIによる要約語が削除されていること。
- 修正プロセスが完全であり、各ラウンドの変更が
_revision_audit.jsonに明確な before/after として記録されていること。