Communitygithub.com

bighardperson/computer-science-skills-collection

あらゆるコンテンツや戦略を、自動構成された専門家パネルでスコアリング・評価・反復改善します。コピー、シーケンス、ランディングページ、戦略文書、タイトル、チャート、採用評価など、品質評価が必要なものすべてに対応。90点以上になるまで再帰的に反復（最大3ラウンド）。

computer-science-skills-collection とは？

このスキルは、AIエージェント（Claude Code, Cursor, Codexなど）向けに設計された、汎用的なスコアリングと反復改善エンジンです。評価対象のコンテンツタイプとドメインに応じて、7〜10名の専門家パネルを自動構成し、選択したルーブリック（採点基準）に基づいてスコアリングを行います。各ラウンドで加重平均（人間らしさ検出器は1.5倍の重み）を算出し、90点未満の場合は上位3つの弱点を特定して改善案を提示し、最大3ラウンドまで反復します。また、複数バリアントの比較評価（A/B/C）、他スキルの出力に対するフィードバック生成、ユーザーの承認・拒否から学習してパターンファイルを更新する機能も備えています。結果はスコアと反復履歴を含む詳細なレポートとして出力されます。

対応✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bighardperson/computer-science-skills-collection/tree/HEAD/skills/content-ops
オリジナルを見る→すべてのスキルを見る

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

OpenAIChatGPTClaudeClaudeGeminiGeminiGrokGrokPerplexityPerplexityDeepSeekDeepSeek

ドキュメント

プリアンブル（スキル起動時に実行）

# バージョンチェック（最新なら非表示）
python3 telemetry/version_check.py 2>/dev/null || true

# テレメトリーオプトイン（初回のみ実行、以降は選択を記憶）
python3 telemetry/telemetry_init.py 2>/dev/null || true

プライバシー: このスキルは使用状況をローカルの ~/.ai-marketing-skills/analytics/ に記録します。リモートテレメトリーはオプトインのみです。コード、ファイルパス、リポジトリの内容が収集されることは決してありません。詳細は telemetry/README.md を参照してください。

エキスパートパネル

汎用的なスコアリングおよび反復改善エンジン。評価対象に応じて適切な専門家を自動構成し、スコアリングを行い、90点以上になるまでループします。

ステップ1: インテーク — 評価対象を理解する

コンテキストから以下を収集または推測します:

  1. コンテンツ/アーティファクト — スコアリング対象（ペースト、ファイルパス、URL）
  2. コンテンツタイプ — コピー、シーケンス、ランディングページ、戦略、タイトル、チャート、候補者評価など
  3. オファーコンテキスト — 何を販売/宣伝しているのか？誰に対して？どのドメイン/業界か？
  4. バリアント — 比較する複数のバージョンがあるか？（A/B/C）
  5. ソーススキル — これは別のスキルの出力か？（例：cold-outbound-optimizer） 該当する場合、ステップ6のフィードバックルーティングのためにソースを記録する。

コンテキストが会話から明らかな場合は、質問せずにそのまま進めてください。

ステップ2: エキスパートパネルを自動構成する

コンテンツタイプとドメインに合わせた7～10名の専門家からなるパネルを構築します。

構成ルール

  1. コンテンツタイプの専門家から開始する。 experts/ ディレクトリを読み、コンテンツタイプに一致する既存のパネルを確認します。完全一致がある場合（例：LinkedIn投稿に experts/linkedin.md）、それをベースとして使用します。

  2. ドメイン/オファーの専門家を追加する。 オファーコンテキストに基づき、特定の業界やドメインを理解する専門家を1～3名追加します。例:

    • ベーカリーマーケティングのスコアリング → 飲食マーケティング専門家を追加
    • SaaSランディングページのスコアリング → SaaSコンバージョン専門家を追加
    • 採用アウトリーチのスコアリング → エージェント採用担当者 + 人材市場専門家を追加
    • 医療機器コピーのスコアリング → ヘルスケアコンプライアンス専門家を追加

  3. 以下の2名は常に含める:

    • AIライティング検出器 — experts/humanizer.md を参照。重み: 1.5倍。必須。
    • ブランドボイスマッチ — 設定されたブランドボイスおよび references/patterns.md（存在する場合）の既知の拒否パターンとの整合性をチェック。

  4. 学習済みパターンを確認する。 references/patterns.md が存在する場合は読み込みます。このコンテンツタイプに適用されるパターンがあれば、パネルに説明します。既知の悪いパターンに対しては減点します。

  5. 専門家は10名までに制限する。 10名を超える場合は、重複する役割を統合します。

パネル出力形式

各専門家について、名前、焦点/視点、チェック内容をリスト表示します。

ステップ3: スコアリングルーブリックを選択する

scoring-rubrics/ から適切なルーブリックを選択します:

コンテンツタイプルーブリックファイル
ブログ、ソーシャル、メール、ニュースレター、スクリプトscoring-rubrics/content-quality.md
戦略、推奨事項、分析scoring-rubrics/strategic-quality.md
ランディングページ、広告、CTAscoring-rubrics/conversion-quality.md
チャート、データ可視化、インフォグラフィックscoring-rubrics/visual-quality.md
候補者評価scoring-rubrics/evaluation-quality.md
その他最も近い2つのルーブリックから合成する

選択したルーブリックファイルを読み、詳細な評価基準と配点を確認します。

ステップ4: スコアリング — 90点以上になるまで再帰ループ

目標: 全専門家で90/100以上。必須。最大3ラウンド。

各ラウンドの出力:

## ラウンド [N] — スコア: [平均]/100

| 専門家 | スコア | 主なフィードバック |
|--------|-------|--------------|
| [名前] | [0-100] | [一行の根拠] |
| ... | ... | ... |

**加重平均:** [加重平均 — 人間らしさ検出器は1.5倍]
**上位3つの弱点:** [順位付け]
**行われた変更:** [各弱点に対応した具体的な編集]

その後、改訂されたコンテンツ/アーティファクト。

ルール

  • スコアは容赦なく正直に。90点への水増しは禁止。
  • 人間らしさ検出器のスコアは加重平均で1.5倍の重み。
  • 加重平均 < 90: 上位3つの弱点を特定 → 改訂 → 次のラウンド。
  • 加重平均 ≥ 90: 確定して出力に進む。
  • 3ラウンド後も < 90: 正直なスコアと改善を妨げている要因のメモを付けて最良バージョンを返す。
  • すべてのラウンドを出力に表示 — 反復の軌跡が価値の一部。

バリアント比較モード

複数のバリアント（A/B/C）をスコアリングする場合:

  • 各バリアントを完全なパネルで独立してスコアリング。
  • スコアリング後、バリアントを加重平均スコアでランク付け。
  • 最上位バリアントが < 90 の場合、その最良のものだけを反復（すべてを反復しない）。

ステップ5: 出力形式

勝者 + スコア（常に先頭）

## 🏆 結果: [スコア]/100 — [合格 ✅ | 改善必要 ⚠️]

[最終コンテンツ/アーティファクト]

**反復回数:** [N] ラウンド
**パネル:** [専門家名、カンマ区切り]

バリアントがある場合: 勝者を最初に表示し、次に次点のスコア。

## 🏆 勝者: バリアント [X] — [スコア]/100

[勝者のコンテンツ]

### 次点のスコア
- バリアント A: 87/100
- バリアント B: 82/100
- バリアント C: 91/100 ← 勝者

フィードバック履歴（結果の下）

完全なスコアリングラウンドを表示。

---
<details>
<summary>📊 スコアリング履歴 (N ラウンド)</summary>

[ステップ4の全ラウンド表]

</details>

ステップ6: ソースへのフィードバック（別のスキルの出力をスコアリングする場合）

スコアリング対象のコンテンツが別のスキルから来た場合、ソース改善概要を生成します:

## 🔁 [ソーススキル] へのフィードバック

### 低評価だった点
- [パターン]: [このコンテンツの具体例]

### 推奨されるスキル改善
- [ソーススキルのプロセス/ルーブリック/プロンプトに対する具体的な変更]

### ソーススキルに追加すべきパターン
- [ルールにすべき、繰り返し発生する弱点]

この概要は、ソーススキルの SKILL.md やルーブリックの更新に使用できます。

ステップ7: メモリ — 承認と拒否から学習する

ユーザーがパネルの出力を承認または拒否した後:

承認時（スコア ≥ 90、ユーザーが受け入れ）

うまくいった点をメモ。新しいポジティブパターンが現れない限り、アクションは不要。

拒否時（ユーザーがパネルを上書き、または90以上のコンテンツを拒否）

  1. 理由を尋ねる（またはコンテキストから推測する）。
  2. 以下の形式で新しいパターンを references/patterns.md に追加する:
## [パターン名]
- **タイプ:** rejection | preference | override
- **コンテンツタイプ:** [これが適用されるタイプ]
- **ルール:** [常に行う/行わないこと]
- **例:** [これをトリガーした具体的なインスタンス]
- **日付:** [YYYY-MM-DD]
- **減点数:** [-N ポイント、検出時]
  1. 確認メッセージ: 「パターンを追加しました: [一行の要約]。今後、パネルはこれに対して [N] 点減点します。」

パターン適用

スコアリングのたびに references/patterns.md をチェックし、コンテンツと照合します。専門家のスコアリング開始前に減点を適用します。つまり、個々の専門家が見逃しても、既知の悪いパターンにはペナルティが課されます。

参考ファイル

ファイル目的読むタイミング
experts/humanizer.mdAIライティング検出ルーブリック（24パターン）すべてのスコアリング実行時
experts/[domain].md一般的なドメイン向けの既製エキスパートパネルドメインが一致する場合
scoring-rubrics/content-quality.mdコンテンツスコアリングルーブリックコンテンツスコアリング時
scoring-rubrics/strategic-quality.md戦略スコアリングルーブリック戦略スコアリング時
scoring-rubrics/conversion-quality.mdランディングページ/広告/CTAルーブリックコンバージョンスコアリング時
scoring-rubrics/visual-quality.mdチャート/データ可視化/インフォグラフィックルーブリックビジュアルスコアリング時
scoring-rubrics/evaluation-quality.md候補者/評価ルーブリック評価スコアリング時
references/patterns.md学習済み拒否パターンすべてのスコアリング実行時
references/expert-assembly.md自動構成のためのドメイン専門家の例なじみのないパネルを構築する場合

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

bighardperson/computer-science-skills-collection

Score any landing page with a CRO audit framework, and convert survey data into lead magnets. Use when asked to "audit this landing page", "score this page", "CRO audit", "convert survey to lead magnet", "optimize conversion rate", or "analyze this form page".

bighardperson/computer-science-skills-collection

CSS implementation patterns for layout, typography, color, spacing, and responsive design. Complements ui-design (fundamentals) with code-focused examples.

関連スキル

steipete/sag

ElevenLabs text-to-speech with mac-style say UX.

community

steipete/oracle

Oracle CLI second-model review/debug/refactor/design with selected files, dry-run token checks, API or browser engine.

community

steipete/peekaboo

Capture and automate macOS UI with the Peekaboo CLI.

community

mattpocock/design-an-interface

Generate multiple radically different interface designs for a module using parallel sub-agents. Use when user wants to design an API, explore interface options, compare module shapes, or mentions "design it twice".

community

mattpocock/prototype

Build a throwaway prototype to flesh out a design — a runnable terminal app for state/business-logic questions, or several radically different UI variations toggleable from one route.

community

mattpocock/grill-me

Interview the user relentlessly about a plan or design until reaching shared understanding, resolving each branch of the decision tree. Use when user wants to stress-test a plan, get grilled on their design, or mentions "grill me".

community