アップスキル は何をしますか?
追跡中の求人と候補者の現在のプロフィールを分析してスキルギャップを見つけ、ギャップヒートマップと具体的な学習リソース(検索結果に基づく)と学習順序を含む学習計画を作成します。
設定
- 候補プロフィール:
$JOB_SEARCH_HOME/profile.md - 追跡中の求人:
$JOB_SEARCH_HOME/integrations.yamlのtracker_path - レポートは
$JOB_SEARCH_HOME/upskill/以下に書き込まれます
起動方法
/upskill— 集約モード: 追跡ファイルの全行を対象/upskill <URL>— 対象モード: 1件の求人情報、URLから取得
ステップ1 — モードの検出
引数なし → 集約モード。URLあり → 対象モード。URLはステップ2のために保持します。
対象モードでは、役職と企業からレポートスラッグを生成します。例: <企業スラッグ>-<役職スラッグ>
ステップ2 — データの読み込み
集約モード
- 追跡ファイルを読み込みます。列:
date, company, sector, role, role_type, channel, status, contact_person, fit_rating, notes, cv_file, cover_letter_file, source - 各行の
role,company,fit_ratingを記録します。fit_ratingは0〜100で、ギャップの重み付けに使用します(低い評価は、その役職がより多くのギャップを露呈したことを意味します)。 - 現在のスキルを取得するために
$JOB_SEARCH_HOME/profile.mdを読み込みます。 $JOB_SEARCH_HOME/upskill/内で最新のreport-YYYY-MM-DD.mdを探します。存在する場合は、ステップ8の差分のために読み込みます。
対象モード
- WebFetch で求人情報を取得します。
- タイトル、企業、必須スキル、推奨スキル、責任、ドメインコンテキストを抽出します。
$JOB_SEARCH_HOME/profile.mdを読み込みます。- 追跡データは使用しません。
ステップ3 — パス1: ハードスキルの差分
集約モード。 完全な求人情報はないため、role、sector、notes から必要なスキルを推測します。source に有効なURLがある場合は取得しても構いません。無効または欠落しているものはスキップします。
スキル出現頻度マップを作成し、適合度で重み付けします。各ジョブは (100 - fit_rating) / 100 の重みを1出現につき与えます。最終スコアは fit_weight × occurrence の全ジョブにわたる合計です。
対象モード。 明示的な必須スキルと推奨スキルを取得します。重みは等しくします。必須スキルを推奨スキルより優先し、各グループ内ではアルファベット順に並べます。
プロフィールとの差分。 profile.md に既に存在するものは削除します。寛大に扱い、プロフィールが何らかの形で言及しているスキルはギャップとはみなしません。残ったものがハードスキルギャップリストです。集約モードではスコア順、対象モードでは必須スキル優先→アルファベット順にランク付けされます。
ステップ4 — パス2: 合成分析
差分が見逃しそうなギャップについて考察します:
- ドメイン知識 — 馴染みのない業界や問題領域
- ソフトスキル — 仕事の進め方、コミュニケーション、リーダーシップでプロフィールがカバーしていないもの
- ツールとプロセス — 求人全体に現れるフレームワーク、クラウドサービス、方法論
- 資格 — 複数の求人で推奨として挙げられている認定資格
各ギャップに [domain]、[soft]、[tooling]、[credential] のタグを付けます。パス1のギャップを重複して記載しないでください。
ステップ5 — ギャップヒートマップ
両方のパスを1つの優先順位付きテーブルに統合します:
- Critical — 高加重のハードスキル、またはほとんどのジョブにわたるドメインギャップ
- High — 中程度のハードスキル、または一貫したソフト/ツーリングギャップ
- Medium — 低頻度のハードスキル、または少数の役割でのギャップ
- Low — 1回限りの言及
| 優先度 | スキル / 領域 | タイプ | ギャップソース |
|---|---|---|---|
| Critical | Kubernetes | Hard | 4/5 jobs, score 3.2 |
| High | Security domain knowledge | Domain | LLM synthesis |
| Medium | AWS (advanced) | Hard | 2/5 jobs, score 1.1 |
| Low | … | … | … |
続行する前にこのテーブルを出力して、ユーザーが何をもとに作業しているかを確認できるようにします。
対象モードでは、求人情報の表現に基づいて優先順位を付けます: 必須 → Critical/High、推奨 → Medium、推測 → Medium/Low。
ステップ6 — 学習計画
Critical と High のすべてのギャップをカバーし、さらに5つ未満のギャップしかない場合は Medium もカバーします。
各ギャップについて:
- WebSearch で最新の評判の良いリソースを検索します。結果が古くならないように、クエリに現在の年を含めます。例:
"best <skill> course <year> site:reddit.com OR coursera.org" - 2〜3のリソースを選択します。 講義のみよりハンズオンラボを優先。ツーリングギャップには公式ドキュメント、ドメインギャップには書籍を優先します。名前、URL、適合する理由を1行で示します。
- 学習方向性を記述します。 候補者が既に知っていることに合わせてカスタマイズします。何をスキップすべきか、どこから始めるべきかを示します。
- 実用レベルの習得までの時間を見積もります(
~20h)。 多めに見積もります。
アルファベット順ではなく、テーマ別の見出しでグループ化します: クラウド&インフラストラクチャ、MLOps、ドメイン知識、セキュリティ、ソフトスキルと業務の進め方、認定資格。
### クラウド&インフラストラクチャ
**Kubernetes** `[Hard]` — ~20h
- [リソース](url) — ハンズオンラボ、理論よりも実践的
- [公式ドキュメント](url) — 基本を押さえた後のリファレンス
学習方向性: コンテナの基本は既にカバー済み — Podスケジューリングから始め、次にServiceとDeploymentへ。マニフェストと`kubectl`に習熟してからHelmに触れること。
ステップ7 — 推奨学習順序
- 依存関係を優先 — BにAが必要な場合、Aを先に配置し、依存関係をメモする
- 同じ階層内では Critical → High → Medium の順
- 早い成功体験を優先 — 勢いをつけるために、短時間で終わるMediumギャップを最初に持ってくるのも可
- ドメイン知識は最後 — 実際のプロジェクトと並行して学習する
| # | トピック | タイプ | 推定時間 | 備考 |
|---|---|---|---|---|
| 1 | Kubernetes | Hard | ~20h | ステップ3の前提条件 |
| 2 | CI/CDパイプライン | Tooling | ~10h | |
| 3 | セキュリティドメイン知識 | Domain | ~15h | 実際のプロジェクトと並行して |
合計推定時間: ~45h
ステップ8 — レポートの作成と保存
順序: ヘッダーとモード → 前回のレポートからの差分(集約モードのみ) → ギャップヒートマップ → 学習計画 → 推奨学習順序
- 集約モード:
$JOB_SEARCH_HOME/upskill/report-YYYY-MM-DD.md - 対象モード:
$JOB_SEARCH_HOME/upskill/report-YYYY-MM-DD-<企業スラッグ>-<役職スラッグ>.md— 小文字、スペースはハイフンに、特殊文字は削除
差分セクション(集約モードのみ): クローズされたギャップ は前回のヒートマップにあったが現在プロフィールに存在するスキル。新しいギャップ は現在のヒートマップエントリで前回のレポートに存在しないもの。前回のレポートがない場合はセクション全体を省略します。
保存されたパスをユーザーに確認します。
ルール
- リソースを捏造しないでください。 WebSearch が実際に返したもののみを引用します。
- すべてのリソースクエリに現在の年を含めます。
- 対象モードは追跡ファイルを完全に無視します。
- プロフィールのマッチングは寛大に行います。 何らかの形で言及されているスキルはギャップではありません。
- ヒートマップを学習計画の前に出力します。
- Lowギャップの学習リソースは、依頼がない限り提供しません。
- 常にレポートを保存します。 ターミナル出力で十分に見えても保存します。
- 企業名のスラッグは求人情報から生成します。 捏造したり推測したりしないでください。