EffiFlow Part 2: Skillsの自動検出と58%トークン削減キャッシング
Skillsの自動検出メカニズムとCommandsの統合。キャッシング戦略で58%トークン削減達成プロセス
シリーズ案内
EffiFlow 自動化構造分析/評価および改善シリーズ (2/3)
- Part 1: メタデータで 71%コスト削減 - 3-Tier アーキテクチャと全体システム概要
- Part 2: Skills と Commands の統合戦略 ← 現在の記事
- Part 3: 実践改善事例と ROI 分析
はじめに
Part 1 では、EffiFlow の 3-Tier アーキテクチャ(Agents → Skills → Commands)と、メタデータ優先戦略による 71%コスト削減を見てきました。Part 2 では、このシステムの核心であるSkills の自動検出メカニズムとCommands のオーケストレーションパターンを深く分析します。
核心的な質問は次のとおりです:「Model-Invoked と User-Invoked の違いは何か、そしてどのように 58%のトークン削減を達成したのか?」
Skills: 自動検出されるモジュール型機能
Model-Invoked とは?
Skills はModel-Invoked方式で動作します。これは、ユーザーが明示的に呼び出さなくても、Claude がコンテキストに基づいて自動的に活性化することを意味します。
例えば、ユーザーが「blog post」や「frontmatter」などのキーワードに言及すると、Claude は自動的にblog-writing Skill をロードします。これは専門家が会話のトピックを聞いて、関連ツールを自動的に取り出すようなものです。
SKILL.md 構造分析
すべての Skill は、YAML frontmatter を含むSKILL.mdファイルで定義されます:
---
name: blog-writing
description: Create SEO-optimized multi-language blog posts with proper frontmatter, hero images, and content structure. Use when writing blog posts, creating content, or managing blog metadata.
allowed-tools: [Read, Write, Edit, Bash, Grep, Glob]
---核心要素:
- name: 小文字、ハイフン使用、64 文字以下
- description: 機能説明 + 使用タイミング (“Use when…”)
- allowed-tools: ツール制限でセキュリティ強化および読み取り専用 Skills 実装可能
description の「Use when…」句が特に重要です。Claude はこの句を通じて、Skill をいつ活性化すべきかを判断します。
実装された 4 つの Skills 詳細
1. blog-writing (666 行)
ファイル構造:
- SKILL.md (73 行): 核心概要
- content-structure.md (328 行): 投稿構造ガイド
- frontmatter-schema.md (173 行): スキーマ詳細説明
- seo-guidelines.md (92 行): SEO 最適化ルール
- 3 つの Python スクリプト (464 行): generate_slug.py, get_next_pubdate.py, validate_frontmatter.py
核心機能:
- Frontmatter 検証 (日付形式、必須フィールド、画像パス)
- SEO 最適化 (言語別タイトル/説明長制限)
- Korean: title 40 文字、description 120 文字
- English: title 60 文字、description 160 文字
- Japanese: title 35 文字、description 110 文字
- 多言語サポート (韓国語、英語、日本語)
- Slug 自動生成と pubDate 計算
2. content-analyzer (275 行)
出力メタデータ:
{
"summary": "100-150文字要約",
"topics": ["トピック1", "トピック2", "トピック3", "トピック4", "トピック5"],
"techStack": ["技術1", "技術2", "技術3"],
"difficulty": 3,
"categoryScores": {
"automation": 0.8,
"web-development": 0.6,
"ai-ml": 0.9,
"devops": 0.3,
"architecture": 0.5
},
"contentHash": "abc123..."
}トークン効率性:
- 全体コンテンツ分析: ~40,000 トークン
- メタデータベース: ~12,000-16,000 トークン
- 60〜70%削減
増分処理: Content Hash で変更検出、不要な再分析防止
3. recommendation-generator (341 行)
LLM ベースのセマンティック推薦:
従来の TF-IDF 方式の代わりに Claude LLM を使用して、真の意味理解を実装します:
TF-IDF (従来型) → LLM (現代型)
キーワード頻度計算 → 全体コンテンツ理解
コサイン類似度 → セマンティック類似性
キーワード重複ベース → コンテキストベース推薦6 次元類似度分析:
- topic: トピック類似性 (40%)
- techStack: 技術スタック (25%)
- purpose: 目的整合 (10%)
- complementary: 補完関係 (10%)
- difficulty: 難易度 (15%)
- category: カテゴリ整合
多言語推論:
{
"reason": {
"ko": "두 글 모두 MCP 서버를 활용한 브라우저 자동화...",
"ja": "両記事ともMCPサーバーを活用したブラウザ自動化...",
"en": "Both posts cover MCP server-based browser automation..."
}
}4. trend-analyzer (605 行)
Brave Search MCP 統合:
# 各検索後必ず2秒遅延 (Rate Limit遵守)
brave_web_search "AI automation tools 2025"
sleep 2
brave_web_search "Claude Code trends 2025"
sleep 2キャッシング戦略:
| データ型 | キャッシュ期間 | ファイル位置 | 効果 |
|---|---|---|---|
| トレンドデータ | 24 時間 | .cache/trend-data.json | 同日の重複検索防止 |
| 技術データ | 7 日間 | .cache/technology-data.json | 週間重複除去 |
| キーワードデータ | 48 時間 | .cache/keyword-data.json | 2 日以内の再利用 |
パフォーマンス比較:
Before (キャッシング前):
- 毎回 Brave Search 呼び出し
- 40,000+トークン
- コスト: ~$0.05/run
After (キャッシング後):
- 24 時間以内のキャッシュ再利用
- 17,000 トークン
- コスト: ~$0.02/run
- 58%削減
Progressive Disclosure パターン
Skills はレイヤードコンテキスト提供方式を使用します:
graph TD
A[SKILL.md<br/>核心概要<br/>73-605行] --> B[サポート文書<br/>詳細ガイド<br/>92-328行]
B --> C[スクリプト<br/>実行可能コード<br/>78-258行]
style A fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style B fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style C fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff効果: 必要な分だけロードして、コンテキスト効率性を最大化
Commands: ユーザー呼び出しワークフローオーケストレーター
User-Invoked とは?
Commands はUser-Invoked方式で動作します。ユーザーが/commandスラッシュで明示的に呼び出し、$ARGUMENTSを通じて引数を渡すことができます。
/write-post "Claude Code MCP統合ガイド"
/analyze-posts --force
/next-post-recommendation --count 10複雑度分布
| 複雑度 | Commands | 平均行数 |
|---|---|---|
| Very High | write-post (1,080 行), write-post-ko (1,063 行), write-ga-post (745 行) | 963 行 |
| High | analyze-posts (444 行), generate-recommendations (514 行), next-post-recommendation (551 行) | 503 行 |
| Low | commit (11 行) | 11 行 |
Phase-Based Execution パターン
複雑な Commands は明確な Phase で区分されます。write-postの 8 Phases を見てみましょう:
sequenceDiagram
participant U as User
participant C as Command<br/>(write-post)
participant WR as Web Researcher<br/>Agent
participant TA as Trend Analyzer<br/>Skill
participant BS as Brave Search<br/>MCP
participant IG as Image Generator<br/>Agent
participant WA as Writing Assistant<br/>Agent
participant BW as Blog Writing<br/>Skill
participant PA as Post Analyzer<br/>Agent
participant CA as Content Analyzer<br/>Skill
U->>C: /write-post "トピック"
Note over C: Phase 1: Research & Planning
C->>WR: リサーチ要請
WR->>TA: トレンド分析 (自動検出)
TA->>BS: Web検索
BS-->>TA: 検索結果
Note over TA: sleep 2 (Rate Limit)
TA-->>WR: トレンドデータ
WR-->>C: リサーチ完了
Note over C: Phase 2: Image Generation
C->>IG: 画像生成要請
IG-->>C: ヒーロー画像
Note over C: Phase 3: Content Writing
C->>WA: コンテンツ作成要請
WA->>BW: ブログ作成 (自動検出)
BW-->>WA: 多言語投稿
WA-->>C: 作成完了
Note over C: Phase 4: Frontmatter & Metadata
C->>BW: Frontmatter検証
BW-->>C: 検証完了
Note over C: Phase 5: Metadata Generation
C->>PA: メタデータ抽出
PA->>CA: コンテンツ分析 (自動)
CA-->>PA: メタデータ
PA-->>C: post-metadata.json
Note over C: Phase 6-8: Recommendations, Backlinks, Build
C->>C: V3推薦生成
C->>C: バックリンク更新
C->>C: astro check & build
C-->>U: 投稿生成完了Phase 詳細内容:
Phase 1: Research & Planning
- Web Researcher エージェント呼び出し
- Trend Analyzer Skill 自動検出
- Brave Search MCP で最新情報収集
- 2 秒遅延で Rate Limit 遵守
Phase 2: Image Generation
- Image Generator エージェント
- Gemini API 使用 (GEMINI_API_KEY 必要)
- トピックベースのヒーロー画像生成
Phase 3: Content Writing
- Writing Assistant エージェント
- Blog Writing Skill 自動検出
- 韓国語、日本語、英語版同時作成
- ローカライゼーション (翻訳ではない)
Phase 4: Frontmatter & Metadata
- Blog Writing Skill で Frontmatter 検証
- pubDate: ‘YYYY-MM-DD’形式 (シングルクォート)
- heroImage: 相対パス検証
Phase 5: Metadata Generation
- Post Analyzer エージェント
- Content Analyzer Skill 自動活性化
- difficulty (1-5)および categoryScores 計算
Phase 6: V3 Recommendations
- scripts/generate-recommendations-v3.js 実行
- メタデータベースの類似度計算
- 上位 5 つの関連投稿選定
Phase 7: Backlink Updates
- Backlink Manager エージェント (オプション)
- 関連投稿相互連結
Phase 8: Validation & Build
- npm run astro check
- npm run build
- ファイルパスとメタデータ要約返却
Agent Orchestration パターン
Commands はオーケストレーターの役割を果たし、実際の作業は Agents に委任します:
graph LR
CMD[Command<br/>Orchestrator] --> WR[Web Researcher<br/>Agent]
CMD --> IG[Image Generator<br/>Agent]
CMD --> WA[Writing Assistant<br/>Agent]
CMD --> PA[Post Analyzer<br/>Agent]
CMD --> BM[Backlink Manager<br/>Agent]
WR -.自動検出.-> TA[Trend Analyzer<br/>Skill]
WA -.自動検出.-> BW[Blog Writing<br/>Skill]
PA -.自動検出.-> CA[Content Analyzer<br/>Skill]
style CMD fill:#8B5CF6,stroke:#7C3AED,stroke-width:3px,color:#fff
style WR fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style IG fill:#F97316,stroke:#EA580C,stroke-width:2px,color:#fff
style WA fill:#14B8A6,stroke:#0D9488,stroke-width:2px,color:#fff
style PA fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style BM fill:#14B8A6,stroke:#0D9488,stroke-width:2px,color:#fff
style TA fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style BW fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style CA fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff効果:
- 関心事の分離: Command はワークフローのみ定義
- 再利用性: Agent と Skill は複数の Command で使用
- メンテナンス: 各コンポーネント独立修正可能
- テスト: 各レイヤー別テスト可能
キャッシング戦略: 58%トークン削減メカニズム
trend-analyzer の 3-Tier キャッシング
trend-analyzer Skill は 3 種類のデータを異なる期間キャッシュします:
// キャッシングアルゴリズム (疑似コード)
async function getTrendData(topic: string) {
const cacheKey = `trend-${topic}`;
const cached = cache.get(cacheKey);
// キャッシュヒット: 有効期間内
if (cached && !isExpired(cached, 24 * 60 * 60)) {
console.log("Cache hit: Returning cached data");
return cached.data; // 即時返却、API呼び出しなし
}
// キャッシュミス: 新しい検索必要
console.log("Cache miss: Fetching from Brave Search");
const data = await braveSearch(topic);
await sleep(2000); // Rate Limit遵守
// キャッシュ保存
cache.set(cacheKey, {
data,
timestamp: Date.now(),
expiresAt: Date.now() + 24 * 60 * 60 * 1000,
});
return data;
}キャッシュ効果シナリオ
シナリオ 1: 同日の複数トピック検索
# 最初のトピック (キャッシュミス)
/next-post-recommendation --category ai-ml
# → Brave Search呼び出し15回
# → 所要時間: 45-60秒
# → トークン: 40,000+
# 2番目のトピック (キャッシュヒット80%)
/next-post-recommendation --category web-development
# → Brave Search呼び出し3回 (新規クエリのみ)
# → 所要時間: 10-15秒
# → トークン: 17,000 (58%削減)シナリオ 2: 翌日同じトピック
# 24時間経過 (キャッシュ失効)
/next-post-recommendation --category ai-ml
# → 再度Brave Search呼び出し15回
# → 最新トレンド反映パフォーマンス比較表
| 項目 | キャッシング前 | キャッシング後 | 削減 |
|---|---|---|---|
| トークン使用 | 40,000+ | 17,000 | 58% |
| API 呼び出し | 15 回 | 3 回 (平均) | 80% |
| 所要時間 | 45-60 秒 | 10-15 秒 | 75% |
| コスト | ~$0.05 | ~$0.02 | 60% |
統合ワークフロー実践例
例 1: ブログ投稿作成 (/write-post)
全体の呼び出しチェーンを可視化すると:
flowchart TD
Start([User: /write-post 'Claude Code MCP']) --> CMD{Command<br/>write-post}
CMD --> P1[Phase 1: Research & Planning]
P1 --> WR[Web Researcher Agent]
WR --> TA[Trend Analyzer Skill<br/>自動検出]
TA --> BS[Brave Search MCP]
BS --> Sleep1[sleep 2<br/>Rate Limit]
Sleep1 --> Cache1{Cache<br/>Check}
Cache1 -->|Hit| Return1[Cached Data<br/>17K tokens]
Cache1 -->|Miss| Search1[New Search<br/>40K+ tokens]
Search1 --> Return1
Return1 --> P1Done[Research Complete]
P1Done --> P2[Phase 2: Image Generation]
P2 --> IG[Image Generator Agent]
IG --> Gemini[Gemini API]
Gemini --> P2Done[Hero Image Saved]
P2Done --> P3[Phase 3: Content Writing]
P3 --> WA[Writing Assistant Agent]
WA --> BW[Blog Writing Skill<br/>自動検出]
BW --> Multi[3言語投稿生成<br/>ko, ja, en]
Multi --> P3Done[Content Created]
P3Done --> P4[Phase 4: Frontmatter]
P4 --> Validate[Frontmatter検証]
Validate --> P4Done[Validation Pass]
P4Done --> P5[Phase 5: Metadata]
P5 --> PA[Post Analyzer Agent]
PA --> CA[Content Analyzer Skill<br/>自動]
CA --> Hash{Content<br/>Hash}
Hash -->|Changed| Analyze[New Analysis<br/>12K tokens]
Hash -->|Unchanged| Skip[Skip Analysis<br/>0 tokens]
Analyze --> P5Done[Metadata Saved]
Skip --> P5Done
P5Done --> P6[Phase 6: Recommendations]
P6 --> Script[generate-recommendations-v3.js]
Script --> Sim[Similarity Calculation]
Sim --> P6Done[Top 5 Related Posts]
P6Done --> P7[Phase 7: Backlinks]
P7 --> BM[Backlink Manager]
BM --> Update[Update Related Posts]
Update --> P7Done[Cross-links Created]
P7Done --> P8[Phase 8: Build]
P8 --> Check[astro check]
Check --> Build[npm run build]
Build --> End([Posts Published])
style Start fill:#8B5CF6,stroke:#7C3AED,stroke-width:2px,color:#fff
style CMD fill:#8B5CF6,stroke:#7C3AED,stroke-width:3px,color:#fff
style WR fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style IG fill:#F97316,stroke:#EA580C,stroke-width:2px,color:#fff
style WA fill:#14B8A6,stroke:#0D9488,stroke-width:2px,color:#fff
style PA fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style BM fill:#14B8A6,stroke:#0D9488,stroke-width:2px,color:#fff
style TA fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style BW fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style CA fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style Cache1 fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff
style Return1 fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff
style End fill:#10B981,stroke:#059669,stroke-width:2px,color:#fffトークン使用量分析:
| Phase | 主要作業 | トークン使用 | 最適化 |
|---|---|---|---|
| Phase 1 | Web リサーチ | 17,000 (キャッシュヒット) | 58%削減 |
| Phase 3 | コンテンツ作成 | 15,000 | - |
| Phase 5 | メタデータ | 12,000 (増分処理) | 70%削減 |
| Phase 6 | 推薦生成 | 3,000 (メタデータベース) | 60%削減 |
| 合計 | 47,000 | 平均 63%削減 |
例 2: メタデータと推薦パイプライン
graph TD
Posts[Blog Posts<br/>ko/ja/en] --> Analyze[analyze-posts<br/>Command]
Analyze --> Meta[post-metadata.json]
Meta --> GenRec[generate-recommendations<br/>Command]
GenRec --> RecJSON[recommendations.json<br/>V2]
GenRec --> RecV3[relatedPosts<br/>in frontmatter<br/>V3]
RecJSON --> Component[RelatedPosts.astro<br/>Component]
RecV3 --> Component
Component --> Display[ブログ投稿<br/>下部表示]
style Posts fill:#3B82F6,stroke:#2563EB,stroke-width:2px,color:#fff
style Analyze fill:#8B5CF6,stroke:#7C3AED,stroke-width:2px,color:#fff
style Meta fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff
style GenRec fill:#8B5CF6,stroke:#7C3AED,stroke-width:2px,color:#fff
style RecJSON fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff
style RecV3 fill:#F59E0B,stroke:#D97706,stroke-width:2px,color:#fff
style Component fill:#10B981,stroke:#059669,stroke-width:2px,color:#fff
style Display fill:#10B981,stroke:#059669,stroke-width:2px,color:#fffデータフロー:
-
/analyze-posts: 韓国語投稿のみ分析 (3 倍コスト削減)
- Content Hash で変更検出
- 変更された投稿のみ再分析
- post-metadata.json 更新
-
/generate-recommendations: LLM ベースのセマンティック推薦
- メタデータベース分析 (60-70%トークン削減)
- 6 次元類似度計算
- V2: recommendations.json 生成 (レガシー)
- V3: frontmatter の relatedPosts に直接追加 (現在)
-
RelatedPosts Component: ブログ投稿に推薦表示
例 3: トレンドベースのトピック推薦
キャッシング活用フロー:
sequenceDiagram
participant U as User
participant CMD as /next-post-recommendation
participant CP as Content Planner<br/>Agent
participant TA as Trend Analyzer<br/>Skill
participant Cache as Cache Layer<br/>.cache/
participant BS as Brave Search<br/>MCP
U->>CMD: /next-post-recommendation
CMD->>CP: トピック推薦要請
CP->>TA: トレンド分析 (自動検出)
TA->>Cache: Cache Check (24h)
alt Cache Hit (24h以内)
Cache-->>TA: Cached Trend Data
Note over TA: 10-15秒<br/>17,000 tokens<br/>58%削減
else Cache Miss (24h経過)
TA->>BS: Brave Web Search
Note over BS: sleep 2 (Rate Limit)
BS-->>TA: Fresh Data
TA->>Cache: Update Cache
Note over TA: 45-60秒<br/>40,000+ tokens
end
TA-->>CP: トレンドデータ
CP->>CP: コンテンツギャップ分析
CP->>CP: トピック10個生成
CP-->>CMD: 推薦レポート
CMD-->>U: content-recommendations-{date}.md$ARGUMENTS 活用パターン
Commands は$ARGUMENTSを通じて柔軟な引数渡しをサポートします。
シンプルパターン (analyze-posts)
/analyze-posts $ARGUMENTS
# 使用例
/analyze-posts --force # 全体再生成
/analyze-posts --post my-slug # 特定投稿のみ
/analyze-posts --verify # 検証モード複雑パターン (write-post)
Topic: $ARGUMENTS
# パースロジック
topic = args[0] # 最初の引数: トピック
flags = parseFlags(args[1:]) # 残り: フラグ
# 使用例
/write-post "Claude Code MCP 統合ガイド" --tags ai,mcp,automation --languages ko,jaフラグパース例:
function parseArguments(args: string[]) {
const result = {
topic: args[0],
tags: [],
languages: ["ko", "ja", "en"], // デフォルト値
description: "",
};
for (let i = 1; i < args.length; i++) {
if (args[i] === "--tags" && args[i + 1]) {
result.tags = args[i + 1].split(",");
i++;
} else if (args[i] === "--languages" && args[i + 1]) {
result.languages = args[i + 1].split(",");
i++;
} else if (args[i] === "--description" && args[i + 1]) {
result.description = args[i + 1];
i++;
}
}
return result;
}実践適用ガイド
Skill 作成 (ステップバイステップ)
ステップ 1: ディレクトリ作成
mkdir -p .claude/skills/my-skill
cd .claude/skills/my-skillステップ 2: SKILL.md 作成
---
name: my-skill
description: Brief description of what this skill does. Use when [specific trigger condition].
allowed-tools: [Read, Write, Bash]
---
# My Skill
## Core Capabilities
1. **Feature 1**: Description
2. **Feature 2**: Description
## Workflow
### Phase 1: Input Processing
...
### Phase 2: Main Logic
...
### Phase 3: Output Generation
...
## Examples
...ステップ 3: サポートファイル追加 (オプション)
# 詳細ガイド
touch detailed-guide.md
# スクリプト
mkdir scripts
touch scripts/helper.pyステップ 4: テスト
# Claudeとの対話でトリガーキーワード使用
"Please use my-skill to process this data..."Command 作成 (ステップバイステップ)
ステップ 1: ファイル作成
touch .claude/commands/my-command.mdステップ 2: ワークフロー定義
# My Command
Execute [specific workflow] with [parameters].
## Usage
\`\`\`bash
/my-command $ARGUMENTS
\`\`\`
## Arguments
- \`<required>\`: Description
- \`--optional\`: Description
## Workflow
### Phase 1: Preparation
1. Parse arguments
2. Validate inputs
3. Load dependencies
### Phase 2: Execution
1. Call Agent A
2. Process results
3. Call Agent B
### Phase 3: Finalization
1. Validate outputs
2. Save results
3. Return summary
## Example
\`\`\`bash
/my-command "input" --flag value
\`\`\`
## Output
...
## Related Files
- Agent: `.claude/agents/my-agent.md`
- Skill: `.claude/skills/my-skill/SKILL.md`ステップ 3: Agent 呼び出しパターン
### Phase 2: Main Processing
Delegate to specialized agent:
\`\`\`
@my-agent "Process this data with specific instructions"
\`\`\`
The agent will:
1. Automatically discover relevant skills
2. Execute the workflow
3. Return structured resultsステップ 4: テスト
# Claudeとの対話でCommand実行
/my-command "test input" --verboseパフォーマンス最適化技法
1. キャッシング (58%削減)
実装方法:
interface CacheEntry {
data: any;
timestamp: number;
expiresAt: number;
}
class SimpleCache {
private cache: Map<string, CacheEntry> = new Map();
set(key: string, data: any, ttlSeconds: number) {
this.cache.set(key, {
data,
timestamp: Date.now(),
expiresAt: Date.now() + ttlSeconds * 1000,
});
}
get(key: string): any | null {
const entry = this.cache.get(key);
if (!entry) return null;
if (Date.now() > entry.expiresAt) {
this.cache.delete(key);
return null;
}
return entry.data;
}
}失効ポリシー:
- トレンドデータ: 24 時間 (急速に変化)
- 技術ドキュメント: 7 日間 (週次更新)
- キーワード: 48 時間 (中間速度)
2. 増分処理 (70%削減)
Content Hash 実装:
import crypto from "crypto";
function calculateContentHash(content: string): string {
return crypto.createHash("sha256").update(content).digest("hex");
}
async function incrementalAnalysis(post: BlogPost) {
const currentHash = calculateContentHash(post.content);
const existingMetadata = await loadMetadata(post.slug);
// 変更検出
if (existingMetadata?.contentHash === currentHash) {
console.log(`Skipping ${post.slug}: No changes`);
return existingMetadata; // 既存メタデータ再利用
}
// 変更あり: 再分析必要
console.log(`Analyzing ${post.slug}: Content changed`);
const metadata = await analyzeContent(post);
metadata.contentHash = currentHash;
await saveMetadata(post.slug, metadata);
return metadata;
}効果測定:
| シナリオ | Before | After | 削減 |
|---|---|---|---|
| 新規投稿 1 つ | 3,000 トークン | 3,000 トークン | 0% |
| 既存 13 個 + 新規 1 個 | 42,000 トークン | 3,000 トークン | 93% |
| 全体再分析 (—force) | 42,000 トークン | 42,000 トークン | 0% |
| 平均 | 70% |
3. 並列実行 (予告)
Part 3 で詳細に扱う予定:
// 順次処理 (現在)
for (const post of posts) {
await analyzePost(post); // 2分
}
// 並列処理 (改善案)
await Promise.all(posts.map((post) => analyzePost(post))); // 30秒 (70%短縮)ベストプラクティス
Skills 作成
✅ SKILL.md 必須
- 100 行以下推奨 (長い場合はサポート文書に分離)
- YAML frontmatter の完成度を高く
✅ 明確な description
- “Use when…”句を含める
- トリガー条件を明示
✅ allowed-tools で権限制限
- セキュリティ: 不要なツール除外
- 読み取り専用 Skills: [Read, Grep, Glob]のみ
✅ Progressive Disclosure
- SKILL.md: 核心概要
- サポート文書: 詳細ガイド
- スクリプト: 実行ロジック
Commands 作成
✅ Phase ベース実行
- 明確なステップ区分
- Phase 1-8 形式
✅ Agent 委任パターン
- Command はオーケストレーターのみ
- 実際の作業は Agent に
✅ 検証ステップを含める
- Phase 最後: 常に検証
- astro check、build 実行
✅ エラー処理
- 前提条件を明示
- 失敗時の復旧方法を提供
シリーズ次回予告
Part 3: 実践改善事例と ROI 分析
扱う内容:
-
並列処理実装 (70%時間短縮)
- Promise.all 活用
- 同時実行制御
- エラーハンドリング
-
自動化されたテスト (品質保証)
- Skill 単位テスト
- Command 統合テスト
- CI/CD 統合
-
リトライロジック (安定性向上)
- Web 検索失敗復旧
- Exponential Backoff
- 部分的失敗処理
-
ROI 分析 (投資 vs 効果)
- 開発時間投資
- 削減されたコスト計算
- Break-Even Point
-
Top 3 Quick Wins (即時適用可能)
- Dry-Run モード
- Interactive モード
- Cost Tracking Dashboard
期待効果:
- 処理時間: 2 分 → 30 秒 (75%短縮)
- テストカバレッジ: 0% → 80%
- 安定性: 95% → 99%
結論
Part 2 では、EffiFlow の核心である Skills と Commands の統合戦略を深く分析しました。
核心インサイト:
- Skills の自動検出: Model-Invoked 方式でコンテキストベース活性化
- Commands のオーケストレーション: User-Invoked、Phase ベース実行、Agent 委任
- キャッシングで 58%削減: 3-Tier キャッシング戦略 (24h/7d/48h)
- Progressive Disclosure: レイヤードコンテキストで効率性最大化
- メタデータ優先: 60-70%トークン削減
実践活用:
/write-post: 8-Phase 完全自動化/analyze-posts: 増分処理で 70%削減/next-post-recommendation: キャッシングで 58%削減
Part 3 では、このアーキテクチャをさらに改善して処理時間を 75%短縮し、テストカバレッジを 80%に高め、安定性を 99%まで向上させる実践改善事例を扱います。
EffiFlow の革新は続きます。次回でお会いしましょう! 🚀
他の言語で読む
- 🇰🇷 한국어
- 🇯🇵 日本語（現在のページ）
- 🇺🇸 English
- 🇨🇳 中文
この記事は役に立ちましたか？
より良いコンテンツを作成するための力になります。コーヒー一杯で応援してください！☕
