[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7AB4KYFNH2RFSHNQQCSAVMD":3,"skill-same:01M7AB4KYFNH2RFSHNQQCSAVMD":47},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":6,"ownerHtmlUrl":29,"ownerBlogUrl":30,"ownerDescription":31,"updatedAt":32,"install":33,"resources":46},"01M7AB4KYFNH2RFSHNQQCSAVMD","agent-delivery-estimation",null,"AIエージェント主体の開発で、中長期のrelease\u002Froadmap計画、完了時期、capacity、agent並列度を、主観的な日数感覚ではなくWork Unit・依存関係・実測throughput・human\u002FCI\u002Fexternal wait・usage limitから評価する時に使用する。","rebuildup\u002Fproject-init","rebuildup","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F176191237?v=4","01M7AB3QGQ73Q2YNFNFGPAVVRX","samuido","01M7AB3QHEEN3RPZSTXYW3062Y",2,"MIT","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fagent-delivery-estimation\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: agent-delivery-estimation\ndescription: AIエージェント主体の開発で、中長期のrelease\u002Froadmap計画、完了時期、capacity、agent並列度を、主観的な日数感覚ではなくWork Unit・依存関係・実測throughput・human\u002FCI\u002Fexternal wait・usage limitから評価する時に使用する。\n---\n\n# Agent Delivery Estimation\n\nAIエージェント自身の「この規模なら数週間」「大型なので数ヶ月」といった主観的calendar estimateを採用しない。\n中長期のdelivery forecastは、作業構造と観測可能な実績から構築する。\n\n## Use this Skill when\n\n次の場合に使用する。\n\n- release \u002F roadmap \u002F milestoneの完了時期を見積もる\n- 1週間 \u002F 1か月で到達可能なscopeを評価する\n- sprint \u002F release scopeがcapacityに収まるか判断する\n- agent数、WIP、並列実行数を増減した場合の効果を評価する\n- human review \u002F CI \u002F external wait \u002F usage limitを含むbottleneckを特定する\n- 予定日に間に合う確率を評価する\n- 長期計画のforecastを実績で再校正する\n\n小さな単発taskの即時実装判断に、必ずしもこのSkillを使う必要はない。\n\n## Core rules\n\n### Evidence before numbers\n\nAI自身の感覚だけでcalendar time、throughput、rework rate、parallel speedupを生成しない。\n\nすべての数値にprovenanceを持たせる。\n\n- measured\n- derived\n- external\n- user-specified-scenario\n- provisional\n- unknown\n\nprovisionalは無条件にforecastの根拠へ昇格させない。\n\n### Unknown before invention\n\nデータ不足は正当な結果である。\n\n- insufficient data\n- unknown\n- not identifiable from current evidence\n\nunknownを「安全側に2倍」等の任意倍率で補完しない。\n\n### Structure before duration\n\n時間を考える前に、scope、Work Unit、dependency、parallelism、human gate、external waitを確定する。\n\n### Historical data over intuition\n\n同一project \u002F repository \u002F workflowの実績をAIの一般論より優先する。\n\n### Probability over single date\n\n十分な証拠がある場合は一点日付ではなくP50 \u002F P80 \u002F P95を使用する。\n\n---\n\n# Phase 1: Inspect\n\n実装を開始せず、対象projectを調査する。\n\n確認するもの:\n\n- Issue \u002F milestone \u002F release scope\n- related PR\n- subsystem \u002F repository\n- dependency \u002F blocked-by\n- release gate\n- CI \u002F E2E \u002F manual verification\n- human decision \u002F approval\n- external service \u002F store \u002F infrastructure wait\n- runtime \u002F environment constraint\n- usage limit\n- active agent count \u002F WIP\n- unresolved specification\n- historical comparable work\n- previous forecast \u002F observation data\n\nこの段階ではcalendar estimateを生成しない。\n\n---\n\n# Phase 2: Extract Work Graph\n\n残作業を独立したWork Unitへ分解する。\n\n最低限のfield:\n\n~~~yaml\nid:\ndescription:\ntype:\nweight: # positive number (> 0)\ndependencies: []\nparallelizable: true\nhuman_required: false\nexternal_wait: false\nvalidation: []\nrisk:\n  ambiguity:\n  unfamiliarity:\n  integration:\n  external_dependency:\n  validation_difficulty:\n~~~\n\nWork Unitは絶対時間ではなくproject内の相対作業量である。\n`weight` \u002F `original_WU` は必ず正の値とし、0以下のWork Unitを作らない。作業量を持たないgateやmilestoneはWork UnitではなくDAG上のgate \u002F eventとして表現する。\n\n## Anchor-based WU calibration\n\n新しいWUを決める前に過去の完了済みWUをanchorとして比較する。\n\n例:\n\n- 0.5 WU: small fix + focused test\n- 1.0 WU: single-subsystem feature + tests\n- 2.0 WU: frontend\u002Fbackend contract change + integration validation\n- 3.0 WU: cross-repository change + release coordination\n\n上記は説明例であり、projectの既定値ではない。\n実際のweightはproject-local anchorから決定する。\n\n十分なanchorがなければWU calibrationをprovisionalまたはunknownとし、絶対日数へ変換しない。\n\n---\n\n# Evidence fallback hierarchy\n\nWU calibration、throughput、risk mapping、rework、waiting time、Monte Carlo samplingでは同じfallback hierarchyを使う。\n\n優先順位:\n\n1. same project + same repository + comparable task characteristics\n2. same project + comparable task characteristics\n3. same repository + comparable workflow\n4. same project, broader historical population\n5. explicitly supplied reference dataset\n6. provisional \u002F unknown\n\n比較可能性では可能な範囲で以下を揃える。\n\n- task type\n- risk level\n- validation type\n- cross-repo status\n- subsystem\n- agent\u002Fmodel\n- usage-limit condition\n- human-gate requirement\n\nfallbackした場合はevidence level \u002F depth \u002F sample sizeを記録する。\n異なるpopulationを無言で混合しない。\n\n---\n\n# Sample-size policy\n\n既定の証拠品質:\n\n- n = 0: unknown\n- n = 1–2: anecdotal。分布推定に使わない\n- n = 3–4: provisional。傾向把握のみ\n- n = 5–9: sparse-measured。経験分布利用可、tail estimateは不安定\n- n = 10–19: measured。P50 \u002F P80利用可、P95はprovisional\n- n >= 20: distribution-capable。P50 \u002F P80 \u002F P95利用可\n\nprojectがより厳しい基準を定義している場合はそちらを優先する。\n閾値を変更する場合はestimation configへ明示する。\n\nMonte Carloの反復回数を増やしても元データ不足は解消されない。\n\n---\n\n# Phase 3: Risk mapping\n\nriskを収集するだけで終わらせない。\n\n可能ならhistorical evidenceから以下へ接続する。\n\nrisk features\n→ first-pass success\n→ rework\n→ validation rounds\n→ block probability\n→ delay distribution\n\n十分な履歴がなければrisk impactをunknownとする。\n任意のrisk multiplierを作らない。\n\n---\n\n# Phase 4: Dependency graph\n\nWork UnitからDAGを作る。\n\n最低限区別する。\n\n- total work\n- parallelizable work\n- serial-only work\n- critical path\n- blocked work\n- human-gated work\n- external-gated work\n\ncritical pathとparallelizable workは別軸であり、排他的な内訳とは限らない。\n\ncalendar durationを単純な total WU \u002F agent count で計算しない。\n\n---\n\n# Phase 5: Measure capacity\n\n可能なら次を観測する。\n\n- completed WU \u002F day \u002F week\n- Issue start → first PR\n- first PR → first green\n- first green → merge\n- review rounds\n- rework events\n- CI failures \u002F queue delay\n- blocked duration\n- active agent count\n- agent\u002Fmodel\n- usage-limit events\n- human review throughput\n- human decision latency\n- external wait\n\n## Throughput accounting\n\n`completed WU \u002F day \u002F week` は既定で **active-work throughput** を意味する。\n\n- 分子: 完了WUの `actual_total_WU` の合計。initial workとreworkを含む\n- 分母: そのWU群に実際に費やしたactive work time。internal queue、human wait、CI\u002Fbuild\u002Fdeploy wait、external wait、usage-limit cooldownは除外する\n- 単位: `actual_total_WU \u002F active-work day` または `actual_total_WU \u002F active-work week`\n\n残scopeのactive work demandは、各WUの `original_WU` にsampled reworkを反映して `actual_total_WU` 相当へ変換し、active-work throughputで処理時間へ変換する。\n\n```text\nactive_duration = sampled_actual_total_WU \u002F sampled_active_work_throughput\ncalendar_duration = DAG_schedule(active_duration, sampled_waits, gates, queues)\n```\n\nhuman \u002F CI \u002F external \u002F usage-limit waitはDAG scheduleで一度だけ加える。active-work throughputの分母から除外したwaitを、別のwait distributionとして重複計上しない。\n\nactive work timeを分離できずwall-clock throughputしか得られない場合、そのthroughputはend-to-end baselineとして扱い、同じ観測区間に含まれるhuman \u002F CI \u002F external waitを別途加算しない。waitを分解したforecastが必要なら、active-work \u002F wait splitを追加観測するまでconditionalまたはunavailableとする。\n\n## Human capacity\n\nAI capacityと人間のcapacityを分離する。\n\n対象例:\n\n- requirement \u002F architecture decision\n- design approval\n- PR approval\n- release approval\n- credential \u002F permission\n- device verification\n- manual QA\n\nAI throughputがhuman throughputを上回る場合、人間queueをbottleneckとして扱う。\n\n## Waiting time\n\n少なくとも次をactive workから分離する。\n\n- internal queue\n- human wait\n- CI\u002Fbuild\u002Fdeploy wait\n- external wait\n- usage-limit cooldown\n\n---\n\n# Effective parallelism\n\nagent数を線形倍率として扱わない。\n固定の飽和テーブルも持たない。\n\n## Baseline forecast\n\n現在のagent構成で十分な実測throughputがある場合、その実測値を直接利用する。\nbaseline forecastだけならparallelism倍率を推定する必要はない。\n\n## Scaling forecast\n\nagent数を変更するwhat-ifでのみscaling effectを評価する。\n\n異なるagent countの期間を比較する場合、可能な限り以下を統制する。\n\n- WU calibration\n- task mix \u002F risk\n- repository \u002F subsystem\n- validation requirements\n- model\n- usage-limit\n- human availability\n- blockers\n\ntask mix等が違う期間のthroughput差だけから因果的speedupを決めない。\n\n統制不能なら:\n\n- parallelism relationship: observed correlation\n- causal scaling effect: unknown\n\nとする。\n\n---\n\n# Rework model\n\n可能なら各WUについて記録する。\n\n- first-pass success\n- attempts\n- additional WU\n- additional validation rounds\n- original_WU\n- actual_total_WU\n\nrework ratio:\n\n(actual_total_WU - original_WU) \u002F original_WU\n\n`original_WU > 0` をschema invariantとするため、この式は常に定義可能である。既存履歴に0-weight recordがある場合は、そのrecordを比率計算へ含めずdata-quality issueとして記録する。\n\nForecastでは類似taskの経験分布をbootstrapする。\n根拠のない平均rework率を生成しない。\n\n---\n\n# Unknown handling policy\n\nunknownを発見したら、まず4種類へ分類する。\n\n## Structural unknown\n\nscope、dependency、architecture等が未確定でWork Graph自体が安定しない。\n\n結果:\n\nforecast_status: unavailable\n\nP50 \u002F P80 \u002F P95を出さず、何を解決すればforecast可能になるか示す。\n\n## Material distribution unknown\n\nWork Graphは作れるが、critical-path rework、mandatory human approval latency、external wait等、completion distributionへmaterialな入力が欠ける。\n\n結果:\n\nforecast_status: conditional\n\nunknownを0や任意の保守値で埋めない。\n必要なら「Xの追加delayがない条件下」等の条件付き結果だけを出す。\nconditional resultを通常の確率coverageとして扱わない。\n\n## Scenario-only unknown\n\nbaselineには不要だがwhat-ifには必要。\n\n例:\n\ncurrent 4-agent throughputはmeasuredだが8-agent scaling effectはunknown。\n\n結果:\n\n- baseline forecast: available\n- 8-agent scenario: unavailable\n\n## Non-material unknown\n\nforecastを実質的に変えないunknown。\n記録するがforecastを停止しない。\n\n## Materiality\n\n次のいずれかを変え得る因果経路がある場合materialとみなす。\n\n- Work Graph\n- critical path\n- bottleneck\n- mandatory wait\n- rework distribution\n- completion distribution\n- release eligibility\n\n---\n\n# Phase 6: Forecast\n\nForecastには必ずstatusを付ける。\n\n## complete\n\n必要なmaterial inputが十分な証拠品質で揃っている。\n\n証拠条件を満たすquantileのみ出す。\n\n## conditional\n\nmaterial unknownが残るが明示条件下の分析は可能。\n\n## unavailable\n\nWork Graphまたは必須capacity evidenceが成立していない。\n\n数字を捏造しない。\n\n---\n\n# Monte Carlo policy\n\n十分な履歴がある場合の既定方式はempirical bootstrap resamplingとする。\n\n対象例:\n\n- throughput\n- rework\n- human latency\n- CI delay\n- blocked duration\n- external delay\n\n観測サンプルから復元抽出する。\n\n## Bootstrap observation unit\n\n既定の再標本化単位は、1つのcompleted Work Unitまたは同一execution episodeに紐づく **joint observation** とする。可能な場合は次を同じrecordへ保持する。\n\n- active-work throughput \u002F active duration\n- original_WU \u002F actual_total_WU \u002F rework\n- human gate latency\n- CI queue \u002F execution delay\n- blocked duration\n- external delay\n- agent count \u002F model \u002F usage-limit condition\n- shared gate \u002F queue identity\n\n同一episode・同一shared gate・同一queue等の共通原因を持つ値は、相関を壊さないようjointに再標本化する。独立再標本化してよいのは、観測上も運用上も別mechanismであり、shared gate \u002F queue \u002F episodeを持たないことを説明できる場合だけとし、そのindependence assumptionをforecast evidenceへ記録する。joint dataが必要なのに存在しない場合は、独立と仮定せずmaterial distribution unknownとして扱う。\n\n## DAG aggregation per bootstrap iteration\n\n各反復で次の順序を固定する。\n\n1. Evidence fallback hierarchyとtask characteristicsに従い、各WU \u002F gate \u002F queueに対応するobservationを復元抽出する。\n2. 各WUの `original_WU` にsampled reworkを反映して `sampled_actual_total_WU` を得る。\n3. `sampled_actual_total_WU \u002F sampled_active_work_throughput` でactive durationを得る。\n4. predecessorが複数あるWUのearliest startは、必要なpredecessor completion \u002F stack-ready snapshot availabilityの最大値とする。serial chainは依存順に累積し、parallel branchは同時進行できる範囲で重ねる。\n5. shared human gateはhuman capacityを持つ共通resource queueとして、shared CI queueはCI capacityを持つ共通resource queueとしてscheduleする。同じgate \u002F queue delayを各downstream WUへ重複加算しない。\n6. blocked \u002F external waitは、それを生じさせるedgeまたはgateへ一度だけ配置する。\n7. release completionはterminal WU群のcompletion最大値に、まだDAGへ含まれていないmandatory release gateをscheduleした時点とする。\n8. 反復ごとのrelease completion durationを保存し、その経験分布からP50 \u002F P80 \u002F P95を算出する。\n\nAIが任意のNormal \u002F Uniform等の分布を生成しない。\n\nconditional samplingはEvidence fallback hierarchyに従う。\n最も比較可能なpopulationから始め、sample size不足なら一段ずつ広げる。\nどこまでfallbackしたか記録する。\n\nTail quantile policy:\n\n- n \u003C 5: probability forecast不可\n- 5 \u003C= n \u003C 10: empirical distribution利用可、tail quantileはdecision-gradeにしない\n- 10 \u003C= n \u003C 20: P50 \u002F P80利用可、P95 provisional\n- n >= 20: P50 \u002F P80 \u002F P95利用可\n\n---\n\n# When historical data is missing\n\nAIがFast \u002F Expected \u002F Constrained throughputを勝手に作らない。\n\n## Capacity-target scenario\n\n利用者が明示したcapacityをscenarioとして使用してよい。\n\n必ず scenario, not forecast と表示する。\n\n## Calibration period\n\n短期間の実測を優先する。\n\n最低限:\n\n- completed WU\n- active agents\n- human review\n- blocked time\n- usage-limit events\n\nを記録する。\n\n初回観測が得られてもn=1で確率forecastを開始しない。\n\n---\n\n# Confidence\n\nForecast uncertaintyとEvidence confidenceを分離する。\n\nP50\u002FP80\u002FP95の幅は観測されたvarianceから生じる。\nLow confidenceだから任意に区間を広げない。\n\nEvidence confidence:\n\nHigh:\n- stable scope\n- sufficient WU anchors\n- material inputs distribution-capable\n- dependencies resolved\n- shallow fallback\n\nMedium:\n- some sparse-measured inputs\n- broader fallback population\n- scope mostly stable\n\nLow:\n- provisional calibration\n- material sample shortage\n- deep fallback\n- significant unknowns\n\nP80とEvidence confidenceを同じ意味として扱わない。\n\n---\n\n# Persistence\n\nproject内に専用storageを置く場合の推奨:\n\n~~~\n.estimation\u002F\n  config.yaml\n  work-units.yaml\n  observations.ndjson\n  forecasts.ndjson\n~~~\n\n既存のplanning \u002F metrics storageがある場合はそちらを優先する。\n\nconfigの既定sample policy:\n\n~~~yaml\nsample_policy:\n  empirical_min: 5\n  p50_p80_min: 10\n  p95_min: 20\n~~~\n\nobservationsには少なくともtimestamp、work unit、event、agent count、model、rework\u002Fblocked情報を追跡可能な形で残す。\n\nforecastsには少なくともtimestamp、scope revision、status、quantiles、confidence、evidence snapshotを残す。\n\n---\n\n# Recalibration triggers\n\n次で再計算する。\n\n- Work Unit完了\n- significant blocker発生 \u002F 解消\n- scope変更\n- dependency変更\n- agent数 \u002F model変更\n- usage limit変更\n- human availability変更\n- release gate完了\n- material unknown解消\n- evidence quality tier変更\n\n---\n\n# Forecast evaluation\n\n予測精度そのものを測る。\n\n最低限:\n\n- forecast error\n- forecast bias\n- P50 coverage\n- P80 coverage\n- P95 coverage\n\ncoverage calibration目安:\n\n- n \u003C 20: insufficient evidence\n- n >= 20: early calibration signal\n- n >= 50: meaningful calibration assessment\n\n長期的に、例えばP80 forecastならactual completionが概ね80%包含される状態を目指す。\n\n---\n\n# Output contract\n\n最低限以下を返す。\n\nすべての**数値field**は、単独の裸の数値ではなく次のevidence recordで表現する。\n\n~~~yaml\nvalue:\nunit:\nprovenance: measured | derived | external | user-specified-scenario | provisional | unknown\nevidence_ref: []\n~~~\n\n- `evidence_ref` はobservation ID、commit \u002F snapshot、external dataset、user instruction、simulation run ID等、根拠を再取得できる参照を持つ\n- derived valueは入力evidenceに加えて計算 \u002F simulation runを参照する\n- unavailableな値は `value: unavailable`、`provenance: unknown` とし、欠落理由を `evidence_ref` またはUnknownsから追跡可能にする\n- provisionalな値は `provenance: provisional` を維持し、通常のdecision-grade measured valueへ見せかけない\n\n~~~markdown\n## Scope\nRemaining work:\nCritical path:\nParallelizable work:\nWU calibration:\n  value:\n  unit: WU\n  provenance:\n  evidence_ref:\n\n## Capacity evidence\nObservation window:\nSample size:\n  value:\n  unit: observations\n  provenance:\n  evidence_ref:\nEvidence quality:\nActive agents:\n  value:\n  unit: agents\n  provenance:\n  evidence_ref:\nActive-work throughput:\n  value:\n  unit: actual_total_WU\u002Factive-work-day\n  provenance:\n  evidence_ref:\nHuman review capacity:\n  value:\n  unit:\n  provenance:\n  evidence_ref:\nMain bottleneck:\n\n## Forecast\nStatus:\nP50:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nP80:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nP95:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nEvidence confidence:\n\n## Evidence fallbacks\n...\n\n## Unknowns\n...\n\n## Main uncertainty\n...\n\n## Acceleration candidates\n...\n~~~\n\nP50 \u002F P80 \u002F P95の各`evidence_ref`は、少なくともforecast input snapshotとbootstrap \u002F simulation runを個別に参照する。WU calibration、throughput、agent count、human capacity等、forecastへ入るcapacity数値にも同じrecord形式を適用する。\n\nsample policy上利用できないquantileは、値を捏造せずunavailable \u002F provisionalと表示する。\n\nAcceleration candidateへ数値効果を付ける場合もobserved evidenceまたはsimulationを必要とする。\n\n---\n\n# Integration with other Skills\n\n## github-delivery\n\nrelease \u002F sprint scope、target date、capacity、carry-over判断を行う時は本Skillを参照する。\nIssueのSizeはcalendar durationと同義にしない。\n\n週次sprint cadenceはplanning cadenceであり、「すべてのscopeが1週間で完了する」というestimateではない。\n\n## parallel-orchestration\n\nagent数、WIP、spawn数を増やす前に、現在のbottleneckとparallelism evidenceを確認する。\nagent count増加を線形speedupとして扱わない。\n\norchestrationから得られるactive agents、blocked time、generation\u002Fretry、usage limits等はestimation observationへ利用できる。\n\n## quality-gate\n\nvalidation level、CI delay、E2E\u002Fmanual requirementはdelivery durationへ影響する入力である。\nquality gateをestimate短縮のために弱めない。\n\n## agent-recovery\n\ninterruption \u002F reassignment \u002F recoveryによるwall-clock delayやreworkは観測対象とする。\nrecovery policy自体をestimate達成のために省略しない。\n\n---\n\n# Anti-patterns\n\n禁止:\n\n- 「大型なので3〜6か月」\n- 「AIなら5 WU\u002Fdayくらい」\n- 「4 agentsなら3倍速」\n- 「unknownなので安全側に2倍」\n- 根拠のないNormal \u002F Uniform distribution\n- n=1をmeasured distribution扱い\n- task mixが違う期間のthroughput差をagent数の因果効果と断定\n- 一般的なhuman team工期をそのままAI開発へ適用\n- human bottleneck \u002F waiting timeの無視\n- riskを収集してforecastへ接続しない\n- uncalibrated WUをcalendar durationへ直結\n- 18.4 daysのようなfalse precision\n\n---\n\n# Goal\n\n未来を言い当てることではない。\n\n次を、人間の直感やAI自身の主観的見積もりより再現性高く判断する。\n\n- what can finish\n- by when\n- with what probability\n- under which constraints\n- based on which evidence\n\nさらに予測精度そのものを計測し、継続的に再校正する。\n","# Agent Delivery Estimation\n\nAIエージェント自身の「この規模なら数週間」「大型なので数ヶ月」といった主観的calendar estimateを採用しない。\n中長期のdelivery forecastは、作業構造と観測可能な実績から構築する。\n\n## Use this Skill when\n\n次の場合に使用する。\n\n- release \u002F roadmap \u002F milestoneの完了時期を見積もる\n- 1週間 \u002F 1か月で到達可能なscopeを評価する\n- sprint \u002F release scopeがcapacityに収まるか判断する\n- agent数、WIP、並列実行数を増減した場合の効果を評価する\n- human review \u002F CI \u002F external wait \u002F usage limitを含むbottleneckを特定する\n- 予定日に間に合う確率を評価する\n- 長期計画のforecastを実績で再校正する\n\n小さな単発taskの即時実装判断に、必ずしもこのSkillを使う必要はない。\n\n## Core rules\n\n### Evidence before numbers\n\nAI自身の感覚だけでcalendar time、throughput、rework rate、parallel speedupを生成しない。\n\nすべての数値にprovenanceを持たせる。\n\n- measured\n- derived\n- external\n- user-specified-scenario\n- provisional\n- unknown\n\nprovisionalは無条件にforecastの根拠へ昇格させない。\n\n### Unknown before invention\n\nデータ不足は正当な結果である。\n\n- insufficient data\n- unknown\n- not identifiable from current evidence\n\nunknownを「安全側に2倍」等の任意倍率で補完しない。\n\n### Structure before duration\n\n時間を考える前に、scope、Work Unit、dependency、parallelism、human gate、external waitを確定する。\n\n### Historical data over intuition\n\n同一project \u002F repository \u002F workflowの実績をAIの一般論より優先する。\n\n### Probability over single date\n\n十分な証拠がある場合は一点日付ではなくP50 \u002F P80 \u002F P95を使用する。\n\n---\n\n# Phase 1: Inspect\n\n実装を開始せず、対象projectを調査する。\n\n確認するもの:\n\n- Issue \u002F milestone \u002F release scope\n- related PR\n- subsystem \u002F repository\n- dependency \u002F blocked-by\n- release gate\n- CI \u002F E2E \u002F manual verification\n- human decision \u002F approval\n- external service \u002F store \u002F infrastructure wait\n- runtime \u002F environment constraint\n- usage limit\n- active agent count \u002F WIP\n- unresolved specification\n- historical comparable work\n- previous forecast \u002F observation data\n\nこの段階ではcalendar estimateを生成しない。\n\n---\n\n# Phase 2: Extract Work Graph\n\n残作業を独立したWork Unitへ分解する。\n\n最低限のfield:\n\n~~~yaml\nid:\ndescription:\ntype:\nweight: # positive number (> 0)\ndependencies: []\nparallelizable: true\nhuman_required: false\nexternal_wait: false\nvalidation: []\nrisk:\n  ambiguity:\n  unfamiliarity:\n  integration:\n  external_dependency:\n  validation_difficulty:\n~~~\n\nWork Unitは絶対時間ではなくproject内の相対作業量である。\n`weight` \u002F `original_WU` は必ず正の値とし、0以下のWork Unitを作らない。作業量を持たないgateやmilestoneはWork UnitではなくDAG上のgate \u002F eventとして表現する。\n\n## Anchor-based WU calibration\n\n新しいWUを決める前に過去の完了済みWUをanchorとして比較する。\n\n例:\n\n- 0.5 WU: small fix + focused test\n- 1.0 WU: single-subsystem feature + tests\n- 2.0 WU: frontend\u002Fbackend contract change + integration validation\n- 3.0 WU: cross-repository change + release coordination\n\n上記は説明例であり、projectの既定値ではない。\n実際のweightはproject-local anchorから決定する。\n\n十分なanchorがなければWU calibrationをprovisionalまたはunknownとし、絶対日数へ変換しない。\n\n---\n\n# Evidence fallback hierarchy\n\nWU calibration、throughput、risk mapping、rework、waiting time、Monte Carlo samplingでは同じfallback hierarchyを使う。\n\n優先順位:\n\n1. same project + same repository + comparable task characteristics\n2. same project + comparable task characteristics\n3. same repository + comparable workflow\n4. same project, broader historical population\n5. explicitly supplied reference dataset\n6. provisional \u002F unknown\n\n比較可能性では可能な範囲で以下を揃える。\n\n- task type\n- risk level\n- validation type\n- cross-repo status\n- subsystem\n- agent\u002Fmodel\n- usage-limit condition\n- human-gate requirement\n\nfallbackした場合はevidence level \u002F depth \u002F sample sizeを記録する。\n異なるpopulationを無言で混合しない。\n\n---\n\n# Sample-size policy\n\n既定の証拠品質:\n\n- n = 0: unknown\n- n = 1–2: anecdotal。分布推定に使わない\n- n = 3–4: provisional。傾向把握のみ\n- n = 5–9: sparse-measured。経験分布利用可、tail estimateは不安定\n- n = 10–19: measured。P50 \u002F P80利用可、P95はprovisional\n- n >= 20: distribution-capable。P50 \u002F P80 \u002F P95利用可\n\nprojectがより厳しい基準を定義している場合はそちらを優先する。\n閾値を変更する場合はestimation configへ明示する。\n\nMonte Carloの反復回数を増やしても元データ不足は解消されない。\n\n---\n\n# Phase 3: Risk mapping\n\nriskを収集するだけで終わらせない。\n\n可能ならhistorical evidenceから以下へ接続する。\n\nrisk features\n→ first-pass success\n→ rework\n→ validation rounds\n→ block probability\n→ delay distribution\n\n十分な履歴がなければrisk impactをunknownとする。\n任意のrisk multiplierを作らない。\n\n---\n\n# Phase 4: Dependency graph\n\nWork UnitからDAGを作る。\n\n最低限区別する。\n\n- total work\n- parallelizable work\n- serial-only work\n- critical path\n- blocked work\n- human-gated work\n- external-gated work\n\ncritical pathとparallelizable workは別軸であり、排他的な内訳とは限らない。\n\ncalendar durationを単純な total WU \u002F agent count で計算しない。\n\n---\n\n# Phase 5: Measure capacity\n\n可能なら次を観測する。\n\n- completed WU \u002F day \u002F week\n- Issue start → first PR\n- first PR → first green\n- first green → merge\n- review rounds\n- rework events\n- CI failures \u002F queue delay\n- blocked duration\n- active agent count\n- agent\u002Fmodel\n- usage-limit events\n- human review throughput\n- human decision latency\n- external wait\n\n## Throughput accounting\n\n`completed WU \u002F day \u002F week` は既定で **active-work throughput** を意味する。\n\n- 分子: 完了WUの `actual_total_WU` の合計。initial workとreworkを含む\n- 分母: そのWU群に実際に費やしたactive work time。internal queue、human wait、CI\u002Fbuild\u002Fdeploy wait、external wait、usage-limit cooldownは除外する\n- 単位: `actual_total_WU \u002F active-work day` または `actual_total_WU \u002F active-work week`\n\n残scopeのactive work demandは、各WUの `original_WU` にsampled reworkを反映して `actual_total_WU` 相当へ変換し、active-work throughputで処理時間へ変換する。\n\n```text\nactive_duration = sampled_actual_total_WU \u002F sampled_active_work_throughput\ncalendar_duration = DAG_schedule(active_duration, sampled_waits, gates, queues)\n```\n\nhuman \u002F CI \u002F external \u002F usage-limit waitはDAG scheduleで一度だけ加える。active-work throughputの分母から除外したwaitを、別のwait distributionとして重複計上しない。\n\nactive work timeを分離できずwall-clock throughputしか得られない場合、そのthroughputはend-to-end baselineとして扱い、同じ観測区間に含まれるhuman \u002F CI \u002F external waitを別途加算しない。waitを分解したforecastが必要なら、active-work \u002F wait splitを追加観測するまでconditionalまたはunavailableとする。\n\n## Human capacity\n\nAI capacityと人間のcapacityを分離する。\n\n対象例:\n\n- requirement \u002F architecture decision\n- design approval\n- PR approval\n- release approval\n- credential \u002F permission\n- device verification\n- manual QA\n\nAI throughputがhuman throughputを上回る場合、人間queueをbottleneckとして扱う。\n\n## Waiting time\n\n少なくとも次をactive workから分離する。\n\n- internal queue\n- human wait\n- CI\u002Fbuild\u002Fdeploy wait\n- external wait\n- usage-limit cooldown\n\n---\n\n# Effective parallelism\n\nagent数を線形倍率として扱わない。\n固定の飽和テーブルも持たない。\n\n## Baseline forecast\n\n現在のagent構成で十分な実測throughputがある場合、その実測値を直接利用する。\nbaseline forecastだけならparallelism倍率を推定する必要はない。\n\n## Scaling forecast\n\nagent数を変更するwhat-ifでのみscaling effectを評価する。\n\n異なるagent countの期間を比較する場合、可能な限り以下を統制する。\n\n- WU calibration\n- task mix \u002F risk\n- repository \u002F subsystem\n- validation requirements\n- model\n- usage-limit\n- human availability\n- blockers\n\ntask mix等が違う期間のthroughput差だけから因果的speedupを決めない。\n\n統制不能なら:\n\n- parallelism relationship: observed correlation\n- causal scaling effect: unknown\n\nとする。\n\n---\n\n# Rework model\n\n可能なら各WUについて記録する。\n\n- first-pass success\n- attempts\n- additional WU\n- additional validation rounds\n- original_WU\n- actual_total_WU\n\nrework ratio:\n\n(actual_total_WU - original_WU) \u002F original_WU\n\n`original_WU > 0` をschema invariantとするため、この式は常に定義可能である。既存履歴に0-weight recordがある場合は、そのrecordを比率計算へ含めずdata-quality issueとして記録する。\n\nForecastでは類似taskの経験分布をbootstrapする。\n根拠のない平均rework率を生成しない。\n\n---\n\n# Unknown handling policy\n\nunknownを発見したら、まず4種類へ分類する。\n\n## Structural unknown\n\nscope、dependency、architecture等が未確定でWork Graph自体が安定しない。\n\n結果:\n\nforecast_status: unavailable\n\nP50 \u002F P80 \u002F P95を出さず、何を解決すればforecast可能になるか示す。\n\n## Material distribution unknown\n\nWork Graphは作れるが、critical-path rework、mandatory human approval latency、external wait等、completion distributionへmaterialな入力が欠ける。\n\n結果:\n\nforecast_status: conditional\n\nunknownを0や任意の保守値で埋めない。\n必要なら「Xの追加delayがない条件下」等の条件付き結果だけを出す。\nconditional resultを通常の確率coverageとして扱わない。\n\n## Scenario-only unknown\n\nbaselineには不要だがwhat-ifには必要。\n\n例:\n\ncurrent 4-agent throughputはmeasuredだが8-agent scaling effectはunknown。\n\n結果:\n\n- baseline forecast: available\n- 8-agent scenario: unavailable\n\n## Non-material unknown\n\nforecastを実質的に変えないunknown。\n記録するがforecastを停止しない。\n\n## Materiality\n\n次のいずれかを変え得る因果経路がある場合materialとみなす。\n\n- Work Graph\n- critical path\n- bottleneck\n- mandatory wait\n- rework distribution\n- completion distribution\n- release eligibility\n\n---\n\n# Phase 6: Forecast\n\nForecastには必ずstatusを付ける。\n\n## complete\n\n必要なmaterial inputが十分な証拠品質で揃っている。\n\n証拠条件を満たすquantileのみ出す。\n\n## conditional\n\nmaterial unknownが残るが明示条件下の分析は可能。\n\n## unavailable\n\nWork Graphまたは必須capacity evidenceが成立していない。\n\n数字を捏造しない。\n\n---\n\n# Monte Carlo policy\n\n十分な履歴がある場合の既定方式はempirical bootstrap resamplingとする。\n\n対象例:\n\n- throughput\n- rework\n- human latency\n- CI delay\n- blocked duration\n- external delay\n\n観測サンプルから復元抽出する。\n\n## Bootstrap observation unit\n\n既定の再標本化単位は、1つのcompleted Work Unitまたは同一execution episodeに紐づく **joint observation** とする。可能な場合は次を同じrecordへ保持する。\n\n- active-work throughput \u002F active duration\n- original_WU \u002F actual_total_WU \u002F rework\n- human gate latency\n- CI queue \u002F execution delay\n- blocked duration\n- external delay\n- agent count \u002F model \u002F usage-limit condition\n- shared gate \u002F queue identity\n\n同一episode・同一shared gate・同一queue等の共通原因を持つ値は、相関を壊さないようjointに再標本化する。独立再標本化してよいのは、観測上も運用上も別mechanismであり、shared gate \u002F queue \u002F episodeを持たないことを説明できる場合だけとし、そのindependence assumptionをforecast evidenceへ記録する。joint dataが必要なのに存在しない場合は、独立と仮定せずmaterial distribution unknownとして扱う。\n\n## DAG aggregation per bootstrap iteration\n\n各反復で次の順序を固定する。\n\n1. Evidence fallback hierarchyとtask characteristicsに従い、各WU \u002F gate \u002F queueに対応するobservationを復元抽出する。\n2. 各WUの `original_WU` にsampled reworkを反映して `sampled_actual_total_WU` を得る。\n3. `sampled_actual_total_WU \u002F sampled_active_work_throughput` でactive durationを得る。\n4. predecessorが複数あるWUのearliest startは、必要なpredecessor completion \u002F stack-ready snapshot availabilityの最大値とする。serial chainは依存順に累積し、parallel branchは同時進行できる範囲で重ねる。\n5. shared human gateはhuman capacityを持つ共通resource queueとして、shared CI queueはCI capacityを持つ共通resource queueとしてscheduleする。同じgate \u002F queue delayを各downstream WUへ重複加算しない。\n6. blocked \u002F external waitは、それを生じさせるedgeまたはgateへ一度だけ配置する。\n7. release completionはterminal WU群のcompletion最大値に、まだDAGへ含まれていないmandatory release gateをscheduleした時点とする。\n8. 反復ごとのrelease completion durationを保存し、その経験分布からP50 \u002F P80 \u002F P95を算出する。\n\nAIが任意のNormal \u002F Uniform等の分布を生成しない。\n\nconditional samplingはEvidence fallback hierarchyに従う。\n最も比較可能なpopulationから始め、sample size不足なら一段ずつ広げる。\nどこまでfallbackしたか記録する。\n\nTail quantile policy:\n\n- n \u003C 5: probability forecast不可\n- 5 \u003C= n \u003C 10: empirical distribution利用可、tail quantileはdecision-gradeにしない\n- 10 \u003C= n \u003C 20: P50 \u002F P80利用可、P95 provisional\n- n >= 20: P50 \u002F P80 \u002F P95利用可\n\n---\n\n# When historical data is missing\n\nAIがFast \u002F Expected \u002F Constrained throughputを勝手に作らない。\n\n## Capacity-target scenario\n\n利用者が明示したcapacityをscenarioとして使用してよい。\n\n必ず scenario, not forecast と表示する。\n\n## Calibration period\n\n短期間の実測を優先する。\n\n最低限:\n\n- completed WU\n- active agents\n- human review\n- blocked time\n- usage-limit events\n\nを記録する。\n\n初回観測が得られてもn=1で確率forecastを開始しない。\n\n---\n\n# Confidence\n\nForecast uncertaintyとEvidence confidenceを分離する。\n\nP50\u002FP80\u002FP95の幅は観測されたvarianceから生じる。\nLow confidenceだから任意に区間を広げない。\n\nEvidence confidence:\n\nHigh:\n- stable scope\n- sufficient WU anchors\n- material inputs distribution-capable\n- dependencies resolved\n- shallow fallback\n\nMedium:\n- some sparse-measured inputs\n- broader fallback population\n- scope mostly stable\n\nLow:\n- provisional calibration\n- material sample shortage\n- deep fallback\n- significant unknowns\n\nP80とEvidence confidenceを同じ意味として扱わない。\n\n---\n\n# Persistence\n\nproject内に専用storageを置く場合の推奨:\n\n~~~\n.estimation\u002F\n  config.yaml\n  work-units.yaml\n  observations.ndjson\n  forecasts.ndjson\n~~~\n\n既存のplanning \u002F metrics storageがある場合はそちらを優先する。\n\nconfigの既定sample policy:\n\n~~~yaml\nsample_policy:\n  empirical_min: 5\n  p50_p80_min: 10\n  p95_min: 20\n~~~\n\nobservationsには少なくともtimestamp、work unit、event、agent count、model、rework\u002Fblocked情報を追跡可能な形で残す。\n\nforecastsには少なくともtimestamp、scope revision、status、quantiles、confidence、evidence snapshotを残す。\n\n---\n\n# Recalibration triggers\n\n次で再計算する。\n\n- Work Unit完了\n- significant blocker発生 \u002F 解消\n- scope変更\n- dependency変更\n- agent数 \u002F model変更\n- usage limit変更\n- human availability変更\n- release gate完了\n- material unknown解消\n- evidence quality tier変更\n\n---\n\n# Forecast evaluation\n\n予測精度そのものを測る。\n\n最低限:\n\n- forecast error\n- forecast bias\n- P50 coverage\n- P80 coverage\n- P95 coverage\n\ncoverage calibration目安:\n\n- n \u003C 20: insufficient evidence\n- n >= 20: early calibration signal\n- n >= 50: meaningful calibration assessment\n\n長期的に、例えばP80 forecastならactual completionが概ね80%包含される状態を目指す。\n\n---\n\n# Output contract\n\n最低限以下を返す。\n\nすべての**数値field**は、単独の裸の数値ではなく次のevidence recordで表現する。\n\n~~~yaml\nvalue:\nunit:\nprovenance: measured | derived | external | user-specified-scenario | provisional | unknown\nevidence_ref: []\n~~~\n\n- `evidence_ref` はobservation ID、commit \u002F snapshot、external dataset、user instruction、simulation run ID等、根拠を再取得できる参照を持つ\n- derived valueは入力evidenceに加えて計算 \u002F simulation runを参照する\n- unavailableな値は `value: unavailable`、`provenance: unknown` とし、欠落理由を `evidence_ref` またはUnknownsから追跡可能にする\n- provisionalな値は `provenance: provisional` を維持し、通常のdecision-grade measured valueへ見せかけない\n\n~~~markdown\n## Scope\nRemaining work:\nCritical path:\nParallelizable work:\nWU calibration:\n  value:\n  unit: WU\n  provenance:\n  evidence_ref:\n\n## Capacity evidence\nObservation window:\nSample size:\n  value:\n  unit: observations\n  provenance:\n  evidence_ref:\nEvidence quality:\nActive agents:\n  value:\n  unit: agents\n  provenance:\n  evidence_ref:\nActive-work throughput:\n  value:\n  unit: actual_total_WU\u002Factive-work-day\n  provenance:\n  evidence_ref:\nHuman review capacity:\n  value:\n  unit:\n  provenance:\n  evidence_ref:\nMain bottleneck:\n\n## Forecast\nStatus:\nP50:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nP80:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nP95:\n  value:\n  unit: calendar-duration\n  provenance: derived\n  evidence_ref:\nEvidence confidence:\n\n## Evidence fallbacks\n...\n\n## Unknowns\n...\n\n## Main uncertainty\n...\n\n## Acceleration candidates\n...\n~~~\n\nP50 \u002F P80 \u002F P95の各`evidence_ref`は、少なくともforecast input snapshotとbootstrap \u002F simulation runを個別に参照する。WU calibration、throughput、agent count、human capacity等、forecastへ入るcapacity数値にも同じrecord形式を適用する。\n\nsample policy上利用できないquantileは、値を捏造せずunavailable \u002F provisionalと表示する。\n\nAcceleration candidateへ数値効果を付ける場合もobserved evidenceまたはsimulationを必要とする。\n\n---\n\n# Integration with other Skills\n\n## github-delivery\n\nrelease \u002F sprint scope、target date、capacity、carry-over判断を行う時は本Skillを参照する。\nIssueのSizeはcalendar durationと同義にしない。\n\n週次sprint cadenceはplanning cadenceであり、「すべてのscopeが1週間で完了する」というestimateではない。\n\n## parallel-orchestration\n\nagent数、WIP、spawn数を増やす前に、現在のbottleneckとparallelism evidenceを確認する。\nagent count増加を線形speedupとして扱わない。\n\norchestrationから得られるactive agents、blocked time、generation\u002Fretry、usage limits等はestimation observationへ利用できる。\n\n## quality-gate\n\nvalidation level、CI delay、E2E\u002Fmanual requirementはdelivery durationへ影響する入力である。\nquality gateをestimate短縮のために弱めない。\n\n## agent-recovery\n\ninterruption \u002F reassignment \u002F recoveryによるwall-clock delayやreworkは観測対象とする。\nrecovery policy自体をestimate達成のために省略しない。\n\n---\n\n# Anti-patterns\n\n禁止:\n\n- 「大型なので3〜6か月」\n- 「AIなら5 WU\u002Fdayくらい」\n- 「4 agentsなら3倍速」\n- 「unknownなので安全側に2倍」\n- 根拠のないNormal \u002F Uniform distribution\n- n=1をmeasured distribution扱い\n- task mixが違う期間のthroughput差をagent数の因果効果と断定\n- 一般的なhuman team工期をそのままAI開発へ適用\n- human bottleneck \u002F waiting timeの無視\n- riskを収集してforecastへ接続しない\n- uncalibrated WUをcalendar durationへ直結\n- 18.4 daysのようなfalse precision\n\n---\n\n# Goal\n\n未来を言い当てることではない。\n\n次を、人間の直感やAI自身の主観的見積もりより再現性高く判断する。\n\n- what can finish\n- by when\n- with what probability\n- under which constraints\n- based on which evidence\n\nさらに予測精度そのものを計測し、継続的に再校正する。\n",{"name":5,"description":7},"main","fae2dd6b4eb2a8c4744ff719f591e6e697efe4a4","skills\u002Fagent-delivery-estimation",0,"https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init","https:\u002F\u002Fgithub.com\u002Frebuildup","https:\u002F\u002Frebuildup.dev","jp 2007\r\nweb制作か映像制作、それにまつわるツールの制作をしている高専生","2026-11-13 16:51:04",{"source":8,"skillName":5,"commands":34,"prompt":44,"zipAvailable":45},[35,38,41],{"tool":36,"command":37},"npx","npx skills add rebuildup\u002Fproject-init --skill agent-delivery-estimation",{"tool":39,"command":40},"bunx","bunx skills add rebuildup\u002Fproject-init --skill agent-delivery-estimation",{"tool":42,"command":43},"pnpm","pnpm dlx skills add rebuildup\u002Fproject-init --skill agent-delivery-estimation","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fagent-delivery-estimation\u002FSKILL.md",true,[],[48,55,62,69,76,83],{"skillNo":49,"name":50,"nameZh":6,"description":51,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":52,"categories":53,"keywords":54,"publishedAt":19},"01M7AB77SBZEANKTQWPK1A9YW5","worktree-workflow","current release-driven profileでWorktrunkをWSL\u002FLinux workspace lifecycle Practiceとして使い、Rust\u002FCargo worktreeのbuild-output isolation・cache reuse・cleanupを含め、同等以上のguaranteeを持つalternativeへのrefinementも判断する時に使用する。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fworktree-workflow\u002FSKILL.md",[],[],{"skillNo":56,"name":57,"nameZh":6,"description":58,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":59,"categories":60,"keywords":61,"publishedAt":19},"01M7AB74AK8FAJ98HBC7KK1648","skill-selection","projectの初期化や再整備で、どのAgent Skillを導入するかを決める時に使用する。必要な能力を判定し、project-initの能力一覧と候補記録、さらに外部の探索から候補を評価して、能力ごとに担当を決め、project-localに導入してlockと採否を記録する。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fskill-selection\u002FSKILL.md",[],[],{"skillNo":63,"name":64,"nameZh":6,"description":65,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":66,"categories":67,"keywords":68,"publishedAt":19},"01M7AB71CFH8ZKF0QPV5H9QPS0","security-maintenance","framework\u002Fruntime\u002Fdependencyの脆弱性情報を収集し、projectへの実影響と優先度を判定してticket\u002Freleaseへ反映する時に使用する。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fsecurity-maintenance\u002FSKILL.md",[],[],{"skillNo":70,"name":71,"nameZh":6,"description":72,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":73,"categories":74,"keywords":75,"publishedAt":19},"01M7AB6YFYS2QF2D1YH4K1117G","security-audit","source codeから未知のsecurity invariant failureを能動的に探索し、coverageを明示しながら独立検証されたfindingへ変換する時に使用する。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fsecurity-audit\u002FSKILL.md",[],[],{"skillNo":77,"name":78,"nameZh":6,"description":79,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":80,"categories":81,"keywords":82,"publishedAt":19},"01M7AB6QW54HQ8JTRADE6NQ52X","secrets-management","application \u002F serviceのenvironment secretをInfisical中心で設計・初期化・移行・検証する時に使用する。CLI-first、repository-controlled schema、Machine Identity、GitHub OIDC、agent least-privilege、secret-safe evidenceを扱う。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fsecrets-management\u002FSKILL.md",[],[],{"skillNo":84,"name":85,"nameZh":6,"description":86,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M7AB6N6WC13K9E0BPAFXWNPH","sandbox-runtime","implementation worker用の独立sandboxを作成・検証し、macOS \u002F WSL\u002FLinux \u002F remote provider差を吸収する時に使用する。","https:\u002F\u002Fgithub.com\u002Frebuildup\u002Fproject-init\u002Fblob\u002Fmain\u002Fskills\u002Fsandbox-runtime\u002FSKILL.md",[],[]]