AI Tech Catchup

最新の AI 技術動向を調査し、構造化されたレポートを GitHub Issue として投稿するスキル。Claude Code がそのまま調査エージェントとして動き、WebSearch / WebFetch と（利用可能なら）GitHub・Hugging Face の MCP サーバーで情報を集める。

レポートの投稿先は Yagami360/ai-product-dev-tips リポジトリの Issue（このスキルが置かれているリポジトリ）。

レポートの 4 種別

種別	いつ使うか	デフォルト件数
最新 (latest)	「今のAI動向」「最新ニュースまとめ」など、期間を区切らない直近の総まとめ	20
週次 (weekly)	「先週の」「週次の」AI動向。前日までの過去7日間	10
月次 (monthly)	「先月の」「月次の」AI動向。前日までの過去30日間	20
トピック別 (topic)	特定テーマ（例: AI Agent, RAG, VLM, Physical AI, Claude Code）の深掘り	20

このスキルは Claude Code Routines から無人で自律実行される前提なので、処理の途中でユーザーに確認を求めない。 種別が不明なときは最新 (latest) をデフォルトとし、与えられた情報で調査 → レポート生成 → GitHub Issue 投稿まで最後まで自動で進める。

手順

1. 種別と引数を決める

• 依頼（Routine のプロンプト）から種別を判定する。トピック別ならトピック名を抽出する（不明なら最も妥当なものを採る。確認はしない）。
• 件数はユーザー指定があれば優先、無ければ上表のデフォルト。
• 週次・月次は調査期間を計算する。前日を終点に固定（実行日当日は含めない）。計算式は references/report-formats.md の「期間の計算」に従う。今日の日付はシステムのコンテキスト（currentDate）を使う。

2. 調査の材料を読み込む

• references/sources.md — 調査対象の AI 技術キーワード・優先情報源 URL・MCP 活用ガイド。
• references/report-formats.md — 選んだ種別の出力フォーマット（見出し構成）と Issue 本文テンプレート。

3. 調査する

references/sources.md の情報源を優先的に当たりつつ、必要に応じて関連 URL も調べる。リアルタイム性が最重要なので、推測や古い知識で埋めず、実際に検索・取得した情報を使う。

調査は 「Web 調査」と「MCP サーバーでの補強」を組み合わせて行う。 Web 調査は、軽い場合は通常の検索（方法 A）、裏取り重視なら /deep-research（方法 B）を使う。 /deep-research を使う場合でも、使える MCP サーバー（GitHub / Hugging Face / arXiv）は併用して OSS・モデル・論文動向を補強する（MCP は方法 A・B のどちらとも組み合わせる）。

Web 調査 — 方法 A: 通常の Web 検索（デフォルト）

軽量・高速。各セクションを埋める材料が揃えばよい場合に使う。

• WebSearch / WebFetch: 優先情報源（企業公式ブログ、技術ニュース、arXiv、GitHub Trending、Hugging Face、SNS など）から、新製品・新機能・研究論文・投資/M&A・OSS 動向を収集する。並列で複数の検索を走らせると速い。
• あわせて、下記の MCP サーバー（GitHub / Hugging Face / arXiv）も併用して OSS・モデル・論文動向を補強する（方法 A でも MCP を使う）。

Web 調査 — 方法 B: /deep-research コマンドで深掘り

より網羅的でファクトチェック済みの調査が欲しいとき（ユーザーが「deep-research で」「しっかり裏取りして」「徹底的に調べて」等と言ったとき、またはトピック別レポートで深掘りしたいとき）に使う。/deep-research は Web 検索をファンアウトし、ソースを取得し、主張を敵対的に検証して出典付きで統合するハーネス。

手順:

1. deep-research スキルを呼び出す（Skill ツール、または会話で /deep-research）。args には、レポート種別・期間・重点キーワードを織り込んだ具体的な調査依頼を渡す。例:
   • 最新: 「2026年6月時点の最新AI技術動向を調査。LLM/AI Agent/VLM/Physical AI/AI Chips/OSS(GitHub・Hugging Face)/主要企業(OpenAI・Anthropic・Google・NVIDIA)の新発表・研究論文・投資M&A・市場動向を、出典URL付きで網羅的に。」
   • 週次/月次: 上記に「調査期間 2026-05-28 ~ 2026-06-03 に限定」を追加。
   • トピック別: 「『AI Agent』に特化して、定義・最新動向・主要論文・OSS・市場規模・課題・展望を出典付きで深掘り。」
   • 必要なら references/sources.md のキーワード・優先情報源を依頼文に貼り込み、調査範囲を誘導する。
2. /deep-research が返した検証済みの出典付き知見を受け取る。
3. その知見をそのまま貼らず、references/report-formats.md の該当種別の見出し構成に並べ替えて本文化する（ステップ 4）。

/deep-research は時間とトークンを多く使う。軽い最新まとめなら方法 A、裏取り重視の月次・トピック深掘りなら方法 B。いずれの場合も下記の MCP サーバーを併用する。

MCP サーバーで補強（方法 A・B のどちらでも併用する）

OSS・モデル・論文の動向は、上の Web 調査と並行して、使える MCP サーバーでも確認すると精度が上がる。 使えない環境では無理に呼び出さず、WebSearch / WebFetch（arxiv.org 直接アクセスを含む）で代替する。

• GitHub MCP サーバー: 注目リポジトリの最新コミット/Issue/PR、Trending、リリースノート、主要 Organization の活動を確認。
• Hugging Face MCP サーバー: キーワード／トピック関連の最新モデル・データセット・Space・論文を検索し、人気度や差分を把握。
• arXiv MCP サーバー: search_papers でキーワード／トピック・期間・カテゴリ（cs.AI / cs.CL / cs.LG など）に絞って最新論文を検索し、必要に応じて download_paper / read_paper で内容まで踏み込む。論文動向の裏取りに使う。

どちらの方法でも、フォーマットの各セクションを埋めるのに十分な材料が集まったら次へ進む。情報が薄いセクションは無理に水増しせず、得られた事実ベースで簡潔に書く。

トークン量が多くなりがちな調査タスクなので、独立した複数ソースの調査を並行して進めてよい。サブエージェントが使える環境では、種別やトピックに応じて調査を分担させると網羅性が上がる。

4. レポート本文を書く

references/report-formats.md の該当種別の見出し構成をそのまま使って本文を書く。report-formats.md 冒頭の「共通ルール」（各項目を「太字の見出し ＋ 説明文」の二層で詳しく書く）に必ず従う。要点:

• 各項目は**「太字の見出し ＋ 説明文」の二層**で書く。語句だけ・1 行だけの素っ気ない箇条書きにしない。重要ニュースは各項目 2〜4 文、トレンド/変化系は各項目 1〜2 文で、固有名詞・数値・背景・なぜ重要かを具体的に説明する。
• 各情報に出典 URL を必ず添える。日付・具体的な数値を入れる。
• 当年の最新情報を優先。トピック別はそのトピックに特化した実用的な内容にする。

5. Issue を投稿する

レポート本文ができたら、ユーザーに確認を求めず、そのまま GitHub Issue を作成する（Claude Code Routine から無人で実行されたときに確認待ちで止まらないようにするため。スキル単独で実行する場合も同様に確認なしで作成してよい）。

1. references/report-formats.md の「Issue 本文テンプレート」のヘッダ・フッタでレポート本文を囲み、一時ファイル（例 /tmp/ai-tech-catchup-report.md）に書き出す。

   • 使用モデルにはこのセッションのモデル名を入れる。
   • 「調査方法」欄には、この調査で実際に使ったツールを正直に列挙する（例: WebSearch, WebFetch, Hugging Face MCP, arXiv MCP, /deep-research）。使わなかったツールは書かない。MCP や /deep-research が使えず Web 検索のみだった場合はそう書く。

2. gh で投稿する。基本のラベルは次の2種。未作成なら作ってから付与する（冪等）。

   • 種別ラベル: report / weekly-report / monthly-report / topic-report
   • 使用モデル名のラベル: このセッションのモデル名（例: claude-opus-4-8）

   呼び出し元（Claude Code Routine など）が claude-code-routine ラベルの付与を指示している場合は、それも付ける。スキル単独で実行した場合は付けない（Routine 経由ではないため）。claude-code-routine は共通ラベルとしてリポジトリ側に用意されている前提で、スキルからは作成しない。

   MODEL="<このセッションのモデル名>"   # 例: claude-opus-4-8
   
   # ラベルが無ければ作成（既にあればスキップ）
   gh label create weekly-report --repo Yagami360/ai-product-dev-tips --color 0e8a16 --description "AI Tech Catchup weekly report" 2>/dev/null || true
   gh label create "$MODEL" --repo Yagami360/ai-product-dev-tips --color 1d76db --description "Model used" 2>/dev/null || true
   
   # 本文はファイルに書き出してから --body-file で渡す（長文・改行・絵文字の安全な投稿のため）
   gh issue create \
     --repo Yagami360/ai-product-dev-tips \
     --title "📊 AI Tech Catchup Weekly Report - 2026年06月第1週" \
     --label weekly-report \
     --label "$MODEL" \
     --body-file /tmp/ai-tech-catchup-report.md
   # ↑ Routine から「claude-code-routine を付ける」指示がある場合のみ、--label claude-code-routine を追加する
   

3. 投稿後、作成された Issue の URL を報告する。

メモ

• 本文は一時ファイル（例 /tmp/ai-tech-catchup-report.md）に書き出してから --body-file で渡すと、長文・絵文字・コードブロックを安全に投稿できる。--body に直接巨大な文字列を渡すのは避ける。
• --no-issue 相当（投稿せず本文だけ欲しい）とユーザーが言った場合は、本文を提示するだけで終える。
• このスキルは AI 技術動向の調査・レポート専用。AI と無関係な調査や、このリポジトリへの Tip 追加（ai-product-dev-tips-create）・既存 Tip の更新（ai-product-dev-tips-update）とは役割が異なる。