Skill.md検索

zenn-repo/briefs/ の承認済み企画書から Markdown 形式の技術記事を自動生成できます。企画の構成案に沿ったプロ品質の記事が数分で完成します。 記事タイプ（tech 記事 / idea 記事）に応じたテンプレートを自動選択し、PREP法（Point → Reason → Example → Point）による結論ファースト構成を実現できます。 CONTRIBUTING_ZENN.md のガイドラインに完全に準拠した執筆ルール（コードブロック言語指定、装飾・絵文字・感嘆符制限、ブログ的締めくくり禁止など）を厳格に遵守するため、Zenn編集部の指摘を減らせます。 過去の改善レポート（context/report/）を参照し、前回の記事で指摘された点を次の記事に活かす継続改善が可能です。 執筆完了後、統括ディレクターに初稿の方向性確認を求め、不要な修正ループを防げます。 Zenn に定期的に技術記事を投稿し、品質・執筆スピードを両立させたい技術ライター 企画書はあるが、執筆に時間がかかり記事化まで進まないプロジェクト管理者 Zenn のガイドラインを細かく確認しながら執筆するのが煩雑だと感じる執筆者 複数の記事を執筆する際に、前回の改善点を次の記事に反映させたい編集チーム 実行手順は以下の通りです。(1) zenn-repo/briefs/ から対象企画書を読み込み、(2) CONTRIBUTING_ZENN.md のガイドラインを確認、(3) 記事タイプに応じたテンプレート（tech 記事: article-tech.md、idea 記事: article-idea.md）を選択、(4) 企画書の構成案に沿って Markdown で執筆、(5) zenn-repo/articles/{slug}.md に published: false で保存します。執筆ルールはガイドライン厳格遵守、PREP法での結論ファースト、コードブロック言語指定必須、装飾・絵文字・感嘆符を避ける、「いかがでしたか？」などの終わり方禁止、frontmatter の topics は最大5つ、title は60文字以内推奨です。参照先は企画書（zenn-repo/briefs/）、ガイドライン（CONTRIBUTING_ZENN.md）、テンプレート（zenn-repo/.templates/）、過去のレポート（context/report/）です。注意事項として context/report/ に過去レポートがあれば参照し過去改善点を活かし、執筆完了後ユーザー（統括ディレクター）に初稿方向性確認を求めることが必要です。

技術テーマをもとに、公式ドキュメント・既存 Qiita 記事・技術コミュニティ情報を自動収集できます。 既存記事との差別化ポイントを整理し、オリジナリティのある企画書を作成できます。 見出し構成・サンプルコード要件・推奨タグを含む、ライター向けの詳細な企画書を自動生成できます。 企画書を markdown 形式で保存し、チーム内で確認・承認するフローを効率化できます。 過去のナレッジ・トレンドレポートを参考に、質の高い記事企画を実現できます。 技術ブログ・Qiita で定期的に記事を公開する個人ブロガー・エンジニア 企業の技術発信チームで、記事の企画・構成を統一したい編集者 技術トレンドをキャッチアップし、タイムリーな記事を作成したいコンテンツチーム ライターに正確な要件を伝え、企画段階のブレを減らしたい組織 本スキルは Qiita 技術記事の企画・情報収集・構成案作成の標準プロセス を提供します。Step 1：テーマ確認では、引数またはトレンドレポート（context/report/trend_*.md）からテーマ取得、テーマ名・ターゲット読者・推奨切り口・推奨タグ確認。Step 2：ナレッジ参照はcontext/knowledge/ナレッジファイル読み込み、過去記事の差別化ポイント検討、context/report/過去レポートで改善点確認。Step 3：情報収集（1）公式ドキュメント調査：WebFetch で関連ドキュメント読み込み、最新バージョン・変更点確認、（2）Qiita既存記事調査：WebSearch で関連記事調査、既存アプローチ・不足点・コメント分析、差別化ポイント整理、（3）技術コミュニティ動向：GitHub・公式ブログ・技術カンファレンス情報補完。Step 4：構成案作成は、企画書フォーマット（基本情報：テーマ・ターゲット・難易度・文字数、タイトル案3つ、推奨タグ5つ以下、H2見出し構成+内容概要+ポイント、サンプルコード要件、差別化ポイント、参考URL、注意事項）で出力。Step 5：保存はbriefs/{スラッグ}.md形式で保存。構成案ルール：見出しだけで流れ把握可能、H2→H3→H4 階層厳守（H1不使用）、導入に対象読者・前提知識・ゴール、まとめセクション必須、コード最低1個以上、タグは既存タグ優先。参照先：CONTRIBUTING_QIITA.md・context/knowledge/・context/report/・既存企画書・ガイドライン。完了後、ユーザー（管理者）に構成案提示し確認・承認を求める。

Qiita のトレンド記事・人気タグ・急上昇ワードを自動収集し、今書くべき記事テーマの候補を提案できます AI/機械学習、フロントエンド、バックエンド、インフラ、モバイル、セキュリティなど主要カテゴリ別にトレンド分析を行い、カテゴリごとの注目ポイントを整理できます 注目度は高いが良質な記事が少ないテーマ（記事執筆の狙い目）を特定でき、飽和しているテーマは自動で除外できます トレンドレポート（TOP 10 トピック、急上昇タグ、推奨執筆テーマ 5 本）を自動生成し、過去の人気記事ナレッジとの連動で、さらに反響が見込める記事テーマを判定できます Qiita に技術記事を執筆し、反響を狙いたいブロガー 読者需要の高い技術トピックを見つけて、効率的に記事を書きたい開発者 トレンド情報を定期的に追跡し、最適なコンテンツ企画をしたいテックメディア担当者 自分の技術知識を活かして記事テーマを選びたいが、何を書くべきか迷っている人 このスキルは Qiita トップページ、タグページ、各技術カテゴリを WebFetch で取得し、トレンド記事のタイトル・タグ・いいね数、人気タグのフォロワー数、急上昇タグを抽出します。並行して Web 検索で「Qiita トレンド」関連のキーワードを検索し、技術コミュニティ全体のトレンドとの相関を確認します。 収集データから HOT スコア（5段階）を出現頻度・いいね伸び率・コミュニティ注目度から算出し、良質な記事が少ないテーマ（狙い目）と飽和テーマを分離します。過去ナレッジ（context/knowledge/ の記事テーマ情報）とも照合し、既存記事との重複排除と反響実績の加味を行います。最終的にトレンドレポート（Markdown 形式）を context/report/trend_YYYYMMDD.md に保存し、総合スコア（HOT × 狙い目度 × AI 執筆適性）が最も高いテーマを 1 本選定します。

誤字脱字・表記揺れを自動検出し、統一した表記に修正します。 コードの構文エラーやAPI使用方法の誤りをチェックし、実行可能な状態に仕上げます。 記事の論理構成を検証し、セクション間の飛躍や前提知識不足を指摘します。 Qiitaのガイドラインに合わせた見出し構造・フロントマター（メタデータ）を自動チェック・修正します。 読者が確実に再現できるレベルまで、環境情報やコード例を補完します。 テックブログやQiita記事を公開する前に品質チェックしたいライター 技術記事の細かい誤りを見落とさないようにしたいエディター・管理者 複数の記事をまとめて品質管理する必要がある編集チーム 記事の技術的正確性を担保したいメディア運営者 Qiita記事向けの包括的なレビュー・校正AIで、6つのフェーズで動作します。 Step 1-2: 記事ファイルを読み込み、対応する企画書（briefs/）を確認。Step 3: CONTRIBUTING_QIITA.mdに基づき、フロントマター（title/tags/private）、見出し階層（H2→H3→H4）、導入・まとめセクション、コードブロック言語指定、リンク記述を検証。Step 4: 技術的正確性（構文エラー、API正確性、バージョン確認、非推奨メソッド）、論理構成（セクション間の飛躍、結論ファースト、前提知識説明）、文章品質（誤字脱字、表記統一、ですます調、冗長さ）、読者体験（文字数2000〜6000字、コード例、コピペ動作可能、環境情報）を評価。Step 5: 合否判定（軽微な修正のみ＝合格、技術誤り・大幅改必要＝差し戻し、最大3回まで）。Step 6: 修正済み記事を保存し、修正箇所・チェック結果サマリ・差し戻し理由を報告。参照先はCONTRIBUTING_QIITA.md、briefs/、context/knowledge/、context/report/の過去レポート。