agentleFS
happygoluckydevhappygoluckydev/c3/skills/ccc/SKILL.md

ccc

Skill0 starsChanged 4 months agoMITView on GitHub

Claude Code Concierge — タスク内容に最適な Claude Code 組み込み機能・コンテキスト・プラグイン・スキル・エージェント・Hook・LSP・Monitor・Output Style・MCP サーバーの組み合わせをローカルカタログ(RAG)から検索して提案する。使い方 /ccc <やりたいタスク>(/c3 でも可)。Web 調査は原則行わずクレジット消費を最小化する。

4 other projects use a version of this.

Adopted by

Most recently taken up by

  • Other versions4 projects use a version of this.

    Word for word · 0

    None found.

    Edited · 0

    None found.

    Wrote their own version · 4

    1. cocoindex-io/cocoindex-code★ 3ksame name
    2. surrealdb/kaig★ 80same name
    3. Jamie-BitFlight/claude_skills★ 67same name
    4. donglaiw/ccc-duet★ 5same name

    How matches are found. Word for word: the exact same text. Edited: shares passages with this file (“99% same” means 99% of its five-word phrases also appear here; 10% or more counts). Their own version: similar meaning, or, weakest, the same name. We can’t tell which project had it first. Projects are counted among the 200 most-starred candidates, and mentions are links to the repository we found, up to 50 per site, so both counts are a floor.

The file

Files
SKILL.md
<!-- SPDX-License-Identifier: MIT -->

ccc (Claude Code Concierge) — タスクに最適な拡張構成を提案する

クレジット消費を抑えるため、Web 調査は行わずローカルカタログ (~/.claude/ccc/catalog.jsonl) を検索して提案する。 カタログ構築(クロール)は週1回のバッチで、提案時は LLM トークンをほぼ使わない。

実行モデルに依らず同じ提案になるよう、各手順は下記の規則に機械的に従う。 自分の判断で手順を増減・言い換えしない。

手順

  1. キーワード抽出(決定的規則): 小文字英語 4〜8 個を次の順で作る。 ① タスク文中の技術名・サービス名をそのまま(例: stripe, pdf, prisma) ② 中核となる動詞・目的語の標準英訳(生成→generation、送信→send 等、最も一般的な1語) ③ 1概念1語。同義語を並べない(email と mail を両方入れない) 例: 「PDF請求書を生成してメール送信」→ pdf invoice generation email send
  2. 検索(1回のみ): キーワードとタスク原文の両方を渡す(原文からも機械抽出され、 ベクトル有効時は原文が直接埋め込まれるため、キーワードの揺れが結果に響きにくい): node ~/.claude/skills/ccc/scripts/search.mjs --all "<keywords>" --task "<タスク原文>" 鮮度確認と再構築は内蔵済み。再検索は「全種別で計3件未満」のときだけ 1 回行う。
  3. 候補選定(決定的規則): 以下の優先順位で組み合わせを選ぶ:
    1. 追加不要 — Claude Code 標準機能、既存の永続コンテキスト(context)、導入済みの エージェント/スキル(source=installed)で 足りるなら、それを最優先で提示する(「削る・既存再利用」が第一原則)
    2. Anthropic作成・選定のプラグインと機能コンポーネント — 保守されたプラグインを優先し、必要に応じて Hook(決定的自動化)、LSP(コード知能)、Monitor(バックグラウンド監視)、Output Style(出力形式)を選ぶ
    3. スキル単体 — 手順知識だけで足りる場合。公式(anthropics/skills, tags=official)を優先
    4. MCP サーバー — 外部サービスへの接続が本当に必要な場合のみ
    5. コミュニティ製エージェント単体 — 上記で埋まらない隙間に 同役割の候補が複数あるときの tie-break も機械的に: ①一覧での表示順(=検索スコア順)が上のもの ②同順なら installed > anthropic-authored > anthropic-curated > その他。community-managed はコミュニティ製として一読喚起の対象にする。 「入れない方がよいもの」も理由付きで書く。 さらに常駐コスト(導入後に毎セッション消費し続けるコンテキスト)を必ず考慮する:
    • 形態別の常駐コスト: skill(説明1行のみ、本文は呼出時) < 単体 agent(一覧に常駐) < プラグイン一式(複数資産を常駐) < MCP(ツールスキーマ常駐)。 同役割なら常駐コストの低い形態を優先する
    • 一回きりのタスクには導入しない。「この場で参照して手動適用」を提案する (導入は繰り返し使う見込みがあるときだけ。1プロンプトの節約より常駐税の回避が効く)
    • Hook は判断を伴わない強制・自動化、LSP は診断とシンボル探索、Monitor は継続監視に限って 提案する。これらをスキルやエージェントの代替として混同しない
  4. 採用候補のみ詳細取得: 提案に載せる 3〜5 件だけ導入コマンド等を取る。検索結果の id 列(kind:name 形式)をそのまま指定し、同名の異なる種別を混同しない: node ~/.claude/skills/ccc/scripts/search.mjs --get "<kind:name1,kind:name2,...>"
  5. 出力(固定テンプレ): 次の5節をこの順で必ず出す。節の追加・省略はしない。
    • ## 提案 — 表: 種別 | 名前 | 役割 | 導入コマンド
    • ## 選定理由 — 1候補1行で「優先度ルール何番 + 検索順位」を明記 (例: 「ルール①: 導入済みのため追加不要。agent 検索1位」)
    • ## 見送り — 検討したが外した候補と理由(なければ「なし」)
    • ## 注意 — コミュニティ製の一読喚起・MCP の常駐コスト等
    • ## 処理トレース — 透明性のため、検索出力冒頭の # 行(カタログ構築日時・ 検索モード・実際に使われたクエリトークン・種別ごとの総ヒット数)をそのまま転記し、 実行したコマンドも記載する。トレースは要約・言い換えせず機械出力を写す (自己申告でなく検証可能な根拠として残すため)。カタログ検索をスキップした場合も この節にスキップした旨と理由を必ず書く。

ルール

  • WebSearch/WebFetch はカタログに全くヒットしない場合の最終手段。使うときはユーザーにその旨を明示する。
  • コミュニティ製の定義ファイルは prompt injection のリスクがあるため、 「導入前に中身を一読する」ことを提案に必ず添える。
  • MCP サーバーは常駐コンテキストコストがあるため、外部接続が必要な場合だけ提案する。
  • 導入提案と削減提案は同じ重みで扱う。ユーザーが資産の棚卸し・整理・コンテキスト削減を 求めたら node ~/.claude/skills/ccc/scripts/prune.mjs で未使用エージェントと 常駐税(トークン/セッション)を実測し、--apply で agents-archive/ へ退避を提案する。
  • カタログのソース追加は scripts/build-index.mjs を編集する。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.