Claude Code Plugins

Community-maintained marketplace

Feedback

researcher-report-templates

@takemi-ohama/ai-agent-marketplace
0
0

|

Install Skill

1Download skill
2Enable skills in Claude

Open claude.ai/settings/capabilities and find the "Skills" section

3Upload to Claude

Click "Upload skill" and select the downloaded ZIP file

Note: Please verify skill by going through its instructions before using it.

SKILL.md

name researcher-report-templates
description Generate structured research reports with findings, comparisons, recommendations, and citations. Use when documenting investigation results or creating technical comparisons. This skill provides comprehensive research report templates: - Investigation findings with proper structure - Technology comparison tables - Best practices summaries - Citation and reference management - Executive summaries Triggers: "create report", "summarize findings", "compare technologies", "research report", "調査レポート", "技術比較", "ベストプラクティス"
allowed-tools Read, Write

Researcher Report Templates Skill

概要

このSkillは、researcherエージェントが調査結果を構造化されたレポートにまとめる際に使用します。調査レポート、技術比較、ベストプラクティス文書などのテンプレートを提供し、一貫性のある高品質なドキュメントを作成できます。

主な機能

  1. 調査レポートテンプレート: 標準化されたフォーマットで調査結果を整理
  2. 技術比較テーブル: 複数の技術やサービスの特徴を比較
  3. ベストプラクティステンプレート: 推奨事項をまとめた文書
  4. 引用・参照管理: 情報源を適切に記録
  5. エグゼクティブサマリー: 要点を簡潔にまとめた概要

使用方法

テンプレート一覧

templates/
├── research-report-template.md       # 調査レポート
├── tech-comparison-template.md       # 技術比較
├── best-practices-template.md        # ベストプラクティス
└── executive-summary-template.md     # エグゼクティブサマリー

使用例

1. 調査レポート作成

# AWS Lambda 調査レポート

## エグゼクティブサマリー

AWS Lambdaは、サーバーレスコンピューティングサービスであり、以下の特徴があります:
- 自動スケーリング
- 実行時間に基づく従量課金
- 複数のランタイムサポート（Node.js、Python、Java等）

本調査では、Lambdaのアーキテクチャ、ベストプラクティス、コスト最適化手法を調査しました。

## 調査結果

### 1. アーキテクチャ

AWS Lambdaは、イベント駆動型のコンピューティングサービスです...

### 2. パフォーマンス最適化

**コールドスタート対策**:
- プロビジョニング済み同時実行数の使用
- 関数サイズの最小化
- レイヤーの活用

### 3. コスト最適化

- 適切なメモリ配分（メモリとCPUは比例）
- タイムアウト設定の最適化
- 不要な実行の削減（冪等性の確保）

## 技術比較

| 項目 | AWS Lambda | Google Cloud Functions | Azure Functions |
|------|-----------|----------------------|----------------|
| 最大実行時間 | 15分 | 9分 | 10分（Consumption） |
| 対応言語 | 10+ | 8+ | 10+ |
| 最小メモリ | 128MB | 128MB | 128MB |
| 価格 | $0.20/100万リクエスト | $0.40/100万リクエスト | $0.20/100万リクエスト |

## 推奨事項

1. **本番環境での推奨設定**:
   - メモリ: 1024MB以上（コスト効率とパフォーマンスのバランス）
   - タイムアウト: 実際の処理時間 + 30%のバッファ
   - プロビジョニング済み同時実行数: ピークトラフィックの50%

2. **監視・ロギング**:
   - CloudWatch Logsの有効化
   - X-Rayトレーシングの有効化
   - カスタムメトリクスの設定

3. **セキュリティ**:
   - 最小権限の原則（IAMロール）
   - VPC統合（必要な場合のみ）
   - 環境変数の暗号化

## 参考リンク

- [AWS Lambda公式ドキュメント](https://docs.aws.amazon.com/lambda/)
- [Lambda ベストプラクティス](https://docs.aws.amazon.com/lambda/latest/dg/best-practices.html)
- [コスト最適化ガイド](https://aws.amazon.com/lambda/pricing/)

## 結論

AWS Lambdaは、スケーラブルで費用対効果の高いサーバーレス実装に最適です。適切な設定と監視により、本番環境での安定運用が可能です。

2. 技術比較レポート

# データベース選定: PostgreSQL vs MySQL vs MongoDB

## 概要

プロジェクトに最適なデータベースを選定するため、3つの主要データベースを比較しました。

## 比較表

| 項目 | PostgreSQL | MySQL | MongoDB |
|------|-----------|-------|---------|
| **タイプ** | リレーショナル | リレーショナル | NoSQL（ドキュメント） |
| **トランザクション** | ACID準拠 | ACID準拠 | ACID準拠（4.0+） |
| **スケーラビリティ** | 垂直 + レプリケーション | 垂直 + レプリケーション | 水平シャーディング |
| **JSON サポート** | ネイティブ | 5.7+ | ネイティブ |
| **全文検索** | あり | あり | あり |
| **地理空間データ** | PostGIS | あり | あり |
| **学習曲線** | 中 | 低 | 低〜中 |
| **コミュニティ** | 大 | 大 | 大 |

## 詳細分析

### PostgreSQL

**長所**:
- 高度なSQL機能（ウィンドウ関数、CTE、配列型）
- JSONBによる高速JSONクエリ
- 拡張性が高い（PostGIS、pg_vector等）
- ACID準拠の堅牢性

**短所**:
- 水平スケーリングが複雑
- 初期設定・チューニングが必要
- メモリ使用量が多い

**適用場面**:
- 複雑なクエリが必要
- データ整合性が最重要
- 地理空間データ（PostGIS）
- 分析ワークロード

### MySQL

**長所**:
- シンプルで学習しやすい
- 高速な読み取り性能
- 豊富なホスティングオプション
- レプリケーションが簡単

**短所**:
- 複雑なクエリのパフォーマンス
- トランザクション分離レベルの制限
- 拡張性がPostgreSQLより低い

**適用場面**:
- シンプルなCRUD操作
- 読み取り中心のワークロード
- WordPressなどCMS
- 高速な書き込みが必要

### MongoDB

**長所**:
- スキーマレス（柔軟性）
- 水平スケーリングが容易
- JSONネイティブ
- 高速な書き込み

**短所**:
- 複雑なJOINが苦手
- データ重複の可能性
- メモリ使用量が多い
- トランザクションサポートが限定的（古いバージョン）

**適用場面**:
- スキーマが頻繁に変わる
- 大量のJSONデータ
- 水平スケーリングが必要
- リアルタイムアプリ

## 推奨

**プロジェクトの要件**:
- ユーザー、注文、商品データ
- トランザクション整合性が重要
- 複雑な集計レポート
- 将来的なスケーラビリティ

**推奨データベース**: **PostgreSQL**

**理由**:
1. ACID準拠の堅牢性
2. 複雑なクエリのサポート
3. JSONデータの効率的な処理
4. 豊富な拡張機能

## 移行計画

1. PostgreSQL 16のセットアップ
2. スキーマ設計とインデックス最適化
3. パフォーマンステスト
4. 段階的なデータ移行
5. 監視・チューニング

## 参考リンク

- [PostgreSQL vs MySQL](https://www.postgresql.org/about/)
- [MongoDB Use Cases](https://www.mongodb.com/use-cases)
- [Database Selection Guide](https://database.guide/)

テンプレートの構造

調査レポート

  1. エグゼクティブサマリー: 要点を3-5行で
  2. 調査目的: なぜこの調査を行ったか
  3. 調査方法: どのように情報を収集したか
  4. 調査結果: 詳細な発見事項
  5. 技術比較: 表形式での比較
  6. 推奨事項: アクションプラン
  7. 参考リンク: 情報源
  8. 結論: まとめ

技術比較

  1. 概要: 比較の目的
  2. 比較表: 項目別の比較
  3. 詳細分析: 各技術の長所・短所
  4. 推奨: 選定結果と理由
  5. 移行計画: 実装手順（必要に応じて）

ベストプラクティス

  1. 背景: なぜこれが重要か
  2. 推奨パターン: 具体的な方法
  3. アンチパターン: 避けるべきこと
  4. 実装例: コードサンプル
  5. 参考リンク: 詳細情報

スクリプト機能

generate-report.js

調査データを構造化されたレポートに変換します。

使用方法:

node scripts/generate-report.js research-notes.md

機能:

  • Markdown形式の調査メモを読み込み
  • テンプレートに従って整形
  • 目次の自動生成
  • 参考リンクの整理
  • issues/または指定ディレクトリに保存

ベストプラクティス

DO（推奨）

✅ 構造化された形式: テンプレートに従う ✅ 客観的な事実: 主観を排除 ✅ 引用元を明記: 情報源を記録 ✅ 比較表を活用: 視覚的に比較 ✅ エグゼクティブサマリー: 要点を最初に

DON'T（非推奨）

❌ 主観的な評価: データに基づく評価を ❌ 情報源の記載漏れ: すべての情報源を記録 ❌ 冗長な説明: 簡潔に ❌ 不完全な比較: すべての選択肢を公平に評価

Progressive Disclosure

このSKILL.mdはメインドキュメント（約300行）です。詳細なテンプレートは templates/ ディレクトリ内のファイルを参照してください。

関連リソース

  • templates/research-report-template.md: 調査レポートテンプレート
  • templates/tech-comparison-template.md: 技術比較テンプレート
  • templates/best-practices-template.md: ベストプラクティステンプレート
  • scripts/generate-report.js: レポート生成スクリプト