⚠️

重要前提

安装AI Skills的关键前提是：必须科学上网，且开启TUN模式，这一点至关重要，直接决定安装能否顺利完成，在此郑重提醒三遍：科学上网，科学上网，科学上网。查看完整安装教程 →

AI对话分析工具prompt-review：评估技术理解度与提示模式，生成详细报告

prompt-review by tokoroten/prompt-review

51 周安装量

333 GitHub Stars

GitHub

安装命令

npx skills add https://github.com/tokoroten/prompt-review --skill prompt-review

开发数据分析提示工程

🇨🇳中文介绍

prompt-review 技能

分析用户过去的AI代理对话历史，评估技术理解度、提示模式、AI依赖度并生成报告。报告以日语写入 reports/prompt-review-YYYY-MM-DD.md。

参数处理

解析 $ARGUMENTS，并按以下规则处理参数：

无参数 → 跨所有项目，过去7天（默认）
仅数字 → 天数过滤器 （例如：30 → 过去30天）
all 或 0 → 全部期间 （无天数过滤器）
仅字符串 → 项目名称过滤器 （部分匹配）
字符串 + 数字 → 项目名称 + 天数过滤器 （例如：yonshogen 30）

步骤1：数据收集（脚本执行）

执行预处理脚本 scripts/collect.py 以收集数据。此脚本会自动检测 Claude Code、GitHub Copilot Chat、Cursor、Cline、Roo Code、Windsurf、Antigravity、Gemini CLI、OpenAI Codex、OpenCode 的日志，并将过滤后的JSON返回到标准输出。

广告位招租

在这里展示您的产品或服务

触达数万 AI 开发者，精准高效

联系我们

根据参数构建脚本选项

解析 $ARGUMENTS，在Bash中按如下方式执行。执行前先生成带时间戳的文件名，脚本输出的保存路径和 Read 的引用路径使用相同路径。

OUTFILE="/tmp/prompt-review-data_$(date +%Y%m%d%H%M%S).json"
python ~/.claude/skills/prompt-review/scripts/collect.py [OPTIONS] > "$OUTFILE"

无参数 → 无选项（默认：过去7天）
仅数字（例如：30） → --days 30
all 或 0 → --days 0（全部期间）
仅字符串（例如：yonshogen） → --project yonshogen
字符串 + 数字（例如：yonshogen 30） → --project yonshogen --days 30

重要：脚本的路径，不是相对于此技能文件的相对路径，而是使用技能所在项目的 .claude/skills/prompt-review/scripts/collect.py 的绝对路径。以当前工作目录（cwd）为基准指定 .claude/skills/prompt-review/scripts/collect.py。

脚本执行后，使用 Read 读取上述生成的 $OUTFILE 路径。

{
  "summary": {
    "total_messages": 2616,
    "detected_tools": ["Claude Code", "GitHub Copilot Chat"],
    "filter_days": null,
    "filter_project": null
  },
  "sources": [
    {
      "tool": "Claude Code",
      "status": "検出",
      "messages": [
        {"text": "プロンプト本文", "timestamp": "2025-09-29 03:16", "project": "yonshogen"}
      ],
      "period": "2025-09-29 03:16 〜 2026-03-12 04:58"
    }
  ],
  "project_stats": {
    "farbrain": {"count": 668, "tools": ["Claude Code"]},
    "yonshogen": {"count": 215, "tools": ["Claude Code"]}
  },
  "secret_warnings": [
    {
      "tool": "Claude Code",
      "project": "some-project",
      "timestamp": "2025-10-01 12:00",
      "type": "OpenAI API Key",
      "masked_value": "sk-abc12***xyz9",
      "prompt_excerpt": "APIキーはsk-abc123..."
    }
  ]
}

使用 Read 读取 $OUTFILE（步骤1中生成的带时间戳文件）后，从以下角度分析 messages 数组内的用户提示。每个角度必须包含具体的证据（实际提示片段的引用）。

预处理：创建项目摘要并排除简短回复

首先使用 project_stats 掌握各项目的消息数量和使用工具列表。阅读每个项目的提示内容，用一行文字总结在该项目中进行的工作内容。此信息将输出到报告的「2. 项目摘要」部分。

接下来，将简短的肯定回复从分析对象中排除。

预处理：忽略简短的肯定回复

Claude Code 经常向用户确认「要执行吗？」，用户对此的简短肯定回复对于分析提示能力或技术理解度没有价值。以下类型的消息应从分析对象中排除：

简单肯定：「y」「yes」「はい」「うん」「ok」「sure」「yep」「yeah」
执行指示：「进めて」「やって」「do it」「doit」「go」「go ahead」「proceed」
批准：「それで」「それでいい」「それでお願いします」「お願いします」「いいよ」「いいです」「大丈夫」
仅感谢：「ありがとう」「ありがとうございます」「thanks」「thx」

判定标准：消息为短文（大致20字符以下）且符合上述模式。但是，即使是短文，若包含具体技术指示（例如：「30pxがいいです」「asyncで」）则不排除。

2a. 技术理解度映射

从提示中提取提及的技术概念，分为3个等级：

熟悉：自信地指示、准确的术语使用、提出具体的实现方案
基本理解：知道概念但细节委托给AI
学习中/模糊：提问形式、存在误解、试错较多

命令形且具体指示 → 熟悉
「〜してください」+ 仅概念名 → 基本理解
「〜是什么？」「〜不顺利」「该怎么办？」 → 学习中

2b. 提示模式分析

有效模式：指定具体约束、分步指示、提供充分上下文、明确期望的输出格式
可改进模式：模糊指示（「弄得好一点」等）、上下文不足、目的与手段混淆
特征性习惯：简短批准（「y」「doit」等）的频率、日语/英语的使用区分

2c. AI依赖度分析

按项目、工具分析：

用户决定方针并委托AI实现的案例（主动性）
从方针决定开始就委托给AI的案例（依赖性）
依赖AI进行调试/错误解决的模式
频繁向AI请求状态确认的模式（「确认一下状况」等）

按时间序列分析：

提示质量、具体性的变化
新开始使用的技术概念
重复出现的课题模式

2e. 跨项目、跨工具的趋势

擅长领域与不擅长领域
项目类型导致的行为差异
AI工具的使用区分方式（检测到多个工具时）

2f. 密钥/凭据警告

如果 secret_warnings 数组不为空，则在报告开头（数据源摘要之后）输出警告部分。列出脚本检测到的 API Key、Token、Password、连接字符串等密钥，并建议用户进行密钥轮换（重新发行、失效处理）。

报告中绝对不要明文书写密钥值。脚本会返回已屏蔽的值（masked_value），直接使用该值即可。

步骤3：报告生成

根据 references/report-template.md 的模板，生成日语报告。

如果 reports/ 目录不存在，则在 Bash 中执行 mkdir -p reports
使用 Write 工具写入 reports/prompt-review-YYYY-MM-DD.md（YYYYMMDD为执行日期）
报告生成后，将文件路径通知用户

报告必须使用日语输出
推测需明确标注为「〜と推測されます」「〜の可能性があります」
引用提示原文时请简短截取，注意隐私保护
- 文件路径中的个人名部分用 <user> 屏蔽
- 项目特有的机密信息需隐去
无法分析的部分应如实记载「因数据不足无法分析」
用括号注明信息来源的工具（例如：「(Claude Code)」「(Copilot Chat)」）
没有证据的部分可以省略

scripts/collect.py — 数据收集、预处理脚本（Python）
references/data-sources.md — 各AI工具的日志保存位置、格式详情
references/report-template.md — 报告结构模板

🇯🇵日本語

prompt-review スキル

ユーザーの過去のAIエージェント対話履歴を分析し、技術理解度・プロンプティングパターン・AI依存度を推定してレポートを生成する。レポートは日本語で reports/prompt-review-YYYY-MM-DD.md に書き出す。

引数の処理

$ARGUMENTS を解析し、以下のルールで引数を処理する:

引数なし → 全プロジェクト横断、過去7日分（デフォルト）
数値のみ → 日数フィルタ （例: 30 → 過去30日分）
all または 0 → 全期間 （日数フィルタなし）
文字列のみ → プロジェクト名フィルタ （部分一致）
文字列 + 数値 → プロジェクト名 + 日数フィルタ （例: yonshogen 30）

ステップ1: データ収集（スクリプト実行）

前処理スクリプト scripts/collect.py を実行してデータを収集する。このスクリプトは Claude Code, GitHub Copilot Chat, Cursor, Cline, Roo Code, Windsurf, Antigravity, Gemini CLI, OpenAI Codex, OpenCode のログを自動検出し、フィルタ済みのJSON を標準出力に返す。

引数からスクリプトオプションを組み立てる

$ARGUMENTS を解析し、Bash で以下のように実行する。 実行前にタイムスタンプ付きのファイル名を生成し、スクリプト出力の保存先と Read の参照先で同じパスを使うこと。

OUTFILE="/tmp/prompt-review-data_$(date +%Y%m%d%H%M%S).json"
python ~/.claude/skills/prompt-review/scripts/collect.py [OPTIONS] > "$OUTFILE"

引数なし → オプションなし（デフォルト: 過去7日分）
数値のみ（例: 30） → --days 30
all または 0 → --days 0（全期間）
文字列のみ（例: yonshogen） → --project yonshogen
文字列 + 数値（例: yonshogen 30） → --project yonshogen --days 30

重要 : スクリプトのパスは、このスキルファイルからの相対パスではなく、スキルが格納されているプロジェクトの .claude/skills/prompt-review/scripts/collect.py の絶対パスを使うこと。現在の作業ディレクトリ（cwd）を基準に .claude/skills/prompt-review/scripts/collect.py を指定する。

出力の読み取り

スクリプト実行後、上記で生成した $OUTFILE のパスを Read で読み込む。

出力JSON構造:

{
  "summary": {
    "total_messages": 2616,
    "detected_tools": ["Claude Code", "GitHub Copilot Chat"],
    "filter_days": null,
    "filter_project": null
  },
  "sources": [
    {
      "tool": "Claude Code",
      "status": "検出",
      "messages": [
        {"text": "プロンプト本文", "timestamp": "2025-09-29 03:16", "project": "yonshogen"}
      ],
      "period": "2025-09-29 03:16 〜 2026-03-12 04:58"
    }
  ],
  "project_stats": {
    "farbrain": {"count": 668, "tools": ["Claude Code"]},
    "yonshogen": {"count": 215, "tools": ["Claude Code"]}
  },
  "secret_warnings": [
    {
      "tool": "Claude Code",
      "project": "some-project",
      "timestamp": "2025-10-01 12:00",
      "type": "OpenAI API Key",
      "masked_value": "sk-abc12***xyz9",
      "prompt_excerpt": "APIキーはsk-abc123..."
    }
  ]
}

ステップ2: 分析

Read で $OUTFILE（ステップ1で生成したタイムスタンプ付きファイル）を読み込んだら、以下の観点で messages 配列内のユーザープロンプトを分析する。各観点について具体的なエビデンス （実際のプロンプト断片の引用）を必ず含めること。

前処理: プロジェクト別サマリーの作成と短文応答の除外

まず project_stats を使ってプロジェクト別のメッセージ数・使用ツールの一覧を把握する。各プロジェクトのプロンプト内容を読み、そのプロジェクトで行われている作業内容を1行で要約する。この情報はレポートの「2. プロジェクト別サマリー」セクションに出力する。

次に、短文の肯定応答を分析対象から除外する。

前処理: 短文の肯定応答を無視する

Claude Code はユーザーに「〜しますか？」と確認を求めることが多く、それに対するユーザーの短い肯定応答はプロンプティング能力や技術理解度の分析に価値がない。以下のようなメッセージは分析対象から除外すること:

単純な肯定: 「y」「yes」「はい」「うん」「ok」「sure」「yep」「yeah」
実行指示: 「進めて」「やって」「do it」「doit」「go」「go ahead」「proceed」
承認: 「それで」「それでいい」「それでお願いします」「お願いします」「いいよ」「いいです」「大丈夫」
感謝のみ: 「ありがとう」「ありがとうございます」「thanks」「thx」

判定基準 : メッセージが短文（概ね20文字以下）で、上記のパターンに該当するもの。ただし、短文でも具体的な技術指示を含むもの（例:「30pxがいいです」「asyncで」）は除外しない。

2a. 技術的理解度マップ

プロンプトから言及されている技術概念を抽出し、3段階に分類:

熟知 : 自信を持って指示、正確な用語使用、具体的な実装方針の提示
基本理解 : 概念は知っているが詳細はAIに委任
学習中/曖昧 : 質問形式、誤解がある、試行錯誤が多い

分類のシグナル:

命令形で具体的な指示 → 熟知
「〜してください」＋概念名のみ → 基本理解
「〜って何？」「〜がうまくいかない」「どうすればいい？」 → 学習中

2b. プロンプティングパターン分析

効果的なパターン : 具体的な制約指定、段階的な指示、十分なコンテキスト提供、期待する出力形式の明示
改善可能なパターン : 曖昧な指示（「いい感じにして」等）、コンテキスト不足、目的と手段の混同
特徴的な癖 : 短い承認（「y」「doit」等）の頻度、日本語/英語の使い分け

2c. AI依存度分析

プロジェクト・ツールごとに:

ユーザーが方針を決定しAIに実装を任せているケース（主体的）
AIに方針決定から任せているケース（依存的）
デバッグ/エラー解決でAIに頼るパターン
状態確認を頻繁にAIに依頼するパターン（「状況確認して」等）

2d. 成長の軌跡

時系列で:

プロンプトの質・具体性の変化
新しく使い始めた技術概念
繰り返し発生する課題パターン

2e. プロジェクト横断・ツール横断の傾向

得意領域と不得意領域
プロジェクト種類による振る舞いの違い
AIツールの使い分け方（検出されたツールが複数の場合）

2f. シークレット・クレデンシャル警告

secret_warnings 配列が空でない場合、レポートの冒頭（データソースサマリーの直後）に警告セクションを出力する。スクリプトが検出した API Key、Token、Password、接続文字列等のシークレットを一覧で表示し、ユーザーに対してキーのローテーション（再発行・無効化）を推奨する。

レポート内ではシークレットの値は絶対に平文で書かない 。スクリプトがマスク済みの値（masked_value）を返すので、それをそのまま使う。

ステップ3: レポート生成

references/report-template.md のテンプレートに従い、日本語でレポートを生成する。

出力ルール

reports/ ディレクトリが存在しない場合は Bash で mkdir -p reports を実行
Write ツールを使って reports/prompt-review-YYYY-MM-DD.md に書き出す（YYYYMMDDは実行日）
レポート生成後、ファイルパスをユーザーに通知する

記述上の注意

レポートは必ず日本語 で出力すること
推測は「〜と推測されます」「〜の可能性があります」と明示すること
プロンプトの原文を引用する場合は短く切り取り 、プライバシーに配慮すること
- ファイルパスの個人名部分は <user> にマスク
- プロジェクト固有の機密情報は伏せる
分析できなかった部分は「データ不足のため分析できませんでした」と正直に記載
どのツールからの情報かを括弧書きで明記する（例:「(Claude Code)」「(Copilot Chat)」）
エビデンスのないセクションは省略してよい

参照リソース

scripts/collect.py — データ収集・前処理スクリプト（Python）
references/data-sources.md — 各AIツールのログ保存場所・形式の詳細
references/report-template.md — レポートの構造テンプレート

Weekly Installs

Repository

tokoroten/prompt-review

GitHub Stars

333

First Seen

13 days ago

Security Audits

Gen Agent Trust HubPass SocketPass SnykPass

Installed on

codex45

opencode44

gemini-cli44

github-copilot44

amp44

cline44

Azure Data Explorer (Kusto) 查询技能：KQL数据分析、日志遥测与时间序列处理

158,400 周安装