novel-jp/learn-pj-retrospect

/learn-pj-retrospect — 振り返り・評価（07-04、必修）

カリキュラム全体を振り返り、4+2 スキルの成長を自己評価する最終演習です。

所要時間: 約 60 分 前提: /learn-pj-execute（07-02）完了済み スキル対応: 統合演習（メタ認知・自己評価）

---

Step 1: 導入

/learn ハブまたは /start-task 経由で開始済みの場合、その taskId を使用する。 単体起動の場合は start_work(taskId) を実行してタスクを開始する。 taskId が存在しない場合は、upsert_task で振り返りタスクを作成してから start_work する。

「最終演習 — カリキュラム全体の振り返りです。

ProjSight に蓄積された記録を見返しながら、
あなたの成長を可視化し、今後の強化ポイントを明確にしましょう。

『どれだけ覚えたか』ではなく『どれだけ実践できるようになったか』が評価軸です。」

---

Step 2: ProjSight の記録を振り返る

list_tasks, list_drs, list_risks, list_issues, list_deliverables でプロジェクトの記録を一覧する。

対象プロジェクトは start_work で返却された projectId（学習専用プロジェクト）を使用する。CLAUDE.md に記載されたプロジェクトID、または /learn ハブが管理するプロジェクトIDが指定元となる。

「まず、あなたの学習記録を振り返りましょう。
学習専用プロジェクトの記録を対象とします。」

以下のサマリーをタイトル付き・時系列順で表示する:

• タスク: 完了数 / 全体数、completionPct。各タスクをタイトル・作成日・ステータスで一覧
• DR: 作成した DR をタイトル・作成日で一覧。各 DR の代替案の数を付記する
• リスク: 登録したリスクをタイトル・ステータスで一覧。mitigation 定義率を付記する
• Issue: 起票した Issue をタイトル・ステータスで一覧
• 成果物: 進捗一覧

件数が 0 のエンティティには、以下のように導線を出す:

| エンティティ | 件数 0 の場合のメッセージ | | ------------ | ---------------------------------------------------------------------------------------- | | DR | 「DR は未作成です。意思決定の記録に興味があれば /learn-ie-write で体験できます」 | | リスク | 「リスクは未登録です。リスク管理に興味があれば /learn-se-risk で体験できます」 | | Issue | 「Issue は未起票です。障害対応フローに興味があれば /learn-pj-incident で体験できます」 |

客観指標の算出

以下の客観指標を算出し、サマリーに含める。これらは Step 4 の自己評価の根拠として使用する。

| 指標 | 算出方法 | 算出不能時のフォールバック | | -------------------------- | -------------------------------------------------------------------------------------------- | ------------------------------------------------- | | タスク記述の平均文字数推移 | 全タスクを作成日順にソートし、前半と後半の description 文字数の平均を比較する | 「タスクが 2 件未満のため文字数推移は省略します」 | | DR の代替案平均数 | 各 DR の body から「代替案」「却下理由」セクションを検出し、代替案の数を数えて平均を算出する | 「DR が 0 件のため代替案統計は省略します」 | | リスクの mitigation 定義率 | ステータスが planned / resolved / closed のリスク数 / 全リスク数 × 100 | 「リスクが 0 件のため mitigation 率は省略します」 |

---

Step 3: タスク記述品質の成長比較

最初の演習で書いたタスクと、07-01/07-02 で書いたタスクの品質を比較する。

「成長を可視化するために、最初に書いたタスクと最近書いたタスクを比較しましょう。」

初期タスクの特定（フォールバック順序）

以下の順序で初期タスクを探す:

1. 01-03（ゼロから書く演習）のタスクを優先検索 — タイトルや deliverable から 01-03 に紐づくタスクを特定する
2. 作成日時が最も古いタスク 2 件 — 01-03 のタスクが見つからない場合、プロジェクト内の最古タスクから description が 100 文字以上のタスクを優先 して選択する。セットアップ系タスク（description が短い・完了条件のみ等）は比較対象として不適切なためスキップする
3. AI が初学者の典型サンプルを提示して比較 — いずれも見つからない場合、AI が「カリキュラム受講前の初学者が書く典型的なタスク記述」のサンプルを提示し、受講者の現在の記述と比較する

フォールバック 3 のサンプル例:

初学者の典型的なタスク記述:
  タイトル: 「ログイン機能を作る」
  description: 「ログイン画面を実装する。メールアドレスとパスワードで認証できるようにする。」

→ 背景（なぜ必要か）、完了条件（何をもって完了か）、技術的制約が欠けている

比較の実施

1. 初期のタスクと 07-01/07-02 のタスクを特定
2. 両方のタスクを /review-task スキルの観点（背景・対応内容・完了条件・制約）で比較
3. 具体的な改善点を指摘する

「初期のタスク記述:
{初期タスクの要約}

最近のタスク記述:
{最近タスクの要約}

改善されたポイント:
- {具体的な改善点}」

---

Step 4: 4+2 スキルの自己評価

Step 2 の記録サマリー・客観指標と Step 3 の Before/After 比較を踏まえ、1 スキルずつ対話的に 評価を進める。

評価の進め方

各スキルについて以下の手順を繰り返す（6 スキル分）:

1. そのスキルのルーブリック 1 行だけを表示する
2. AI が記録ベースの推定スコアを根拠付きで提示する（算出ロジックは下記参照）
3. 受講者に「この推定でよいですか？ 調整したい場合はスコアを教えてください」と確認する
4. 受講者の回答を記録し、次のスキルに進む

「記録と成長比較をもとに、1 スキルずつ評価していきましょう。
AI が記録から推定したスコアを提示するので、
納得できればそのまま、違和感があれば調整してください。」

行動ベースのルーブリック

| スキル | 1（未着手） | 2（理解段階） | 3（実践段階） | 4（応用段階） | 5（自律段階） | | ---------------- | ------------------------------------- | --------------------------------------------- | ------------------------------------------------ | ------------------------------------------------------- | -------------------------------------------------------- | | Prompt Craft | タスク記述に背景・完了条件がない | 背景・対応内容・完了条件の構成を理解している | 3 要素を含むタスク記述をヒントなしで書ける | レビュー指摘なしで通る品質のタスク記述を書ける | 他者のタスク記述をレビューし改善提案ができる | | Context Eng. | CLAUDE.md の役割を知らない | CLAUDE.md の各セクションの目的を説明できる | プロジェクト用の CLAUDE.md をゼロから設計できる | DD を作成し、AI が参照できる情報環境を構築できる | 要件変更時に既存 DD の更新判断と実施ができる | | Intent Eng. | DR に「何を作ったか」しか書いていない | 代替案と判断理由の必要性を理解している | 代替案を 2 つ含む DR をヒントなしで書ける | レビュー指摘なしで通る品質の DR を書ける | 暗黙の制約・前提条件を発見し明文化できる | | Spec Eng. | タスクが大きすぎて完了条件が曖昧 | 成果物→タスク分解の手順を理解している | 検証可能な完了条件を持つタスクに分解できる | タスク間の依存関係を識別しリンクで管理できる | リスク・Issue を自発的に識別し管理サイクルを回せる | | AI Collab | AI 出力をそのまま受け入れている | AI 出力の正しさを確認する必要性を理解している | エラー時に情報を構造化して AI に伝えられる | AI 生成コードのセキュリティ・パフォーマンスを評価できる | 段階的改善パターンで AI と複数回のイテレーションを回せる | | Git Workflow | ブランチ作成やコミットに不安がある | trunk-based development の概念を理解している | task/ ブランチ作成→PR→マージの一巡を単独で回せる | CI 失敗時に原因を特定し修正できる | レビュー指摘対応→修正コミット→マージを自然に回せる |

AI の推定スコア算出ロジック

| スキル | 推定根拠 | | ---------------- | ------------------------------------------------------------------------------------------------------------- | | Prompt Craft | タスク記述の平均文字数推移 + 直近タスクに背景・対応内容・完了条件が含まれるか + Step 3 の Before/After 改善度 | | Context Eng. | DD 作成数 + CLAUDE.md 関連タスクの完了有無 + DD 更新タスクの有無 | | Intent Eng. | DR 作成数 + 代替案の平均数（2 以上なら 3+）+ 制約・前提条件に関するタスクの完了有無 | | Spec Eng. | タスク分解の粒度（成果物あたりのタスク数）+ リスク登録数 + Issue 起票数 + mitigation 定義率 | | AI Collab | デバッグ関連タスクの完了有無 + イテレーション関連タスクの完了有無 + コードレビュー関連タスクの完了有無 | | Git Workflow | ブランチ関連タスクの完了有無 + PR 関連タスクの完了有無 + CI 関連タスクの完了有無 |

推定スコア提示の例:

「📌 Prompt Craft

| 1（未着手） | 2（理解段階） | 3（実践段階） | 4（応用段階） | 5（自律段階） |
| ... | ... | ... | ... | ... |

🤖 AI の推定: 3（実践段階）
  根拠: タスク記述の平均文字数が初期 45 文字 → 直近 280 文字に向上。
  直近 3 件のタスクに背景・対応内容・完了条件がすべて含まれている。
  ただし他者レビュー経験がないため 4 には届かない。

この推定でよいですか？ 調整したい場合はスコアを教えてください。」

6 スキル全ての評価が完了したら、結果をテーブル形式で整理する。

---

Step 5: 改善計画

Step 4 の自己評価で低スコア（1〜2）だったスキルを自動的に推薦する。 低スコアがない場合は、最もスコアの低いスキルを推薦する。

全スキル 4 以上の場合

「🎓 全スキル 4 以上 — 素晴らしい成長です！おめでとうございます！

カリキュラムの基礎は十分に身についています。
さらに深めたい場合は、以下のような挑戦がおすすめです:

- 実業務プロジェクトで ProjSight ワークフローを適用する
- チームメンバーの学習をサポートする側に回る
- 5 に達していないスキルの追加演習に取り組む

特に伸ばしたいスキルがあれば教えてください。」

低スコアがある場合

「自己評価の結果から、次に強化すべきスキルを提案します。

🔹 推薦: {低スコアのスキル名}（自己評価: {スコア}）
  → {推奨演習とその所要時間}

この提案でよいですか？別のスキルを選びたい場合は教えてください。」

推奨演習の一覧（所要時間付き）:

| 強化したいスキル | 推奨演習 | | ---------------- | ----------------------------------------------------------------------------------- | | Prompt Craft | /learn-pc-rewrite（30 分）、/learn-pc-write（40 分） | | Context Eng. | /learn-ce-design（45 分）、/learn-ce-dd（40 分）、/learn-ce-maintain（30 分） | | Intent Eng. | /learn-ie-write（45 分）、/learn-ie-constraints（30 分） | | Spec Eng. | /learn-se-workflow（50 分）、/learn-se-risk（30 分） | | AI Collab | /learn-ac-iterate（40 分）、/learn-ac-debug（40 分） | | Git Workflow | /learn-gw-pr（40 分）、/learn-gw-review（40 分） |

複数スキルが低スコアの場合は「まず 1 つ選ぶなら」の推薦を示し、優先度の理由を添える。

---

Step 6: 完了メッセージ

改善計画の提示後、完了前に確認する:

「振り返りと改善計画が完了しました。
このままカリキュラムを修了してよいですか？

追加演習を先にやりたい場合は、中断して後で戻ることもできます。
（中断する場合、進捗は ProjSight に記録されているのでいつでも再開できます）」

受講者が完了を選択した場合、カリキュラム修了統計を表示する:

「カリキュラムを完了しました！おめでとうございます！

📊 修了統計:
  学習期間: {最初のタスク作成日} 〜 {本日}
  完了タスク数: {完了数} / {全体数}
  作成 DR 数: {DR 件数}
  登録リスク数: {リスク件数}
  起票 Issue 数: {Issue 件数}
  最終スキル評価: {最高スコアのスキル名} が最も高く {スコア}、平均 {平均スコア}

ProjSight の記録があなたの学習の軌跡です。
振り返りたいときはいつでも記録を見返せます。

これからの業務でも、同じワークフローで
AI と協働しながらプロジェクトを推進してください。

/learn で全体の進捗をいつでも確認できます。」

受講者のタスクを complete_work(taskId) で完了にする。