データサイエンス向けAgent指示体系を分解する

巨大なinstructionではなく、薄い入口と作業別skillに分ける

atsushi-green/ds-ai-coding-skills は、データサイエンス分析プロジェクトでAI coding assistantを安全に使うためのテンプレート。核になっているのは、全ルールを1つの長文に詰め込む設計ではなく、AGENTS.md、.github/copilot-instructions.md、CLAUDE.md、各種skill、docs/agent/ に責務を分ける設計である。

データ分析では、raw dataの不変性、秘密情報、Notebook、SQL、可視化、検証コマンド、成果物出力先が混ざりやすい。このテンプレートは、その混ざりやすい規約を「常時読む薄いルール」と「必要時に読む手順」に分けている点が参考になる。

分析repoとしての境界を先に決めている

READMEでは Python 3.11 と uv を前提に、uv sync、uv run pytest、uv run ruff check .、uv run mypy src、秘密情報検出、raw data commit check、agent document validationなどの主要コマンドが整理されている。

Agent別の入口は薄く、作業手順はskillへ逃がす

毎回必要な制約は入口へ、長い手順はskillへ。これだけで、agent contextの無駄遣いとルール衝突を減らせる。

個人repoやvaultに取り込むなら小さく始める

1. AGENTS.md には毎回必要な最小ルールだけを置く。
2. 2回以上繰り返す作業だけskillにする。
3. データ、ログ、出力、ノートなどの置き場を浅く明示する。
4. raw sourceとgenerated outputの境界は、ルールと検証コマンドで守る。
5. agent別の差分がある場合だけ、CLAUDE.md や .github/copilot-instructions.md のような専用入口を足す。

Notebookの自由度が高い分析プロジェクトほど、成果物の保存先、再実行方法、raw dataの扱い、秘密情報検査を先に決めておく価値が大きい。

テンプレートは基準を代わりに決めてくれない

このリポジトリはテンプレートであり、組織固有のデータ分類、PII基準、分析レビュー基準、モデル評価基準までは自動では決めてくれない。導入するなら、最初に data/ の扱い、検証コマンド、公開可能なoutput、秘密情報検出の粒度を自分の環境に合わせる必要がある。

また、Copilot、Codex、Claude Codeでは、custom instructionやskillの読み込みルールがそれぞれ異なる。共通skill本文を持つ方針は保守しやすいが、入口ファイルは各toolの公式仕様に合わせて薄く分けるのが現実的。

参考資料