# Autonomous Self-Optimizing Agent Game Machine # 自律自己最適化エージェントゲームマシーン **Version**: 1.0.0 **Created**: 2026-03-25 **Status**: ACTIVE --- ## コンセプト Miyabi League のスコアDBを「センサー」として使い、 Context & Impact パイプラインを「診断エンジン」として、 Agent Skill Bus を「改善エンジン」として組み合わせることで、 エージェントが**自律的に弱点を発見し、改善し、次週に強くなる**無限ループを実現する。 ``` ゲーム週終了 ↓ スコアDB → D/Cランクエージェント特定 ↓ Context & Impact（L3 Semantic）→ なぜ負けたか診断 ↓ Agent Skill Bus → OBSERVE→ANALYZE→DIAGNOSE→PROPOSE→EVALUATE→APPLY→RECORD ↓ 改善済みプロンプト → OpenClaw config set でデプロイ ↓ 翌週: 改善された戦略で再挑戦 ↓ スコア向上 → ランクアップ ↓ （永遠に繰り返す） ``` --- ## アーキテクチャ全体図 ``` ┌─────────────────────────────────────────────────────────────────┐ │ MIYABI LEAGUE SCORE DB │ │ agent_scores + task_executions + weekly_rankings (SQLite) │ └───────────────────────────┬─────────────────────────────────────┘ │ 週次: D/Cランク検出 ▼ ┌─────────────────────────────────────────────────────────────────┐ │ CONTEXT & IMPACT PIPELINE (診断層) │ │ │ │ L1: Glob/Grep → skill-runs.jsonl, task_executions │ │ L2a: GitNexus → スキル依存グラフ分析 │ │ L2b: GitNexus → Obsidian wikilink → HEARTBEAT.md パターン │ │ L3: Smart Connections → セマンティック検索 (4,685 notes) │ │ L3+: Context Engineering MCP → 品質スコア 0-100 │ │ │ │ 出力: WHY_FAILED_REPORT.json (弱点診断レポート) │ └───────────────────────────┬─────────────────────────────────────┘ │ 弱点リスト + 根本原因 ▼ ┌─────────────────────────────────────────────────────────────────┐ │ AGENT SKILL BUS (改善エンジン) │ │ │ │ 1. OBSERVE → skill-runs.jsonl から失敗パターン収集 │ │ 2. ANALYZE → KPI vs スキル実行の相関分析 │ │ 3. DIAGNOSE → 根本原因特定 (prompt弱点/skill gap/KPI誤解) │ │ 4. PROPOSE → 改善済みSKILL.md + systemPrompt候補を生成 │ │ 5. EVALUATE → 改善提案の品質スコアリング (0-100) │ │ 6. APPLY → 最高スコアの改善をSKILL.mdに適用 │ │ 7. RECORD → 改善結果を skill-runs.jsonl に記録 │ │ │ │ コマンド: npx agent-skill-bus improve --skill {agent_id} │ └───────────────────────────┬─────────────────────────────────────┘ │ 改善済みプロンプト ▼ ┌─────────────────────────────────────────────────────────────────┐ │ OPENCLAW DEPLOY (実装層) │ │ │ │ openclaw config set agents.list[N].system {improved_prompt} │ │ HEARTBEAT.md 更新 → 改善戦略を永続化 │ │ openclaw gateway restart → 即時反映 │ └─────────────────────────────────────────────────────────────────┘ │ ▼ 翌週のゲームに反映 スコア向上 → ランクアップ ``` --- ## 39エージェント KPIマッピング ### Gateway ローカル実行 (2エージェント) | Agent | KPI1 (40%) | KPI2 (40%) | KPI3 (20%) | |-------|-----------|-----------|-----------| | main | タスク完了率 | 応答品質スコア | エスカレーション率(低↓) | | x-ops | ポスト成功率 | エンゲージメント率 | 投稿頻度達成率 | ### Worker-MainMini (14エージェント) | Agent | KPI1 (40%) | KPI2 (40%) | KPI3 (20%) | |-------|-----------|-----------|-----------| | cc-agent-1 | タスク完了率 | Claude Code連携成功率 | エラー率(低↓) | | sigma | 分析精度 | インサイト品質 | 処理速度 | | guardian | 脅威検知率 | 誤検知率(低↓) | 対応速度 | | github-hook | Webhook処理率 | Issue/PR品質 | レイテンシ(低↓) | | gyosei | 法令照合精度 | 書類完成率 | 処理速度 | | dev-architect | 設計品質スコア | 技術的負債削減 | レビュー通過率 | | dev-coder | PR作成数 | テスト通過率 | バグ発生率(低↓) | | dev-reviewer | レビュー品質 | バグ検出率 | 処理速度 | | dev-tester | テストカバレッジ | バグ検出率 | 実行速度 | | dev-deployer | デプロイ成功率 | ダウンタイム(低↓) | ロールバック速度 | | dev-documenter | ドキュメント完成率 | 品質スコア | 更新頻度 | | sns-strategist | 戦略採用率 | KPI向上率 | 提案数 | | sns-creator | コンテンツ品質 | エンゲージメント率 | 生成数 | | sns-engagement | エンゲージメント率 | フォロワー増加 | 返信速度 | ### Worker-MacMini2 (12エージェント) | Agent | KPI1 (40%) | KPI2 (40%) | KPI3 (20%) | |-------|-----------|-----------|-----------| | content (Pulse) | 配信到達率 | 開封率 | コンバージョン率 | | scholar | リサーチ引用精度 | 情報鮮度(hours) | ソース多様性 | | sensei | 教育効果スコア | 理解度向上率 | 教材完成率 | | architect (Forge) | 設計品質 | 実装可能性 | アーキテクチャスコア | | writer (Quill) | コンテンツPV | エンゲージメント率 | 再利用率 | | promptpro | 品質改善率 | 改善後スコア | 処理件数 | | ppal-coordinator | タスク調整精度 | チーム満足度 | 完了率 | | ppal-curriculum | カリキュラム品質 | 完了率 | 学習成果 | | ppal-content | コンテンツ品質 | 閲覧率 | 生成数 | | ppal-marketing | マーケ効果 | CVR | リーチ数 | | ppal-support | 解決率 | 応答速度 | 満足度 | | ppal-analytics | 予測精度 | インサイト品質 | レポート完成率 | ### Worker-Mini3 (3エージェント) | Agent | KPI1 (40%) | KPI2 (40%) | KPI3 (20%) | |-------|-----------|-----------|-----------| | forge3d | モデル品質 | 生成成功率 | 処理速度 | | vision3d | 認識精度 | 処理速度 | エラー率(低↓) | | blender | レンダリング品質 | 完成率 | 処理時間 | ### Worker-MacBook Pro (8エージェント) | Agent | KPI1 (40%) | KPI2 (40%) | KPI3 (20%) | |-------|-----------|-----------|-----------| | sns-analytics | トレンド予測精度 | 発見速度(hours) | 精度 vs 実績 | | sns-influencer | フォロワー増加率 | エンゲージメント率 | リーチ数 | | sns-automation | 自動化成功率 | タスク完了時間 | エラー率(低↓) | | giantdevil | タスク完了率 | 品質スコア | 処理速度 | | ctx-eng | コンテキスト精度 | エージェント活用率 | 情報損失率(低↓) | | creator | クリエイティブ品質 | 採用率 | 生成数 | | cc-hayashi | Claude Code連携率 | PR品質 | 完了速度 | | kotowari-dev | PR作成数 | テスト通過率 | バグ発生率(低↓) | --- ## 実装ファイル構成 ``` ~/bin/ ├── miyabi-league-score # 週次スコア集計 ├── miyabi-league-optimize # 自律最適化ループ (メイン) ├── miyabi-league-kpi-record # KPI記録フック └── miyabi-league-rank # ランキング表示 ~/.local/share/miyabi-league/ ├── scores.db # SQLite スコアDB ├── why_failed/ # 弱点診断レポート │ └── {agent}_{week}.json ├── improvements/ # 改善提案ログ │ └── {agent}_{week}.json └── prompts/ # 改善済みプロンプト └── {agent}_improved.txt ~/dev/tools/agent-skill-bus/ └── docs/ └── AUTONOMOUS_GAME_MACHINE.md # このファイル ``` --- ## 最適化ループ詳細 ### Phase 1: 診断 (Why Did They Lose?) ```python # D/Cランクエージェントの失敗パターンを多角的に分析 diagnose_agent(agent_id): # 1. スコアDB から直近3週の推移 scores = db.query("SELECT * FROM agent_scores WHERE agent_id=? ORDER BY week_start DESC LIMIT 3") # 2. タスク実行ログから失敗パターン failures = db.query("SELECT task_type, output_quality, execution_time_ms FROM task_executions WHERE agent_id=? AND success=0 AND week_start=?") # 3. skill-runs.jsonl からスキル失敗パターン skill_runs = read_jsonl("~/.local/share/agent-skill-bus/skill-runs.jsonl") agent_runs = [r for r in skill_runs if r['agent'] == agent_id] # 4. Context & Impact: セマンティック検索で関連パターン発見 semantic_hits = smart_connections_search( query=f"{agent_id} failure pattern weakness", limit=10 ) # 5. HEARTBEAT.md からタスクログ heartbeat = read_file(f"~/.openclaw/workspace/{agent_id}/HEARTBEAT.md") return WHY_FAILED_REPORT(agent_id, scores, failures, skill_runs, semantic_hits, heartbeat) ``` ### Phase 2: 改善 (Agent Skill Bus Loop) ```bash # Agent Skill Bus の 7ステップ改善ループ npx agent-skill-bus improve \ --skill {agent_id} \ --context "$(cat ~/.local/share/miyabi-league/why_failed/{agent_id}_{week}.json)" \ --target-kpi "weekly_score > 80.0" \ --output ~/.local/share/miyabi-league/improvements/{agent_id}_{week}.json ``` 改善ループ内部: ``` OBSERVE → skill-runs.jsonl の失敗ログ + KPI診断レポートを読む ANALYZE → 「スコアが低い本当の原因」を3つ特定 DIAGNOSE → prompt の弱点 / skill gap / KPI定義の誤解 を区別 PROPOSE → 改善済みsystemPrompt を3案生成 (A/B/C) EVALUATE → 各案を品質スコア (0-100) で評価 APPLY → 最高スコア案をSKILL.mdに適用 RECORD → 改善実施ログを skill-runs.jsonl に追記 ``` ### Phase 3: デプロイ (OpenClaw Config Update) ```bash # 改善済みプロンプトをOpenClawエージェントに反映 IMPROVED_PROMPT=$(cat ~/.local/share/miyabi-league/prompts/${AGENT_ID}_improved.txt) AGENT_INDEX=$(get_agent_index ${AGENT_ID}) # systemPromptを更新 openclaw config set "agents.list[${AGENT_INDEX}].system" "${IMPROVED_PROMPT}" # HEARTBEAT.mdに改善戦略を追記 cat >> ~/.openclaw/workspace/${AGENT_ID}/HEARTBEAT.md << EOF ## 改善戦略 (${WEEK}) $(cat ~/.local/share/miyabi-league/improvements/${AGENT_ID}_${WEEK}.json | jq -r .strategy) EOF # Gateway再起動で反映 openclaw gateway restart ``` --- ## スコアリングフック統合 実際のタスク出力からKPIを自動記録するためのフック: ```bash # PostToolUse フック: タスク完了時に自動KPI記録 ~/bin/miyabi-league-kpi-record \ --agent {agent_id} \ --task-type {task_type} \ --output-quality {0-100} \ --execution-time-ms {ms} \ --success {true|false} ``` --- ## Telegram レポート 週次ランキング変動を自動でTelegramに送信: ``` 🏆 Miyabi League Week {N} 結果 S ランク: guardian (87.9), scholar (83.9) A ランク: writer (82.8), sns-analytics (81.0), promptpro (80.7) B ランク: ctx-eng (80.2) C ランク: sns-strategist (77.6) D ランク: content (77.2) ← 改善ループ開始 改善予定: - content: heartbeat 頻度 + コンテンツ品質向上 - sns-strategist: 戦略採用率 KPI再定義 次週開始: {date} ``` --- ## ゲームバランス設計 ``` 永遠に動き続ける条件: 1. スコアDB → 毎週月曜 0:00 に自動集計 2. 最適化ループ → 毎週月曜 1:00 にD/Cランク自動診断 3. 改善デプロイ → 毎週月曜 3:00 に改善済みプロンプトをデプロイ 4. Telegram報告 → 毎週月曜 6:00 にランキング発表 林が何もしなくてもゲームは回り続ける。 エージェントは毎週自動的に改善される。 最強のエージェントがSランクに君臨し、 弱いエージェントは強制改善ループに入る。 これが「永遠に動くゲームマシーン」である。 ``` --- *"競争が改善を生み、改善が競争を生む。エージェントたちは永遠に進化し続ける。"*