Screen Report
by hirose30
Screen Loggerのログ分析と日報生成。専用スクリプトを使用して分析を実行。
Skill Details
Repository Files
1 file in this skill directory
name: screen-report description: Screen Loggerのログ分析と日報生成。専用スクリプトを使用して分析を実行。 invoke_via_agent: true agent: screen-log-analyzer
Screen Report スキル
Screen Logger が蓄積したログを分析し、作業日報を生成する。
このスキルは直接実行せず、Task tool で subagent_type: screen-log-analyzer を使用すること。
詳細なレポートフォーマットとルールはエージェント側に定義されている。
呼び出し経路
ユーザー依頼「日報作成」「スクリーンログ分析」
↓
Task tool (subagent_type: screen-log-analyzer)
↓
screen-log-analyzer エージェント
↓
このスキル（分析スクリプト実行）
↓
エージェントの詳細ルールに従ってレポート生成
重要: 詳細なレポートフォーマットとルールは agents/screen-log-analyzer.md に記載。
このスキルは分析スクリプトの実行とJSONデータの取得のみを担当。
分析スクリプト
python3 scripts/analyze_log.py [YYYY-MM-DD]
引数
YYYY-MM-DD: 分析対象日（省略時は今日）
出力（JSON）
| キー | 内容 |
|---|---|
basic_stats |
記録期間、キャプチャ数 |
activity_summary |
アクティブ率、総作業時間 |
work_sessions |
作業セッション（時刻、アプリ、content_details） |
aggregated_work |
作業内容ごとの集約（本日の作業サマリー用: total_display, time_summary） |
hourly_work_minutes |
時間帯別作業時間（24時間分、時間またぎを正しく分割） |
active_hours_only |
時間帯ごとのアクティビティ |
idle_periods |
放置期間 |
保存先
日報の保存先はエージェント側で指定されます。デフォルトは:
reports/YYYY-MM-DD.md
注意事項
- ログファイルが存在しない場合、スクリプトはエラーJSONを返す
- プライバシー情報（パスワード等）は日報に含めない
Related Skills
Attack Tree Construction
Build comprehensive attack trees to visualize threat paths. Use when mapping attack scenarios, identifying defense gaps, or communicating security risks to stakeholders.
Grafana Dashboards
Create and manage production Grafana dashboards for real-time visualization of system and application metrics. Use when building monitoring dashboards, visualizing metrics, or creating operational observability interfaces.
Matplotlib
Foundational plotting library. Create line plots, scatter, bar, histograms, heatmaps, 3D, subplots, export PNG/PDF/SVG, for scientific visualization and publication figures.
Scientific Visualization
Create publication figures with matplotlib/seaborn/plotly. Multi-panel layouts, error bars, significance markers, colorblind-safe, export PDF/EPS/TIFF, for journal-ready scientific plots.
Seaborn
Statistical visualization. Scatter, box, violin, heatmaps, pair plots, regression, correlation matrices, KDE, faceted plots, for exploratory analysis and publication figures.
Shap
Model interpretability and explainability using SHAP (SHapley Additive exPlanations). Use this skill when explaining machine learning model predictions, computing feature importance, generating SHAP plots (waterfall, beeswarm, bar, scatter, force, heatmap), debugging models, analyzing model bias or fairness, comparing models, or implementing explainable AI. Works with tree-based models (XGBoost, LightGBM, Random Forest), deep learning (TensorFlow, PyTorch), linear models, and any black-box model
Pydeseq2
Differential gene expression analysis (Python DESeq2). Identify DE genes from bulk RNA-seq counts, Wald tests, FDR correction, volcano/MA plots, for RNA-seq analysis.
Query Writing
For writing and executing SQL queries - from simple single-table queries to complex multi-table JOINs and aggregations
Pydeseq2
Differential gene expression analysis (Python DESeq2). Identify DE genes from bulk RNA-seq counts, Wald tests, FDR correction, volcano/MA plots, for RNA-seq analysis.
Scientific Visualization
Meta-skill for publication-ready figures. Use when creating journal submission figures requiring multi-panel layouts, significance annotations, error bars, colorblind-safe palettes, and specific journal formatting (Nature, Science, Cell). Orchestrates matplotlib/seaborn/plotly with publication styles. For quick exploration use seaborn or plotly directly.