Collect and analyze public X posts from keywords, hashtags, OR queries, domains, or known post URLs, then trace them to primary sources, official docs, GitHub repos, benchmarks, and reusable images. Use for launch-day reactions to a new model or product, event hashtags, keynote coverage, new-technology use cases, popularity research, or turning noisy X posts into a source-backed research note. Triggers: X で調べて, X の反応, ハッシュタグ調査, キーワードで X 検索, X 投稿からネタ探し. Not for posting or account operations on X.
インストールする前に、エージェントに与えられる指示の中身を確認できます。
FxTwitter API を起点に公開投稿を収集し、一次情報 URL、関連 GitHub repo、画像、論点を research 配下へ整理する workspace 用 skill。ハッシュタグに限らず、通常キーワードや既知投稿 URL から始めてよい。
"GPT-6 Luna" OR "GPT6 Luna"）で、発表後の反応、第三者評価、実使用報告を拾いたいときOR、ドメイン、既知投稿 URL から新技術やユースケースを探したいとき#MSBuild や #MicrosoftBuild のような event hashtag を直近数時間で総ざらいしたいとき明示指定がないときの既定候補はこれ。
直近 4 時間500tmp/research/YYYYMMDD-<topic>-from-x.mdresearch/assets/YYYYMMDD-<topic>-from-x/research/images/YYYYMMDD-<topic>-from-x/検索で投稿群を収集するときは、次の 4 点を確認する。
OR / ドメイン）または既知投稿 URLユーザーが省略した場合は既定値を提案して確認を取る。勝手に 4時間 / 500件 で走らせない。既知投稿 URL が列挙済みなら、その URL 群が対象と件数を定義するため時間窓は不要。保存先を既存成果物から一意に決められる場合も聞き直さない。発表当日の新モデル名などは feed=latest の 500 件が数時間分で尽きるため、件数上限に先に達したら実際の対象期間を記録して未充足と報告し、発表直後の公式投稿を既知 URL として追加取得するか、件数を増やすかを提案する。
GET https://api.fxtwitter.com/2/search?q=<URL-encoded-query>&feed=latest&count=100 を既定にする。q はハッシュタグだけでなく通常キーワード、OR、ドメインを URL encode してよい。次ページは cursor.bottom を cursor に渡す。既知投稿は GET /2/status/{id} で再取得する。code を確認し、200 の results だけを採用する。400、404、500 は再試行を重ねず、X の画面または一次情報へ戻る。OR・括弧・引用符を混ぜた複合クエリは、1 語だけにマッチした無関係な投稿を code: 200 で返すことがある。1 クエリ 1 フレーズに分けて複数回検索し、結果が狙いの語を含むかローカルで確認する。この skill の本体はブラウザ操作のコツではなく、SNS ノイズを一次情報へ収束させる順番にある。
収集対象を固定する 対象クエリ、時間窓、件数目標、主目的、research の保存先を決める。
API から効率よく収集する
API の results から status URL を主キーに構造化抽出し、重複排除する。API が失敗した場合だけ画面から補う。
raw artifacts を先に保存する
tmp/<slug>-posts-raw.json と batch 単位の中間 JSON を残す。
ローカル分類を先にやる
rawText、tweetText、display text、X card の visible domain から theme、domain、repo、image candidates を作る。人気候補は重複排除後に likes、reposts、views で sort するが、反応数を正確性の根拠にはしない。
高シグナルリンクだけ深掘る 全 t.co を解決せず、高頻度リンク、公式アカウント、画像付き高シグナル投稿、repo 名が半分読めている投稿だけを追う。外部リンク先の repo / Docs / app /記事で実装と主張を確認し、README の roadmap や planned を実装済みとして数えない。
research ノートは source-centric に書く
投稿の感想ではなく、投稿がどの一次情報へ収束したかを正本にする。A=一次成果物+測定、B=一次成果物、C=投稿内デモ/自己申告、D=アイデアのみ、で証拠レベルを分ける。動画UIしか根拠がない主張は動画内の説明ではと帰属し、実装、精度、token、費用を確認済みにしない。
画像は 2 層で保存する curated set は 5〜10 枚、bulk は 20〜30 枚程度を目安にする。X Article は title / blocks /引用元、画像は原寸、動画は captions または代表 frame を確認し、見ていない media の内容を断定しない。記事掲載では全編の再配布より、主張に必要なbefore / operation / afterなど最小frameを優先し、無関係なbrowser chromeを除く。古い star 数や実装前の説明を含む card 画像は、一次成果物へのリンク以上の価値がなければ採用しない。画像単体で誤認する場合は、筆者追加と分かる注記を入れるか掲載しない。
再現可能な成果物で終える research ノート、raw JSON、主要一次情報 URL、画像保存先、必要なら manifest 追記まで揃える。外部mediaを保存・加工した場合は元投稿URL、取得日、source相対path、SHA-256をmanifestへ記録し、builder / auditで照合する。
code: 200 の結果だけを raw artifact に残すstatus.url の元の X 投稿 URL にしているgh api search/code の total_count などで概算確認し、概算と明記するtmp/*.json に途中結果を保存して取り直しを避ける/x-post-research "GPT-6 Luna" OR "GPT6 Luna" を直近7日で500件集めて、記事に足せる第三者評価や注意点を拾って/x-post-research #MSBuild と #MicrosoftBuild を直近4時間で500件以上集めて、一次情報と repo と画像を research に保存して/x-post-research #Ignite と #MicrosoftIgnite を2時間で300件、画像は代表8枚だけでいいまだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
Design, review, and debug agent workflows, and decide when a request should use a prompt, instruction, skill, agent, or hook before escalating to multi-agent design. Use for .agent.md / .instructions.md / .prompt.md / AGENTS.md work, workflow architecture, orchestration planning, scheduled automation model allocation, or when agent workflows may be overkill. Triggers on 'agent workflow', 'create agent', 'automation models', 'ワークフロー設計', 'orchestrator'.
Design, run, and review fair performance, token, and cost comparisons across GitHub Copilot CLI, Codex CLI, and direct model APIs. Use for AI CLI benchmark, Copilot vs Codex, prompt-cache diagnosis, cache read/write analysis, fresh-process latency measurement, token-cost comparison, or when a benchmark must separate provider caching from local CLI caches.
日本語の概要は準備中です。原文の説明を表示しています。
Analyze historical VS Code GitHub Copilot Chat sessions by model, reasoning effort, AIU, time, reliability, workflow behavior, and external quality evidence, or safely prune workspace-scoped local chat history by age. Use for session analysis, repeated-task retrospectives, model evaluation, cost/performance analysis, and old session cleanup.
日本語の概要は準備中です。原文の説明を表示しています。
Create reproducible animated infographic GIFs from structured data or measured results, with audience-language labels, explicit timing semantics, representative-frame QA, and a static fallback. Use when asked for GIF生成, animated infographic, 動的インフォグラフィック, 結果が流れる図, animated benchmark, or a blog/SNS animation whose displayed metrics must remain traceable to source data.
Create polished, validated architecture, workflow, sequence, data-flow, and lifecycle/state diagrams as explorable standalone HTML with inline SVG, dark/light themes, optional trace motion, and PNG/JPEG/WebP/SVG/WebM export. Accept plain-language requirements or pasted Mermaid flowchart, sequenceDiagram, and stateDiagram input; inspect repository evidence when the diagram must reflect real code. Use when the user asks to visualize system architecture, infrastructure, cloud/security/network topology, technical workflows, API call sequences, request lifecycles, data pipelines, ETL/ELT, data lineage, state machines, or to convert/beautify Mermaid. Also use for Archify, interactive or animated HTML diagrams, インタラクティブ図, 動く構成図. When an editable .drawio file is required, use the draw.io workflow instead and treat Archify HTML only as a supplement.
Generate ASCII-art text banners for terminals, READMEs, and CLI startup messages. Use when a user asks for an ASCII banner, text art, バナー, アスキーアート, or a decorative header for a script/README.