AI教育

Claude Code + 再利用できるSkillsで市場調査AI Agentsシステムを構築する

リレキショAI編集部2026年2月25日10分で読める

ゴール

1つの問い（例：日本のペット玩具市場）を入力するだけで、Data → Quant → Risk の3つのSkillを自動で順番に実行し、最終的に1本の構造化Markdownレポートを生成するシステムを作ります。

0. 用意するもの

VS Code（Windows / macOS）
Claudeアカウント（サブスクリプション or API Key）
ターミナル（Windows Terminal / PowerShell / macOS Terminal）
Git（推奨）：Skillテンプレートのバージョン管理に便利

1. VS Codeをインストールする

Windows：Microsoft Storeで「Visual Studio Code」を検索
macOS：App Storeまたは公式サイトから .dmg をダウンロード

インストールしたらVS Codeを起動します。

2. Claude Code（CLI）をインストールする

以下は一般的な流れです。環境によって表示が異なるので、Claude Codeのインストールガイドに従ってください。

2.1 macOS

# 1) ターミナルを開く
# 2) node / runtimeが必要と言われたら、指示に従いインストール
# 3) Claude Codeをインストール（実際のコマンドはインストールガイドを参照）
claude --version

2.2 Windows

# 1) Windows Terminal / PowerShellを開く
# 2) Claude Codeのインストールガイドに従う
claude --version

2.3 Claudeにログインする

# インタラクティブモードに入る
claude

サブスク利用の場合：ブラウザ連携で認証すればOK
API利用の場合：案内に従ってAPI Keyを設定（環境変数または設定ファイル）

3. Claude Codeモードに入る + Bypass dangerous permission

3.1 Claude Codeモードに入る

VS Codeのターミナルで以下を実行します：

claude

表示されるUIでCodeモードを選択します。

3.2 Bypass dangerous permissionを有効にする（注意）

Claude Codeの設定/権限ダイアログで Bypass dangerous permission を見つける
ONにする（Agentがファイル操作やコマンド実行をより自動的に行えるようになる）

安全上の注意：信頼できるプロジェクトディレクトリ内でのみ有効にしてください。グローバルに常時ONにするのはおすすめしません。

4. プロジェクトディレクトリ構成（Skillsは別ファイルで再利用可能に）

任意のディレクトリに新規プロジェクトを作成します：

mkdir jp-pet-toy-research-agents
cd jp-pet-toy-research-agents
mkdir -p skills reports templates
touch orchestrator.md
touch skills/data_skill.md skills/quant_skill.md skills/risk_skill.md
touch templates/report_template.md

完成後のディレクトリ構成：

jp-pet-toy-research-agents/
  orchestrator.md
  skills/
    data_skill.md
    quant_skill.md
    risk_skill.md
  templates/
    report_template.md
  reports/
    (出力先)

5. Skillテンプレート（そのままコピペでOK）

5.1 Data Skill — 市場データ収集専門

skills/data_skill.md に以下を貼り付けます：

# DATA_SKILL — Market Data Collector (Structured Only)

## Role
市場情報の収集と構造化出力のみを担当する。
利益計算やリスク判断は行わない。

## Input
- market_question: ユーザーの市場に関する問い（例：日本のペット玩具市場）
- region: 日本（変更可）
- time_range: 直近12〜24ヶ月を優先
- currency: JPY

## Requirements（厳守ルール）
1) 出力は構造化Markdown（固定見出し + 表/箇条書き）
2) 重要データには必ず根拠を付ける（リンクまたは出典タイプ）
3) 数字を捏造しない。不明な場合は Unknown と記載し、取得方法を提示
4) 優先順位：公式/協会/大手調査機関 > EC公開情報 > メディア > 掲示板

## Output Format

### 1) 市場概要
- 市場の定義：
- ターゲットユーザー：
- 主な購買シーン：
- 主要ドライバー：

### 2) 需要・トレンド（表）
| テーマ | 観察 | 根拠/出典 | 確度(高/中/低) |
|---|---|---|---|

### 3) 競合・価格帯（表）
| カテゴリ | 代表商品/ブランド | 価格帯(JPY) | 主要チャネル | 出典 |
|---|---|---|---|---|

### 4) チャネル構造
- Amazon
- 楽天市場
- Yahoo!ショッピング
- 実店舗（ペットショップ/量販店）

### 5) 検証すべきデータ一覧（To-Do）
- 定量データを取得するための手段を5〜10個リストアップ

5.2 Quant Skill — 利益モデル構築専門

skills/quant_skill.md に以下を貼り付けます：

# QUANT_SKILL — Profit Model Builder

## Role
価格・原価・送料・プラットフォーム手数料・税金などの入力から、
利益構造と感度分析を算出する。
市場調査やリスク判断は行わない。

## Inputs（Data Skillの結果 + 前提条件から）
- price_range_jpy: [最小値, 標準値, 最大値]
- cogs_jpy: 原価（範囲指定可）
- shipping_jpy: 送料/フルフィルメント費
- platform_fee_rate: プラットフォーム手数料率（%）
- ad_cost_rate: 広告/集客費（%）
- return_rate: 返品率（%）
- other_cost_jpy: 梱包資材、検品費など

## Requirements
1) Base Case / Best / Worst の3シナリオを必ず算出
2) 感度分析を必ず実施：価格、原価、手数料、送料、返品率
3) 出力は構造化Markdown + 表形式
4) 不確定なパラメータは必ずAssumptionsとして明記

## Output Format

### 1) 前提条件（Assumptions）
- ...

### 2) 1個あたりの利益分解（表）
| 項目 | 金額(JPY) | 備考 |
|---|---:|---|

### 3) 3シナリオの利益結果
| シナリオ | 売価 | 原価 | 諸経費 | 粗利 | 純利 | 純利率 |
|---|---:|---:|---:|---:|---:|---:|

### 4) 感度分析（表）
| 変数 | -10% | Base | +10% | 解釈 |
|---|---:|---:|---:|---|

5.3 Risk Skill — 反例・コンプライアンス・信頼度評価

skills/risk_skill.md に以下を貼り付けます：

# RISK_SKILL — Counterexamples, Compliance, Confidence

## Role
反例/リスク/不確実性を洗い出し、最終的にConfidence Score（0-100）を付与する。
市場データの収集や利益計算は行わない。

## Inputs
- data_summary: Data Skillの主要な発見
- quant_summary: Quant Skillの主要な利益結果
- market_question: 元の問い

## Requirements
1) 反例を最低8個提示：なぜこの市場が想像より厳しい可能性があるか
2) コンプライアンス・プラットフォームリスク：日本の関連規制（素材、安全基準、
   ペット/子供向け製品表示など）とEC規約リスク
3) データの不確実性の出典を指摘し、検証方法を提案
4) Confidence Score（0-100）+ その理由

## Output Format

### 1) 反例（8件以上）
- ...

### 2) コンプライアンス/規約/炎上リスク（表）
| リスク種別 | 内容 | 影響度 | 対策 |
|---|---|---|---|

### 3) 不確実性と検証計画
- ...

### 4) 信頼度
- Score: XX/100
- 理由:

6. Orchestrator（技術キーワード：Use team agents + Ultra think）

orchestrator.md に以下を貼り付けます：

# ORCHESTRATOR — Team Agents Runner (Data → Quant → Risk)

You are the orchestrator. Use team agents. Ultra think.

## Task
ユーザーの市場に関する問いに対し、以下のAgentを順番に実行する：
1) DATA_SKILL (skills/data_skill.md)
2) QUANT_SKILL (skills/quant_skill.md)
3) RISK_SKILL (skills/risk_skill.md)

## Execution Rules
- 結果を順番に受け渡す：Data → Quant → Risk
- 最終出力はMarkdownレポート1本（/reports に明確なファイル名で保存）
- 数値データが不足する場合、QuantはAssumptionsを明示すること
- Riskは必ず反例 + Confidence Scoreを出力すること

## User Input
market_question = "{{PUT_QUESTION_HERE}}"
region = "Japan"
time_range = "last 12-24 months"

7. レポートテンプレート（最終的に1本に統合）

templates/report_template.md に以下を貼り付けます：

# 市場調査レポート：{{market_question}}

## A. Data Findings（市場データ）
{{DATA_OUTPUT}}

## B. Quant Model（利益モデル）
{{QUANT_OUTPUT}}

## C. Risk Review（リスクと信頼度）
{{RISK_OUTPUT}}

## D. Next Actions（次のステップ）
- 次に検証すべきデータは何か？
- 最小限のテスト販売で試すべきことは何か？

8. 実行方法（Claude Codeでの手順）

Claude Codeの対話画面で、以下の順番で実行します：

skills/data_skill.md を読み込ませ、Data Skillを実行
Dataの出力結果を前提条件として、skills/quant_skill.md を実行
Data + Quantの要約を入力として、skills/risk_skill.md を実行
templates/report_template.md に沿って統合し、レポート1本を生成

コピペ用の総指令（問題を変えるだけでOK）

Use team agents. Ultra think.
Question: 日本のペット玩具市場
Step 1: Execute DATA_SKILL from skills/data_skill.md. Output in the required format.
Step 2: Execute QUANT_SKILL from skills/quant_skill.md using Data results + explicit assumptions.
Step 3: Execute RISK_SKILL from skills/risk_skill.md using Data+Quant summaries.
Finally: Merge into templates/report_template.md and output ONE Markdown report.

9. 出力ファイル名の例

reports/
  jp_pet_toy_market_20260225.md

10. 使い回しのコツ

業界を変えてもSkillsはそのまま使えます。変更するのは market_question だけです。

例えば：

日本の防災グッズ市場
東京のコーヒー豆サブスク市場
日本の一人暮らし向け家電市場

Skillを部品化しておくことで、どんな市場調査にも同じ手順で再現性のあるレポートが作れます。新しいSkill（例：SEO分析Skill、競合深堀りSkill）を追加すれば、システムを拡張することも簡単です。