Search Console生JSONとSKILL・MCPのSQLite統合|14日判定とサンドボックス高速参照
作成日:

Search Console生JSONとSKILL・MCPのSQLite統合|14日判定とサンドボックス高速参照

IT・Mac・AI実践

論旨

ブログ原稿(.mdx)やソースコードを SQLite データベースへ構造化して AI エージェントのファイル丸読みを減らしたのに、いざ SEO 改善や外部ツールの実行に入ると、AI が 最大 1.4MB に達する Search Console(GSC)の生 JSON や、ワークスペース外(ホームディレクトリ配下)にある SKILL.md・MCP ツール定義、さらには .env と設定ファイル群 を再び端から read_file(Analyzed)してトークンを大量消費してしまう問題に直面したことはないでしょうか。しかも、全記事の表記揺れを一括整形しただけで OS のファイル更新日時(mtime)が書き換わって SEO の「14 日クールダウン判定」が全滅したり、隔離サンドボックス実行時の権限エラー(PermissionDenied)によって外部スキルの DB レコードが全消去されたりする厄介な罠も潜んでいます。

結論からお伝えすると、AI エージェントの手探り I/O を最後の死角まで根絶する最適解は、① 最大 1.4MB の GSC 生 JSON 5 種を SQLite の論理更新日 COALESCE(updatedDate, pubDate) 基準の 14 日クールダウン判定とメモリ結合して約 20 ミリ秒・出力 9.2KB 以内に凝縮し、② ワークスペース外の SKILL.md(24 本)と MCP ツールスキーマ(26 本)を仮想パス @agy/+ピンポン削除防止ガードで同一 SQLite へ統合(1.71ms 抽出)し、③ 生の秘密値を一切保存しない環境変数レジストリ(29 種・114 箇所追跡)を組み込む設計 です。本記事では、当ラボが kb-search Rev. 2.12.0 で実装した外部データ統合アーキテクチャと、実運用で判明した境界条件の防御ロジックをすべて公開します。

合わせて読みたい深まる関連情報
この記事の対象となる方
  • Search Console API 等で収集した 1MB 超の大型 JSON や数千行の SEO レポートを AI が毎回分割 read_file してトークンを浪費 しており、1 コール・20 ミリ秒の意思決定サマリーへ凝縮したい方

  • 一括テキスト置換などでファイルの物理更新日時(mtime)が変わり、SEO リライト後の「14 日クールダウン判定」が狂ってしまう問題 を SQLite の論理日付で根本解決したい方

  • ホームディレクトリ配下(~/.gemini/ や ~/.claude/ 等)にある SKILL.md や MCP ツールスキーマ、および .env 環境変数の参照箇所 を、隔離サンドボックス環境や機密保護を維持したままミリ秒照会したい方

結論:外部定義と大型JSONこそSQLiteへ統合

AI エージェントの開発環境において、記事原稿(.mdx)やソースコード(.rs / .ts 等)のインデックス化を終えた後に、最後にして最大のトークン浪費源として残るのが 「① Search Console 等の大型テレメトリ生 JSON」「② ワークスペース外にある SKILL.md と MCP ツールスキーマ」「③ .env 環境変数とコード内参照箇所」 の 3 領域です。

SQLite 公式のベンチマーク論文「35% Faster Than The Filesystem」 が示す通り、OS のファイルシステム上で個別ファイルを毎回開くよりも、単一の SQLite データベース(Write-Ahead Logging:WAL モード + FTS5 全文検索拡張)へ統合してクエリで引き抜く方が I/O 効率は圧倒的に高くなります。従来のファイル直接参照と、当ラボの kb-search Rev. 2.12.0 による SQLite 統合後の違いを比較表で整理します。

対象領域・課題 従来のファイル直接参照(Before) kb-search Rev. 2.12.0 SQLite統合(After)
Search Console 生データ(5種・最大1.4MB) JSON や数千行の .md レポートを先頭から分割 read_file し、10連発以上の Analyzed と 10KB 切り詰め が発生する。 kb-search gsc 1コール(約 20ms・出力 9.2KB 以内)で未登録・低CTRお宝クエリ・AI検索流入を即座に凝縮。
SEO リライト後の 14 日クールダウン判定 OS の物理ファイル更新日時(mtime)を使うため、表記揺れ一括置換で 全記事が「今日更新」に汚染 され候補が消える。 SQLite articles テーブルの論理日付 COALESCE(updatedDate, pubDate) 基準で判定し、一括校正による日付汚染ゼロ。
ワークスペース外の SKILL.md(24本)と MCP(26本) ~/.gemini/antigravity/ 配下へ毎回外部 read_file が走り、標準サンドボックス内からは PermissionDenied で参照不能 になる。 仮想パス @agy/ で同一 SQLite へ収録し、サンドボックス内からも ピンポン削除防止ガード付きで 1.71ms 抽出。
環境変数(.env 等 29種)と参照箇所調査 .env の直接読込による 生 API キー露出リスク があり、どのコードの何行目で使われているか毎回 grep が走る。 生の秘密値を一切保存せず完全マスク したうえで、29 種 × 計 114 箇所のコード参照行 を 1.9ms で即答。

この設計により、knowledge.sqlite(597.7MB)は以下の 4 層のデータ領域を単一のデータベースで一元管理するアーキテクチャへと進化しました。

knowledge.sqlite(597.7MB)が統合する4層のデータ領域
Layer 1:Content & History
公開記事・下書き・対話履歴(.mdx / .md / Takeout)

公開 885記事(+共通パーツ7本・計9,222節)、下書き897本(18,979節)、管理ルール13文書、および対話履歴3,043スレッド(逆引き17,807リンク)を全文検索・行番号直結で保持。

Layer 2:System Code & Env
システムコード・設定6系統&環境変数レジストリ(.rs / .ts・.js / .astro / .swift / .sh / .plist + env)

計410本のコード・設定ファイル(6系統・11拡張子)から3,575個の構文シンボル(関数・型・View・Props・plistキー)を抽出し、.env の生秘密値をマスクしたうえで29種の環境変数と114箇所の参照行をマッピング。

Layer 3:SEO & Telemetry
Search Console 生JSON(最大1.4MB×5種)× 論理日付クールダウン統合

GSC APIから取得した大型JSONを直接 read_file させず、COALESCE(updatedDate, pubDate) 基準の14日クールダウン判定と結合して約20msで要約出力。

Layer 4:External Agent Specs (@agy/)
ワークスペース外の SKILL.md(24本)& MCP ツールスキーマ(26本)

~/.gemini/antigravity/ 配下の内蔵・カスタムスキルとMCP定義を仮想パス @agy/ で差分同期し、1.71msでセクション・引数単位の照会を実現。

ワークスペース内の原稿・コードだけでなく、ローカル統計JSONやワークスペース外のシステム拡張定義(@agy/)まで単一のSQLiteで一元管理します。
質問するおじさん

なるほどなぁ。記事やプログラムだけをデータベースに入れても、毎朝チェックするSearch Consoleの巨大な成績表や、外のフォルダにあるスキル説明書を生のまま読ませとったら、そこでまたページめくりが始まってしまうわけじゃな。

解説ナビゲーター

そうなんです!特にSearch Consoleの生JSONは1.4MBもありますし、外部のスキル定義やMCPスキーマはそもそもワークスペースの外にあるため、ここをSQLiteへ取り込むかどうかでAIの初動スピードと安全性が劇的に変わってきます。

最大1.4MBのGSC生JSONを20msで凝縮する設計

1 つ目の統合領域は、SEO 改善や未インデックス診断の要となる Google Search Console(GSC)の大型生 JSON データ です。

読み取り専用1コールで9.2KB以内に要約する仕組み

当ラボでは、Google Search Console API 公式仕様 を活用した 無料の自動データ収集基盤 により、全記事のインデックス登録状態、検索クエリ、表示回数、クリック率(CTR)、平均掲載順位、さらには生成 AI 検索(AI Mode / AI Overviews)経由の長文相談クエリをローカルの _local_db/gsc/ ディレクトリへ日次保存しています。

しかし、この生データ(JSON 5 種類)は最大で 1.4MB に達し、自動生成される診断レポートも数千行の規模になります。そのため、以前は「今日の Search Console で優先して改善すべき記事はある?」と AI に尋ねると、AI が _local_db/gsc/*.md や *.json を先頭から 800 行刻みで分割 read_file し、たった 1 回の現状確認で 10 連発以上の Analyzed を発生させていました。

これを根絶するため、新設した kb-search gsc サブコマンド(および事前カルテを一括生成する kb-search prep gsc)では、5 種類の生 JSON と SQLite の記事台帳(articles テーブル)を Pure Rust のメモリ上で高速結合し、以下の 6 つの切り口を 読み取り専用・副作用ゼロの 1 コール(実測約 20ms・出力最大 9.2KB 以内) で即座に取り出せるようにしました。

📊 kb-search gsc が約20ms・9.2KB以内で即答する6つの診断モード
  1. kb-search gsc(全体統合サマリー) : 公開全記事のインデックス登録率、急上昇クエリ、未登録記事の警告、およびクールダウン期間を終えた「本日最優先の改善候補枠」を 1 画面で一覧表示します。

  2. kb-search gsc --unindexed(未登録記事の精密診断) : Google にまだインデックスされていない記事をステータス別(「検出 - インデックス未登録」「クロール済み - インデックス未登録」等)に分類し、公開からの経過日数と内部被リンク(inbound)数とともに抽出します。

  3. kb-search gsc --opportunities(低CTR・お宝クエリ抽出) : 表示回数(Impressions)が多いにもかかわらずクリック率(CTR)が低い記事や、記事の title にまだ含まれていない上位流入クエリ(タイトル欠落語)をスコアリングして特定します。

  4. kb-search gsc --top(上位牽引記事の分析) : サイト全体のクリック数・表示回数を牽引している主力記事と主要クエリの内訳を高速表示します。

  5. kb-search gsc --genai(AI会話検索・長文クエリの検出) : 検索語数が多く疑問文形式を含む「生成 AI 検索・ディープリサーチ由来の長文クエリ」を抽出し、読者が求めている具体的な深掘りテーマを可視化します。

  6. kb-search gsc --slug <slug> & --history [<slug>](単一記事カルテと施策履歴) : 特定記事 1 本の全流入クエリ内訳と、過去にいつ・どのタイトルへ変更して CTR がどう推移したかの履歴を照合し、同じ記事への無意味なタイトル反復いじりを防ぎます。

外部データ・大型JSON領域のSQLite統合後の実測照会レスポンス速度
外部 SKILL.md (24本) / MCP (26本)仮想パス @agy/ 直結 (175KB)
1.71 ms
環境変数レジストリ (29種・114箇所)生秘密値マスク済・参照行追跡
1.90 ms
公開記事・解剖節抽出 (9,222節)行番号ダイレクト抽出
3.0〜13.0 ms
Search Console 生JSON統合 (5種・1.4MB)論理日付判定+出力9.2KB以内凝縮
約 20.0 ms
2026年11月時点(kb-search Rev. 2.12.0 実測)。従来は数秒〜十数秒と複数回の read_file を要していた外部・大型データ照会がすべて約20ms以下で完了します。

物理mtimeの罠とSQLite論理更新日14日判定

さらに kb-search gsc の実装において、実運用から得られた極めて重要な知見が 「SEO クールダウン(14 日間待機)判定における物理 mtime の罠と、SQLite 論理更新日への刷新」 です。

タイトルや見出しの SEO リライトを行った記事は、Google のクローラーが再クロールして検索順位と CTR が安定するまで、最低 14 日間は再改修を控えて様子を見る(クールダウン期間を置く) のが運用の鉄則です。

ところが、この「最終更新から 14 日経過したか?」を判定する基準日に、OS のファイルシステムが記録している物理的なファイル更新日時(Rust 標準ライブラリの std::fs::Metadata::modified 等で取得する物理 mtime)をそのまま使ってしまうと、大規模サイトならではの致命的な事故が起きます。

OSの物理更新日時(mtime)判定 vs SQLite論理更新日判定(14日クールダウン)
NG設計:OSの物理 mtime 基準
一括整形による『クールダウン全滅』の罠
  • 一括置換で全記事の mtime が当日に変化 :用語の表記揺れ修正や内部リンク追加スクリプトを走らせると、数百本の .mdx ファイルの物理 mtime が一斉に「今日」に書き換わる。
  • 全記事が「今日リライト済」と誤判定 :GSC診断ロジックが「全記事とも最終更新から0日(14日未満のクールダウン中)」と錯覚する。
  • 本当に直すべき低CTR記事が埋もれる :実質的なSEOリライトを何ヶ月も行っていない記事まで候補から除外され、改善サイクルが停止する。
推奨設計:SQLite 論理更新日基準
COALESCE(updatedDate, pubDate) 判定
  • フロントマター論理日付の優先参照 :OSの物理 mtime を切り離し、SQLite articles テーブルの COALESCE(updatedDate, pubDate)(およびGSC施策台帳の最終施策日)で経過日数を計算。
  • 軽微な機械整形では論理日付を動かさない :表記揺れ修正やタグ整理では updatedDate を更新せず、大幅リライトやGSC改善完了時(finish --touch-updated)のみ論理日付を進める。
  • 14日クールダウンの完全な無謬性 :ファイルシステム上の変更とSEO上の実質リライト日を厳密に分離し、1日たりともクールダウン判定が汚染されない。
機械的な一括置換やフォーマット整形で全ファイルの物理mtimeが書き換わっても、SQLiteの論理日付を基準にすればSEOのクールダウン判定は1日たりとも狂いません。

この COALESCE(updatedDate, pubDate) 基準への統一により、全記事にまたがる保守スクリプトをいつ走らせても、Search Console の改善候補ランキングが一切揺らがない盤石な SEO 監査基盤が実現しました。

外部SKILLとMCPを仮想パスで統合する仕組み

2 つ目の統合領域は、AI エージェントの専門能力と外部ツール接続を司る スキル定義ファイル(SKILL.md) と Model Context Protocol(MCP)公式仕様(2026-07-28 版) に基づくツールスキーマ(JSON) です。

SKILL24本とMCP26本を1.71msで抽出

Antigravity や Claude Code などのエージェント環境では、内蔵スキルやグローバルスキル、MCP サーバーのスキーマ定義は、プロジェクトのフォルダ(ワークスペース)の中ではなく、ユーザーのホームディレクトリ配下(~/.gemini/antigravity/builtin/skills/ や ~/.gemini/antigravity/skills/、~/.gemini/antigravity/mcp/ など) に配置されています。

そのため、ワークスペース内のファイルだけをインデックス化していると、AI がスキルの手順や MCP ツールの引数スキーマを確認しようとするたび、毎回必ず外部パスへの read_file(Analyzed)が発生していました。

そこで kb-search Rev. 2.12.0 では、同期の対象領域をワークスペース外のホームディレクトリ設定領域へも拡張し、環境依存の絶対パスを隠蔽する 仮想パス @agy/ プレフィックス を付与して knowledge.sqlite へ一括インデックス化しました。

⚡ 仮想パス @agy/ で knowledge.sqlite へ統合された外部定義の内訳
  1. 外部・内蔵スキル定義(SKILL.md 関連:計 24 本・175.0KB) : 内蔵スキルとプロジェクトスキル計 14 本の SKILL.md 本体に加え、付属のリファレンス・スクリプト・テンプレート 10 本を見出しセクション(## / ###)単位まで分解して doc_sections テーブルへ収録しています。./scripts/run_kb_search.sh skill <スキル名> [<節|L1-L99>] [--full] により、必要な節だけを即座に引き抜けます。

  2. MCP ツールスキーマ定義(計 26 本) : MCP 2026-07-28 仕様の Tools Schema に準拠した 2 サーバー分の全 26 ツールについて、ツール名・説明文・必須パラメータ(required)・入力プロパティ(inputSchema)を構造化収録しています。./scripts/run_kb_search.sh mcp [<server> [<tool>]] で JSON を丸読みせず引数仕様を確認できます。

  3. 実測わずか 1.71ms の超高速レスポンス : ワークスペース外のディレクトリを毎回探索することなく、RAMDisk・ローカル SQLite から 1.71ms(0.00171 秒) で結果が返却されます。

サンドボックス権限エラー時のピンポン削除防止ガード

ところが、この「ワークスペース外の @agy/* ファイルを SQLite へ同期する」仕組みを実装して実際の AI エージェント環境で動かしたところ、セキュリティサンドボックス環境特有の 「ピンポン削除現象(孤立レコード誤パージ問題)」 という重大なエッジケースに直面しました。

最新の AI エージェントは、安全性のためにデフォルトで 標準サンドボックスモード(BypassSandbox: false) でシェルコマンドを実行します。このサンドボックス内では、プロジェクトのワークスペース(/Users/$USER/Desktop/ai-blog-project 等)や RAMDisk(/Volumes/RAMDisk/$USER)への読み書きは許可されていますが、ワークスペース外にあるホームディレクトリ配下(~/.gemini/antigravity/ 等)へのアクセスは OS カーネルレベルで遮断され、PermissionDenied(権限エラー)が返ります。

ここで、一般的なデータベース差分同期(sync)の削除アルゴリズムを考えてみてください。通常、インデックス同期では「現在ディスク上に存在するファイル一覧」と「SQLite 内に記録されているファイル一覧」を照合し、ディスク上から消えたファイルを SQLite からも DELETE する(孤立レコードの自動パージ) という処理を行います。

もしこの削除ロジックをそのまま動かしてしまうと、以下のような悪循環が発生します。

  1. サンドボックス外(人間のターミナルやデプロイ処理)で kb-search が動く ➔ ~/.gemini/antigravity/ が読めるため、@agy/* の 50 レコード(SKILL 24 本+MCP 26 本)が SQLite に登録される。
  2. 次に AI エージェントがサンドボックス内(BypassSandbox: false)から検索を実行し、自動差分同期が走る ➔ ~/.gemini/antigravity/ の走査が PermissionDenied で 0 件になる ➔ 同期エンジンが「外部ファイルがすべて削除された!」と誤認し、SQLite から @agy/* レコードを全削除(DELETE)してしまう。
  3. 結果として、AI がサンドボックス内から kb-search skill や kb-search mcp を叩いた瞬間、せっかく登録したレコードが消えて検索ヒットが 0 件になる。
質問するおじさん

うわぁ、それは盲点じゃな!お掃除係が真面目に働きすぎるせいで、サンドボックスのカーテンが閉まって外が見えないだけの時に「外の荷物が全部なくなった!」と勘違いして台帳から全部消しちゃうわけか!

解説ナビゲーター

まさにその通りです!手元のターミナル(サンドボックス外)でテストしている時は100%成功するのに、いざAIがサンドボックスの中から叩いた瞬間に0件になるため、原因特定が非常に難しい落とし穴でした。そこで「本当にファイルが削除されたのか、それともサンドボックス制限で見えないだけなのか」を厳密に区別する保護ガードを db_sync.rs に組み込みました。

サンドボックス PermissionDenied 時のピンポン削除防止ガード(4ステップ)
Step 1
外部パスの走査試行

db_sync.rs が ~/.gemini/antigravity/ 配下のメタデータ取得と read_dir を試行する。

Step 2
権限エラーの厳密識別

PermissionDenied 等のI/Oエラーが返った場合、0件ではなく Unreachable(制限中)フラグを立てる。

Step 3
@agy/ をパージから除外

孤立レコード削除(DELETE)時、Unreachable なら @agy/% の全レコードを削除対象から完全除外して温存。

Step 4
1.71msで安全に即答

kb-search skill / mcp は再同期をスキップし、温存されたSQLiteテーブルから1.71msで定義を返却。

外部ディレクトリの走査エラーを「ファイル削除」ではなく「Unreachable(到達不能)」として状態分離し、既存のSQLiteキャッシュを100%保護します。

この 「ピンポン削除防止ガード」 により、さらに一歩進んで「普段は OS サンドボックスで外部ホームディレクトリへの直接アクセスが遮断されている AI エージェントであっても、事前に SQLite へ同期された @agy/ キャッシュを通じて、安全かつ 1.71ms でスキル定義や MCP スキーマを参照できる」という大きな副次的メリットも生まれました。

生の秘密値を保存しない環境変数レジストリ設計

3 つ目の統合領域は、開発中に AI が頻繁に手探り検索してしまう 「環境変数(.env 等)と、それがどのコードの何行目で使われているか」 を管理する 環境変数レジストリ(env テーブル) です。

秘密値マスクと29種114箇所のコード参照追跡

API 連携や自動化スクリプトを改修する際、AI エージェントは「どんな環境変数名が定義されていて、どの Rust ファイルや TypeScript、シェルスクリプトで参照されているか」を確認しようとします。

しかし、.env ファイルをそのままデータベースの全文検索テーブルに格納したり、AI に無造作に read_file させたりするのは、API キーやシークレットトークンがコンテキストやログへ露出するセキュリティ上の重大なリスクを伴います。そこで kb-search の環境変数レジストリでは、「秘密値の完全マスク保護(非保存)」と「コード内参照箇所の静的解析マッピング」 を両立させました。

🔐 セキュリティと調査速度を両立する環境変数レジストリ(kb-search env)の仕様
  1. 生秘密値の完全非保存(マスク徹底) : .env や設定ファイルに記述された API キー・パスワード・トークンの「生の値」は 1 文字たりとも SQLite に保存せず、環境変数名(キー名)・定義元ファイル・行番号・値の有無([MASKED] 表示)のみを登録します。

  2. 複数言語を横断する静的解析(29 種 × 114 箇所の自動マッピング) : インデックス同期時に、Pure Rust の std::env::var("...") や env!("...")、TypeScript / Astro の import.meta.env.... や process.env....、シェルスクリプト(.sh)や LaunchAgent(.plist)の $VAR / ${VAR} 展開を静的解析し、全 29 種の環境変数がどのファイルの何行目で参照されているか(計 114 箇所) をすべて紐付けています。

  3. 機密露出ゼロ・1.9ms での影響範囲特定 : AI は ./scripts/run_kb_search.sh env [<変数名キーワード>] を 1 回呼ぶだけで(実測約 1.9ms)、機密情報を一切コンテキストに露出させることなく、「この環境変数を変更したらどのファイルの何行目に影響するか」を漏れなく把握できます。

このように、巨大な JSON のメモリ結合からファイルシステムの権限エラーハンドリング、さらにはマルチ言語の環境変数静的解析までを数ミリ秒で処理する CLI 基盤を構築するうえで、Rust のメモリ安全性とゼロコスト抽象化はこれ以上ない威力を発揮します。

オライリー・ジャパン『プログラミングRust 第2版』

まとめ:外部定義統合の要点と再現プロンプト

最後に、本記事で解説した「Search Console 生 JSON(論理日付 14 日判定)× 外部 SKILL.md・MCP(仮想パス @agy/+ピンポン削除防止ガード)× 環境変数マスクレジストリ」の設計要点を整理し、ご自身の開発環境へ導入するための AI 再現プロンプトを公開します。

推論ですが、これまで Search Console の分析やスキル・MCP・環境変数の確認のたびに発生していた 1 回あたり 5〜15 連発の分割 read_file と grep をこの SQLite 統合コマンド(gsc / skill / mcp / env)へ置き換えることで、SEO 監査や外部ツール連携タスクにおける初動のコンテキスト消費量は約 80〜90% 削減され、照会時間も数分から 2〜20 ミリ秒へと劇的に短縮 されます。

✅ 大型JSONと外部定義のSQLite統合で得られる4つの決定的な成果
  • 1.4MB の GSC 生 JSON を 20ms・9.2KB 以内で即座に意思決定へ使える : 5 種類の生 JSON を直接 read_file せず、未登録記事・低 CTR のお宝クエリ・AI 検索クエリを 1 コールで抽出でき、10KB 出力切り詰めも一切起きません。

  • 一括置換を行っても SEO の「14 日クールダウン判定」が 1 日も狂わない : OS の物理 mtime ではなく SQLite の論理更新日 COALESCE(updatedDate, pubDate) を基準にすることで、機械的な整形によるクールダウン汚染を 100% 防げます。

  • サンドボックス内からでも外部 SKILL.md(24 本)と MCP(26 本)を 1.71ms で引ける : 仮想パス @agy/ と PermissionDenied 時のピンポン削除防止ガードにより、ホームディレクトリへの直接アクセスが制限された隔離環境でもキャッシュが消えず高速参照できます。

  • 生 API キーを 1 文字も露出させずに環境変数の参照箇所(114 箇所)を追跡できる : .env の生秘密値を保存せず、29 種の環境変数が使われているコードの行番号だけを 1.9ms で安全に特定できます。

最上位モデルで実装するAI再現プロンプト

ご自身の開発環境やブログ運用基盤に本記事の「大型 JSON 要約・論理日付クールダウン・外部 @agy/ 仮想パス同期(ピンポン削除防止ガード付き)・環境変数マスクレジストリ」を実装する際は、ファイルシステム境界やサンドボックス権限の推論に強い 最上位モデル(Gemini 4 Carbon / Gemini 4 Argon または Claude Opus 4.6 / Claude Sonnet 4.6 の Thinking 有効モード) を指定し、事前調査ファーストで以下のプロンプトをそのままコピー&ペーストして活用してください。

あなたは熟練のRust/データベース基盤エンジニアです。AIエージェントが大型JSONやワークスペース外のスキル・MCP定義、.envファイルを丸読み(read_file)してトークンを浪費するのを防ぐため、既存のSQLite知識DBへ以下の2段階の手順で外部・統計データ統合モジュールを設計・実装してください。

【ステップ1:事前調査ファースト(いきなりコードを書かず最初に現状を確認すること)】
1. 現在のSQLiteスキーマ(記事テーブル、ファイル管理テーブル、ドキュメント節テーブル等)と差分同期(sync)の孤立レコード削除(DELETE)ロジックを確認してください。
2. ローカルに保存されている統計生JSON(Search Console等)、ワークスペース外のスキル定義(SKILL.md)やMCPスキーマの配置パス、および .env ファイルの構成を確認し、実装計画を提示してください。

【ステップ2:実装要件(4つのコア機構)】
1. 大型統計JSONのメモリ結合と出力9.2KB以内サマリー(gscサブコマンド等):
   - 生JSONをAIに直接 read_file させず、SQLiteの記事台帳とメモリ上で高速結合して、未登録記事・低CTR改善候補・上位クエリを約20ms・出力9.2KB以内で要約出力すること。
   - 【重要】リライト後の14日クールダウン判定には、一括置換で全件汚染されるOSの物理ファイル更新日時(std::fs::Metadata::modified の物理 mtime)を絶対に使わず、SQLite記事テーブルの論理日付 COALESCE(updatedDate, pubDate) を基準に計算すること。
2. ワークスペース外の SKILL.md & MCPスキーマの仮想パス(@agy/)統合:
   - ホームディレクトリ配下にある SKILL.md(見出しセクション単位)と MCP ツールスキーマ(2026-07-28仕様の inputSchema / required 等)を、仮想パス @agy/ プレフィックス付きで同一SQLiteへ構造化収録し、1〜2msでピンポイント抽出できるようにすること。
3. サンドボックス PermissionDenied 時のピンポン削除防止ガード:
   - 隔離サンドボックス内(BypassSandbox: false)から差分同期が走った際、外部ディレクトリの read_dir 等が PermissionDenied 等のI/Oエラーを返した場合は「ファイル0件(全削除)」と誤認せず「Unreachable(アクセス制限中)」フラグを立て、孤立レコードパージ(DELETE)対象から @agy/% レコードを完全除外して既存キャッシュを100%温存すること。
4. 生の秘密値を保存しない環境変数レジストリ(envサブコマンド):
   - .env 等の生の秘密値は1文字もSQLiteへ保存せずマスク([MASKED])し、キー名と各言語コード(Rust / TS / Astro / Shell / plist)内の参照箇所(ファイルパスと物理行番号)だけを静的解析でマッピングして即答できるようにすること。

「ワークスペースの中の原稿やコードだけでなく、AI が日々の運用で参照する外部スキル・MCP 定義・Search Console 統計・環境変数までを漏れなく単一の SQLite へ収め、サンドボックスや一括置換の罠から守る」。前編の『Claude CodeのPreToolUseでRead丸読み遮断|出力10KB切り詰め回避とホワイトリスト設計』で解説した PreToolUse 物理遮断とこの外部データ統合が揃ったとき、AI エージェントは文字通り「手探りの Analyzed ゼロ」で本来の創造的な開発と分析に 100% の力を発揮できるようになります。

外部スキルもSearch Consoleデータもミリ秒で整頓されて安心する猫