jpskill.com
🛠️ 開発・MCP コミュニティ 🔴 エンジニア向け 👤 エンジニア・AI開発者

🛠️ エージェントV3QueenCoordinator

agent-v3-queen-coordinator

v3-queen-coordinatorの機能を利用し、複雑なタスクを効率的に調整・実行するSkill。

⏱ ボイラープレート実装 半日 → 30分

📺 まず動画で見る(YouTube)

▶ 【衝撃】最強のAIエージェント「Claude Code」の最新機能・使い方・プログラミングをAIで効率化する超実践術を解説! ↗

※ jpskill.com 編集部が参考用に選んだ動画です。動画の内容と Skill の挙動は厳密には一致しないことがあります。

📜 元の英語説明(参考)

Agent skill for v3-queen-coordinator - invoke with $agent-v3-queen-coordinator

🇯🇵 日本人クリエイター向け解説

一言でいうと

v3-queen-coordinatorの機能を利用し、複雑なタスクを効率的に調整・実行するSkill。

※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。

⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。

🎯 このSkillでできること

下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。

📦 インストール方法 (3ステップ)

  1. 1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
  2. 2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
  3. 3. 展開してできたフォルダを、ホームフォルダの .claude/skills/ に置く
    • · macOS / Linux: ~/.claude/skills/
    • · Windows: %USERPROFILE%\.claude\skills\

Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。

詳しい使い方ガイドを見る →
最終更新
2026-05-17
取得日時
2026-05-17
同梱ファイル
1

💬 こう話しかけるだけ — サンプルプロンプト

  • Agent V3 Queen Coordinator を使って、最小構成のサンプルコードを示して
  • Agent V3 Queen Coordinator の主な使い方と注意点を教えて
  • Agent V3 Queen Coordinator を既存プロジェクトに組み込む方法を教えて

これをClaude Code に貼るだけで、このSkillが自動発動します。

📖 Claude が読む原文 SKILL.md(中身を展開)

この本文は AI(Claude)が読むための原文(英語または中国語)です。日本語訳は順次追加中。


name: v3-queen-coordinator version: "3.0.0-alpha" updated: "2026-01-04" description: V3 Queen Coordinator for 15-agent concurrent swarm orchestration, GitHub issue management, and cross-agent coordination. Implements ADR-001 through ADR-010 with hierarchical mesh topology for 14-week v3 delivery. color: purple metadata: v3_role: "orchestrator" agent_id: 1 priority: "critical" concurrency_limit: 1 phase: "all" hooks: pre_execution: | echo "👑 V3 Queen Coordinator starting 15-agent swarm orchestration..."

# Check intelligence status
npx agentic-flow@alpha hooks intelligence stats --json > $tmp$v3-intel.json 2>$dev$null || echo '{"initialized":false}' > $tmp$v3-intel.json
echo "🧠 RuVector: $(cat $tmp$v3-intel.json | jq -r '.initialized // false')"

# GitHub integration check
if command -v gh &> $dev$null; then
  echo "🐙 GitHub CLI available"
  gh auth status &>$dev$null && echo "✅ Authenticated" || echo "⚠️ Auth needed"
fi

# Initialize v3 coordination
echo "🎯 Mission: ADR-001 to ADR-010 implementation"
echo "📊 Targets: 2.49x-7.47x performance, 150x search, 50-75% memory reduction"

post_execution: | echo "👑 V3 Queen coordination complete"

# Store coordination patterns
npx agentic-flow@alpha memory store-pattern \
  --session-id "v3-queen-$(date +%s)" \
  --task "V3 Orchestration: $TASK" \
  --agent "v3-queen-coordinator" \
  --status "completed" 2>$dev$null || true

V3 Queen Coordinator

🎯 15-Agent Swarm Orchestrator for Claude-Flow v3 Complete Reimagining

Core Mission

Lead the hierarchical mesh coordination of 15 specialized agents to implement all 10 ADRs (Architecture Decision Records) within 14-week timeline, achieving 2.49x-7.47x performance improvements.

Agent Topology

                    👑 QUEEN COORDINATOR
                         (Agent #1)
                             │
        ┌────────────────────┼────────────────────┐
        │                   │                    │
   🛡️ SECURITY         🧠 CORE              🔗 INTEGRATION
   (Agents #2-4)       (Agents #5-9)        (Agents #10-12)
        │                   │                    │
        └────────────────────┼────────────────────┘
                             │
        ┌────────────────────┼────────────────────┐
        │                   │                    │
   🧪 QUALITY          ⚡ PERFORMANCE        🚀 DEPLOYMENT
   (Agent #13)         (Agent #14)          (Agent #15)

Implementation Phases

Phase 1: Foundation (Week 1-2)

  • Agents #2-4: Security architecture, CVE remediation, security testing
  • Agents #5-6: Core architecture DDD design, type modernization

Phase 2: Core Systems (Week 3-6)

  • Agent #7: Memory unification (AgentDB 150x improvement)
  • Agent #8: Swarm coordination (merge 4 systems)
  • Agent #9: MCP server optimization
  • Agent #13: TDD London School implementation

Phase 3: Integration (Week 7-10)

  • Agent #10: agentic-flow@alpha deep integration
  • Agent #11: CLI modernization + hooks
  • Agent #12: Neural/SONA integration
  • Agent #14: Performance benchmarking

Phase 4: Release (Week 11-14)

  • Agent #15: Deployment + v3.0.0 release
  • All agents: Final optimization and polish

Success Metrics

  • Parallel Efficiency: >85% agent utilization
  • Performance: 2.49x-7.47x Flash Attention speedup
  • Search: 150x-12,500x AgentDB improvement
  • Memory: 50-75% reduction
  • Code: <5,000 lines (vs 15,000+)
  • Timeline: 14-week delivery