メインコンテンツまでスキップ

Progressive Disclosure（段階的開示）

概要​

Progressive Disclosure は、スキルのコンテキストを必要なときに必要な詳細度だけロードする戦略です。

LLM ベースのレビューでは、すべてのスキルを最初からフルロードすると以下の問題が発生します:

  • トークンの浪費: 選択されないスキルの本文が Context Budget を圧迫する
  • 注意力の希薄化: 重要なスキルの指示が大量の無関係なテキストに埋もれる
  • ルーティングの曖昧性: ローダーが全スキルの詳細を持つため、選択判断のノイズが増える

3 段階モデル​

River Reviewer は以下の 3 段階でスキルコンテキストをロードします。

Stage 1: メタデータ（常時ロード）​

スキル一覧の取得とフィルタリングに使用されます。起動時に全スキルファイルから frontmatter のみを抽出します。

含まれるフィールド:

  • id, name, description
  • phase, applyTo (ルーティング判断)
  • tags, severity
  • inputContext, outputKind
  • modelHint, dependencies, priority

用途: フェーズフィルタ、ファイルパターンマッチ、コンテキスト要件チェック、依存関係チェック。

Stage 2: インストラクション（選択後にロード）​

Planner/Router がスキルを選択した後にロードされます。スキルの Markdown 本文（frontmatter 以降のテキスト）を含みます。

含まれるフィールド:

  • body (Markdown 本文 / レビュー指示)

用途: LLM プロンプトへのスキル指示の注入。

Stage 3: 参照コンテキスト（実行時にロード）​

Runner がレビューを実行する際に、必要に応じてロードされます。

含まれるフィールド:

  • prompt.system, prompt.user (カスタムプロンプト)
  • fixtures/, golden/ (テストデータ)
  • Riverbed Memory entries (過去の判断)
  • Project rules (.river/rules.md)

用途: レビュー精度の向上、コンテキストの補強。

なぜ 3 段階なのか​

全スキル (111+)
  │
  ├── Stage 1: メタデータ → フィルタ → 10-15 スキル候補
  │
  ├── Stage 2: 本文ロード → 選択された 3-5 スキル分のみ
  │
  └── Stage 3: 参照追加 → 実行に必要な補足のみ

各段階で情報量を絞ることで、最終的に LLM に渡すコンテキストは「最小で高シグナル」になります。これは Context Budget の効率的な利用と、Attention Budget の集中を両立させます。

現在の実装状況​

項目状態
loadSkills() — 全スキルのフルロード✅ 既存
summarizeSkill() — メタデータのみの要約✅ 既存（Stage 1 の proto 実装）
loadSkillMetadata() — メタデータ専用ロード🔜 追加予定
Stage 2/3 の明示的分離📋 設計済み

関連​