/ai-research-collect (このスキル = オーケストレーター)
  |
  +-- Phase 1: Python CLI前処理（3分以内）
  |     +-- prepare_ai_research_session.py
  |           +-- ai-research-companies.json 読み込み（77社定義）
  |           +-- ティアベース取得ルーティング:
  |           |   +-- Tier 1: FeedReader -> RSS対応企業（8社）
  |           |   +-- Tier 2: RobustScraper -> 汎用スクレイピング（64社）
  |           |   +-- Tier 3: CompanyScraperRegistry -> 企業別アダプタ（5社）
  |           +-- ArticleData統一形式に変換
  |           +-- 既存Issue URL抽出（重複チェック用）
  |           +-- 日付フィルタリング -> 重複チェック -> Top-N選択
  |           +-- カテゴリ別JSONファイル出力（.tmp/ai-research-batches/）
  |           +-- スクレイピング統計出力
  |
  +-- Phase 2: ai-research-article-fetcher 並列呼び出し（6分以内）
  |     +-- 投資視点4セクション要約生成（概要/技術的意義/市場影響/投資示唆）
  |     +-- 市場影響度判定（low/medium/high）+ 関連銘柄タグ付け
  |     +-- Issue作成（gh issue create + close）
  |     +-- ラベル付与（ai-research + カテゴリラベル + needs-review）
  |     +-- GitHub Project #44追加 + Category/Status/Date/Impact/Tickers設定
  |     +-- 10カテゴリを1メッセージで並列呼び出し
  |
  +-- Phase 3: 結果集約 + スクレイピング統計レポート（1分以内）
        +-- カテゴリ別統計
        +-- ティア別成功率
        +-- スクレイピング統計サマリー

# 標準実行（デフォルト: 過去7日間、各カテゴリ最新10件）
/ai-research-collect

# オプション付き
/ai-research-collect --days 3 --categories "ai_llm,gpu_chips" --top-n 5

# 特定カテゴリのみ
/ai-research-collect --categories "ai_llm"

# 企業定義マスタ確認
test -f data/config/ai-research-companies.json

# GitHub CLI 確認
gh auth status

# 1. セッションファイル作成（ティアベーススクレイピング含む）
uv run python scripts/prepare_ai_research_session.py --days ${days} --top-n ${top_n}

# 2. カテゴリ別JSONファイル作成
python3 << 'EOF'
import json
from pathlib import Path

# 最新のセッションファイルを取得
tmp_dir = Path(".tmp")
session_files = sorted(tmp_dir.glob("ai-research-*.json"), reverse=True)
session_file = session_files[0]
session = json.load(open(session_file))

output_dir = Path(".tmp/ai-research-batches")
output_dir.mkdir(exist_ok=True)

config = session["config"]

for category_key, category_data in session["categories"].items():
    articles = category_data["articles"]
    category_config = category_data["category_config"]
    investment_context = category_data.get("investment_context", {})

    issue_config = {
        "category_key": category_key,
        "category_label": category_config["label"],
        "category_label_gh": category_config["github_label"],
        "status_option_id": category_config.get("default_status_option_id", "2c19ca36"),
        "project_id": config["project_id"],
        "project_number": config["project_number"],
        "project_owner": config["project_owner"],
        "repo": "YH-05/finance",
        "status_field_id": config["status_field_id"],
        "published_date_field_id": config["published_date_field_id"],
        "category_field_id": config["category_field_id"],
        "impact_level_field_id": config["impact_level_field_id"],
        "tickers_field_id": config["tickers_field_id"]
    }

    output_file = output_dir / f"{category_key}.json"
    with open(output_file, "w", encoding="utf-8") as f:
        json.dump({
            "articles": articles,
            "issue_config": issue_config,
            "investment_context": investment_context
        }, f, ensure_ascii=False, indent=2)

    print(f"{category_key}: {len(articles)} articles -> {output_file}")
EOF

{
  "articles": [
    {
      "url": "https://openai.com/news/...",
      "title": "Introducing GPT-5",
      "text": "We are excited to announce...",
      "company_key": "openai",
      "company_name": "OpenAI",
      "category": "ai_llm",
      "source_type": "blog",
      "pdf_url": null,
      "published": "2026-02-10T12:00:00+00:00"
    }
  ],
  "issue_config": {
    "category_key": "ai_llm",
    "category_label": "AI/LLM開発",
    "category_label_gh": "ai-llm",
    "status_option_id": "2c19ca36",
    "project_id": "PVT_kwHOBoK6AM4BO4gx",
    "project_number": 44,
    "project_owner": "YH-05",
    "repo": "YH-05/finance",
    "status_field_id": "PVTSSF_lAHOBoK6AM4BO4gxzg9dFiA",
    "published_date_field_id": "PVTF_lAHOBoK6AM4BO4gxzg9dHCA",
    "category_field_id": "PVTSSF_lAHOBoK6AM4BO4gxzg9dHB8",
    "impact_level_field_id": "PVTSSF_lAHOBoK6AM4BO4gxzg9dHCI",
    "tickers_field_id": "PVTF_lAHOBoK6AM4BO4gxzg9dHCE"
  },
  "investment_context": {
    "category_key": "ai_llm",
    "category_label": "AI/LLM開発",
    "focus_areas": ["モデル性能", "API価格", "市場シェア", "提携・投資"],
    "key_tickers": ["MSFT", "GOOGL", "META", "AMZN"]
  }
}

# 10カテゴリを並列で呼び出し（1メッセージに10個のTask呼び出し）
categories = [
    "ai_llm", "gpu_chips", "semiconductor_equipment",
    "data_center", "networking", "power_energy",
    "nuclear_fusion", "physical_ai", "saas", "ai_infra"
]

# 各カテゴリのJSONファイルを読み込み、ai-research-article-fetcherに渡す
for category in categories:
    json_file = f".tmp/ai-research-batches/{category}.json"
    data = json.load(open(json_file))

    if not data["articles"]:
        # 記事が0件のカテゴリはスキップ
        continue

    Task(
        subagent_type="ai-research-article-fetcher",
        description=f"{category}: {len(data['articles'])}件の記事処理",
        prompt=f"""以下の記事データを投資視点で処理してください。

```json
{json.dumps(data, ensure_ascii=False, indent=2)}

### ステップ2.2: 完了待ち

全エージェントの完了を待ち、結果を集約:

```python
# TaskOutputで各エージェントの結果を取得
results = {}
for category in categories:
    result = TaskOutput(task_id=agent_ids[category], block=True, timeout=300000)
    results[category] = parse_result(result)