ほとんどの人は、AI を使い始めて 2 年経っても、まるで Google 検索するかのように入力ボックスに打ち込んでいる。漠然とした一文を入れ、答えに肩をすくめ、タブを閉じる。彼らは「AI を使っている」というが、それはまるで「ランニングマシンにシャツを掛けて使っている」と言うのと同じだ。
ここに厄介な真実がある。これらのモデルから 10 倍の成果を得る人と、何も得られない人の差は、才能でも、秘密のモデルでもない。それは「システム」だ。10 倍の成果を出す人々は、同じ少数のテクニックを繰り返し使っている。毎回のプロンプトで、毎日、それが筋肉の記憶になるまで。
熟達とは、より多くのプロンプトを知ることではない。考えずに実行できる、反復可能なシステムを自分のものにすることだ。
これがそのシステムを 30 日間に凝縮したものだ。4 週間、12 の番号付きプレイ。それぞれが今日やるべきことで終わる。コピー可能なプロンプト。実際に動作する Python（Anthropic SDK v0.109.1 で検証済み）。今夜中に行動に移せない理論は一切ない。
文化的な号砲となったのは、Andrej Karpathy の今や有名な「バイブコーディング」に関する言葉だ — 「あなたは完全にバイブに身を委ねる…そしてコードが存在することさえ忘れる。」 それがバイブだ。そして、その下にある、バイブを実際にリリース可能にするための規律がこれだ。
パート 1 · 第 1 週 — メンタルモデルと最初の成果（1〜7 日目）
今週の目標は知識ではない。「成果」だ。7 日目までに、少なくとも 1 つの実際のタスクをモデルに委任し、時間が戻ってくる感覚を味わうこと。その他のすべては、その感覚の上に構築される。
01. 今日中に、AI で 1 つの実際のタスクを完了させる。
コースから始めてはいけない。すでに誰かにやるべき雑用から始めよう。気が重いメール、整理すべきメモ、ドラフトすべき関数。AI を「理解する」ための最速の方法は、実際に責任が伴う何かを渡し、その結果を自分が書いたであろうものと比較することだ。
初心者が犯す間違いは、トピック（「オンボーディングについて書いて」）を入力することだ。ブリーフ（指示書）を入力すべきだ。モデルを、入社初日の有能な新入社員のように扱え。スキルはあるが、あなたのコンテキストは何も知らない。役割、タスク、コンテキスト、そしてあなたが望む正確な出力を与えよ。
使用するタイミング: 通常 1 時間以内で一人で行うタスク（執筆、要約、フォーマット変更、ブレインストーミング、計画）があるとき。
1あなたは私の<役割、例「率直な編集長」>です。2タスク: <1 文で具体的なタスクを 1 つ>。3コンテキスト: <モデルが知り得ない 2〜3 行 — 読者、目的、制約>。4出力: <正確なフォーマット — 長さ、構成、トーン>。5不明な点があれば、推測せずにまず私に質問してください。
最後の行がチートコードだ。これにより、一発勝負の推測が短い対話に変わる。そして、対話はほとんどの場合、モノローグに勝る。
今すぐやること: 自分のタスクリストから 1 つ選び、4 つのスロットを埋め、実行せよ。プロンプトは保存しておけ — この骨組みは今月中ずっと使い回すことになる。
02. 機能するプロンプトの構造を学ぶ。
信頼できるプロンプトにはすべて 3 つの部分があり、初心者はそのうちの 2 つを省略する。明確さ（何を望むかを正確に言う）、コンテキスト（なぜ、誰のためにかを言う）、フォーマット（出力がどうあるべきかを言う）。Anthropic 自身のガイダンスはこれを「優秀だが新しい社員」ルールと呼んでいる。説明が正確であればあるほど、結果は良くなる。そして彼らの文字通りの黄金律は 「最小限のコンテキストで同僚にプロンプトを見せよ。もし同僚が混乱するなら、モデルも混乱するだろう」 だ。
最も効果的なアップグレードは、「動機」を追加することだ。「省略記号を使わないで」と言うだけでは不十分だ。「これはテキスト読み上げエンジンによって読み上げられるので、省略記号は絶対に使わないでください。発音できないからです」と言え。モデルは理由から一般化する。命令と説明の違いだ。
使用するタイミング: 答えが一般的すぎる、トーンが合わない、技術的には正しいが役に立たない場合。10 回中 9 回、3 つの部分のうちの 1 つが欠けている。
1# 弱い（トピックであり、ブリーフではない）2私たちの新機能について書いてください。34# 強い（明確さ + コンテキスト + フォーマット）5私たちの新機能「フォーカスモード」に関する 120 文字の製品発表文を書いてください。6読者: アプリがうるさいと感じている既存ユーザー。7目的: 今週中に一度試してもらうこと。8トーン: 落ち着いていて、自信に満ち、誇張は一切なし。9フォーマット: 1 つの短い段落 + 1 行の CTA。
今すぐやること: 昨日の弱いプロンプトを取り出し、3 つの部分すべてにラベルを付けて書き直せ。両方を実行し、その差を見よ。
03. 6 つのコアテクニックを盗め — そして 1 行のコードも。
これら 6 つは、今でも効果があるため、あらゆる真面目なプロンプトエンジニアリングガイドに登場する。(1) 明確かつ直接的であること、(2) コンテキスト/動機を追加すること、(3) 例を示すこと、(4) XML スタイルのタグで構造化すること、(5) 役割を割り当てること、(6) 答える前に考えるように指示すること。第 2 週ではそれぞれを練習する — これは地図だ。
そのうちの 2 つは、すぐに手に馴染ませる価値がある。役割とタグだ。システム指示における役割は、会話全体のトーンと判断を導く。たった 1 文でも効果はある。<context> や <examples> のようなタグは、モデルが指示とデータを混同するのを防ぐ。以下が、実際に動作するコードとしての役割テクニックだ — 第 3 週までに使いこなす API への最初の味見だ。
使用するタイミング: 多くの呼び出しで一貫した振る舞いを望む場合（役割）、または指示と乱雑な入力を混在させる場合（タグ）。
1import anthropic23client = anthropic.Anthropic() # 環境変数 ANTHROPIC_API_KEY を読み込みます45msg = client.messages.create(6 model="claude-opus-4-8",7 max_tokens=1024,8 system="あなたはシニアの校閲編集者です。無駄を削り、著者の声を保ちます。", # 役割9 messages=[10 {"role": "user", "content": "この段落を編集し、変更点をリストアップしてください:\n\n<draft>...</draft>"}11 ],12)13print(msg.content[0].text)
今すぐやること: 1 つのプロンプトを、明示的な役割と入力の周りに <tags> を付けて書き直せ。これで 6 つのうち 2 つを使った — 第 2 週で残りを仕上げる。
パート 2 · 第 2 週 — 実際のアウトプットのためのプロンプトエンジニアリング（8〜14 日目）
今週は、「なんとなく動く」を「毎回確実に動く」に変える。同じタスク、同じ形、同じ品質 — オンデマンドで。その信頼性こそが、第 3 週で自動化を可能にする。
04. マルチショットの例でトーンとフォーマットを固定する。
モデルに「何を」望むかを伝えるのは良い。示すことはもっと良い。適切に選ばれた少数の例（このテクニックは few-shot または multishot プロンプティングと呼ばれる）は、どんな形容詞よりも確実にフォーマット、トーン、エッジケースを固定する。このガイダンスは分野全体で一貫している。3〜5 個の例を含め、モデルが偶然のパターンに固執しないように多様性を持たせ、各例をタグで囲んで、それが指示ではなく例であることを明確にせよ。
これは、反復作業（分類、抽出、フォーマット変換、書き換え）における最大の品質向上策だ。同じ種類のタスクを週に 2 回以上行うなら、例を用意する価値がある。
使用するタイミング: 実行ごとに出力フォーマットがずれる場合、またはモデルに特定のハウススタイルに合わせさせる必要がある場合。
1各サポートチケットを、bug | billing | feature のいずれか 1 つに分類してください。23<examples>4<example>5チケット: 「今月、2 回請求されました。」6カテゴリ: billing7</example>8<example>9チケット: 「Safari でエクスポートボタンが機能しません。」10カテゴリ: bug11</example>12<example>13チケット: 「ダークモードを追加してください。」14カテゴリ: feature15</example>16</examples>1718チケット: 「PDF をアップロードするとアプリがクラッシュします。」19カテゴリ:
今すぐやること: 1 つの繰り返しタスクを選び、<example> タグ内に 3 つの多様な例を書き、出力が整うのを見よ。
05. モデルに答える前に考えさせる。
分析、数学、計画、難しい判断など、推論を伴うものについては、即座に答えを要求することが最悪の行為だ。まず考える余地を与えよ。新しいモデルに適応的に考えさせるか、プレーンなチャットで強制的に考えさせるかだ。ステップバイステップの推論を <thinking> ブロックに、そして簡潔な最終回答を <answer> ブロックに要求せよ。この 2 つを分離することで、長文のテキストに悩まされることなく、推論の恩恵を得られる。
Anthropic のガイダンスからのボーナスムーブ: 終了前に自己チェックを依頼せよ — 「上記の制約に対してあなたの答えを検証してください。」特に数学や論理において、驚くほど頻繁に自身のエラーを発見する。
使用するタイミング: タスクに複数のステップがある場合、間違える可能性のある正解がある場合、またはトレードオフを比較検討する必要がある場合。
1質問: <実際のトレードオフを含む質問>23まず、<thinking> タグ内で推論してください: 既知の情報、不足している情報、4およびトレードオフを含む 2 つの候補となる答えをリストアップしてください。5次に、<answer> タグ内で決定を述べてください — 最大 3 文。6終了する前に、あなたの答えが上記のいずれとも矛盾していないことを検証してください。
今すぐやること: 検討中の決断を 1 つ選び、思考/回答の分割で実行し、<thinking> を読め — そこに価値が隠れている。
06. 再利用可能なプロンプトライブラリを構築する。
今や、あなたは十数個の優れたプロンプトを書き、その半分をチャット履歴の中で失っている。やめろ。プロはプロンプトを書き直さない — テンプレートを埋めるのだ。最良のプロンプトを、変更される部分に {変数} を使った 1 つのファイルにまとめれば、一回限りの賢さがインフラストラクチャに変わる。
これが 30 日間全体の要だ。あなたのプロンプトが使い捨てでなくなり、複利的に成長し始める瞬間だ。始めるのに必要なのは、プレーンな Python の dict と str.format だけだ。フレームワークも依存関係もいらない。
使用するタイミング: 同じようなプロンプトを 3 回実行したとき。3 回目にはテンプレート化せよ。
1# prompt_library.py — 再利用可能なインフラとしてのプロンプト2TEMPLATES = {3 "summarize": (4 "あなたは{role}です。\n"5 "以下のテキストを{audience}向けに要約してください。\n"6 "フォーマット: {fmt}。\n\n"7 "<text>\n{text}\n</text>"8 ),9}1011def build(name: str, **kwargs) -> str:12 return TEMPLATES[name].format(**kwargs)1314prompt = build(15 "summarize",16 role="テクニカルライター",17 audience="非技術系ユーザー",18 fmt="3 つの箇条書き、各最大 15 語",19 text="...ここにリリースノートを貼り付け...",20)21print(prompt) # これをそのまま client.messages.create(...) に渡す
今すぐやること: prompt_library.py を作成し、最良のプロンプト 3 つを変数付きテンプレートとして移動せよ。このファイルは今月中ずっと成長する。
パート 3 · 第 3 週 — API で自動化する（15〜21 日目）
チャットは学ぶ場所だ。API はスケールする場所だ。今週、あなたはタスクを 1 つずつ行うことから、何百ものタスクをスケジュールに従って、寝ている間に実行することへと卒業する。
07. チャットから API へ卒業する。
API は、あなたのチャットプロンプトを呼び出せる関数にしただけのものだ。プロンプトが書ければ、これも書ける — たった 10 行だ。キーを環境変数に設定し（コードに直接貼り付けないこと）、呼び出しを関数でラップすれば、任意のスクリプトに組み込める再利用可能な AI コマンドの完成だ。
実用的な LLM の使い方を誰よりも文書化してきた Simon Willison は、レバレッジはエキゾチックなセットアップにあるのではなく、モデルをすでに使っている小さなツールに配線することにあると指摘する。この関数がその配線だ。
使用するタイミング: 同じプロンプトをブラウザのタブだけでなく、スクリプト、cron ジョブ、他のプログラムなど、どこでも利用できるようにしたい場合。
1import os2import anthropic34client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])56def ask(prompt: str) -> str:7 msg = client.messages.create(8 model="claude-opus-4-8",9 max_tokens=1024,10 messages=[{"role": "user", "content": prompt}],11 )12 return msg.content[0].text1314if __name__ == "__main__":15 print(ask("製品発表メールのための、キャッチーな件名を 5 つ提案してください。"))
今すぐやること: SDK をインストールし（pip install anthropic）、ANTHROPIC_API_KEY を設定し、このファイルを実行せよ。最初の API 呼び出し成功 = 第 3 週アンロック。
08. 毎日の雑用をスクリプトに変える。
ここで実際に時間が戻ってくる。フォルダ内のものに対して行うタスク — これら 50 のトランスクリプトを要約する、これら 200 のチケットにタグを付ける、これら 30 の製品説明を書き換える — はすべてループだ。単一アイテム版を一度書き、それをフォルダに向けて、後は放っておく。大量処理には、より安くて速いモデルを使え。メモを要約するのに、最も強力なモデルは必要ない。
使用するタイミング: 同じ AI タスクを何度も手動で行っていることに気づいたとき。その繰り返しは、まだ書かれていないスクリプトだ。
1import pathlib2import anthropic34client = anthropic.Anthropic()5INBOX = pathlib.Path("./inbox") # ここに .txt ファイルを置く6OUT = pathlib.Path("./summaries")7OUT.mkdir(exist_ok=True)89def summarize(text: str) -> str:10 msg = client.messages.create(11 model="claude-haiku-4-5", # 安くて速い: 大量処理に適したツール12 max_tokens=300,13 system="具体的な箇条書き 3 つで要約してください。無駄は一切不要。",14 messages=[{"role": "user", "content": text}],15 )16 return msg.content[0].text1718for f in INBOX.glob("*.txt"):19 (OUT / f"{f.stem}.md").write_text(summarize(f.read_text(encoding="utf-8")), encoding="utf-8")20 print("要約完了:", f.name)
今すぐやること: バッチ処理の雑用を 1 つ見つけ、ファイルを ./inbox に置き、ループを実行せよ。1 時間の作業を 1 分で終えたことになる。
09. キャッシングでコストとレイテンシを削減する。
実際のボリュームを処理し始めると、速度と請求額の 2 つが重要になる。最大のレバレッジはプロンプトキャッシングだ。すべての呼び出しが長く不変のプレフィックス（スタイルガイド、ナレッジベース、大きなシステム指示）を共有する場合、毎回それを再読み取りするためにお金を払っていることになる。cache_control でマークすれば、モデルはキャッシュされたバージョンを再利用する。キャッシュ読み取りは通常の入力価格の約 10% のコストで済み、一方、1 回限りの書き込みは +25% のコストがかかる。プレフィックスを共有するバッチジョブの場合、Batch API はさらに約 50% の割引を上乗せする。
使用するタイミング: 多くの呼び出しが、大きく静的なコンテキストの塊を共有する場合（典型的なケース: ジョブ全体で再利用される長いシステムプロンプト）。
1import anthropic23client = anthropic.Anthropic()4STYLE_GUIDE = open("style_guide.md").read() # 長く、すべての呼び出しで同一56msg = client.messages.create(7 model="claude-opus-4-8",8 max_tokens=1024,9 system=[10 {11 "type": "text",12 "text": STYLE_GUIDE,13 "cache_control": {"type": "ephemeral"}, # この大きなプレフィックスをキャッシュ14 }15 ],16 messages=[{"role": "user", "content": "このメールをガイドに合わせて書き換えてください:\n\n..."}],17)18print(msg.usage) # 最初の呼び出し以降、cache_read_input_tokens が増加するのを確認
今すぐやること: 大きな繰り返しプレフィックスを持つプロンプトを見つけ、cache_control ブロックでラップし、2 回実行せよ。msg.usage を表示し、キャッシュされた読み取りが機能するのを確認せよ。
パート 4 · 第 4 週 — ツール、データ、そしてリリース（22〜30 日目）
最終週は、「話す AI」から「行動する AI」への飛躍だ。モデルにツールを与え、実際のデータに接続し、全体を何年も使い続けるワークフローにパッケージ化する。
10. モデルにツールを与える（関数呼び出し）。
モデル単体ではテキストを生成することしかできない。ツールを与えれば、行動を起こせるようになる — カレンダーを確認したり、API を叩いたり、計算を実行したり。各ツールを名前、説明、入力の JSON スキーマで記述する。モデルはいつそれを呼び出すかを決定し、実行するための構造化された引数を渡してくる。これは、あなたが聞いたことのあるあらゆる「AI エージェント」の基礎だ。
使用するタイミング: タスクにライブデータや、モデルがテキストだけでは実行できないアクション（「調べる」「取得する」「計算する」「送信する」を含むもの）が必要な場合。
1import anthropic23client = anthropic.Anthropic()45tools = [6 {7 "name": "get_calendar_events",8 "description": "指定された日付のユーザーの予定を返します。",9 "input_schema": {10 "type": "object",11 "properties": {12 "date": {"type": "string", "description": "YYYY-MM-DD 形式の日付"}13 },14 "required": ["date"],15 },16 }17]1819msg = client.messages.create(20 model="claude-opus-4-8",21 max_tokens=1024,22 tools=tools,23 messages=[{"role": "user", "content": "来週の月曜日の予定は？"}],24)2526for block in msg.content:27 if block.type == "tool_use":28 print("モデルが呼び出そうとしています:", block.name, "引数:", block.input)29 # ここで YOU が get_calendar_events(**block.input) を実行し、結果を返す
今すぐやること: 実際に使っている何か（カレンダー、天気、検索）のためのツールを 1 つ定義し、モデルがクリーンな tool_use 呼び出しを生成するのを見よ。まだ実行する必要はない — モデルが決定するのを見るだけでよい。
11. MCP で AI をデータに接続する。
手動でコンテキストを貼り付けるのはスケールしない。Model Context Protocol（MCP）は、2024 年 11 月に Anthropic によって導入された標準的な修正策だ。AI のための USB-C ポートと考えよ。1 つのコネクタ仕様で、準拠したアプリはあなたのファイル、データベース、ツールにプラグインできる。これは内部のアイデアから数ヶ月で業界標準となり、設定経由でドロップインできる数千の既製サーバーが存在する。
ほとんどのサーバーを使うのにコードを書く必要はない — 設定ファイルにエントリを追加するだけだ。以下は、モデルにノートフォルダへの読み取りアクセスを与えるファイルシステムサーバーだ。
使用するタイミング: 同じ情報源（ドキュメント、リポジトリ、データベース、ナレッジベース）を手動でモデルに与え続けている場合。
1{2 "mcpServers": {3 "filesystem": {4 "command": "npx",5 "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]6 }7 }8}
今すぐやること: 利用可能な MCP サーバーを閲覧し、週次で使用するデータを指すものを 1 つ選び、クライアントの設定に追加せよ。あなたのデータだけが答えられる質問をしてみよ。
12. 永久に使い回すワークフローをパッケージ化する。
30 日目。あなたはプロンプト、スクリプト、ツールを手に入れた — 今度はそれらを名前で呼び出せるものにせよ。Anthropic の Agent Skills（2025 年 12 月にオープンスタンダード化）は、このためのクリーンなフォーマットだ。名前、使用するタイミングの説明、手順を含む SKILL.md ファイルが入ったフォルダだ。モデルは関連する場合にのみそれをロードする（プログレッシブディスクロージャーと呼ばれる設計原則）。これにより、コンテキストを肥大化させることなく、数十のスキルを積み重ねることができる。たとえ二度と API に触れなくても、繰り返し行うタスクをスキルとして書く習慣は、あなたを速くする。
使用するタイミング: 何ヶ月も繰り返すマルチステップのタスクがある場合 — 週次レポート、標準レビュー、フォーマットパイプライン。
1---2name: weekly-report3description: 生のメモから標準の週次レポートを作成します。メモを貼り付けて「週報を」と頼まれたときに使用します。4---56# 週次レポート78## 手順91. メモを「完了」「進行中」「停滞中」に分類します。102. 各グループにつき 2〜3 個の箇条書きを、過去形で、無駄なく書きます。113. 「来週の予定」で締めくくります — 優先事項を正確に 3 つ。1213## フォーマット14- タイトル: 「週報 — <日付>」15- 200 語以内。誇張は一切なし。
今すぐやること: 最も繰り返しているタスクを選び、それを SKILL.md として、的確な説明を付けて書け。その説明こそが、適切なタイミングで発動させる鍵だ — 真剣に取り組め。
よくある間違い（とその修正）
1. 漠然としたプロンプト。 「X について書いて」はモデルにあなたの意図を推測させる — そして平均的な推測をする。修正: 常に役割 + コンテキスト + フォーマットを与えよ。あなたは<役割>です。タスク: <1 文>。出力: <正確なフォーマット>。
2. すべて大文字の緊急性で過剰にプロンプトする。 新しいモデルは指示に正確に従い、「重要!!! 絶対に〜しなければなりません」に過剰反応する。Anthropic 自身のガイダンス: 「このツールは…のときに使用する」のような通常の言い回しに落ち着け。修正: 有能な大人に指示を出すように書き、犬に怒鳴るように書くな。
3. 示さずに説明する。 形容詞（「プロフェッショナルにしてください」）は弱い。例は強い。修正: <example> タグ内に 3〜5 個の多様な例を追加し、パターンに仕事をさせよ。
4. 「〜しないで」とフレーミングする。 「冗長にしないで」はモデルに冗長性について考えさせる。修正: 「すべきこと」を言え — 「2 つの短い文で答えてください。」肯定的な指示は禁止よりも効果的に伝わる。
5. 確認していない出力を信頼する。 検証していない答えをコピーペーストすることは、エラーを出荷する方法だ。修正: 事実重視の作業では、ソースからの引用で主張を裏付けるよう依頼し、終了前に自己チェックさせよ: 各主張を上記のテキストに対して検証し、確信が持てないものはすべて報告せよ。
6. ループでできることを手動で行う。 同じプロンプトをチャットで 50 回実行することは、あなたの午後を使ってできる最も高価なことだ。修正: 繰り返しに気づいた瞬間に、ブロック 08 のループを書け。あなたの時間こそが希少なリソースであり、トークンではない。
結論: システムこそがスキルである
30 日間で AI 研究者になれるわけではない。しかし、もっと有用なものにはなれる。システムを持つ人だ。どんなタスクでも、クリーンなブリーフを与え、例を示し、考えさせ、そして — それが繰り返されるなら — 自動化し、キャッシュし、名前で呼び出せるスキルにパッケージ化できる。
それが、10 倍の成果を出す人々が隠していたわけではなかった秘密のすべてだ。より多くのプロンプトではない。より良いモデルではない。小さなテクニックのセットを、反射神経になるまで実行することだ。あなたは今、そのテクニックを手に入れた。残された変数は、反復回数だけだ。
あなたの 30 日間チェックリスト — 今日から始めよう:
- 役割 + コンテキスト + フォーマットのプロンプトで 1 つの実際のタスクを完了させる（ブロック 01）。
- prompt_library.py を開始し、最良のプロンプト 3 つをテンプレートとして移動する（ブロック 06）。
- 10 行の ask() 関数で最初の API 呼び出しを行う（ブロック 07）。
- フォルダループで 1 つのバッチ処理の雑用を自動化する（ブロック 08）。
- 最も繰り返しているワークフロー用に 1 つの SKILL.md を書く（ブロック 12）。
この 5 つを実行すれば、「AI を始めようと思っている」人の 90% 以上を追い越せる。あとはループを回し続けるだけだ。
