【保存版】コピペで使える！海外AIガチ勢の「40のプロンプトの型」｜太田 智@株式会社オフィス・ムック代表取締役 @satoshimuc
日本人の99%が知らない、海外AIプロの「40の型」
海外のAI界隈では、日本人のプロンプトは「原始時代レベル」だと、半ば公然と言われると聞きました。
何が違ったのか。日本人の99%は、プロンプトを「指示」として書いています。「ブログ記事を書いて」「この文章を要約して」「アイデアを5つ出して」。これ、ぜんぶただの命令ですよね。一方で海外のプロは、1行目から「思考プロセス」や「ゴール」をAIに渡していました。命令と設計図。それくらい違ったんです。
言葉だけだとピンと来ないと思うので、実物を1組だけお見せします。同じ「朝活についてのnote記事を書いて」という依頼を、①命令で投げた場合と、②設計図で渡した場合です。
▼ ①命令（日本人の99%）
▼ ②設計図（海外のプロ）
違いは、たった数行で「考える手順」をAIに渡しているかどうかだけ。①からは当たり障りのない一般論が返ってきますが、②からは——前置きゼロで本題に入り、具体例つきで、しかも“一度自己添削を通した”文章が返ってきます。同じAI、同じテーマ。変えたのはプロンプトの「型」だけです。
そして海外のプロは、この「設計図の型」を何十個もストックしている。この記事でコピペできるようにした40個は、まさにこれです。
いまこの瞬間も、あなたが「いい感じのプロンプトないかな」と探している横で、海外勢はプロンプトを論文で研究し、コードのように管理し、アルゴリズムで自動最適化しています。手書きの職人芸 VS 自動最適化。これが2026年の現在地です。
でも、安心してください。この差を埋めるのに、才能も英語力もいりません。必要なのは「型」を知っていて、それをすぐコピペできる状態で手元に持っているか。それだけです。だからこそ、この記事は「保存版」にしました。
海外のAIガチ勢が実際に使っているプロンプトの「型」を、40個ぜんぶ コピペで使える形 にまとめました。［ ］ に自分のテーマを入れて貼るだけ。今日からの仕事で、そのまま武器になります。
念のため、私が何者かを一行だけ。普段はLINEマーケティングの支援会社を運営しながら、クライアントの実務にAIを組み込み、繰り返す作業を“仕組み”に落とすこと——いわば「10時間の仕事を10分に圧縮する」ことを生業にしています。だからこの記事は、流行りの技術の寄せ集めではなく、実際に自分で手を動かして「効いた」ものだけを並べています。
この記事の構成（無料パートと有料パート）
この記事には、海外のAIガチ勢が使っているプロンプト技術・ノウハウを、約40個ぜんぶ詰め込みました。論文発の本格的な型、AIの内部構造を逆手に取る裏ワザ、MCPによる機能拡張、自動化まで、10章のカテゴリ別にまとめてあります。
- 無料パート（この下から）：全40技術の「正体」と「なぜ効くのか」「いつ使うのか」を、章ごとに全部解説します。ここを読むだけで、海外勢が何をやっているのかが完全にわかります。
- 有料パート（記事の後半）：全40技術の コピペ用プロンプト を、章ごとにまとめた「プロンプト集」です。読みながらそのまま貼り付けて使える、実戦用の本体です。
つまり無料パートで「地図」を手に入れ、有料パートで「武器」を手に入れる構成です。まずは無料パートを最後まで読んでみてください。それだけでも、明日からのAIの使い方が変わります。
第1章：思考プロセスを渡す ― 自己検証・自己採点・枝分かれ思考
最初の章は「考え方そのものをAIに渡す」型です。あなたが普段「役割を与えて丁寧に書く」で止まっているなら、ここがまさに伸びしろです。海外のプロは「どう考えさせるか」を渡します。ここで紹介する5つは、すべて研究論文発の本物の型です。
1. Chain-of-Verification（CoVe）― AIに自分の答えを取り調べさせる
ハルシネーション（事実誤認）を叩き潰すための型です。普通のプロンプトはAIに1発で答えさせますが、CoVeは「自分の答えを自分で検証させる」発想で組まれています。叩き台を出させ、その回答に潜むリスクを検証質問に変換させ、ひとつずつエビデンスで答えさせ、最後に矛盾を直した最終版を出させる。これを1回のプロンプトで完結させます。リサーチ系や記事系で使うと、事実誤りが目に見えて減ります。
2. Self-Refine ― 生成役・批評役・改稿役の3役を演じさせる
1つのプロンプトの中で、AIに3つの役を順番に演じさせる型です。生成役として初稿を書かせ、辛口の編集者として自分の文章を採点させ、改稿役として完成版を書かせる。評価の観点（説得力・独自性・論理性・読みやすさ・抜け漏れ）を具体的に指定するのがコツです。1回投げるだけで品質がワンランク上がります。冒頭のデモでお見せした②が、まさにこの型の簡易版です。
3. Tree of Thoughts（ToT）― 答えを枝分かれで考えさせる
1本道で答えさせず、複数のアプローチを「枝」として展開させ、AI自身にベストな枝を選ばせる型です。人間が頭の中で「A案もB案もC案も……」と考えるプロセスをそのまま落とし込んだもの。アイデア出しや戦略立案で次元が変わります。
4. Skeleton-of-Thought（SoT）― 先に骨組み、あとから肉付け
先に見出しレベルの「骨組み」を並べさせ、それから各パートを肉付けさせる思考法です。長文をいきなり頭から書かせると後半が失速しますが、骨組みを先に固めるとそれが起きにくくなります。長文記事や提案書づくりで化けます。
5. Meta-Prompting ― プロンプト自体をAIに進化させる
少し上級です。プロンプトの中身を改善するのではなく、「このプロンプト自体を進化させて」とAIに頼む型です。改良版を複数つくらせ、狙いと理由を書かせ、最強案を1つ選ばせる。月1回これを当てるだけで、手持ちのプロンプト資産が勝手に育ちます。
この5つに共通するのは、「指示」ではなく「考える手順」を渡している点です。自己検証、自己採点、枝分かれ、骨組み並列化、自己進化。これを1行に仕込めるかどうかで、AIはただの便利ツールから「自走する研究員」に変わります。
※この章の5つを含む全40個の「コピペ用プロンプト」は、記事末尾の有料パートに収録しています。
第2章：出口から逆算する ― Outcome-First設計
第1章が「どう考えさせるか」なら、第2章は「何が返ってきたら勝ちか」を先に決める発想です。あなたは「何を投げるか」で頭を使っていませんか。海外のプロは「ゴール」から書きます。
1. Output-First Specification ― 完成形のテンプレを先に固定する
「ブログ記事を書いて」と投げると出力がブレます。逆算型では、出力の完成形テンプレを先に組み、AIに穴埋めさせます。タイトルは何字以内、導入には何を入れる、本論の見出しはいくつ……と枠を先に決める。出力のブレが激減し、品質が安定します。
2. Prefilling ― AIの応答の冒頭を先に指定する
AIの応答の「書き出しの一文」をこちらから指定する型です。AIはその続きから書くしかなくなり、出力の方向がロックされます。前置きの挨拶や枕詞が消え、フォーマットの脱線もほぼなくなります。地味ですが効きます。
3. Negative Constraints ― 「やるなリスト」を具体的に列挙する
AIは「これはするな」を曖昧に書くと守りません。「自然な文章にして」のようなふわっとした禁止は効きにくい。でも、敬語禁止・冒頭の挨拶禁止・特定の言い回し禁止……と箇条書きで具体的に列挙すると守ります。「いかにも生成しました」感を抜きたいときの定番です。
4. XML Structured Tagging ― 情報をタグで分離する
情報をタグで区切って渡すと、AIの読解精度が上がります。ゴール、背景、制約、参考例、出力形式。これらを雑文で投げるのではなく、それぞれタグで仕切る。冒頭デモの【ゴール】【手順】【制約】は、この簡易版です。プロは雑文で投げません。設計図の形で投げます。
5. Persona Stack ― 役割を3層で重ねる
「あなたはコピーライター」で終わらせず、役割を3層で重ねます。執筆役、添削役、想定読者という受け手の役。この3人格を1人のAIに同時に持たせ、執筆→添削→読者目線で再修正を1回で走らせる。多角的な視点が同時に回り、説得力が増します。（ただしペルソナの注意点は第10章で扱います）
逆算の本質はシンプルです。1行目に「ゴール」「禁止事項」「フォーマットの枠」がない時点で、AIはもう迷っています。入口から書くか、出口から書くか。その差です。
第3章：AIを「軍団」で動かす ― マルチエージェント運用
1体のAIを使い倒すのではなく、AIに複数の役割を振って「軍団」として運用する発想です。1体だけで戦うのは武器1本で戦場に出るようなもの。海外のプロは参謀本部から指揮するフェーズに入っています。なお、複数アカウントは不要で、1つのチャットの中で「役を切り替えさせる」だけで再現できます。
1. Routing Pattern ― 振り分け役を1体置く
入力をまず「分類役」のAIに受けさせ、適切な「専門役」に振り分ける軍隊式の組織化です。受付係を1体置き、そこから専門家にパスする。1体が万能を装うより、専門特化に振ったほうが精度が上がります。
2. Parallelization ― 同じ問いを並列で解かせて多数決
同じタスクを複数の視点で並列に解かせ、多数決で結論を確定するパターンです。1人より5人の専門家に別アプローチで答えさせ、いちばん支持された結論を採る。ハルシネーションが減り、重要な判断を任せるときの安心感が違います。
3. Evaluator-Optimizer ― 生成役と評価役を完全に分離する
1人でやる自己評価は甘くなります。役者と審査員を分けると判定が辛口になる。生成役として最高の回答を作り、人格を完全に切り替えて辛口の評価役として採点し、また生成役に戻って完全版を作る。第1章のSelf-Refineに似ていますが「人格を完全に切り替える」と明示する点がポイントです。
4. Multi-Agent Debate ― 肯定派・否定派・裁定役で討論させる
複数のAIに討論させてから統合役が結論を出す型です。肯定派と否定派が論戦し、中立の裁定役が論点をまとめる。極論や思考停止が消え、バランスの取れた結論が出ます。戦略立案や意思決定で強いです。
5. Self-Verifying Output ― 出力前に自分で検証させる
生成した本人に、別人格として自分の出力を「取り調べ」させてから提出させる型です。海外の競合プロ、ターゲット読者、辛口の上司、と人格を着替えさせ、各視点から問題点を挙げさせます。最近のモデルは「出力を自分で検証してから報告する」方向に進化しており、それをプロンプト側から先取りする型です。
軍団運用の本質は、「AIは1体で使うものじゃない」という前提に立てるかどうかです。
第4章：コンテキストを「環境」として設計する ― 4階層思考
海外のAI設計者の世界では、プロンプトはもっと大きな構造の「最下層」として扱われています。プロンプト → コンテキスト → インテント → スペック、という4階層。あなたがまだ1階層目で止まっているなら、ここで一気に視界が開けます。
1. Bookend Placement ― 重要な制約は冒頭と末尾の両方に置く
長い文章では中盤に置かれた情報は注意が散ります（中盤は盲点になる現象）。だから重要な制約は冒頭と末尾の2か所に必ず置く。本の「ブックエンド」のように大事なものを両端で挟むイメージです。長文の指示を書く人ほど効きます。
2. Goldilocks Altitude ― システムプロンプトの「ちょうどいい高度」
システムプロンプトには最適な「高度」があります。低すぎる（細かいif-elseで縛る）と硬直化し、高すぎる（抽象的な理念だけ）と何も決まらない。絶対に変えない原則／状況判断の枠組み／個別タスクの自由度、の3層に分けて書くと、硬直も抽象も避けられます。
3. Just-In-Time Context Injection ― 必要なときに必要な分だけ渡す
資料を全部詰め込むと、かえって精度が崩れます。プロは最初に「目次・サマリー・索引」だけを渡し、必要な章を都度取得させます。図書館で全部の本を机に積むのではなく、必要な1冊だけ借りにいくイメージです。
4. Intent Encoding ― 判断基準を先に明文化する
自分の「価値観・優先順位・トレードオフの判断基準」を、毎回ゼロから説明せず、最初に1回明文化して渡す型です。これを冒頭に置くだけで、AIが「あなたの代理人」として動き始めます。
5. Specification Layer ― 「仕様書」を作る側に立つ
4階層のいちばん上が「仕様」です。品質基準や業務ルールを構造化テキスト＝仕様書として固定し、それ自体を毎回の起点にします。プロンプトを書く人から、仕様書を作る人へ。ここに立った瞬間、作業の再現性が一気に上がります。
この章の発想は、「プロンプト1行で勝負する」から「コンテキスト全体を1つの環境として設計する」への移行です。
第5章：AI内部の仕組みに合わせる ― KVキャッシュ前提の構造設計
少しマニアックですが、知っておくとAIの「速度」「コスト」「使用枠の減り方」が変わります。AIの内部には「KVキャッシュ」という仕組みがあり、一度処理した内容を再利用できます。逆に再利用が効かない使い方をしていると、毎回ゼロから計算し直しています。「使用制限にすぐ引っかかる」「会話が長くなると遅くなる」原因の多くは、中身ではなく「置き方」が内部の仕組みとズレているケースです。
1. Stable Prefix First ― 動かないものを冒頭に固定する
キャッシュは「冒頭から完全に一致した分だけ」効きます。毎回変わらないもの（前提・参考資料・ルール）は冒頭に固定し、毎回変わるもの（今日の質問）は末尾に置く。これだけでキャッシュが効き始めます。
2. Anchor Document Pattern ― 資料は最初に1回だけ投げる
大量の資料を毎回貼り直すのはもったいない。資料は最初に1回だけ「アンカー（錨）」として投げ、以降の質問はそれを参照させるだけにします。
3. Session Continuity ― 関連作業は1スレッドで続ける
新規チャットを開くたび、AIはキャッシュをゼロから作り直します。1日10回新規チャットを開くのと、1日1回のロングセッションで続けるのとでは、使用枠の減り方も品質も変わります。新規チャットの乱発が「すぐ制限に引っかかる」の一因です。
4. Differential Edit Pattern ― 直したいときは差分だけ指示する
出力を改善するとき、全文を投げ直すとキャッシュが消え、また最初から計算し直しになります。「ここだけ」「この部分をこう変えて」と差分だけ指示します。
5. Cache-Aware Sub-agent Design ― サブエージェントの冒頭をそろえる
軍団運用のときも、各エージェントのシステムプロンプトの「冒頭部分」（役割定義・前提・ルール）をそろえるとキャッシュが効きやすくなります。タスクの中身だけを末尾で個別に変える。これだけで効率が上がります。
この章の本質は「プロンプトは中身じゃなく構造で勝負する」です。
ここまでで前半戦が終了です。後半（第6〜10章）は、ハーネス・裏プロンプト・MCP・自動化・「やめるべき習慣」と、一段ディープになります。なお、ここまで紹介した型をそのまま貼れるコピペ集は記事末尾の有料パートにまとめています。読み進めながら「これは使う」と思った型に印をつけておいてください。
第6章：プロンプトの「外側」を作る ― ハーネスとエージェント
2026年に入り、海外のAI開発者は「プロンプトの中身」を競うのをやめ、「プロンプトの外側」を設計し始めました。その外側を「ハーネス（harness）」と呼びます。
普通のChatGPTやClaudeは、実は「AIエージェント」ではなく、ただの「脳みそ単体」です。エージェントとは、その脳みそに部品を組み付けて「自走する機械」に変えた状態を指します。構成要素は次の5つ。
- Model（モデル本体）：エージェントの「知能」。LLMそのもの。判断はできても行動はできません。
- Harness（ハーネス）：モデルに与える指示（システムプロンプト）とガードレール（やってはいけないこと）のセット。「一定金額を超える支払いは必ず人間に確認」のような安全弁。エージェントの「性格」「判断基準」を決める層です。
- Tools（ツール）：エージェントの「手足」。メール送信、カレンダー操作、ファイル読み書き、Web検索など、現実世界に触れる窓口。
- Environment（環境）：エージェントが「どこで動くか」。
- Agent Loop（自走サイクル）：計画 → 行動 → 結果観察 → 調整 → 繰り返し、を自分で回し続ける。人間の確認が必要なら止まる。1問1答のチャットボットとの決定的な差はここです。
ここからは、その外側＝ハーネスを高度に設計する5つの技術です。
1. Execution Loop ― 観察・思考・自己批判・行動の循環を組み込む
ハーネスの心臓部です。毎ステップで「観察 → 思考 → 自己批判 → 行動」のサイクルを明示的に踏ませます。1発出しの「お願い」とは別次元の動き方になります。
2. Context Compaction ― 長い会話を段階的に圧縮する
会話が長くなると文脈が崩れます。一定の往復ごとに、過去のやり取りを決まった形式に強制的に圧縮する。長尺タスクで会話が「腐らない」ための必須設計です。
3. Playbook Memory ― 再利用できる「型」を蓄積する
戦略を毎回ゼロから出させず、再利用できる「型（プレイブック）」として蓄積していく設計です。1回のやり取りが毎回「資産」になります。
4. Self-Modification Loop ― AIに自分の取扱説明書を書き換えさせる
エージェント自身に、次回もっと上手くやるための「自分への指示テンプレート」を書かせる型です。AIが自分の取扱説明書を、使うたびに更新し続ける状態をつくれます。
5. Auto-Harness Optimization ― 仕組み全体を反復改善する
Meta-Promptingに近いですが、対象が「プロンプト構造そのもの」です。週1回これを回すだけで、プロンプト資産が複利で進化していきます。
プロンプトの中身を磨くのも大事ですが、その「外側」にはもっと大きな世界があります。ハーネスという視点を持てるかどうかで、AIの使い方が一段変わります。
第7章：誰も知らない裏プロンプト5選
定番のプロンプト本にはまず載っていない、ニッチな型を集めました。研究発のもの、認知科学を応用したもの。日本ではほぼ発信されていない切り口です。
1. Question Reframing ― 中立な疑問文に直させてから答えさせる
AIには「ユーザーに媚びる（同調しすぎる）」クセがあります。「媚びるな」と直接命令するより、こちらの発言をいったん「中立的な疑問文」にリフレームさせてから答えさせるほうが効く、と報告されています。意見を求めているのに「おっしゃる通りです」ばかり返ってくるときに。
2. Verbalized Sampling ― 確率つきで複数案を出させる
AIは同じ質問に毎回似た答えを返しがちです（多様性が崩れる現象）。対策は、回答案を「選ばれるべき確率」つきで複数出させる型。確率分布から1案を選ばせると、普通では出てこない発想が引き出せます。
3. 反事実アンカリング ― 反対の答えを先に出させる
認知心理学の「アンカリング効果」を応用した型です。直感的に出そうとしている答えの「完全に反対の答え」を先に出させ、平凡な解への慣性を壊します。決まり切った答えが急に深くなります。※名称は造語で、原理（アンカリング効果）は実在の認知科学、型自体は応用です。
4. 自己Pre-Mortem ― 失敗の原因を先に列挙させる
「Pre-Mortem（事前検死）」は、始める前に「これが失敗したとしたら原因は何か」を先に考える思考法です。実行前に失敗パターンを列挙させ、それを回避する形で実行させます。長尺タスクで効きます。※元手法は実在、AIへの応用は独自の使い方です。
5. Calibrated Confidence Prompting ― 確信度を明示させる
AIの最大の弱点は「間違っているときも自信満々に言う」こと。各主張に「確信度（0〜100％）」を必ず併記させる型です。ハルシネーションが目に見える形になり、信頼性の判断がぐっと楽になります。
定番テクニックとして勉強するか、論文や原理発の裏ワザとして運用するか。気づいた人から差がついていきます。
第8章：AIに「手足」を与える ― 入れておきたいMCP
MCP（Model Context Protocol）は、AIを外部のサービスやデータにつなぐオープンな共通規格です。AIに「現実世界に触れる窓口」を増設する仕組みで、これを入れるとClaudeはチャットボットから「手足を持つエージェント」に変わります。オープン標準なので、Claude CodeでもCodexでも1回設定すれば同じ環境が引き継げます。コンテンツ作業で本当に役立つものを4つ厳選しました。
1. Supadata MCP ― 動画から文字起こしを一発抽出
YouTube・TikTok・Instagram・X の動画からトランスクリプトを一発抽出できるMCPです。海外のコンテンツリサーチ、競合動画の分析、トレンド把握が一気に速くなります。字幕がない動画でも自動文字起こしでカバーできます。
2. Firecrawl MCP ― WebサイトをきれいなMarkdownに変換
任意のWebサイトを、AIが読みやすいクリーンなMarkdownに変換するMCPです。JavaScript描画のページも処理可能。競合の記事やLPを丸ごと読ませて構造分析や改善提案を出させるのが速くなります。
3. Google Knowledge Graph MCP ― エンティティ情報に直接アクセス
Google検索の「情報パネル」の元データにAIが直接アクセスできるMCPです。実在の人物・場所・組織・概念の構造化データを引けます。ファクトチェックや人物・組織情報の検証で精度が変わります。
4. Memory MCP ― AIに永続的な記憶を持たせる
AIの「毎回会話履歴がゼロにリセットされる」弱点を解消するMCPです。プロジェクトの決定事項、自分の好み、過去に学んだルールが、セッションが終わっても残り続けます。毎回同じ前提を貼り直している人ほど効果を実感できます。
この4つで「入力（動画・Web・エンティティ情報）」と「記憶」の両方がそろいます。集めた情報をMemory MCPに蓄積させると、4つが連携して単体より大きな効果が出ます。
第9章：Claude Code & Codexで自動化する ― 5つのポイントと落とし穴
自動化を「なんとなく回している」と、けっこう損をします。結果を出すための5つのポイントを、落とし穴とセットで紹介します。
1. Plan Modeを必ず挟む
自動化の生命線は、いきなり実行させないこと。Plan Mode（計画モード）で、編集するファイル名・関数名・手順の順序まで具体化させてから承認する。
落とし穴：Plan Modeをスキップして並列実行に走ること。計画ゲートのない並列化は、間違った成果物を高速で量産するだけです。
2. 耐久ルールは設定ファイルに、毎回の指示はプロンプトに
恒久ルールを毎回のプロンプトに詰め込むのは初心者の典型ミス。耐久ルールは設定ファイル（CodexならAGENTS.md、Claude CodeならCLAUDE.md）に書き、毎回のプロンプトには「今回だけの指示」だけを載せます。
落とし穴：設定ファイルを大きくしすぎること。上限を超えると内容がカットされます。大きくなったらディレクトリ階層ごとに分割が定石です。
3. サブエージェントは「専門特化＋権限を絞る」
サブエージェントには「1機能＝1専門役割」を割り当て、必要最小限のツールだけを与えます。
落とし穴：サブエージェントが親のツール権限を全部引き継ぐこと。明示的に権限を絞らないと事故のもと。並列化＝トークン消費増は構造的に避けられないので、走らせる価値があるタスクだけに絞りましょう。
4. MCPは「盛らない」が正解
MCPを増やすほど、毎メッセージのコンテキストが膨らみ、使用枠を圧迫します。使わないMCPは無効化が基本。
落とし穴：何でもMCP化して10個も20個も刺すこと。コンテキスト圧迫に加え、セキュリティリスクも増えます。毎日使う3〜5個に絞るのが安全です。
5. 繰り返し作業は「Skill化」する
何度も使うワークフローは、その都度コピペせず、Skillとしてパッケージ化します。
落とし穴：Skill化せず毎回コピペで運用すること。ブレが累積し、頭の負荷も増えます。使用例が2〜3個あるワークフローはすぐSkill化してOKです。
自動化の本質は、AIに「丸投げ」するか「仕組み化」するかの違いです。先に仕組みを整えてから回す。それだけで「加速」になるか「暴走」になるかが決まります。
第10章：もう古い ― やめたほうがいいプロンプト習慣
最後は足し算ではなく引き算です。日本でずっと「正解」とされてきたけれど、最新の研究や仕様では見直されつつある習慣を3つ。
1. 「あなたは○○の専門家です」を何にでも付ける
ペルソナは定番ですが、最近の研究では「万能ではない」と指摘されています。エキスパートのペルソナは安全性やモデレーション系では効く一方、事実認識や推論の精度ではかえって下げる傾向がある、という報告です。安全判断・倫理判断には付けてもいいが、事実調査・分析・コード生成・推論系にはむやみに付けない。この使い分けで精度が一段上がります。
2. 「ステップバイステップで考えて」を機械的に付ける
長く最強プロンプトとされてきましたが、最近のモデルは「いつ・どれくらい考えるか」をモデル自身が判断する方向に進化しています。毎回書く必要性は技術的に薄れています。これからは、思考の指示を機械的に付けるより、目的・制約・期待する形式を明示することに力を割く。複雑タスクならモデル側の思考機能をオンにして判断を任せる。新世代モデルとはこちらのほうが相性がいいです。
3. プロンプトを手で書いて、直感で微調整する
いちばん大きい話です。日本人の多くはプロンプトを「作品」として手で書き、語感と直感で微調整します。海外のプロはプロンプトを「コード」として扱い、設計し、バージョン管理し、テストし、評価基準（eval）で採点しながら最適化します。手書きの直感では「9割で動くが残り1割で壊滅的に失敗するプロンプト」の、その1割を検知できないからです。「計算して」と「算出して」でも出力は変わります。だからこそ「測って改善する」に脳を切り替える価値があります。
足すべき技術はたくさん紹介しました。でも、伸びる人は同時に「やめること」も決めています。
ここまでが無料パートです
お疲れさまでした。ここまでで、海外のAIガチ勢が「何を」「なぜ」やっているのか、その地図は完全に手に入ったはずです。
でも、地図だけでは戦えません。必要なのは、明日からそのまま貼り付けて使える「武器」＝コピペ用プロンプトです。
百聞は一見にしかず。40個のうち、いちばん効くものを1つだけ、ここで先に渡します。 第1章で紹介した「Chain-of-Verification（CoVe）」のコピペ版です。リサーチや記事執筆で、AIの“それっぽい嘘”を自分で潰させる型。［ ］ にテーマを入れて、そのまま貼ってみてください。
どうでしょうか。普段の「〇〇について教えて」とは、返ってくる答えの“硬さ”がまるで違ったはずです。
——これが、あと39個。
この先の有料パートには、ここまで解説した 全40技術のコピペ用プロンプト を、章ごとにまとめた「プロンプト集」として収録しています。［ ］ の部分にあなたのテーマを入れるだけで、すぐに使えます。
正直に言うと、これを自力でゼロから設計しようとすると、論文を読み、海外の事例を漁り、何度も試して直して……と平気で何十時間も溶けます。外注ライターにプロンプト設計を頼めば、1本あたり数千円はかかる世界です。それが40本分、しかも一度知れば一生使える「型」として、この1記事で手に入ります。1記事1技術に切り出せば、コンテンツのネタとしても40本分。投資は、最初の1回で回収できるはずです。
━━ ここから有料エリア ━━