副業ライターの朝30分を15分に縮める「3段連鎖プロンプト」設計

顔出しなし YouTube チャンネル運用で、単純な AI 台本量産は重複やファクトチェック漏れを招くため失敗。生成担当と検証担当を異なるモデルに分け、数値の合格ラインを設定し、重複検知は機械的に照合する仕組みを構築。これにより人間のチェック負荷が激減し、同時に失敗パターンをルール化して再発防止を図った実運用事例。

Anthropic 公式ブログの記事を紹介。モデルの性能向上に伴い、プロンプトの精度がそのまま結果に影響する課題について解説。「既知・未知」の 4 分類と、実装前後の各フェーズで unknowns（未知のもの）を見つけるための実践的なプロンプトパターン（Blind spot pass、Interviews、References、Implementation plan など）をまとめた。

LLM自身にプロンプトを生成させるための「プロンプト原則」を紹介。入力トークン増加による品質低下（Context Rot）と指示遵守率低下（Instruction-Density Decay）を踏まえ、過剰な指示を削り有効な指示のみ残す、適正な抽象度で書く、出力契約を明示するなどの原則をまとめた。

記事生成を brief → outline → draft → review → final に分解し、タスクごとに適したモデルへルーティングする TypeScript CLI llm-task-router を紹介。単発プロンプトの限界を補い、部分修正やモデル切り替えが容易な workflow ベースの設計を実装。