個人プロンプトからチームプロンプトへ — MCPで Claude に「うちのプロンプト集」を喋らせる

トリビューのCTOが、Claude を使った全社向け分析基盤の構築・運用事例を紹介。text-to-SQL だけでなく、ガードレール・コンテキスト・改善ループを含めた 4 つの要素で、非エンジニアが安全に本番データを分析できる仕組みを実現。間違った数字を返すサイレントエラーを防ぐため、メトリクス定義・セマンティック・インテント記録を dbt で管理し、利用ログから継続改善する体制を整備している。

ウルトラマラソンのトレーニング計画レビューをLLMに行わせる際、安価なモデル向けに設計した if-then ルール（数値閾値など）が高推論モデルでは逆に制約になることを発見。矛盾した条件を同時に読み込む高推論モデルが判断を留保してしまったため、明示的なルールを削除しコンテキストと過去データだけを提供したところ、モデルが陳腐化した制約を自ら判断から外すようになった。ルール駆動的な設計は社会的な安全装置である一方、高推論モデルの能力を活かすにはその適切な配置が設計問題である。

MCP（Filesystem）経由で Obsidian Vault をClaudeに読み書きさせ、セッション間で知識を引き継ぐシステムを構築。CLAUDE.md に行動ルールを定義し、プロジェクト別に knowledge / preferences / projects フォルダを分割管理。書き込み条件を明確に縛ることで、毎回の前提説明が不要になり、トークン消費も最適化できる。

Claude Code、Claude Design、Genspark など複数の AI Agent Chat では、選択肢の提示と自由入力欄を組み合わせたUI を採用することで、ユーザーの回答の摩擦を軽減している。選択肢は単なる利便性だけでなく、ユーザーが「何を答えるべきか」を言語化するための叩き台となり、MCP の Elicitation 機能のように潜在的なニーズを引き出す役割を果たす。Hermes Agent の実装例から、clarify_tool を用いた構造化された質問生成の仕組みが解説される。