prompt-master がAIの出力を安定させる仕組み

GPT-6 の3バージョンと Claude Opus 5.5 に Three.js 3D シミュレーションと CSV ダッシュボードの実装を依頼し、品質・所要時間・API 料金を実測比較した。結果、見た目の豊かさは Opus 5.5、品質と費用のバランスは GPT-6 Sol、3D 実装の速度は GPT-6 Astra が優れ、モデル選定は用途次第であることが明らかになった。

AI コーディングエージェント向け課題管理ツール Beads の 1 か月の運用経験から、依存関係と優先度の登録により エージェントが次のタスクを選びやすくなった一方、notes への追記で古い情報が蓄積する問題が浮上した。対策として notes を履歴ではなく現在状態のスナップショットとして扱い、古い情報は bd update --notes で統合するルールに変更。失敗や判断過程は別途レポート化、繰り返し必要な知見は永続メモリで管理している。

社内マニュアルをAIに参照させる際、一般的なRAG（ベクトル検索）ではなく、マニュアル全文をプロンプトに毎回投入する構成を採用し、2社のSlackボットで本番稼働。トークン数計算とプロンプトキャッシュの活用により、ベクトルDB不要で運用が壊れにくく、表の断片化や検索漏れの問題を排除できた一方、入力量に正比例したコスト増加が課題。

朝のメイン課題が重く感じた原因を調査したところ、難易度ではなく前夜の四肢選択と朝の記述式という問題形式の違いが原因だった。対策として夜のルーティン末尾に予習フェーズを追加し、翌朝の設問を前夜に生成・講義することで初見を避けるよう設計。8日間の運用で午前I演習の正答率は69.1%から75.0%に改善。Agent間の状態受け渡しでは、データ構造より「両者が同時に触れる共有ストレージ」の制約を優先すべき、という実装上の教訓も得た。