AIスキルとプロンプト
良いプロンプトは、AI アシスタントが必要とする資料、タスク、確認事項を与え、良いスキルはそのノウハウをパッケージ化してチームが再利用できるようにします。このガイドの AI プロンプトとスキルは、あなたが調整し検証する出発点です。
なぜ重要なのか
このガイドのすべてのトピックは、プロンプトとスキルで終わります。サービスマネジメントの多くのタスクが、チケットの山を読み、ランブックを下書きし、メモを計画に変えられるアシスタントに向いているからです。また、AI への曖昧な依頼は、曖昧な、ときに誤った結果を生むからでもあります。有用な答えと、もっともらしいが中身のない答えの違いは、依頼がどう書かれ、どんな資料が添えられたかにあることがよくあります。
このトピックは、ガイドのプロンプトとスキルの使い方、なぜそのように書かれているか、チーム向けに自分のものをどう書くかを説明します。それはコツよりも習慣についてです。実際の資料を与え、望むことを言い、アシスタントに知らないことを示すよう頼み、返ってきたものを確認します。AI が役立つ場所と害になりうる場所を説明する前のトピックの注意の上に築かれています(トピック 6.2 — ITサービスマネジメントにおけるAI を参照)。
出典は実務的です。このガイド自身の skills/prompt-engineering スキルは、プロンプトの作成を、言語モデルに与える指示を意図的に設計し反復する実践と説明し、プロンプトを、書かれ、実際のケースでテストされ、改訂される小さなソフトウェアのように扱います。Claude Code のドキュメントは、スキルが SKILL.md ファイルを持つディレクトリとしてどう構成されるかを説明しています。大規模言語モデルに関する Wikipedia の記事が背景を与えます。このガイドのために読んだ出典は、どのプロンプトの技法が最もよく機能するかの証拠を提供していません。ここの技法は、試すべき習慣として扱ってください。
中核となる概念
プロンプト、スキル、その目的
プロンプトは、一つのタスクのために AI アシスタントに与える指示と資料です。スキルは、このガイドの skills/ フォルダーで使われる形式では、ある種のタスクのための再利用できるノウハウのパッケージです。いつ使い、どう作業するかを述べる SKILL.md ファイルを含むディレクトリです。Claude Code のドキュメントでは、スキルは必須の SKILL.md ファイルを持つディレクトリで、そのフロントマターに名前と説明があり、本文が指示を与えます。アシスタントは説明を使ってスキルをいつ適用するかを決め、使われるときにだけ本文全体を読み込みます。
| プロンプト | スキル | |
|---|---|---|
| 範囲 | 一つのタスク、今 | ある種のタスク、再利用される |
| 置き場所 | チャットや文書の中 | skills/ やプロジェクトのスキルディレクトリなどのフォルダー |
| 変更する人 | あなた、そのつど | チーム、レビューを伴って |
| 最適な用途 | 自分の資料の特定の分析 | レトロスペクティブの運営など、繰り返せる方法 |
ガイドのプロンプトの作り方
このガイドのプロンプトは、スタイルガイドに定められた単純なパターンに従います。
- 太字の一行の目的が、プロンプトが何のためかを述べます。
- 囲まれたブロックに、コピーして貼り付けられるテキストがあります。
- 角括弧のプレースホルダーが、あなたが提供しなければならないものを、何を入れるかのヒントとともに示します。
- 望む出力を名指しするタスク。
- 境界: 数字、出典、引用、コンプライアンスの主張を作り上げない。貼り付けた資料のみを使う。
- 情報が欠けているときの先に尋ねる依頼と、前提に印をつける依頼。
- 最後の確認: 「確信のないことを一覧にしてください」。
これらの部分には理由があります。プレースホルダーは、実際の資料を持ってくることを強います。境界は、アシスタントがギャップを作り話で埋めるのを防ぎます。確認の質問の依頼は、一回限りの推測を短い対話に変えます。最後の一行は、アシスタントに自分の弱い点を示させ、何を確認するかを決める助けになります。
役立つパターン
ガイドの prompt-engineering スキルは技法を挙げており、このガイドは自分の言葉で要約します。
- 望む出力について具体的にする。 名前付きの列を持つ表や、多くて五項目の番号付きリストなど、アシスタントが形を推測しないようにします。
- 指示が曖昧なときは例を与える。 望むパターンを短いサンプルで示します。
- アシスタントが知り得ない文脈を提供する。 自分たちの用語、制約、問題の文書などを与え、何を想定してはならないかを述べます。
- 実際のテストケースで反復する。 プロンプトをさまざまな実際の入力で走らせ、失敗する箇所を改訂します。一つの良い例で判断しません。
一つの入力で調整されたプロンプトは、他で失敗するかもしれません。スキルは、短い、奇妙な言い回しの入力や、欄が欠けた入力が、元の例を扱えたプロンプトを壊しうると指摘しています。
検証の習慣
すべての出力は、誤りの代償に比例して確認される必要があります。役立つ習慣:
- 貼り付けた出典に照らして事実を確認する。 アシスタントに、各記述を裏づける資料の部分を引用するよう頼みます。
- 見ていない参照を決して受け入れない。 前のトピックで説明した事例には、作り上げられた裁判の引用が含まれます。繰り返してはいけません。
- アシスタントが見たものと、想定したものを分ける。 ガイドのプロンプトはこれを求めます。
- 計算を自分でテストする、あるいは過程を求めて確認します。
- チームの外に出るものには、第二の目を使う。 顧客への返信や方針など。
- 重要な利用の記録を残す。 トピック 6.2 — ITサービスマネジメントにおけるAI で説明したとおり。
データを保護する
何かをプロンプトに貼り付ける前に、それに何が含まれ、どこへ行くかを尋ねます。ツールとその条件が承認されていない限り、個人データ、認証情報、機密の商業的詳細を取り除きます(トピック 3.13 — 情報セキュリティ管理 を参照)。ガイドのプロンプトは匿名化を求めますが、責任はあなたにあります。迷うときは、状況を一般的な言葉で説明します。
スキルはどんな形か
Claude Code のドキュメントとこのガイドのスキルから、スキルは skills/runbook/ のようなディレクトリで、SKILL.md を含みます。ファイルは --- マーカーの間の YAML フロントマターで始まり、少なくとも name と description を含みます。ドキュメントは、説明がスキルが何をし、いつ使うかをアシスタントに伝えると述べ、主要なユースケースを最初に置くことを勧めています。本文はマークダウンで方法を与えます。参照文書やスクリプトなどの他のファイルを並べて置き、必要なときに読み込むことができます。ドキュメントは、SKILL.md 自体を 500 行未満に短く保つよう助言しています。
このガイドにコピーされたスキルも同じ形に従っています。その説明は「Use when asked to…」で始まり、それぞれがいつ適用されるかを明確にします。
スキルの置き場所
ドキュメントは、個人のスキルをユーザーのホームのスキルディレクトリに、プロジェクトのスキルをコミットしてチームと共有できるリポジトリのスキルディレクトリに、その他をプラグインなどの場所に置くと説明しています。チームにとって、バージョン管理下のプロジェクトフォルダーが自然な場所です。スキルはレビューされ、他の仕事と同じプロセスで変更され、全員が使えます。
チーム独自のスキルを書く
チームのスキルは、チームが繰り返し、一貫して行いたいプラクティスを捉えます。サービスマネジメントの例: 自分たちのハウススタイルでポストモーテムを書く方法、ある種のチケットをトリアージする方法、変更依頼を準備する方法、金曜のレビューを運営する方法。書くには:
- 繰り返し、知られた良いやり方があるタスクを選ぶ。
- アシスタントと同僚がいつ適用されるかを分かるよう、「Use when…」と主要なユースケースで始まる説明を最初に書く。
- 出力形式、確認、避けることを含め、方法を短いステップで書く。
- 機微な詳細を取り除いた、良い結果の例を加える。
- 数字を作り上げる、レビューなしに何かを送信するなど、してはならないことを述べる。
- 実際のケースでテストし、改訂する。
- 他の共有文書と同様に、オーナーと見直し日を与える。
このガイドのスキル
このリポジトリの skills/ フォルダーには、skills/README.md に一覧された skills-on-ai コレクションのスキルのコピーと、このガイドのために書かれた二つのスキル、読者向けと保守者向けが入っています。各トピックは、その主題に最も有用なスキルにリンクし、それぞれをいつ使うかの一文を添えています。コピーされたスキルは汎用で、このガイドの内容に固有ではないので、出発点として使い、出力を自分の文脈に合わせてください。
限界
このガイドのために読んだ出典は、どのプロンプトの技法がどれほどうまく機能するかを測定しておらず、AI のツールは急速に変わります。読んだ Claude Code のドキュメントは長く、一部だけ読まれました。以下は、一般的な利用で通用してきた実務的な助言で、保証ではなく、試すべき習慣として示します。
ベストプラクティス
- 実際のタスクと実際の資料から始める。 必要な何かを選び、その説明ではなく、実際の事実を貼り付けます。すべてのプレースホルダーを具体的に埋めます。
- 目的を一行で述べる。 出力が何のためで、誰が使うかを述べます。アシスタントが適切な詳細のレベルを選ぶ助けになります。
- 出力を指定する。 望む形式、長さ、構造を名指しします。比べたいときは表、手順がほしいときはリストを求めます。
- 境界を設定する。 アシスタントがしてはならないことを述べます。数字、出典、引用を作り上げる、与えられていない事実を想定する、本文なしに規則が適用されると主張する。
- 先に確認の質問を求める。 答える前に必要なことを尋ねるよう、アシスタントに伝えます。簡潔に答え、それから進めるよう頼みます。
- 事実と前提を分けるよう頼む。 あなたの資料から取ったものと、想定したものに印をつけさせます。このガイドのプロンプトは「確信のないことを一覧にしてください」で終わります。
- 証拠を求める。 各主張を裏づける、あなたの資料からの引用を求め、素早く確認できるようにします。
- 反復する。 最初の答えを下書きとして扱います。何が間違っているかを述べて改訂を求めるか、プロンプトを変えて再度試します。
- 複数のケースでプロンプトをテストする。 プロンプトに頼る前に、珍しいものを含む三、四の実際の入力で走らせます。失敗する箇所を記します。
- データを保護する。 貼り付ける前に、個人的で機密の詳細を取り除きます。承認済みのツールを使います。組織のポリシーに従います。
- 使う前に確認する。 事実、数字、参照を検証します。顧客に届くもの、システムを変えるものは、人にレビューさせます。
- 機能するものを共有する。 有用と分かったプロンプトを、メモとともに、バージョン管理下のチームのスキルや文書に、オーナーを置いて入れます。
チームで話し合うための質問
私たちが繰り返すタスクのうち、アシスタントが助けられるものはどれで、何を確認する必要があるか。
各人にタスクを挙げてもらい、出力が誤っていた場合のリスクに印をつけます。低、中、高のリスクにグループ化します。低リスクのものから始めます。ファシリテーターは、確認のステップは何かを問えます。試すタスクを一つ選びます。
私たちは今日、AI ツールに何を貼り付けていて、そうすべきか。
正直に、批判せずに。例を一覧にします。データポリシーと承認済みのツールと比べます。貼り付ける前に使える簡単な確認を合意します。「これは個人データ、秘密、機密の詳細を含んでいるか」。
このガイドのプロンプトのうち、最初に試すのはどれで、どんな実際の資料を使うか。
プロンプトを一緒に眺めて一つ選びます。貼り付ける実際の資料を特定し、機微な詳細を取り除いて、走らせます。結果を比べ、プロンプトの何を変えるかを話し合います。パターンを学ぶ素早い方法です。
プロンプトが機能していることを、どうやって知るか。
テストセットを求めます。良い出力が分かっている少数の実際の入力。回答の採点方法と、誰が決めるかを話し合います。テストセットのないプロンプトは願望です。一つのプロンプトに小さなセットを合意します。
私たちが繰り返すプラクティスのうち、チームのスキルにする価値があるのはどれか。
候補を一覧にします。レビューの形式、トリアージの手順、レポートのテンプレート。一つを選び、説明とステップを一緒に下書きします。誰が所有し、いつ見直すかを決めます。
AI に単独では決してさせたくないことは何か。
行動を一覧にします。顧客への送信、本番の変更、アクセスの承認、優先順位の決定。理由を話し合います。答えが、プロンプトとスキルに書く境界です。短い一覧を合意します。
実践例: アジャイルITILの事例
地域の病院の IT サービスデスクには、14 人のアナリストがいます。デスクリーダーは、同僚が AI アシスタントを異なる方法で使っていることに気づきました。一人は患者名を含むチケット全体を公開のチャットボットに貼り付け、別の一人は凝ったプロンプトを書いて有用な要約を得ており、ほとんどはまったく使っていません。最近のナレッジ記事は、アシスタントが下書きしたもので、存在しない手順のステップを含んでいました。
デスクリーダーは、このガイドのアプローチを使って、一時間のセッションを開きます。まずデータから始めます。グループは、患者の詳細や認証情報をどのツールにも入れないこと、病院が適切な条件でライセンスを得た承認済みのアシスタントだけを、チケットのテキストに使うことで合意します。彼女は一つのタスクを選びます。解決済みのチケットからのナレッジ記事の下書きです。そしてこのガイドのプロンプトのパターンを使います。一行の目的、匿名化したチケットのプレースホルダー、チケットの内容のみを使い、推測したステップにはタグで印をつけ、確信のないことを一覧にする指示。二人のアナリストが過去の五件のチケットでプロンプトを走らせ、グループが結果を一緒に読みます。プロンプトは一件でステップを作り上げます。彼らは、各ステップについてチケットからの引用を求める一行を加えます。
デスクリーダーは、改善したプロンプトを、デスクの共有フォルダーにチームのスキルとして書き、「Use when…」で始まる説明、オーナー、見直し日を付け、下書きされたすべての記事は公開前に別のアナリストが確認するという規則を加えます。二か月後、週に下書きされる記事の数は倍になり、レビュアーは以前より少ない誤りしか見つけません。課題も残ります。二人のアナリストは、急かされると今も公開ツールに詳細を貼り付け、スキルは過度に形式的な文言を生んでアナリストが書き直し、一人のレビュアーは流し読みしていると認めます。デスクリーダーは、チームの会議のたびにデータの規則を繰り返し、スキルに文体の例を加え、レビュアーに短いチェックリストにチェックを入れるよう頼みます。
4つの視点
プロダクトチームとデリバリーチーム
デリバリーチームは、コード、テスト、ドキュメントにアシスタントを使います。同じ習慣を適用します。実際の資料、明確な境界、検証、レビュー。秘密をプロンプトに入れず、有用なプロンプトとスキルをコードとともに保管します。
サービスチームと運用チーム
運用チームは、プロンプトを使ってチケットを分析し、ランブックを下書きし、レビューを準備できます。個人データを入れず、出力をログと記録に照らして確認し、ポストモーテムやシフトの引き継ぎなど、チームが繰り返す手順のスキルを書きます。
リーダーシップとガバナンス
リーダーは、何を、どのデータで使ってよいか、誰が説明責任を負うかの規則を設定します。一覧、データポリシー、パイロットからの証拠を求めます。チームがプロンプトとスキルを書きテストする時間を支援し、共有のスキルにオーナーがいるようにします。
顧客とユーザー
顧客とユーザーは、返信、記事、要約の中でプロンプトとスキルの結果を目にするかもしれません。プロバイダーがそれらを確認し、重要な場面では自動化されたツールを使うときに知らせることを期待してください。誤りを報告してください。元の資料の改善に役立ちます。
よくある失敗パターン
- 曖昧な依頼。 アシスタントが推測します。代わりに、資料、目的、望む出力を提供します。
- 機微なデータの貼り付け。 個人的あるいは機密の詳細が組織を離れます。代わりに、取り除き、承認済みのツールを使います。
- 作り上げられた内容を受け入れる。 捏造されたステップ、数字、参照が使われます。代わりに、境界を設定し、引用を求め、検証します。
- 一つの例での調整。 プロンプトが一度は機能し、他で失敗します。代わりに、複数の実際の入力でテストします。
- オーナーのいないスキル。 共有のプロンプトが古くなります。代わりに、オーナーと見直し日を割り当て、バージョン管理に置きます。
- コピーしたプロンプトの過信。 インターネットやこのガイドのプロンプトがそのまま使われます。代わりに、自分の文脈に合わせ、結果を確認します。
- 第二の目がない。 AI の出力が顧客に直接届きます。代わりに、チームを離れるものは人にレビューさせます。
- アシスタントを権威として扱う。 その自信が正しさと取られます。代わりに、確信のないことを尋ね、確認します。
成熟度モデル
| 次元 | 開始 | 発展 | 標準化 | 管理 | 最適化 |
|---|---|---|---|---|---|
| プロンプトの実践 | 人々が場当たり的なプロンプトを書く | 一部の人がプロンプトを共有する | チームが、目的、資料、境界、確認を含む共通のパターンを使う | プロンプトの質が、実際のケースの集合でテストされる | プロンプトが、共有のテスト結果からチーム間で改善される |
| スキル | 共有のスキルがない | 一部の個人のスキルがある | オーナーと見直し日を持つチームのスキルがバージョン管理にある | スキルの利用と結果がレビューされる | スキルが、チームとパートナー間で共有・保守される |
| 検証とデータ | 出力が信頼され、データが自由に貼り付けられる | 一部の確認とデータの規則がある | 検証の習慣とデータポリシーが日常になっている | 誤りとデータインシデントが追跡・対応される | 検証とデータのプラクティスが組織全体で調整される |
| 学び | 学びは個人的 | 一部のヒントが共有される | チームが、プロンプトとスキルを改善する定期的なセッションを持つ | 改善が追跡・測定される | 学びがチーム間に継続的に広がる |
チェックリスト
- チームに、どのデータをどの AI ツールに入れてよいかの短い規則がある。
- 頼りにするプロンプトに、述べられた目的、実際の資料、境界、アシスタントが確信のないことの依頼がある。
- 頼りにする各プロンプトを、少なくとも三つの実際の入力でテストした。
- チームの外に出る出力は、人がレビューする。
- AI の出力からの参照と数字を、出典に照らして確認している。
- 有用なプロンプトは、メモとともに、バージョン管理下の共有の場所に保存されている。
- チームのスキルに、明確な「Use when…」の説明、オーナー、見直し日がある。
- AI に単独で決してさせない行動を、チームが一覧にした。
- スタッフは、どのツールが承認されているかを知っている。
- プロンプトとスキルを、少なくとも年に二回見直している。
AIプロンプト
目的: すでに使っているプロンプトを改善する。
Here is a prompt I use: [paste it].
Here is an example of an input I give it, with sensitive details removed: [paste].
Here is what I got: [paste].
Here is what I wanted: [describe].
Diagnose why the output fell short, using only the text above. Suggest a revised prompt that: states the purpose, names the output format, sets boundaries (no invented facts, numbers, or sources), asks for clarifying questions first, requests quotes from the supplied material as evidence, and ends by asking you to list what you are unsure of. Keep placeholders in [square brackets]. Do not change the task. List what you are unsure of.
目的: 繰り返すタスクを、チームのスキルの下書きに変える。
Help me draft a team skill in SKILL.md format for this task: [name and describe the task].
How we do it today, step by step: [paste].
What a good result looks like (an example with sensitive details removed): [paste].
What must never happen (for example inventing figures or sending without review): [list].
Write a SKILL.md with YAML frontmatter containing a name and a description that starts with "Use when" and puts the key use case first, then a body with the purpose, short method steps, output format, checks, and things to avoid. Keep it under 150 lines. Mark every item you added as an assumption. Ask clarifying questions first, and list what you are unsure of.
目的: プロンプトのための小さなテストセットを作る。
I have a prompt that [describe what it does]: [paste it].
Help me design a test set of 5 to 10 inputs: typical cases, an unusual case, a case with a missing field, and a case where the right answer is "not enough information." Tell me what to collect from real examples (with sensitive details removed), how to record the expected output, and how to score results (correct, partly correct, wrong, confidently wrong, correctly declined). Do not invent test content; give me the categories and what to look for. Ask clarifying questions first, and list what you are unsure of.
目的: AI が書いた下書きを、その出典に照らして確認する。
Here is the source material: [paste].
Here is a draft produced by an AI tool from that material: [paste].
List every statement in the draft, say whether the source supports it (quote the supporting text), contradicts it, or does not mention it, and suggest edits to remove unsupported statements. Do not add facts of your own. Give a short summary of how reliable the draft is. List what you are unsure of.
AIスキル
- prompt-engineering: 信頼できる結果を与えるプロンプトを書き、テストし、改善するときに使います。
- machine-learning-model-card: チームがモデルに頼るとき、モデルが何のためにあり、どんな限界があるかを文書化するときに使います。
- agile-coaching: チームがプロンプトとスキルをめぐる習慣を、時間をかけて築くのを助けるときに使います。
- agile-itil-guide-skill: このガイドのトピックを探し、その問いからチームの対話を運営し、プロンプトを調整するときに使います。
- agile-itil-guide-maintainer-skill: このガイドのトピック、プロンプト、スキルへのリンクを書く、あるいは確認するときに使います。
主要な情報源
- Claude Code skills documentation (code.claude.com): スキルが
SKILL.mdファイルを持つディレクトリとしてどう構成されるかの説明です。 - Prompt engineering (このガイドの
skills/prompt-engineering/SKILL.md): 技法の短い記述と、実際の入力でプロンプトをテストすることの論拠です。 - Large language model (Wikipedia): これらのシステムがどう作られ、どこで失敗しうるかの背景です。
- AI Risk Management Framework (NIST): AI のリスクを管理するための任意のフレームワークで、チームのポリシーに有用です。
参考文献
- Skills (Claude Code documentation) — Anthropic — https://code.claude.com/docs/en/skills
- Large language model — Wikipedia — https://en.wikipedia.org/wiki/Large_language_model
- Prompt engineering — Wikipedia — https://en.wikipedia.org/wiki/Prompt_engineering
- AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework
- Hallucination (artificial intelligence) — Wikipedia — https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)
- Retrieval-augmented generation — Wikipedia — https://en.wikipedia.org/wiki/Retrieval-augmented_generation
- Artificial intelligence — Wikipedia — https://en.wikipedia.org/wiki/Artificial_intelligence
- Version control — Wikipedia — https://en.wikipedia.org/wiki/Version_control
- Information security — Wikipedia — https://en.wikipedia.org/wiki/Information_security