INDEX 05 — BNF COLUMNS

AI活用ノウハウ

PDF不要。Webで完結する実践的なAI活用ノウハウ集です。
基礎からセキュリティ、業務への応用まで解説します。

01.コピペは卒業。AIを自走させる指示設計の極意「神プロンプト」のコピペから「ゴール定義」「コンテキスト設計」「ループの安全管理」へとシフトする本質的なAI活用法を解説します。

ループエンジニアリング:AI驚き屋を超えて実践する自律ループ設計と安全運用の全貌

AIにプロンプトを投げて終わりにする時代は過ぎ去りました。本コラムでは、AIに自分自身の成果物を何度もチェック・自己修正させる「自律ループ」の基本概念から、今すぐチャット欄で使える初心者向けコピペプロンプト実例、さらに最新AIモデルであるFable 5の検証データまでを余すことなく徹底解説します。

プロンプトからの脱却:ループエンジニアリングへの大転換

SNSやネットの記事では、連日のように「これだけで完璧な神プロンプト」「コピペで使える魔法のテンプレート」といった言葉が飛び交っています。
しかし、こうした小手先のテンプレートに依存したAI活用法は、極めて短期間のうちに限界を迎え、陳腐化します。
なぜなら、AIモデルの知能そのものが急激に進化している現在、人間がチャット欄で一手ずつプロンプトを書き込んで指示を出す行為自体が、業務全体の最大のボトルネックになっているからです。
この課題を根本から解決するために登場したのが、「ループエンジニアリング(Loop Engineering)」という新しい設計思想です。
GoogleのAddy Osmani氏は、ループエンジニアリングを「エージェントにプロンプトを打つ自分自身を置き換えること。代わりに、それをやってくれる仕組みを設計することだ」と定義しています。
また、AnthropicでClaude Codeの開発責任者を務めるBoris Cherny氏も「もうClaudeに指示は出していない。私の仕事はループを書くことだ」と公言しています。
2026年6月末には、Anthropicが「Getting Started With Loops」、OpenAIが「Unrolling the Codex Agent Loop」という公式ドキュメントを同じ週に相次いで公開しました。
二大AIラボが揃ってこの思想をドキュメント化したことで、ループエンジニアリングは単なる一部のエンジニアの流行議論から、業界の共通言語(設計標準)へと昇華したのです。

そもそも「ループ」とは? 誰でもわかるカレーの例え話

ループエンジニアリングという言葉を聞くと、何か高度なプログラミングやシステム構築が必要なものに感じるかもしれません。
しかし、その本質は日常の非常にシンプルな行動と同じです。
たとえば、あなたがカレーを作っているところを想像してください。
これまでのAI活用(シングルショット)は、「味見を一切せずに料理をお皿に盛り付けて出す」ようなものです。
どれほど優れたレシピ(神プロンプト)を使っても、肉の硬さや火加減によって味がブレてしまい、出された料理がしょっぱすぎたり、味が薄かったりすることがあります。
これに対して、ループエンジニアリングは、「味がちょうど良くなるまで、何度も味見をして調味料を足す」という行為そのものです。
具体的には、以下のサイクルを自動で繰り返します。
- 1. カレーを作る(生成)
- 2. 味見をする(検証)
- 3. 薄ければ塩を足し、濃ければ水を足して煮直す(自己修正)
- 4. 味が完璧になれば完成とする(終了条件)
STEP 1🍛カレーを作る(生成)レシピに従ってカレーを煮込むAI: 原稿の下書き作成STEP 2🥄味見をする(検証)しょっぱすぎないか、薄くないかチェックAI: 原稿のルール監査STEP 3🧂調味料を足す(自己修正)薄ければ塩を足し、濃ければ水を足すAI: 指摘箇所のリライト🔄 味が完璧になるまで 2 と 3 を自動で繰り返す⬇️ 味が完璧になったら (検証合格)STEP 4完成(終了条件)極上のカレーをお客さんに提供するAI: 最終成果物を出力して終了図解: カレー作りで例える「自律ループ」の4ステップサイクル
この一連の「味見と調整の繰り返し」を、人間が介在せず、AI自身にチャット画面の裏側で自動的にやらせる技術こそがループです。
PROMPT / ADVICE💡 : ループの概念をAIに質問するもし「ループエンジニアリング」という概念自体がまだピンとこなければ、AIに「ループエンジニアリングとは何か、カレーの味見に例えて小学生にもわかるように説明して」と聞いてみてください。AIが身近な例え話でさらに噛み砕いて教えてくれます。

なぜコピペプロンプトに騙されるのか? 驚き屋が隠す不都合な真実

ネットやSNSにいる「AI驚き屋」と呼ばれる一部の発信者たちは、よく「この1文を入力するだけで完璧なビジネス文書が完成する」と謳い、高額なプロンプトや商材を販売しています。
しかし、ここに大きな不都合な真実があります。
実は、そうした発信者たちの中には、裏側でこの「ループエンジニアリング(自走エージェント)」をしっかりと活用し、大量の作業を自動化しているケースが多々あります。
彼らの見せる圧倒的な成果は、決して魔法の一発プロンプトによるものではなく、裏側でAIに検証と修正のループを何度も繰り返させているからこそ実現しているのです。
そして、最も重要な真実は、「そうした裏側のループの構築方法や具体的な指示内容は、AIに直接尋ねるか、自分で少し調べれば、今は誰でも『無料』で手に入れられる」ということです。
隠された仕組みを高額な「ブラックボックスの商材」として購入し、消費し続けるのは極めてもったいないことです。
本コンテンツは、あなたが「誰かが作ったループ」を買い続けるだけの消費者から脱却し、「自分が今必要としている自律ループを、AIに尋ねながら、自分で自由に設計・構築できる創造的なディレクター(ループエンジニア)」へ進化するために書いています。
1回目は60点の出来であっても、AI自身に問題点を見つけさせ、70点、80点、そして95点になるまで自動でリライト(書き直し)を繰り返させる仕組みを自分で構築できるようになりましょう。

今すぐチャット欄で実践! 一人二役の自律ループプロンプトの仕組み

プログラミングや専用のツールを使わなくても、手元のChatGPTやClaudeのチャット欄だけで、今すぐこの自律ループを実行させることができます。
そのための最も簡単なテクニックが、AIに「作る人」と「チェックする人」の一人二役を演じさせる方法です。
通常, AIに文章を書かせると、AIは「自分が書いた文章だから完璧だ」と思い込んでしまい、重大なミスや矛盾を見逃します。
そこで、プロンプトの中で明確に異なる2つの人格を定義し、チャット欄の内部で自走させます。
1. 作成エージェント(Generator)
指定されたルールに従って、一生懸命に原稿を作成する役割。
2. 監査エージェント(Validator)
重箱の隅をつつくように、粗探しをしてNG箇所を厳しく指摘する役割。
この2人をチャットの初期指示で定義し、「監査エージェントが合格を出すまで、チャットを終わらせずに自動でリライトせよ」と命じることで、あなたが画面を眺めているだけで、AI自身が勝手に修正を繰り返し、クオリティを極限まで高めてくれます。

初心者向け実践プロンプト例:今すぐコピペして使える3つの道具

以下に、日々の業務や執筆でそのまま使える「自律ループプロンプト」の実例を3つ紹介します。
チャットツール(ChatGPTやClaude)を開き、以下のコードブロックの中身をそのままコピーして貼り付けてみてください。
コピー時のノイズとなる余計なタイトル行は排除し、純粋にコピペして使える命令文のみにしてあります。
1つ目は、文章の自動品質監査&リライトループです。
AIにコピペ用プロンプトとして与える命令文は以下の通りです。
AI PROMPT / CONFIG
markdown
あなたは、以下の2つの役割をチャット内で一人二役で演じ、与えられた下書き原稿をブラッシュアップする「自走リライトシステム」です。

役割1:作成担当(Generator)

与えられたテーマや下書きを基に、読者に伝わりやすい洗練された文章を作成する。

役割2:監査担当(Validator)

作成担当が書いた文章を厳しくチェックする。

チェック項目は以下の3点とする。

- 主張の根拠が曖昧な箇所はないか

- 専門用語が難しすぎず、初心者にもわかりやすく説明されているか

- 同じ言葉の重複や、論理の飛躍がないか

動作手順:

1. まず、私が入力する [下書き] を読み込んでください。

2. 役割1(作成担当)として、下書きをブラッシュアップした「初稿」を出力してください。

3. 次に、役割2(監査担当)として、その「初稿」をチェックし、「改善が必要なNGポイント」を箇条書きで3つ指摘してください。

4. 再び、役割1(作成担当)として、そのNG指摘をすべて修正した「第2稿」を出力してください。

5. 最後に、役割2(監査担当)として、第2稿の仕上がりを評価し、「監査完了レポート」を出力して終了してください。

それでは、私の下書きの入力を待たずに、システムとして待機し、「下書きを入力してください」とだけ返答してください。
2つ目は、ビジネスメールの炎上リスク自律検閲ループです。
AIにコピペ用プロンプトとして与える命令文は以下の通りです。
AI PROMPT / CONFIG
markdown
あなたは、クライアントへ送るビジネスメールの「失礼な表現」や「炎上リスク」を自律的に排除する「メール監査ループシステム」です。

役割1:作成担当(メール執筆)

意図を的確に伝えつつ、礼儀正しくプロフェッショナルなメール本文を作成する。

役割2:検閲担当(クオリティチェック)

作成されたメールを以下の検閲基準で厳しく審査する。

- 相手に対して冷たい、または命令口調に感じられる表現はないか

- 敬語の使い方に誤りがないか

- 要件が冒頭で明確に伝わる構造になっているか

動作手順:

1. 私が入力する [メールの用件と状況] を読み込んでください。

2. 役割1(作成担当)として、メールの「初案」を出力してください。

3. 役割2(検閲担当)として、「初案」の検閲結果を出力し、特に失礼に当たる箇所や改善すべき文章をリストアップしてください。

4. 役割1(作成担当)として、指摘をすべて反映した「修正メール案」を出力してください。

5. 最後に、検閲担当が「検閲通過(GO)」または「要再修正」の判定を下してください。「要再修正」の場合は自動で修正案をもう1往復出力してください(最大3往復まで)。

それでは、私の状況説明の入力を待たずに、システムとして待機し、「メールの用件と状況を入力してください」とだけ返答してください。
3つ目は、アイデアの自動壁打ち・ブラッシュアップループです。
AIにコピペ用プロンプトとして与える命令文は以下の通りです。
AI PROMPT / CONFIG
markdown
あなたは、私の新規ビジネスアイデアの弱点を自律的に潰し、現実的な企画に育てる「アイデア壁打ちループシステム」です。

役割1:企画担当(アイデア推進者)

アイデアの強みや具体的な実現方法をアピールし、企画を前に進める。

役割2:批評担当(現実主義の投資家)

アイデアに対して極めて現実的、かつ批評的な視点から「なぜこのアイデアが失敗するのか」「顧客が本当に金を払うのか」のボトルネックを突く。

動作手順:

1. 私が入力する [初期アイデア] を読み込んでください。

2. 役割1(企画担当)として、アイデアの基本骨子を作成してください。

3. 役割2(批評担当)として、その企画に対する「痛烈な質問・懸念点」を3つ投げかけてください。

4. 役割1(企画担当)として、その懸念点を解決するための「具体的な対策・アップデート案」を作成してください。

5. 最後に、批評担当が「ボトルネックは解消されたか」の評価をA〜Cの3段階で出力してください。

それでは、私のアイデアの入力を待たずに、システムとして待機し、「ビジネスアイデアを入力してください」とだけ返答してください。
PROMPT / ADVICE💡 : チャット版ループプロンプトのコツAIに一人二役を演じさせる際、動作手順に「1.」「2.」とステップを明確に書いておくことで、AIが途中で役割を忘れて途中で止まってしまうのを防ぐことができます。もし途中で止まったら「手順のステップ4から再開してください」とチャットするだけでループが戻ります。

実戦実験で示されたFable 5の自走能力

このように、手動のチャット画面でもループの強力さは実感できますが、これがシステム開発や自動運転の領域(ループエンジニアリング)に進むと、その効果は次元の異なるものになります。
Anthropicが行った「Parameter Golf」という実戦実験がその衝撃的な実力を証明しています。
この実験は、8基の高性能な計算装置(GPU:H100)を使用し、10分未満の制限時間内に「16MBという非常にコンパクトな容量に収まる最適なAIモデル」を自動で学習させるという極めて複雑なタスクです。
エージェント自身がトレーニングコードを変更し、実行し、ログを読み、スコアを確認し、次の実験方針を決定するというループを「8時間連続」で自律実行させました。
この結果、最新のAIエージェントである「Fable 5」は、従来の「Opus 4.7」と比較して、パイプラインの性能向上において約6倍という圧倒的な成果を達成しました。
LEVEL 4Loop Engineering自律ループの設計。トリガー、ゴール判定、自己修正サイクルの自動化。LEVEL 3Harness Engineering実行環境(装備)の整備。ツール接続(MCP)、サンドボックス、フック。LEVEL 2Context Engineering文脈ウィンドウの設計。情報の物理配置、XML構造化、ノイズ排除。LEVEL 1Prompt Engineering指示文(話し方)の設計。CARTEフレームワーク、トーン、Few-Shot。

エンジニアリングの積層モデル

上層に進むほど管理範囲が広くなり、下層の確固たる設計(ハーネス、コンテキスト、プロンプト)が上層の自走ループを支える土台となります。

図解: プロンプトからループエンジニアリングへの4層進化ピラミッド
しかし、本当に驚くべきはその成果の数字ではなく、エージェントの「行動の質」にあります。
従来のOpus 4.7は、初期の段階で小さな改善点を見つけると、同じパターン(定数パラメータの微調整など)を20回以上繰り返すだけの保守的な動きに終始しました。
これに対し、Fable 5はトレーニングコードのアーキテクチャそのものを大きく書き換える大胆な構造変更に挑戦しました。
一時的に精度が大幅に低下する「プログラムを圧縮・軽量化する際に出てしまう致命的な不具合(量子化の回帰エラー)」に直面したものの、Fable 5はループ内でエラーログを自律分析し、プログラムを自力でデバッグして這い上がりました。
一時的な失敗(不具合)から自力で回復し、より大きな技術的ブレイクスルーを達成する自走能力こそが、ループエンジニアリングの真髄です。

4層の進化:PromptからLoopへ

AIに仕事を任せる技術は、この数年で対立することなく積層状に進化してきました。
それぞれの役割を、身近な例え話とあわせて整理します。

1. Prompt Engineering(プロンプトエンジニアリング)

一回の指示文の質を高め、モデルに何を伝えるかを設計する「モデルへの話し方」です。
たとえば、レストランで料理を注文するとき、「美味しいもの」と言うのではなく「辛さ控えめのシーフードパスタをお願いします」と具体的に伝える技術です。

2. Context Engineering(コンテキストエンジニアリング)

コンテキストウィンドウに何を入れ、何を捨てるかを物理的・構造的に整理する「モデルへの情報整理」です。
たとえば、大量の書類の中から「今回の案件に必要な資料だけ」をファイリングして会議室のテーブルに並べておく作業に当たります。

3. Harness Engineering(ハーネスエンジニアリング)

サンドボックス環境の提供、ファイル読み書きツールの接続、OSの実行権限など、エージェントが動く「実行環境の装備」です。
たとえば、料理人に「包丁、まな板、コンロ、冷蔵庫」を揃えてあげる厨房づくりのようなものです。
道具がなければ、どんなに腕が良い料理人でも何も作れません。

4. Loop Engineering(ループエンジニアリング)

ハーネスの上で、エージェントをいつ、どのような頻度で、どのようなルールで起動し、結果を誰がどう評価するかという「自律制御構造の設計」です。
たとえば、「毎朝8時に料理人を厨房に立たせ、味見係が合格を出すまで調理を繰り返させ、5回失敗したらオーナーに電話する」というルールブックを作る仕事です。
これらは互いに置き換わるものではありません。
ループを自走させるためには、その中で動く個々のプロンプトやコンテキストの設計が完璧であることが大前提となります。
PROMPT / ADVICE💡 : 4層の違いをAIに聞く「プロンプトエンジニアリング、コンテキストエンジニアリング、ハーネスエンジニアリング、ループエンジニアリングの4つの違いを、料理の例えで表にまとめて」とAIに聞くと、自分の理解度に合った整理表を作ってくれます。

ループを動かす5つの構成要素とメモリ

ループエンジニアリングは、特定のツールに依存しない抽象的なシステム構造です。
Addy Osmani氏は、ループを動かすために以下の5つの構成要素が必要であると整理しています。
1. トリガー(Trigger / 起動)
ループを動かし始める起点です。
「毎朝8時に起動する」といったスケジュール型や、「GitHubでプルリクエストが開かれたら起動する」といったイベント駆動型、あるいは人間の手動指示があります。
2. アクション(Action / 行動)
エージェントが使用を許可されたツール群です。
ファイルの読み書き、ターミナルでのコマンド実行、外部APIの呼び出しなど、エージェントが実際に手を動かす手段です。
3. ゴール(Goal / 検証可能な終了条件)
「いい感じにする」といった曖昧な指示ではなく、「自動テストがすべて成功する」「型エラーとリンターエラーがゼロになる」などの、機械的かつ決定的に検証可能な終了状態です。
4. 検証(Verification / 評価)
成果物が本当にゴールを達成したかを客観的にチェックする仕組みです。
ここで極めて重要になるのが、「自己採点の罠」を避けることです。
コードを書いたエージェント自身に採点をさせると、バイアスによって重大なバグを見逃し、「完了した」と誤判定することが多々あります。
そのため、生成を行うエージェントと、それを検証するエージェントを物理的に分ける(別コンテキスト・別モデル・別指示にする)か、テストコードなどの機械的チェックに評価を任せるのが鉄則です。
5. メモリ(Memory / 状態の永続化)
会話セッションの外側に、現在の進行状況やエラー履歴を書き出して保存しておくための外部記憶領域です。
AIモデルは新しいチャットセッションが始まると過去の対話を完全に忘れますが、ファイル(MEMORY.mdなど)やデータベースに記録された状態は消えません。
このディスク上のメモリこそが、複数回の自律サイクルをつなぐ糸になります。
PROMPT / ADVICE💡 : 5つの構成要素を自分の業務に当てはめるAIに「私の業務は [あなたの業務内容
です。ループエンジニアリングの5つの構成要素(トリガー、アクション、ゴール、検証、メモリ)を、この業務に当てはめて具体例を作ってください」と指示すると、あなた専用のループ設計の叩き台を作ってくれます。]

メモリ活用の5段階レベル:Fable 5が示した圧倒的自律度

エージェントがメモリをどれほど精緻に扱えるかは、その学習効率を決定づけます。
Anthropicはメモリ活用の深化度を以下の5つのレベルに分類しています。
レベル1: 失敗を記録する (Document failures)
失敗したという事実をファイルに書き出すだけの段階です。
たとえば、テストに落ちたという事実だけをメモに残す段階です。
レベル2: なぜ失敗したか調査する (Investigate why you failed)
失敗の背景やログを探る段階です。
たとえば、「テストが落ちたのは、データベース接続のタイムアウトが原因だったかもしれない」と仮説を立てる段階です。
レベル3: 原因を検証して事実とする (Verify cause to turn into fact)
検証を通じて、失敗の直接的な原因を特定する段階です。
たとえば、実際にログを分析して「タイムアウト値が5秒に設定されていたことが原因だった」と確定させる段階です。
レベル4: 事実を一般化された規則にDistillする (Distill fact into general rule)
「なぜ失敗したか」から「次からどうすべきか」という教訓的なルールを抽出する段階です。
たとえば、「データベース接続のタイムアウト値は常に30秒以上に設定すること」という汎用ルールを作る段階です。
レベル5: 毎回再導出する代わりに規則を参照する (Consult rule instead of re-deriving)
新セッションで同様の課題に直面した際、過去のルールを読み込んで一発で解決策を適用する段階です。
たとえば、次に別のプロジェクトでDB設定を行う際、保存済みのルールを読み込んで最初からタイムアウトを30秒に設定する段階です。
Anthropicが「Continual Learning Bench」(SQLデータベースに対する連続的な質問タスクで、セッションごとにコンテキストはクリアされるがメモリファイルは引き継ぐテスト)を行った結果、各モデルの平均スコアは以下のようになりました。
- Fable 5: 0.839
- Opus 4.7: 0.700
- Sonnet 4.6: 0.364
Sonnet 4.6はレベル1に留まり、過去の失敗を記録するもののほとんど読み返しませんでした。
Opus 4.7はレベル3に到達し、疑問符付きの記録を残したものの、実際に原因検証を行ったのは17%に留まりました。
これに対し、Fable 5はレベル5を完全に達成しました。
直面した不具合の73%において原因を自ら徹底検証し、一般ルール化してメモリファイルに保存し、次のセッションでそのルールを読み込んで開発に生かしました。
セッションごとに脳がリセットされるAIにとって、この5段階のメモリサイクルこそが「成長し続けるエージェント」を作る鍵となります。
PROMPT / ADVICE💡 : メモリの仕組みをAIに実装させるAIに「私がチャットで伝えた重要な決定事項やルールを、MEMORY.mdというファイルに自動で書き出して、次回の会話開始時にそのファイルを最初に読み込む仕組みを作って」と指示すると、AIが自分自身のメモリ管理システムを構築してくれます。

ループ設計の実践パターン:オープン vs クローズド

実務でループを設計する際、最も重要な意思決定は「ループの自由度」をどこまで許容するかです。
これには以下の2つの実践パターンがあります。
1. オープンループ(Open Loop / 探索型)
エージェントに広範な目標のみを与え、手段や計画を完全に委ねる設計です。
イノベーションや未知のデバッグには強力ですが、トークン消費が極めて大きく、ブレーキがないと無駄な変更を繰り返して「ゴミコード」を量産するリスクがあります。
2. クローズドループ(Closed Loop / 制御型)
目標、実行手順、検証用のテスト、および明確な終了条件をプログラムでカチッと固定した設計です。
動作が極めて安定しており、不要なトークン消費を抑え、決まった予算と時間内で最大のパフォーマンスを発揮します。
初心者がループを構築する際は、まずはクローズドループから開始するのが鉄則です。
自動テストや型チェックといった厳格な「品質のゲート(Quality Gate)」が確実に動作することを確認した後に、徐々にオープンな探索を許すように範囲を拡張していきましょう。
PROMPT / ADVICE💡 : まずはクローズドループから始めるAIに「私がブログ記事を書いたら、誤字脱字チェック、事実確認、読みやすさチェックの3つを自動で行い、全部クリアするまでリライトを繰り返す仕組みを作って。最大3回までのリトライ制限付きで」と指示してみてください。これがクローズドループの最もシンプルな実践例です。

ループを支える6つの物理ブロック

自走するループシステムをコードやシステムとして構築する際、必要となるのが以下の6つの物理ブロックです。
1. Automatizations(自動化)
プロンプトと起動頻度(cronなど)、および終了判定の組み合わせです。
Claude Codeにおける `/goal` コマンドのように、条件が真になるまで自動でリトライを繰り返す心臓部です。
2. Worktrees(隔離環境)
エージェントがコードを改変する際、他のプロセスや人間の作業と競合するのを防ぐため、Gitの `git worktree` や隔離されたディレクトリに環境を個別に切り出します。
3. Skills(共有ナレッジ)
プロジェクト固有のルールや設計書です。
プロジェクト直下に `VISION.md` や `RULES.md` などのドキュメントを配置し、エージェントが各サイクルで必ず読み込むように設計します。
4. Connectors(MCP外部接続)
エージェントの視野を広げるツール接続(Model Context Protocol)です。
ファイルシステムだけでなく、Jira、GitHub、Slack、データベース等と接続し、チケットの読み取りや結果の通知を自動で行わせます。
5. Subagents(独立評価役)
成果物を批評するエージェントです。
自己都合の甘いチェックを排除するため、作業したエージェントとは物理的に異なるモデルやコンテキストで評価を実行します。
6. Memory(永続メモリ)
会話の外側で履歴を保持するMarkdownやJSONファイルです。
前回の実験で何が失敗し、何が成功したかを記録し、次回のループ開始時に読み込ませます。
⏱️1. トリガー起動🛠️2. アクション実行🔍3. 検証 (自己採点NG)💾4. メモリ保存🚨 暴走を防ぐ3大安全設計 (エスカレーション)1最大試行回数の制限上限到達(例:5回)でループ強制終了2同一エラーの連続停止同じエラーが2回連続したら思考ロックと判定3人間へのバトンタッチSlack等で通知し、人間による承認を要求図解: ループの5大要素サイクルと3大安全設計の全体フロー
PROMPT / ADVICE💡 : 6つの物理ブロックの設計をAIに丸投げするAIに「私のプロジェクトで、コードを書いたら自動テスト、テストが落ちたら自動修正、修正しても直らなければSlackに通知、という自律ループの設定ファイル一式を作って。CLAUDE.mdとsettings.jsonの両方を出力して」と依頼すると、6つの物理ブロックを意識した設定ファイルを一式生成してくれます。

実践例:自律ループで実際に解決できる5つの実務タスク

ループエンジニアリングを導入することで、具体的にどのような業務が自動化できるのか、5つのドメインにおける具体的な適用イメージと、今すぐAIに指示できるシンプルなループプロンプトを紹介します。

1. CIテストエラーの自律修復ループ(開発業務)

開発中のプログラムにエラーが出た際、AIが自動でデバッグを繰り返すループです。
- トリガー: テストコマンドやビルドコマンドが失敗した時。
- アクション: エラーログと該当コードを読み込み、修正コードに書き換えます。
- 検証: 再度ビルドを実行し、エラーが消えるまで修正を自動で繰り返します。
- メモリ: 修正したファイルの履歴をログに残します。
AIにこのループを指示するシンプルなプロンプト例:
AI PROMPT / CONFIG
markdown
あなたは「テスト修復AI」です。

エラーログと対象のソースコードを読み込み、テストが100%成功するまで自動で修正コードの提案と検証を繰り返してください。

2. ユーザーのバグレポート自律分類とチケット起票ループ(CS・サポート)

顧客からの問い合わせを整理し、必要な対応を自動化するループです。
- トリガー: カスタマーサポートに新しい問い合わせが届いた時。
- アクション: 問い合わせ文を解析し、「バグ」「要望」「操作方法の質問」に分類します。
- 検証: 社内ルールに従った正しい分類と、個人情報が漏れていないかを監査AIが二重チェックします。
- メモリ: 社内のタスク管理ツールにチケットを自動起票し、通知履歴を記録します。
AIにこのループを指示するシンプルなプロンプト例:
AI PROMPT / CONFIG
markdown
あなたは「問い合わせ分類AI」です。

顧客からのメッセージを読み、バグ・要望・質問に自動分類し、バグの場合は優先度高で社内報告用の下書きを作成してください。

3. コラム・ドキュメントの自律アップデートループ(マーケティング)

自社のWebコンテンツやマニュアルを最新情報に保ち続けるループです。
- トリガー: 週次の定期スケジュール(cron起動)。
- アクション: 競合他社や公式発表のWebサイトを検索し、最新の仕様情報を取得します。
- 検証: 自社の既存コラムと照らし合わせ、古い記述があればリライト案を作成し、校正ルールをパスした段階で人間に承認を求めます。
- メモリ: 更新日付と差分データを記録します。
AIにこのループを指示するシンプルなプロンプト例:
AI PROMPT / CONFIG
markdown
あなたは「情報更新AI」です。

指定された公式Webサイトの最新リリースノートを確認し、自社の既存の解説ドキュメントの中で古くなった部分を特定してリライト案を作成してください。

4. 競合プロダクトの自律価格監視と影響レポート作成ループ(ビジネス開発)

ライバル企業の動向を24時間体制で監視し、対策を練るループです。
- トリガー: 毎日早朝の自動起動。
- アクション: 競合他社の価格改定ページをクロールし、差分情報を取得します。
- 検証: 自社の利益に影響を与える価格変化かを判定し、誤解や事実誤認(ハルシネーション)がないかファクトチェックを行います。
- メモリ: レポートをPDF化し、Slackで経営陣に自動送信したログを記録します。
AIにこのループを指示するシンプルなプロンプト例:
AI PROMPT / CONFIG
markdown
あなたは「価格監視AI」です。

競合の価格プランの変更情報を自動スキャンし、自社プランへの影響度の強・中・弱の判定と、それに対する具体的な対策レポートを作成してください。

5. SNSバズ分析&アフィリエイト二段階自動投稿ループ(個人開発・副業)

SNSで話題の投稿を分析し、最適なプロモーション案を作成・自動投稿するループです。
- トリガー: 特定のトレンドワードがSNSで急上昇した時。
- アクション: トレンドデータと自社のPR商材を組み合わせて、魅力的で自然なバズ投稿案を生成します。
- 検証: SNSの投稿ルールや規約に反していないか、NGワードが含まれていないかを別の検閲AIが判定します。
- メモリ: 審査を通過した投稿内容を投稿カレンダーに記録し、自動ポストします。
AIにこのループを指示するシンプルなプロンプト例:
AI PROMPT / CONFIG
markdown
あなたは「SNS自動化AI」です。

トレンドワードを自動検知して興味を引く下書きを作成し、投稿先の規約に抵触しないか自己検閲をしてから投稿用の文案を出力してください。

ループが有効な4つの前提条件

ループは非常に強力ですが、あらゆるタスクに適用すべきではありません。
以下の4つの条件を満たしている領域でこそ、ループはその真価を発揮します。
1. 反復性があること
週に1回以上発生するような、繰り返し実行される作業である必要があります。
年に数回しか発生しない単発のタスクであれば、その都度人間が手でプロンプトを書いて実行する方が、仕組みを構築するコストよりも安く済みます。
2. 失敗を機械的に検出できること
テストコードの合否、コンパイルの成功、リンターや型チェックの合否、厳格なスキーマ(JSON Schema)など、AIの出力した成果物が「正しいか間違っているか」をプログラムで決定的に自動判定できる必要があります。
これができないと、ループは不具合を検知できずにただ空回りし続けます。
3. エージェントが完結できること
タスクの開始から終了までのプロセス全体を、エージェントが自律的に実行できる環境(ツールアクセス権限など)が揃っている必要があります。
途中で何度も「人間の手作業による補助」が必要になるタスクは、ループに落とし込むことが困難です。
4. 完成状態が客観的に定義できること
「どのような状態になればゴールなのか」が誰の目にも明らかな数値やルールで定義されている必要があります。
「もっと面白い文章にする」「洗練されたデザインにする」といった、人間の主観や好みに依存するタスクは、完成の判定をAIループだけで完結させることができません。
PROMPT / ADVICE💡 : 自分の業務がループに向いているか判定するAIに「私の業務は [あなたの業務内容
です。この業務がループエンジニアリングに向いているか、反復性・機械的検出・自律完結・客観的定義の4条件で判定して、向いている部分と向いていない部分を教えて」と聞くと、どこからループ化すべきか具体的にアドバイスしてくれます。]

ループ設計における3つの負債と安全回避策

ループを一度構築してしまえば、人間が何もしなくてもタスクが自動で進むようになります。
しかし、これは「誰も見ていない場所で、AIが勝手に間違え続けるリスク」と背中合わせです。
実務でループを運用する際には、以下の3つの負債を常に警戒する必要があります。
1. 検証負債(Verification Debt)
AIがものすごいスピードで大量のコードやコンテンツを出荷するようになると、それを後から人間がレビューして検証する負担が激増し、パンクしてしまう現象です。
「AIが勝手に完了したと報告したコード」を盲信せず、人間がレビューできる受け入れ基準を厳しく維持する必要があります。
2. 理解負債(Comprehension Debt)
AIが自分自身の知らないコードや仕様を勝手に作成してリリースし続けるため、人間の頭の中の「システムの全体地図」が古くなり、次第にブラックボックス化していく現象です。
実行をAIに任せても、設計や意思決定の判断権まで手放してはなりません。
3. トークンの経済(Token Economics)
ループ内で発生した予期せぬ無限ループや、同じエラーでの思考ロックにより、APIトークンが爆速で消費され、一晩で数万円〜数十万円の高額な請求書が届くというコスト事故のリスクです。
この3つの負債、特にトークン暴走のコスト事故を防ぐためには、ループの設計時に以下の「3大安全設計(エスカレーションパス)」を絶対に組み込まなければなりません。
最大試行回数(Max Runs)のハード上限
どんなにゴールを達成できなくても、たとえば「最大5ループ(または最大30分)まで」に達したら処理を強制停止する絶対防御ラインを設定します。
同一エラーの2回連続発生での停止
AIが同じ解決策を繰り返して泥沼にハマっていることを検知し、同じエラーが2回出た時点でループを自律停止させます。
人間へのエスカレーション(Human-in-the-loop)
停止した場合は、そこまでの実行ログと試行結果を添えて、Slack等で人間に即時バトンタッチ(承認または修正指示を待つ一時停止)する仕組みを必ず実装します。
PROMPT / ADVICE💡 : 安全設計をAIに組み込ませるAIに「ループの安全装置として、最大5回のリトライ上限、同じエラーが2回続いたら停止、停止時にSlackで通知する仕組みを、私のプロジェクトの設定ファイルに追加して」と依頼するだけで、3大安全設計が組み込まれた設定ファイルを自動生成してくれます。

実践:Claude CodeとMastraによる自律ループ実装例

最後に、実際の開発現場でループを動かすための設定コード例を解説します。

1. Claude Codeでの Stop フックと CLAUDE.md の設計

ターミナルで動作するClaude Codeでは、プロジェクト直下の設定ファイルと規約を組み合わせることで、最小限の自律ループを即座に稼働させることができます。
まず、プロジェクト直下の「CLAUDE.md」に、エージェントが従うべき「ループ協議のルール」を定義します。
PROMPT / ADVICE💡 : CLAUDE.mdにループ規約を読み込ませるAIエージェントに「このプロジェクト直下の CLAUDE.md に、テストと型チェックをループさせて、最大5回試行でエラー時は人間に引き継ぐ『ループ協議』のセクションを追記して」と依頼するだけで、AI自身が厳格な規約ファイルを書き換えてくれます。
規約を記載したCLAUDE.mdの例は以下の通りです。
AI PROMPT / CONFIG
markdown
## ループ協議
すべてのコード編集は、直線ではなく以下のループサイクルとして走らせること。

1. ファイルを変更する

2. チェック(npm test + npx eslint + npx tsc --noEmit)を走らせる

3. 失敗した場合はエラーログを読み、原因を特定してコードを修正し、2 に戻る

4. この自己修正ループは最大 5 回までとする

停止・終了条件:

- 全チェック通過した場合のみ「完了」と報告。通過した実行ログを証拠として提示すること

- 5回試行しても解決しない場合は即時停止し、発生したエラーと変更箇所を報告すること

- 同じエラーが 2 回連続した場合はループを止め、専門エージェント fixer を起動すること
さらに、Claudeが途中でルールを忘れたり、チェックを省略して完了を宣言したりする「ズル」を防ぐため、`.claude/settings.json` に強制的なフックを登録します。
AI PROMPT / CONFIG
json
{
"hooks": {
"Stop": [
{
"hooks": [
{
"type": "command",
"command": "npm test --silent 2>&1 | tail -20"
}
]
}
],
"PostToolUse": [
{
"matcher": "Write|Edit",
"hooks": [
{
"type": "command",
"command": "npx tsc --noEmit --pretty false 2>&1 | head -10"
}
]
}
]
}
}
- PostToolUse フック: エージェントがファイルを書き換える(Write / Editツール使用)たびに自動で型チェックを走らせ、エラーがあれば即座に同一セッション内で修正させます。
- Stop フック: エージェントが「完了」と判断してタスクを終了(Stop)しようとした瞬間に、強制的にフルテストを走らせます。
もしテストが1件でも失敗した場合、そのエラーログが自動的に会話のコンテキストに差し戻され、強制的に「もう1周のデバッグループ」が始まります。
これが自律ループの核となる配線です。

2. Mastraでの Goals 機能を活用したエージェント開発

TypeScriptのエージェントフレームワーク「Mastra」でサービス開発を行う場合、Goal定義と判定役を分けたループプログラムを以下のように構築できます。
AI PROMPT / CONFIG
typescript
import { Agent } from '@mastra/core/agent';

// ソフトウェアタスクを実行するエージェント
const devWorker = new Agent({
name: 'devWorker',
instructions: '与えられたソフトウェア開発タスクを完遂する',
model: 'openai/gpt-4o',
memory,
goal: {
// 自己採点を防ぐため、作業役とは別の「判定専用の軽量モデル」を指定
judge: 'openai/gpt-4o-mini',
// トークン暴走を防ぐリソースの絶対天井(最大イテレーション)

maxRuns: 10,
prompt: 'ソースコードの変更後に、テスト(npm test)が100%成功していること'
}
});

// スレッドに対して「目標(Objective)」をセットして自走させる
await devWorker.setObjective('認証APIエンドポイントを追加してテストを成功させてください', {
threadId: 'user-session-123',
resourceId: 'project-workspace'
});
このコードでは、作業を行う devWorker(gpt-4o)とは別に、判定役(judge)として gpt-4o-mini を指定しています。
「実行」と「評価」の担当モデルを物理的に切り離すことで、自己都合の甘い判定を排除し、最大10回のハード上限の中で極めて信頼性の高い自律デバッグループを回すことが可能になります。

今回のポイント:ループエンジニアリングまとめ

今回の解説コラムの最重要ポイントを振り返りましょう。
1. プロンプトからループへの転換
AIに1回ずつプロンプトで指示するのではなく、指示を出して検証する「仕組み(ループ)」そのものを設計するのがループエンジニアリングの本質です。
2. 生成と評価の分離による自己採点の罠回避
成果物をチェックする検証役は、作成したエージェントとは別のモデル、またはテストコードなどの機械的チェックに担当させ、判定のバイアスを排除します。
3. トークン暴走と負債を防ぐ3大安全設計
無限ループによる高額請求(コスト事故)を防ぐため、最大試行回数のハード上限、同一エラーの連続検知による停止、人間へのエスカレーション(Human-in-the-loop)を必ず組み込みます。
4. 適用すべき4条件の見極め
反復性があり、成否を機械的に検出でき、エージェントが自律完結でき、完成が客観定義できるタスクに絞ってループを構築します。
「起動ボタンを押すだけの人」ではなく、「自走システムを設計するエンジニア」としてAIを乗りこなしていきましょう。
PROMPT / ADVICE💡 : ループデバッグの自動化実際に自前のプロジェクトでループを稼働させたい場合は、AIエージェントに「私のプロジェクト直下にある設定ファイルを確認して、テストが落ちたら自動で修正してテストを再試行する設定ファイルを書いて」と指示を出してください。AIエージェントが必要な settings.json や CLAUDE.md を自律的に作成・配線してくれます。

このトピックについてさらに深く学びたいですか?

「自社のビジネスモデルに合わせたAIロードマップを作りたい」「自社独自のプロンプト集やAI利用規約を作りたい」といったご要望は、BNFのAI顧問が直接支援いたします。

BNF公式サイトでお問い合わせ