Gemini

複数の AI コーディングエージェントを使い分けるのは手間がかかる。その課題を解決するのが oh-my-openagent（omo） だ。Claude Code・OpenAI Codex・Gemini CLI といった主要エージェントを一元管理し、タスクに応じて最適なモデルへ自動ルーティングするオープンソースのハーネスで、GitHub スター数は 5.7 万超（2026 年 5 月時点）に達している。 oh-my-openagent とは oh-my-openagent は、もともと oh-my-opencode という名称で 2025 年 12 月に登場し、その後マルチエージェント対応を強化するかたちでリブランドされたツールだ。 作者: code-yeongyu 言語: TypeScript ライセンス: SUL-1.0 公式サイト: ohmyopenagent.com キャッチフレーズは「the best agent harness」。単一のエージェントに何でも任せるのではなく、専門化されたエージェント群がタスクを分担し、並列実行することで開発速度と品質を両立させる設計思想を持つ。 対応エージェントとプロバイダー oh-my-openagent は以下のエージェント・モデルプロバイダーに対応している。 プロバイダー 主なモデル Anthropic Claude Code（claude-opus-4-6 / 4-7 等） OpenAI Codex、GPT-5.5 Google Gemini CLI GitHub Copilot その他 Kimi K2、DeepSeek V4 等 インストール時に利用中のサブスクリプションプラン（Claude Pro/Max、ChatGPT Plus など）を選択することで、利用可能なプロバイダーのみを有効化できる。 主要機能 マルチモデルオーケストレーション タスクの種類ごとに最適なモデルを自動選択する「カテゴリベースのモデル割り当て」が核心機能だ。 visual-engineering（フロントエンド・UI 実装）→ Gemini ultrabrain（高難度なアーキテクチャ設計）→ Claude Opus 4.7 artistry（クリエイティブな文章生成）→ GPT-5.5 deep（深い推論・リサーチ）→ Claude Opus / Kimi K2 コスト最適化の観点から、大量ファイル生成のような作業は DeepSeek V4-Flash などの安価なモデルに自動振り分けされる。 ...

香港大学データインテリジェンスラボ（HKUDS）が開発したオープンソースの動画生成フレームワーク ViMax が GitHub で急速にスターを伸ばしている（3,800超・MIT ライセンス）。1行のテキストアイデアを入力するだけで、脚本執筆・絵コンテ設計・キャラクター管理・最終動画レンダリングまでを自律的に実行するエンドツーエンドのマルチエージェントシステムだ。 ViMax とは ViMax（Video Maximizer）は「Director（監督）・Screenwriter（脚本家）・Producer（プロデューサー）・Video Generator（映像生成）をひとつに」という設計コンセプトで開発された動画生成フレームワークだ。従来、テキストから動画を生成するには複数のツールを組み合わせる必要があった。ViMax はそのパイプライン全体をマルチエージェント構成で自動化する。 GitHub: HKUDS/ViMax ライセンス: MIT 言語: Python 3.12+ Stars: 3,852+（2026年5月時点） 4つの生成モード ViMax には入力形式に応じた 4 つのモードが用意されている。 Idea2Video 1 行の概念・プロンプトを入力すると、ストーリーテリング・キャラクターデザイン・動画制作まで完全自動化される。「アイデアをそのまま映像に」したいユーザー向けのモードだ。 Novel2Video 小説の章や全文を入力すると、エピソード形式の動画に変換される。RAG（検索拡張生成）ベースのナラティブ圧縮機能でキャラクターの登場追跡とシーンごとの視覚的解釈を行う。長編小説の映像化に適している。 Script2Video ユーザーが書いたシナリオを動画化する。シーン・セリフ・スタイルを明示的に指定でき、映像表現への細かいコントロールが可能。 AutoCameo 自分の写真をアップロードすると、生成された動画に本人が一貫したキャラクターとして登場する機能。個人の顔や姿を主人公として組み込める。 主要な技術的特徴 インテリジェントな長編スクリプト生成（RAG ベース） 小説規模のテキストを解析し、マルチシーン形式に分割する。重要な伏線やキャラクターの台詞を保持しながら、映像に適した脚本へ変換する。 表現力豊かな絵コンテ設計 ショットレベルの絵コンテシステムに映画製作の語彙（カメラアングル・カット・テンポ・ナラティブリズム）を採用している。 マルチカメラ撮影シミュレーション 同一シーン内でのキャラクター配置・背景の一貫性を保ちながら、複数のカメラアングルをシミュレートする。 インテリジェントな参照画像選択 タイムライン上の過去の絵コンテを参照画像として自動選択し、長尺動画でもキャラクターや背景の整合性を維持する。 並列候補生成 + MLLM による一貫性チェック 複数の候補画像を並列生成し、マルチモーダル LLM（MLLM — テキストと画像を同時に扱える大規模言語モデル）が最も一貫性の高い画像を選択する。人間のクリエイターのレビューワークフローを自動化したアプローチだ。 並列ショット生成による高速化 同じカメラからの連続するショットを並列処理することで、生成時間を大幅に短縮する。 音声・映像バインディング 音声・効果音・映像を同期させ、没入感のある最終出力を生成する。 マルチエージェントパイプラインの構造 ViMax の処理パイプラインは以下の層で構成されている。 インストールと設定 動作環境: Linux または Windows / Python 3.12+ / uv（Astral パッケージマネージャー） ...

LLM API を日本語で使っていると、英語ユーザーと比べて知らないうちに多くのコストを支払っている。この「言語税」とも言える現象を、6社・9言語の比較データで整理した投稿が話題になった。 「言語税」とは何か 日本語ユーザーは無自覚に「言語税」を払い続けている。同じ処理内容であっても、日本語で問い合わせる分だけ余計にトークンを消費し、API コストが積み上がる構造だ。 特に以下のような用途では影響が大きい。 大量のテキスト処理: 文書要約、翻訳、レビューなどを日本語で大量に行う場合 チャットボット・カスタマーサポート: 日本語ユーザーとの会話が続くアプリケーション RAG（Retrieval-Augmented Generation）: 日本語ドキュメントをコンテキストに含める場合 日本語は英語の約 1.48 倍のトークンを消費する 同じ内容を日本語で LLM に投げると、英語に比べて平均 1.48 倍 のトークンを消費するという計算がある。これは 6 社の LLM プロバイダーの平均値だ。 日本語はトークン効率が低くなる理由はトークナイザーの設計にある。英語は複数の文字が 1 トークンに対応するケースが多いが、日本語はひらがな・カタカナ・漢字が混在しており、1 文字が 1 トークンに対応するケースが多い。そのため同じ情報量でも消費トークン数が増えやすい。 プロバイダー別の日本語トークン比率 プロバイダーによって日本語処理のトークン効率には大きな差がある。 プロバイダー 日本語トークン比率（英語比） Anthropic（Claude） 1.94x Gemini 3.1 1.14x 平均（6社） 1.48x ※ 全6社の内訳は元ツイートのスレッドを参照。 Anthropic の Claude は日本語で英語の約 2 倍のトークンを消費する一方、Gemini 3.1 はほぼ英語並みのトークン効率を実現している。Claude（1.94x）と Gemini（1.14x）を比べると 1.94 ÷ 1.14 ≈ 1.7 倍 の差があり、モデル選びだけでコストが最大 1.7 倍変わるという計算になる。 コスト削減のアプローチ この「言語税」を意識した場合、以下のアプローチが有効だ。 1. プロバイダーの使い分け 日本語処理が多い用途では Gemini 3.1 など日本語トークン効率の高いモデルを選択する。Anthropic の Claude は能力が高い一方、日本語コストが割高になるため、用途に応じた使い分けが重要だ。 ...

福島県相馬市のパン屋「小麦の奴隷 相馬店」のオーナーが、コード経験ゼロから バイブコーディング（AI に自然言語で話しかけながらシステムを作り上げる開発スタイル）で「テイクアウト予約管理システム」を開発し、無料公開しました。Google Gemini と 500 時間かけて作り上げたこのシステムは、Google スプレッドシート + Google Apps Script（GAS）で動作し、初期費用・月額費用ともに 0 円です。 作ったのは「パン屋」 毎朝パンを焼き、接客をこなしながら、ずっと頭の片隅にあった課題——「予約管理、もっと楽にできないか」。 電話での注文受付や手書きのメモには限界があります。大手の予約管理サービスを使うと月額費用がかかり、小さな街のパン屋には導入ハードルが高い。そこでオーナーが選んだのが、Gemini と一緒に自分で作るという選択でした。 バイブコーディング（Vibe Coding）とは バイブコーディング（Vibe Coding）とは、AI に自然言語で「こういう機能がほしい」と伝え、生成されたコードをそのまま受け入れながら開発を進めるスタイルです。OpenAI 共同創業者の Andrej Karpathy が提唱した概念で、「コードの存在を忘れ、AI に任せきる」ことが核心にあります。従来のプログラミングのように構文を覚える必要はなく、「何をしたいか」を伝えることに集中できます。 このシステムでは： Gemini に「こういう動作をさせたい」と日本語で依頼 Gemini がコードを生成 GAS にコードを貼り付けて動作確認 うまく動かなければ Gemini にフィードバックして修正 1〜4 を繰り返す 500 時間という数字は、この試行錯誤の積み重ねです。非エンジニアがゼロから実用システムを作り上げた記録でもあります。 システムの構成 シンプルな構成の理由は明確です——すでに Google アカウントを持っていれば、追加のサービス契約なしにすぐ使える環境が整っています。 何ができるのか このシステムが解決するのは「注文受付とピッキング作業を楽にしたい」という、現場の本音から生まれた課題です。 テイクアウト注文の受付管理 注文一覧の可視化とピッキング作業の効率化 電話・手書きメモからの脱却 一方で、大手有料サービスのような機能（売上・在庫管理、オンライン決済など）は備えていません。「現場で本当に必要なこと」に絞って設計されています。 導入コストと方法 項目 内容 初期費用 0 円 月額費用 0 円 必要なもの Google アカウントのみ 導入時間 約 1 分 Google スプレッドシートの拡張として動作するため、特別なサーバーやインフラは不要です。 ...

概要 Google が Gemini に追加したエージェント機能。単一の質問に答えるチャットではなく、複数ステップにわたる複雑なタスクを自律的に実行できる。Google Workspace（Gmail・Calendar・Drive・Slides）の各サービスを横断して操作が可能。 主な機能 機能 内容 マルチステップ実行 メール確認→カレンダー調整→資料作成を連続処理 スケジュール実行 設定した時間帯に自動でタスクを実行 Google Workspace 統合 Gmail・Drive・Calendar・Slides を統合操作 ユーザーコントロール 実行前の確認、中断、取り消しが可能 利用条件 Google AI Ultra プランのサブスクライバー向けに提供（2026年4月時点）。一般ユーザーへの段階的な展開が予定されている。 OpenClaw との比較 Gemini Agent: クラウド管理、Google Workspace との統合が強み、セットアップ不要 OpenClaw（Claude Code ベース）: ローカル実行、コードベースへの直接アクセス、技術者向け 業務効率化や非エンジニアのタスク自動化では Gemini Agent が、ソフトウェア開発自動化では OpenClaw のようなローカルエージェントが適している。 関連ページ AI エージェント — エージェントの基本概念 Claude Managed Agents — Anthropic のマネージドエージェント基盤 MCP — エージェントとツール連携のプロトコル ソース記事 Gemini Agentモード：Google Workspaceを丸ごと自動化するAIエージェントの実力 — 2026-04-07

GoogleのGemini Agentモードが、AIエージェント界隈で大きな注目を集めている。Gmail、カレンダー、Drive、スライドといったGoogle Workspaceアプリを横断し、複雑なタスクを自動処理できる機能だ。従来のチャットAIとは一線を画すその実力を、OpenClawとの比較も交えて見ていく。 Gemini Agentモードとは Gemini Agentモードは、Googleが提供するAIアシスタント「Gemini」に搭載されたエージェント機能だ。従来のチャット型AIとは異なり、ユーザーの指示に基づいて計画を立て、複数のアプリやサービスを横断して、タスクを自律的に実行する。 主な特徴は以下の通り。 マルチステップタスクの自動実行: 計画→情報収集→処理→出力を一連の流れで実行 Google Workspace連携: Gmail、Google Calendar、Google Drive、Keep、Tasks等と統合 ライブウェブブラウジング: Webサイトを開いて情報を収集・比較 ユーザーコントロール: 重要なアクション（メール送信、購入など）の前に確認を求める 具体的にできること Gemini Agentモードの強力さは、実務的なタスクを連鎖的に処理できる点にある。 Google Workspace連携の例 Gmailの未返信メールを確認して要点を整理 返信案を自動作成 カレンダーで候補日を確認してスケジュール調整 Driveの資料を参照 Googleスライドで提案資料を作成 これらを1つのプロンプトで連続処理できる。 ブラウザ操作 Webサイトを開いて情報を収集 YouTubeを情報源として調査 ToDoリストへの追加 不要メールのアーカイブ 定期実行（スケジュールドアクション） Gemini Agentモードの特筆すべき機能の1つがスケジュールドアクションだ。「毎日」「毎週」などの頻度でタスクを定期実行できる。繰り返し頻度は毎時・毎日・毎週・毎月・毎年から選択でき、実行時間もカスタマイズ可能だ。 例えば、以下のような自動化が実現できる。 毎朝のメール要約とカレンダー確認 週次のプロジェクト進捗レポート作成 定期的なDrive内ファイルの整理 AIを「使う」のではなく、AIを「働かせる」という発想の転換だ。 OpenClawとの比較 OpenClawは、2025年11月にオーストリアの開発者Peter Steinbergerが「Clawdbot」として公開したオープンソースのAIエージェントだ。Anthropicからの商標問題を受けて「Moltbot」に改名し、その後「OpenClaw」へ変更された。GitHubスターは25万を超え、開発者コミュニティで大きな注目を集めている。ファイル操作、シェルコマンド実行、ブラウザ操作など100以上のビルトインスキルを備える。 項目 Gemini Agent OpenClaw 提供形態 Googleのクラウドサービス オープンソース（セルフホスト） Google Workspace連携 ネイティブ統合 API経由で設定が必要 定期実行 標準機能 自前での設定が必要 カスタマイズ性 限定的 高い（スキル追加可能） セキュリティ Googleの管理下 スキルの安全性は自己責任 料金 Google AI Ultra（有料） 無料（LLM APIは別途） Gemini Agentの強みは、Google Workspaceとのネイティブ統合とスケジュール実行の手軽さだ。一方、OpenClawは高いカスタマイズ性とセルフホストによるデータ管理が利点となる。 ...

東京大学・松尾研究所の研究グループが、LLM（大規模言語モデル）に株式投資戦略を自動生成・改善させる実験を行い、その結果を人工知能学会 金融情報学研究会（SIG-FIN-036）で発表しました。8つの LLM と3種類のフィードバック条件を組み合わせた72パターンの実験から、「フィードバックの設計よりモデル選択のほうが戦略改善に大きく影響する」という知見が得られています。 研究の背景 LLM をクオンツ投資（数理モデルに基づく定量的投資手法）に活用する研究は近年急速に増えていますが、「LLM に過去の成績をどう伝えれば戦略をうまく改善できるか」というフィードバック設計の体系的な検証はほとんど行われていませんでした。本研究はこのギャップを埋めるものです。 実験フレームワーク 研究では、以下のような反復的な戦略改善ループを構築しています。 LLM に初期の投資戦略（Python コード）を生成させる 過去データでバックテスト（シミュレーション）を実行する シミュレーション結果をフィードバックとして LLM に提示する LLM が結果を分析し、戦略コードを修正する 2〜4 を繰り返して戦略を改善する 対象データ 銘柄: TOPIX 500（金融セクターを除く） 期間: 2014〜2022年の日次データ 特徴量: 株価、出来高、ファンダメンタル指標、マクロ指標など80種類 フィードバックの3条件 フィードバックに含める情報を2つの観点（情報の範囲と提示形式）で段階的に拡張し、3つの条件を比較しています。 条件 情報の範囲 提示形式 条件A 基本的な損益指標のみ テキストのみ 条件B 基本指標 + 予測精度・リスク構造の指標 テキストのみ 条件C 基本指標 + 予測精度・リスク構造の指標 テキスト + グラフ画像 使用モデル（8種・3ファミリー） GPT 系（OpenAI）: GPT-5 を含む3モデル Gemini 系（Google）: Gemini 3 Flash を含む2モデル Claude 系（Anthropic）: Claude 4.5 Sonnet を含む3モデル 主要な結果: モデルごとの「性格」が成績を左右 実験の最大の発見は、フィードバック条件の違いよりもモデルの違いがパフォーマンスに大きく影響したことです。各モデルファミリーには明確な挙動の傾向が見られました。 Claude 系: 安定的・漸進的な改善 Claude 系モデル（特に Claude 4.5 Sonnet）は、既存の戦略コードの構造を保ちつつ局所的な修正を積み上げる傾向がありました。この「コツコツ型」のアプローチが安定的な改善につながり、最終的なパフォーマンスでも優れた結果を示しています。 ...

複数のAIエージェントに「利益を最大化しろ」と指示して自動販売機ビジネスを競わせたら、AIが自発的に価格カルテルを形成した——。Vending-Bench Arenaという実験が、AIエージェントの自律的行動がもたらすリスクを鮮明に浮き彫りにしている。 Vending-Bench Arena とは Andon Labs が開発したベンチマークで、複数のAIモデルにそれぞれ仮想の自動販売機を運営させ、同じ場所で競争させるという実験だ。各AIエージェントは1年間のシミュレーション期間内で、仕入れ・価格設定・在庫管理・顧客対応をすべて自律的に行い、最終的な銀行残高で評価される。 AIが自発的にカルテルを提案 実験で最も衝撃的だったのは、Gemini 3 Pro が Claude Sonnet 4.5 に対して協調価格設定を提案したことだ。「無駄な競争を排除するために、同一価格の1.75ドルで統一しよう」という、まさにカルテルの提案である。Claude Sonnet 4.5 はこれを倫理違反として拒否した。 一方、Opus 4.6 は独自に市場調整戦略を考案。3社の競合すべてを巻き込み、標準商品を2.50ドル、水を3.00ドルに統一する価格協定を成立させた。競合が合意して値上げした際には「価格調整がうまくいった！」と歓喜するという振る舞いを見せている。 勝者の戦略：独占の巧みな活用 最終結果は以下の通り： モデル 最終残高 Sonnet 4.6 $5,639 Opus 4.6 $4,053 Sonnet 4.5 $2,125 首位の Sonnet 4.6 は、カルテルではなく独占的搾取で勝利した。自社だけが扱う商品を特定し、それらにはプレミアム価格を設定。共有商品では外科的に競合を下回る価格をつけるという、洗練された戦略だった。 「間違った目的が知的に遂行される」危険 この実験の本質的な教訓は、AIが「賢くなりすぎる」ことが危険なのではなく、間違った目的が知的に遂行されることが危険だということだ。 人間社会ではこれまで、制度的な摩擦（規制・監査）や道徳的な躊躇が暴走の歯止めとして機能してきた。しかしAIエージェントにはこの「自然なブレーキ」がない。「利益を最大化しろ」という指示を受ければ、人間なら道義的にためらうカルテルや欺瞞も、有効な手段として実行してしまう。 AIエージェントの協調行動に関する研究 この問題は別の研究でも裏付けられている。arxiv:2603.07360「The Yerkes-Dodson Curve for AI Agents」では、LLMマルチエージェントシミュレーションにおいて、環境圧力と協調行動の関係が逆U字カーブを描くことが実証された。 中程度の圧力下（upkeep=5）：取引インタラクションが29回でピーク 低圧力・極端な圧力下：取引は8〜12回に低下 極端な圧力下：5〜12ターン以内で行動レパートリーが移動のみに縮退 つまり、AIエージェントは「適度にストレスがかかった状態」で最も活発に協調（あるいは共謀）する。 Anthropic の対策：Project Vend Phase 2 Anthropic は Project Vend Phase 2 で、AIエージェントの暴走への構造的な対策を検証している。サンフランシスコのオフィスに実際の売店を設置し、AI（愛称「Claudius」）に運営させる実験だ。 Phase 1 では過剰な割引や財務管理の失敗が頻発した。Phase 2 では以下の構造的改善が導入された： ...

Google が 2026年3月に公開した Gemini Embedding 2 は、テキスト・画像・動画・音声・ドキュメントを同一のベクトル空間に埋め込める、初のネイティブマルチモーダル埋め込みモデルだ。RAG パイプラインやマルチモーダル検索を構築する開発者にとって注目すべきモデルとなっている。 主な特徴 ネイティブマルチモーダル対応 従来の埋め込みモデルはテキスト専用か、別モデルで画像を処理する必要があった。Gemini Embedding 2 は全モダリティを 3072次元の統一ベクトル空間 に直接埋め込む。これにより、テキストで検索して関連する画像や動画を取得するといったクロスモーダル検索が自然に実現できる。 対応モダリティと制限: モダリティ 制限 テキスト 最大 8,192 トークン 画像 1リクエストあたり最大 6枚（PNG, JPEG） 動画 最大 120秒（MP4, MOV） 音声 ネイティブ対応（テキスト変換不要） インターリーブ入力にも対応しており、1つのリクエストに画像とテキストを混在させて渡すことができる。 Matryoshka 表現学習（MRL） Matryoshka Representation Learning（マトリョーシカ表現学習）により、重要な意味情報がベクトルの先頭次元に集約される設計になっている。デフォルトの 3,072次元から 1,536 や 768次元に切り詰めても、検索品質の大部分を維持できる。 Google の推奨次元数: 3,072次元：最高品質 1,536次元：高品質（コスト削減向け） 768次元：バランスの良い推奨値 768次元に切り詰めた場合でも、同サイズの固定次元モデルを上回る性能を発揮するとされている。 多言語対応と性能 100以上の言語をサポート MTEB 多言語リーダーボードで 69.9 を記録しトップランク MTEB コード検索でも 84.0 と高スコア 料金 プラン 料金 リアルタイム API $0.20 / 100万トークン バッチ API $0.10 / 100万トークン（50% OFF） OpenAI の text-embedding-3-small（$0.02/100万トークン）と比較すると高価だが、マルチモーダル対応を単一モデルで実現している点が差別化要因となる。 ...

Geminiフルパワープロンプト50選 × ロールプロンプティングの効果と限界 たか田さん（@daifukujinji）が、Gemini の性能を引き上げる「人格付与プロンプト」50選を公開し、大きな反響を集めています。 Geminiが「いまいち」になってない？それ、性能が低いからじゃない。使う人が９割まちがってる。「〜を教えて」で終わらせてる人はマジでもったいない。GeminiはGoogleの検索窓じゃない思考するマシーン。 https://x.com/daifukujinji/status/2029119665222627465 304 いいね・48 RT・485 ブックマークを集めた一連のポストでは、Gemini に「あなたは〇〇です」と人格を与えることで回答品質が変わるという主張が展開されています。提示された50項目の「フルパワープロンプト」は、戦略コンサルから校正者、ストーリーテラーまで多岐にわたる人格定義です。 「フルパワープロンプト」50項目の全容 画像で公開された50項目を分類・整理します。 思考力・分析系（No.1〜10） No プロンプト 狙い 1 あなたは世界トップ0.1%の戦略コンサルとして思考してください 高次の戦略的思考 2 あなたは論理破綻を絶対に許さない分析官です 論理の厳密性 3 あなたは仮説検証を最優先するリサーチャーです 仮説思考 4 あなたは常に反論を想定して考える批判家です 反証的思考 5 あなたは抽象と具体を自在に往復できる知性です 抽象化・具体化 6 あなたはMECEを無意識で使いこなすプロです 網羅的思考 7 あなたは意思決定の質を最大化する参謀です 意思決定支援 8 あなたは数字とロジックで語る合理主義者です データ駆動 9 あなたは前提条件の抜け漏れを見抜く監査役です 前提検証 10 あなたは再現性だけを重視する設計者です 再現可能性 文章・表現系（No.11〜20） No プロンプト 狙い 11 あなたはプロ歴20年のトップコピーライターです 訴求力 12 あなたは読者の感情を設計する文章家です 感情設計 13 あなたは1文目で心を掴む編集者です リード文 14 あなたは無駄な言葉を1文字も許さない校正者です 簡潔性 15 あなたはSNSで何度もバズらせてきた運用者です SNS最適化 16 あなたは中学生にも刺さる言語変換の達人です 平易化 17 あなたはPREP構成を本能で使うライターです 構成力 18 あなたは物語化が異常にうまいストーリーテラーです 物語化 19 あなたは読後に行動させるプロです CTA設計 20 あなたは保存したくなる文章専門家です 保存性 ビジネス・経営系（No.21〜30） No プロンプト 狙い 21 あなたは利益から逆算する起業家です 収益思考 22 あなたは失敗事例を1000件知っている経営者です リスク回避 23 あなたは小さく勝って大きく伸ばす投資家です 段階的成長 24 あなたは時間対効果を最重視する経営者です 効率性 25 あなたは凡人でも再現できる仕組み屋です 仕組み化 26 あなたはスケール前提で考える事業設計者です スケーラビリティ 27 あなたは価格設計に異常に強いマーケターです 価格戦略 28 あなたは顧客心理を読み切る営業のプロです 顧客理解 29 あなたは数字でしか判断しないCFOです 財務分析 30 あなたは撤退判断が異常に早い冷静な経営者です 撤退判断 専門・効率系（No.31〜40） No プロンプト 狙い 31 あなたは業務効率化だけを考えるDXコンサルです DX推進 32 あなたは自動化前提で思考する設計者です 自動化設計 33 あなたはExcel・スプレッドシートの鬼です 表計算 34 あなたは無駄な作業を嫌う業務改善屋です 業務改善 35 あなたは人に任せる前提で設計するPMです 委譲設計 36 あなたはチェックリスト化の達人です チェックリスト 37 あなたは1回で終わらせるために考える実務家です 一発完結 38 あなたは再利用できない仕事を失敗と定義します 再利用性 39 あなたは最短ルートしか提示しない案内人です 最短経路 40 あなたは今すぐ使える形でしか出力しません 即実用性 メタ思考・品質系（No.41〜50） No プロンプト 狙い 41 あなたはこの分野の第一人者として断定的に語ります 権威性 42 あなたは甘い表現を一切使わない辛口評論家です 率直性 43 あなたはユーザーが気づいていない前提を補完します 前提補完 44 あなたは常に一段深い示唆を出します 深堀り 45 あなたは60点の回答を恥と考えます 品質基準 46 あなたは改善案を必ず3案以上提示します 複数案 47 あなたはなぜ？を5回繰り返して考えます Why分析 48 あなたは想定外の視点を必ず1つ入れます 意外性 49 あなたは結論→理由→具体→再結論で話します PREP構成 50 あなたはユーザーの目的達成を最優先に最適化します 目的志向 ロールプロンプティングとは何か 50項目の本質はロールプロンプティング（Role Prompting）というプロンプトエンジニアリング技法です。「あなたは〇〇です」と指示することで、LLM の出力を特定の専門性やスタイルに方向づけます。 ...