AIに習慣を教える方法 — そして繰り返しをやめる
私の仕事の中で最悪の部分についてお話しましょう。
難しい問題ではありません。難しい問題は実は楽しいものです — パズルであり、パズルには解決策があります。いいえ、最悪の部分はもっと平凡なものです。
火曜日の午後です。30個のタブが開いています。3つの異なるドキュメントはすべて「final」というタイトルです。様々なアプリに散らばった十数個のメモ。そしてその混乱のどこかに — 確かにこれは知っています — すべてを解き明かす一文があります。昨日得た洞察。すでに下した決定。
でも見つけられません。
だから最初からやり直します。コンテキストを再説明します。結論を再導出します。すでにいた場所に戻るために1時間を無駄にします。
聞き覚えがありますか？
すべてが変わった日
最終的に理解したことはこうです：私のボトルネックはアイデアではありませんでした。知性でも、速度でも、時間でさえありませんでした。それは状態でした。複雑なシステムを素早く見ることができました — そしてタスクを切り替えた瞬間に完全にスレッドを失いました。
そしてどれだけの意志力もそれを修正することはできませんでした。より厳格なノートを試しました。より良いアプリ。より多くの規律。何も定着しませんでした。
最終的にうまくいったのは、以前は構築しようと思ったことがないものを構築することでした：実際に信頼できる外部メモリ。単なるメモではなく — 耐久性のあるアーティファクト。ファイル。チェックリスト。ワークフロー。AIが私が作成、改良、オンデマンドで取得するのを助けることができるもの。
この投稿はそれがどのように機能するかについてです。ツールではありません — ツールは行き来します。しかし原則です。これを理解した人々を観察するときに何度も現れる7つのアイデア。
しかしまず、なぜほとんどの人がそこに到達しないのかについて話しましょう。
なぜチャットAIは天井にぶつかるのか
ChatGPT、Claude、Gemini、または使用する可能性のあるAIアシスタントについてはこうです：彼らは信じられないほど素晴らしいです。本当に。「AIなし」から「いくらかのAI」へのジャンプは人生を変えます。
しかしある時点で、壁にぶつかります。
質問をします。答えを得ます。おそらくフォローアップをして、別の答えを得ます。そして先に進みます。会話は消えます。洞察は蒸発します。来週、同じ問題に直面するとき、完全にゼロから始めます。
それがチャットAIです。反応的です。デフォルトでステートレスです。覚えておらず、学習しません — 少なくともセッション間では。
エージェントAIは異なります。
モデルがより賢いからではなく、その周りのシステムが異なるからです。ループがあります。何かを計画する。ツールを使って実行する。結果を検証する。学んだことを保存して次回がより簡単になるようにする。
チャットAIがパーティーで出会う素晴らしい見知らぬ人なら — その夜は役立ち、その後永遠に消える — エージェントAIはメモを取り、あなたの好みを覚え、明日計画を持って現れる協力者です。
違いは魔法ではありません。アーキテクチャです。そして自分で構築できます。
実際に機能する7つの原則
私は何ヶ月もかけて、AIを真剣に使う人々から見つけられるすべてを読みました。デモのためだけではなく — 実際の仕事のために。コードを出荷する。レポートを書く。プロジェクトを管理する。
そして奇妙なことが起こりました：同じアイデアが何度も現れ続けました。異なる言葉、異なる文脈、しかし同じ核心的な原則。それらは私たち全員が保護しようとしている3つのことを中心にクラスター化されています：私たちの時間、私たちのエネルギー、そして私たちの目的意識。
それらを案内させてください。
時間の原則
計画から始める。
これは最も重要な教訓であり、聞くのに最も興奮しないものでもあります：AIに何かを構築するよう頼む前に、欲しいものを書き留めてください。仕様。ブリーフ。「完了」の一段落の説明。
わかっています。余分な仕事のように聞こえます。官僚主義のように感じます。
しかしそれがないとこうなります：何かを漠然と頼み、AIは漠然と正しいものをくれ、言及しなかったエッジケースを修正するのに次の1時間を費やします。「速い」アプローチは遅くなります。ウサギの穴が増殖します。
明確な仕様があると、何か違うことが起こります。AIには制約があります。脱線できません。検索スペースは管理可能なものに崩壊します。そして突然、最初のドラフトは実際に良いものになります。
私の心に残ったフレーズがあります：「全体的により速く動くために、最初はよりゆっくり作業する。」逆説的に聞こえますが、代替案を生きた人は誰でもそれが真実であることを知っています。
信頼する前に検証する。
AIは自信があります。常に。コードが動作すると言います。ロジックが健全だと保証します。そして時々 — よくあることですが — 正しいです。
しかし時々そうではありません。
これは批判ではありません。物理です。言語モデルは妥当なテキストを生成します。それが彼らがすることです。そして妥当なテキストは見つけにくい方法で間違っている可能性があります。
だからルールはこうなります：「完了した」を受け入れないでください。証拠を要求してください。パスするテスト。読めるdiff。実行を示すログ。AI出力をジュニア開発者の最初の試みのように扱ってください — 楽観的だが、レビューが必要。
最も速く動くオペレーターは盲目的に信頼する人ではありません。検証をループに組み込んだ人たちです。
人生がかかっているかのようにgitを使う。
どんな間違いも即座に元に戻せるとき、リスクを取ることができます。間違いが可逆的なとき、速度は安全になります。
だから最高のAIオペレーターは常にコミットします。機能の終わりではなく — すべての小さなステップの終わりに。すべてのアトミックな変更。すべてのチェックポイント。
なぜなら真実はこうです：AIが横道にそれたとき（そしてそうなります）、3時間の絡まった変更をデバッグしたくありません。5分前にリセットして再試行したいのです。
git resetは修正より速い。毎回。
エネルギーの原則
すべてをアトムに分解する。
大きなタスクはAIを壊します。「遅くする」という意味ではありません — 間違わせるという意味です。リクエストが長く複雑になればなるほど、モデルが脱線し、スレッドを失い、小さなエラーを大きなものに蓄積する可能性が高くなります。
解決策は分解です。その大きなタスクを取り、自分で15分か20分でできるほど小さな断片に砕いてください。「完了」が明らかなほど明確なステップ。
テストはこうです：ステップが完了したかどうかわからない場合、それは大きすぎます。さらに分解してください。
最初は退屈に感じます。しかし見返りは巨大です。各小さなステップは成功します。各小さな成功は前のものの上に構築されます。そして突然、不可能なプロジェクトは一連の扱いやすい問題になります。
コンテキストを外部化する。
長いAIセッションについて誰も教えてくれないことはこうです：それらは劣化します。
最初、AIはすべてを覚えています。目標。制約。途中で下した決定。しかし会話が成長するにつれて、コンテキストウィンドウが埋まります。古い情報が押し出されます。AIは忘れ始めます。
そして気づきません — 最初は。応答はまだ自信を持って聞こえます。しかし漂流しています。ゆっくりと、微妙に、AIはプロットを失います。そしてすでにカバーしたことを再説明するのにますますエネルギーを費やします。
解決策は反直感的です：会話に物事を覚えてもらうことに頼るのをやめてください。代わりに、コンテキストを外部化してください。現在の目標、主要な決定、オープンな質問をキャプチャするファイルを保持してください。各セッションの開始時にAIにフィードしてください。
私の経験では、この単一の実践 — 生きた状態ファイルを維持すること — はエージェントのドリフトを劇的に減らすことができます。AIは忘れません、なぜなら覚えてもらうように頼んでいないからです。
目的の原則
役割を分離する。
AIとの作業の核心には取引があります：あなたが考え、それが実行する。あなたが戦略的決定を下します — 何を構築するか、なぜそれが重要か、良いとはどのように見えるか。AIは戦術的な作業を処理します — 構文、ボイラープレート、注意を奪う退屈なビット。
これがうまくいくと、美しいです。創造的で戦略的なゾーンにとどまります。フラストレーションを感じる繰り返しの作業は消えます。フローが再び可能になります。
壊れたとき — AIの仕事を代わりにし始めたり、AIが生産しているものを理解するのをやめたりするとき — 何かが失われます。効率だけでなく、能力。「認知的萎縮」の本当のリスクがあります — 外部委託したことをどうやるか忘れること。
解決策は明確さです。何があなたのものかを知ってください。何がAIのものかを知ってください。アーキテクトとしての役割を保護し、AIをビルダーにさせてください。
それを定着させるメモリ
これらの原則にパターンに気づいたかもしれません：すべてが永続性に依存しています。セッションを生き残る計画。劣化しないコンテキスト。下されたまま残る決定。
しかしAIはステートレスです。新しい会話を始めるたびに、すべてを忘れます。
では永続性はどこから来るのでしょうか？
あなたからです。維持するファイル、構築するワークフロー、作成するドキュメントから。これが「外部メモリ」と言っていることです — AIの外に住み、AIが読み書きできるが、独立して永続するアーティファクトのシステム。
プロジェクトのための海馬と考えてください。AIが持っていない長期記憶。
今これのためのプロトコルがあります — MCP、Model Context Protocolと呼ばれるオープンスタンダード。AIシステムを外部ツールとデータソースに接続させます。データベースクエリ。Web検索。ファイル操作。AIがチャットウィンドウでできないすべてのこと、しかし適切なサーバーに接続されると突然できるようになります。
そしてここで物事が興味深くなります。
これを解決するために構築したツール
同じ問題に何度もぶつかりました。
セッション間で消えるコンテキスト。チャット履歴で失われる重要な決定。HTMLをパースするためだけにトークンを燃やす研究。追跡できない方法で変更されるJSONファイル。
だから何かを構築して修正しました。
Pomeraと呼ばれ、プロトコルをサポートする任意のIDEで動作するMCPサーバーです — Cursor、VS Code with Cline、Claude Desktop、Antigravity、その他。AIが苦労するものためのツールキットと考えてください。
リスキーなリファクタリングの前にファイルを保存する必要がありますか？一つのコマンドでバックアップを作成します。すべてのセッションからのすべてのノートを検索したいですか？全文検索があります。2つのAPI応答を比較していますか？セマンティックdiffを行います — データで実際に何が変わったかを表示し、どの行が移動しただけかではなく。
Web検索が組み込まれています。ジャンクを取り除くURL読み取り。そうでなければトークンを燃やす2ダースのテキスト操作 — ページからURLを抽出したり、空白をクリーンアップしたり、フォーマットを正規化したり。
機密情報も自動検出します — APIキー、パスワード、トークン — そして頼まなくても休止中に暗号化します。
これが唯一のソリューションだとは言いません。しかしこれは毎日使っているものであり、他のどこにも良い答えが見つからなかった問題を解決します。これのいずれかが響くなら、コードはGitHubでオープンソースです。
メタレイヤー
ここまで、ワークフローの最適化について話してきました — 各セッションをより良くする原則とツール。
しかしその上にレイヤーがあります。良いオペレーターを素晴らしいオペレーターから分ける習慣。
これです：自分自身をレビューする。
AI出力だけでなく — 自分自身のプロセス。セッションの終わりに質問してください：何がうまくいったか？何がうまくいかなかったか？どこで混乱した指示を出したか？明確でなかったためにAIが努力を無駄にしたのはどこか？
これがメタ認知です。考えることについて考えること。そして最も速く改善する方法です、なぜならすべてのセッションがデータになるからです。
これを試してください：次の重要な作業セッションの後、AIにプロンプトを分析するよう依頼してください。どんなパターンが見えますか？何を変えますか？何かを学ぶでしょう。毎回。
これの別バージョンもあります。AIが間違いを犯したとき — 非推奨のメソッドを使用したり、ライブラリ関数を幻覚したり、制約を無視したりするとき — コードを修正するだけではありません。ドキュメントを更新してください。正しいメソッドをパターンファイルに追加してください。ルールに制約を追加してください。
間違いは繰り返すことが不可能になります。AIが学んだからではなく、あなたのシステムが学んだからです。
ここからどこへ行くか
もっと深く探求したい場合、優れたリソースがいくつかあります。
公式のGetting Started with Antigravityガイドは基本を案内します。LogRocketはエージェント機能についてより深く掘り下げた包括的な開発者ガイドを公開しました。そしてYouTubeにはダース以上のチュートリアルがあります — ワークフローの動作を示すハンズオンデモを含めて。
ここでステップバイステップの手順を与えるつもりはありません。部分的にはこれらのリソースがすでに存在し、良いからです。しかし主に探求することはフォローすることよりも価値があるからです。MCPパネルを開いてください。設定を探索してください。何が可能か見てください。
それがあなたにとって何がうまくいくかを学ぶ方法です。
なぜこれが技術を超えて重要か
しかしあなたに残したいものがもう一つあります。見るのに時間がかかったもの。
これらの原則は実際にはAIについてではありません。人間であることについてです。
数年前、Jordan Petersonの12 Rules for Lifeを読みました。奇妙な本です — 一部心理学、一部哲学、一部神話 — そして予想しなかった方法で私に残りました。効果的なAIオペレーターがどのように働くかのパターンに気づき始めたとき、不安になることに気づきました：原則は同じです。異なる語彙、同じ真実。
私が意味することをお見せしましょう。
Petersonの第6のルールは「世界を批判する前にあなたの家を完璧な順序にする」です。アイデアはシンプルですが深遠です：外のカオスを修正しようとする前に、内のカオスを修正してください。部屋を掃除してください。人生を整理してください。自分の問題を整理してください。そうして初めて、より大きな問題に対処する立場 — そして明晰さ — を持つことができます。
今、私たちが議論した最初の原則について考えてください：計画から始める。AIに何かを構築するよう依頼する前に、自分の考えを整理してください。欲しいものを書き留めてください。コンテキストを整理してください。平行は正確です。AIは定義していない問題を修正できません。そして自分の考えが30個のタブに散らばっている間は問題を定義できません。
Petersonの第10のルールは「あなたの話し方を正確にする」です。彼は曖昧な言語が曖昧な結果を生み出すと主張しています — ぼんやりした思考は言葉を通じて伝播し、行動を腐敗させます。正確さは衒学ではありません。解決される問題と腐敗する問題の違いです。
これがまさに分解がうまくいく理由です。タスクをアトムに分解してください。「完了」が明らかなほど明確にしてください。言語の正確さ — プロンプト、仕様、定義 — がAIが有用なものを提供するか、雑草に入り込むかを決定します。
次に第8のルールがあります：「真実を言う — または、少なくとも嘘をつくな。」Petersonはこれを倫理的命令としてフレーム化しますが、実用的でもあります。嘘は蓄積します。維持するためにより多くの嘘が必要です。最終的に、構造は崩壊します。
AI幻覚は異なる種類の嘘です — 意図的ではありませんが、それほど危険ではありません。モデルは自信を持って何かを伝えます。検証なしで受け入れます。嘘はコード、レポート、決定に伝播します。検証の命令は効率だけではありません。認識論です。妥当な虚構ではなく、真実の上に構築するというコミットメントです。
第7のルール：「便宜ではなく、意味のあるものを追求する。」便宜的なのは計画フェーズをスキップすることです。素早くプロンプトして最善を期待する。最初の答えを受け入れて先に進む。しかし便宜にはコストがあります — やり直し、ドリフト、物事を2回行う無駄なエネルギー。
意味のある仕事は忍耐を必要とします。前もって投資することを求めます。永続するシステムを構築する。クイックヒットを永続的な構造と交換する。この投稿のすべての原則は、何らかの方法で、便宜よりも意味の選択です。
そして最後に、第4のルール：「他の誰かが今日誰であるかではなく、昨日あなたが誰であったかと自分を比較する。」これがメタ認知の核心です。プロンプト、プロセス、パターンをレビューして — 改善する実践。他の誰かより良くない。昨日のあなたのバージョンより良い。
私が信じるようになったことはこうです：AIをうまく機能させる原則は人生をうまく機能させる原則です。秩序がカオスに勝つ。真実が混乱に勝つ。正確さが曖昧さに勝つ。意味がニヒリズムに勝つ。
AIは単なるメディアです。メッセージは文明と同じくらい古いです。
まとめ
覚えておいてほしいことはこうです：
「チャットAI」から「エージェントAI」へのジャンプはより良いプロンプトについてではありません。永続するシステムを構築することについてです。セッションを生き残る計画。劣化しないコンテキスト。エラーをキャッチする検証。信頼できる外部メモリ。
これはより多くの仕事のように聞こえます。そして最初はそうです。
しかしその後何かがシフトします。認知的オーバーヘッドが落ちます。再説明をやめます。コンテキストを失うのをやめます。すでに構築したものを再構築するのをやめます。
そして本当に重要な仕事にエネルギーを費やし始めます。
ここにはより深い教訓もあります。AIを効果的にする原則は、あなたを効果的にする同じ原則です — 思考者として、創造者として、人間として。秩序。真実。正確さ。意味。これらはテクノロジーの概念ではありません。よく生きられた人生の基盤です。
AIはこれらのアイデアを発明しませんでした。それらを再び見えるようにしただけです。
だからはい、ワークフローを構築してください。メモリシステムを作成してください。AIに定着する習慣を教えてください。
しかし忘れないでください：あなた自身も教えています。
興味があります： 二度と手動でやりたくない繰り返しタスクは何ですか — そしてそれを自動化することを妨げているものは何ですか？
リソース
- Pomera AI Commander (GitHub)
- Google Antigravity
- Antigravity Codelabsガイド
- Google Antigravity: ハンズオンデモ (YouTube)
- LogRocket: AntigravityとGemini 3
- Googleブログ: 開発者向けGemini 3
- Model Context Protocol (MCP)
- Jordan Peterson著 12 Rules for Life