課題を出して、
レビューが返る.

良かった点
役割・背景・依頼内容などの見出しを用いてプロンプトを整理しており、AI が指示を正確に解析できる構成になっています。出力形式の例として、実際に期待するフォーマットと内容の粒度を提示しており、AI の出力のブレを最小限に抑えられています。

改善提案: 大量生成時の「AI の息切れ」の回避
実際に手元の AI(最新モデル)であなたのプロンプトを実行して検証してみたところ、645 年の大化の改新の記述において「蘇我氏を倒し」となるべきところが「蘇氏を倒し」と文字が欠落するハルシネーションが確認できました。これは、AI が一度に大量の出力を強いられて「息切れ」を起こした典型的な例です。

このような膨大なタスクは一括で処理させず、手順を分割して途中で人間がチェックする「HITL(Human-in-the-Loop)」の設計を取り入れることがベストプラクティスです。

良かった点
英文作成・逆翻訳・検証と修正のステップを明確に分け、それぞれの中間出力を省略させずに表示させています。AI がどの段階でどのような思考を行ったのかが可視化されています(グラスボックス化)。

改善提案: コンテキスト汚染を回避する「セッション分割」
現在の実装は基本要件を完璧に満たしています。しかし、AI には直前の対話を記憶する「コンテキストメモリ」があるため、「自分がどういう意図でこの英文を書いたか」を知っている状態で自身の文章をレビューすることになります。人間が自分の文章を校正すると見落としが生じやすいように、AI の自己評価も好意的な解釈に寄ってしまうリスクがあります。

より厳格な検証が求められる場合は、生成と検証を「別のセッション」に分け、検証を行う AI が書き手の意図を一切知らない状態にする手法が有効です。

良かった点
ロールなしの場合も実行し、その結果と比較して振り返りを行えている点が高く評価できます。LLM の挙動を相対的に観察する姿勢は、プロンプトエンジニアリングにおいて非常に重要です。

改善提案(3 段階)

1. 構造化 — 役割・ゴール・出力形式を Markdown の見出しで分割する。
2. 可観測性の確保 — 中間生成物を出力させ、AI がどの基準で判断したかを確認できるようにする(グラスボックス化)。
3. ロール実験 — 異なるロールで実行し、口調だけでなくアドバイスの内容自体が変わることに気づく。