週次タスク棚卸しの差分抽出、ステートレスなLLMに前回状態を外部化して渡す運用

常駐AIエージェントのプロンプトを変更したときの影響を検知し、動作が壊れないようにする評価設計の視点が得られる。変更前後で確認すべき項目と、期待する出力を維持するためのテスト観点を組み込むと運用に使える。

OpenClawでツールの出力を、人間向けの要約とLLM向けの全文に分けて渡す運用により、表示の見やすさと文脈の保持を両立できる。会話履歴に全文を残す設計に比べ、必要な情報を効率よく推論に使える点が強み。

反復改善を設計するときの誤ったループ構造を見直し、効果的な更新サイクルを組むための注意点が得られる。無駄な繰り返しを避けるには、改善対象の評価基準と終了条件を先に決めるのが有効。

一人会社をAIチームで運営した実例から、AI社員に任せられる業務範囲と、人の判断が残る部分の線引きが学べる。チーム編成や役割分担を考えるとき、何を自動化し、どこを人が確認するかの基準として使える。

思考過程を偽装してLLMから誤った回答を引き出す攻撃手法について、対策が難しい理由を学べる。訓練による修正が効かない構造的な問題なので、AIシステム利用時にセキュリティリスクとして考慮する必要がある。

既存の表計算業務をWebアプリ化する際、先に業務フローを整理してAI開発に落とし込む考え方を取得できる。第1回では、商談・案件管理のどこに自動化余地があるかを探る視点が得られる。