一、「山を見る」から「山を登る」へ
AI時代の本格的な到来に伴い、ますます多くの技術従事者が、それがもたらす挑戦と可能性について、さまざまな角度から考え始めています：
- 「なぜAIを受け入れるべきか」を強調する人がいて、AIは一時的なブームではなく、技術者の生存と発展に関わる重要な転換点だと指摘しています；
- AI実装の実際の困難と挑戦を強調する人がいて、AIは魔法ではなく、忍耐と継続が必要な旅路であることを私たちに思い出させてくれます；
- 人間の思考と類比する方法で、AIの原理と境界をより直感的に理解させ、人と技術の距離を縮めてくれる人もいます。
これらの観点から僕が気づいたのは：私たちは実際には皆、同じ山の麓に立って、AIという高い山を見上げているということです。しかし、私たち一人ひとりが、この山に対する態度が違います——様子を見る人もいれば、準備をする人もいて、すでに登攀を始めている人もいます。
そして今日僕が言いたいのは：
山高万仞、只登一步（山は万尋の高さでも、ただ一歩を登るのみ）
これは中国の哲学者**王陽明（1472–1529）**の観点で、彼は明代の著名な思想家・教育家として、「知行合一」と「心即理」で知られています。
意味は：遥か遠くに思える目標に直面したとき、私たちは遠方に怯えるのではなく、足元の一歩一歩に集中し、着実に前進すべきだということです。
これが僕の今日のテーマでもあります：AIという大きな山を前にして、あなた自身の登山ルートをどう見つけるか。
二、AIユーザーの5つのレベル
まず、図を使って自分が現在いる「登山段位」を素早く特定してみましょう：
| レベル | 定義 |
|---|---|
| 初級ユーザー | プロンプトと質問技術を習得し、大規模モデルと効率的に協働できる。 |
| 中級ユーザー | MCPを習得し、タスクチェーンを連携させ、複雑なワークフローを完成できる。 |
| 上級ユーザー | MVP製品を作ることができ、Agent協働と自動化能力を持つ。 |
| エキスパート級 | Agentをより安定、より賢く、より信頼できるものにできる。 |
| 研究者級 | 大規模モデルの原理を理解し、モデル訓練と方向性判断に参加する。 |
僕のこれからの分享は初級 → 上級までのこの旅程に焦点を当て、自分の実践と合わせて、どのように一歩ずつ上がっていくかについて話したいと思います。
初級段階：使えるから上手く使えるまで
🧠 核心スキルポイント
良い質問をする + プロンプト構築
📌 適用シーン
こんなシーンを想像してみてください：あなたは採用担当者で、今手元にフロントエンドエンジニアのJDと、ある候補者の履歴書があります。あなたは大規模モデルを使って、的確性の高い面接問題を生成したいと思っています。これは典型的で、垂直に明確なタスクです。
では、どのように質問すべきでしょうか？そして、どうすればAIに本当に欲しい答えを出してもらえるでしょうか？
👣 操作進化パス
第一歩：直接質問
ChatGPTや他のモデルツールを開いて、こう聞くかもしれません：
"フロントエンドの面接問題を出してください。"
もしGPT-3.5を使っているなら、十中八九、ぱっと十数個の問題を投げつけてくるでしょう。HTML、CSS、JS、フレームワーク、アルゴリズムが全部揃っていて、結構全面的に見えます。
しかし問題が出てきます——それはあなたがどんな人を採用したいのか全く知らないし、あなたの会社の技術スタックも知らないし、この履歴書が高手なのか初心者なのかも分からないのです。
この時あなたは、AIがあまり「賢く」なく、「使いものにならない」とさえ感じるでしょう。
第二歩：少し背景を加える
GPT-4に切り替えて、さっきの質問を繰り返します。今度はいくつかの重要な質問を逆に聞いてくるかもしれません：
- そのポジションの核心要求は何ですか？
- 候補者の職歴はどうですか？
- どの能力を重点的に考査したいですか？
この時あなたは、モデルが「賢く」なったことに気づきます。しかし実際には、それはあなたがやるべきことをやっただけです：文脈を明確にしたのです。
だから、あなたも一歩で到達できるように、こう聞くことができます：
"以下はフロントエンドのJDとある候補者の履歴書です。履歴書とJDのマッチング状況を分析し、的確性のある面接問題セットを出してください。スキルの幅、プロジェクトの深さ、学習能力に注目してください。最後に評点基準を付けてください。"
この時あなたはすでに「使える」の第一歩を踏み出しています。
🎯 向上ポイント一：構造化質問で、出力をより安定に
この質問の構造をまとめてみます：
- 目標明確：僕は「面接問題を出す」
- 背景明確：僕は「JD」と「履歴書」を与える
- 出力要求具体的：「スキル、プロジェクト、学習能力」をカバーし、さらに「評点基準」を要求
あなたは発見するでしょう、はっきりと人間の言葉で話すことが、AIと効率的に対話する鍵だということを。
🧩 向上ポイント二：プロンプトプリセットで、小さなAgentを構築
問題が出てきます：僕は毎日20通の履歴書があるのに、毎回JDをコピーしなければならないのでしょうか？
もちろんダメです！この時私たちはモデルに「身元を設定」することができます。例えば：
"あなたはフロントエンド技術面接官です。あなたはJDと履歴書から候補者のスキルマッチポイントを掘り出し、それに基づいて高品質の構造化面接問題を生成することが得意です。"
プロンプト管理ツールと組み合わせて、この身元プリセットを保存します。今後あなたが履歴書を貼り付けるだけで、それが何をすべきかを理解します。
これが、実際には最もシンプル化されたAgentの原型です：文脈的役割を持つタスク機械人。
✅ 段階小まとめ：あなたは初級啓蒙を完了しました！
あなたはすでにAIユーザーの最初の転換を完了しました：
- 質問の仕方を知っている（単に「AIを使う」だけではなく）
- AIに十分な文脈を与えることを理解している（JD、履歴書、目標）
- プロンプトを使ってAIに「役割」を与える（Agent思考を構築）
この段階であなたが習得した能力は、「ただ」質問とプロンプトに見えるかもしれませんが、これはすべてのAIスキルの基石です。あなたのすべての反復、すべてのプロンプト最適化は、あなた個人の「AI know-how」として蓄積されていきます。
🧭 中級段階：Agentに機械の腕を生やす
🧠 核心スキルポイント
MCP（Multi-Channel Plugin、マルチチャンネルプラグインシステム）
Agentを使えることは第一歩ですが、AgentをリアルなツールチェーンUに融合させ、自動的にデータを接続し、結果を出力することが、進歩の始まりです。
初級が問題を明確にして、点の突破を得ることだとすれば；
中級段階は、AIに本当に「現実世界のアクションシステムに接続」させ、入力から出力まの完全なチェーンループを完成させることです。
📌 操作シーン例
あなたがすでに【面接問題生成Agent】を持っていて、今それはプロンプトに従って良いコンテンツを生成できるとします。
しかし実際の作業では、面接問題は往々にして以下に基づく必要があります：
- NotionのJD文書から
- Notionの候補者履歴書から
- 結果はNotionの面接資料庫にアップロードし直す必要がある
もしまだあなたが毎回手動でコピペしなければならないなら、そのAIは半分の廃人になってしまいます。
だから私たちはそれに自動的にこの一連のプロセスを完了させる必要があります。
これがMCPが登場する時です。
🛠 推奨ツール：Cursor + MCPモジュールシステム
大規模モデル自体がすでにプラグインをサポートしていますが、ChatGPT、Claudeのインターフェースは能力発揮を制限しています。
この時私たちは【Cursor】を使うことを推奨します——あなたたちが馴染みのある開発環境 + プラグインシステムの完璧な結合。
MCPは何ができるでしょうか？
- Notion文書にアクセスし、コンテンツを読み取る
- 新しい文書を作成し、面接問題を書き込む
- ローカル履歴書ファイルを取得する
- Excelテーブルを開いてグラフを生成する
- Webページのコンテンツを取得する
- 内部APIを呼び出してデータプラットフォームに書き込む……
AIはもはや「文字アシスタント」ではなく、「手と目を持つロボット」です。
⚙️ 操作フロー分解（Cursorを例として）
- MCPプラグインパッケージをインストール
- Notionインターフェース権限を設定
- MCPをプロンプトに注入：
"Notionの 採用/JD/バックエンド_v2 文書にアクセスし、ポジション内容を読み取ってください；
再び 候補者/張三履歴書.md ファイルを読み取り；
この二つに基づいて構造化面接問題を生成し；
Notionの 面接問題/張三_v2 ページに書き込んでください。"
- Promptを実行し、全フローを自動完了：取得 → 分析 → 生成 → 書き戻し
✅ 段階小まとめ：Agentに「自分で仕事をする」ようにさせる
この段階のあなたは：
- MCPプラグインシステムの基本使用をすでに習得
- Notion、ファイル、テーブル、インターフェースなどのデータソースを接続できる
- プロンプト + MCP指令を通じて、クロスシステム協働を実現できる
📌 毎回新しいモデルを使う必要はなく、より多くの場合あなたが欲しいのは「手を動かせる知能」です。
おめでとうございます、今あなたは合格した中級プレイヤーです。
あなたはすでに真の生産力を持つ【AIワークフロー】を作ることができます。
🧭 上級段階：ツールから製品へ
🧠 核心スキルポイント
自動化協働 + Agent多役割編成 + 製品化思考
上級段階に至ると、僕たちの目標はもはや「僕が気持ちよく使える」ではなく、**「他の人にも使ってもらえる」**こと、さらにはその能力を製品化して、オフライン・オンライン市場に投入することになります。
📌 ケースシーンアップグレード：【面接問題ジェネレーター】から【面接マスター】へ
あなたはすでに成熟した面接問題生成器ツールを持っていて、今度はバックエンド、プロダクト、デザインも使用を希望し、さらに以下をサポートする必要があります：
- 異なるポジションのJDの自動切り替え
- 権限管理
- UIインターフェース
- オンライン結果保存
- 多人協働とログ記録
どうすればよいでしょうか？
❌ 一人一人にAgentを設定するのは面倒すぎる
✅ MVP製品にアップグレードし、チーム向けの「インテリジェント採用ツール」を作る必要がある
🏗 技術実践パス：Cursorに基づくAgent協働開発の実現
この段階になると、あなたに必要なのは単にプロンプトを書いたり、プラグインを接続したりすることだけではなく、Agent協働システム全体を設計し、異なる役割がそれぞれの職務を果たし、協同してタスクを完成させることです。
これは通常、以下のいくつかの核心スキルポイントを含みます：
- コンテキスト管理：タスクチェーンで必要なコンテキスト情報をどのように伝達し、維持するか
- タスク分解とプロセス編成：複雑な目標をどのように明確なステップに分解し、適切なAgentに処理を割り当てるか
- 役割と職責分担：異なるAgentに明確な機能境界を設定し、衝突と重複を避ける
- 状態の永続化と回遡：システムにコンテキストを記憶させ、中断後の復旧と多ターン対話をサポート
あなたは「文書駆動開発」や「マルチモーダル協働」のような方法でAgentシステムを設計することを試せます。
合理的なタスク構造とPrompt設計を通じて、具体的なフレームワークに依存しなくても、類似の協同効果を実現できます。
🧱 モジュール化開発フロー（4つのモード）
| モード名 | 機能説明 |
|---|---|
| Vanモード | 知覚と起動：指令を理解し、目標を抽出し、コンテキストを初期化 |
| Planモード | 計画と分解：開発計画を明確にし、タスクを分割し、ステップ文書を生成 |
| Creativeモード | 創造発散：複数の解決思路を探索し、方案を生成し、技術選択を行う |
| Implementモード | 実装実行：コードを書き、文書を作成し、MCPを呼び出し、ツールチェーンに接続 |
すべてのモードには対応するPromptがあり、明確な役割と文書産出を持ちます。
あなたは配信基準を設定して、AIに自主実行させることも、すべてのステップの生成内容に人工的に介入することもできます。
🔁 クローズドループフローの実現
あなたはこのように操作できます：
- Vanモードを起動し、需要を入力：「バックエンドポジション向けの面接ツールを生成」
- Planが分解：履歴書取得 → JDマッチング → 出題 → 採点 → レポートアップロード
- Creativeモードが3種類の面接システムUIまたはAPI設計案を提供
- ImplementモードがMCPを自動呼び出し、ファイル読み取り/Notion書き込み/レポート生成
最終的に、あなたは相互作用でき、インターフェースを持つインテリジェントツールを得て、オンライン展開、他人の使用招待さえできます。
✅ 段階小まとめ：あなたはもはやユーザーではなく、創造者
この段階のあなたは：
- 完全な製品視点と協働計画能力を持つ
- 複数のAgentに分業協働させ、それぞれの職務を果たさせることができる
- MVP製品の構築、発布、反復クローズドループを独立して完成できる
あなたはツールを作るだけでなく、ツールを定義し、知能をあなたの脳からシステムへ、システムから世界へ流入させることができます。
🔚 まとめ：この3段階の道を歩き終えたら、あなたはすでにAgent設計者
| 段階 | キーワード | 核心スキル | 産出形態 |
|---|---|---|---|
| 初級 | プロンプト設計 | 良い質問ができる | 単発出力 |
| 中級 | MCP + ワークフロー | データ接続とタスクフロー転送 | マルチステップ協働プロセス |
| 上級 | 製品化 + 編成 | マルチAgent構築とシステム統合 | 完全製品プロトタイプ/MVP |
エキスパート & 研究者：専門領域への進出
この段階になると、あなたが直面するのはもはや「どうやってAIを使うか」ではなく：
- どうやってAIをより安定、正確、持続可能に働かせるか？
- どうやってRAGシステム、知識庫、コンテキスト記憶機構を構築するか？
- どうやってモデル微調整に参加し、応答品質と性能を最適化するか？
これらの問題はAI応用のより深いレベルの挑戦に属し、すでにツール使用を超えて、アーキテクチャ設計とシステム工学の範疇に入っており、深く探求する志のあるすべての人が継続して探索する価値があります。
結語：山高万仞、只登一步
今日私たちは初級から上級までの使用方法について話しました。振り返ってこの言葉を見てみましょう：
"山高万仞、只登一步（山は万尋の高さでも、ただ一歩を登るのみ）"
AIは複雑で、モデルは大きく、パスは多いですが、私たちは一口で太った人になる必要もなく、遠方で躊躇して前に進まない必要もありません。鍵は：
- 方向を明確にする；
- 自分のパスを見つける；
- 着実に一歩一歩を踏み出す。
あなたがより明確なプロンプトを書くたびに、ワークフローを接続しようとするたびに、それは山頂に向かって進む小さな一歩です。蓄積の結果が、質的変化なのです。