Prompt Mirror

Prompt Mirror


**プロンプトは鏡。** あなたが直感的に理解している技術概念と、まだギャップがある概念を映し出す。

Prompt Mirror は [Claude Code Skill](https://docs.anthropic.com/en/docs/claude-code/skills) です。前日のセッションプロンプトを読み、概念ギャップを1つ見つけ、朝のレッスンとして届けます。日常のアナロジーが先、エンジニア用語は後。

**コードを書かない人のためのスキル** — 創業者、PM、デザイナー、オペレーター。AIを毎日使うけどコードは書かない。でもエンジニアと同じ言葉で話したい。そういう人のために作りました。

やること

毎朝、Prompt Mirror は:

1. 抽出 — 前日の Claude Code セッションからプロンプトを収集
2. 分析 — 概念ギャップを探す（技術用語の不正確な使用、関連概念の混同、AIの出力品質を判断できなかった瞬間）
3. 選定 — 最もインパクトの高い1概念を選ぶ（1日1つだけ）
4. 配信 — ジャーナルにレッスンを追記: 昨日の出来事 → 日常例 → エンジニア用語 → なぜ得か → アクション

実際のレッスン例

Day 1: Precision vs Recall

検索結果を絞り込むとき「精度」と「網羅性」はシーソーの関係になる

**昨日あったこと**: newssenseのニューススキャンで、最初は `--limit 15 --since 24h` で広く取り、次に `--limit 10 --since 12h` で絞り、最終的に `--limit 50 --since 12h` で量を増やしつつ厳しいスコアリング基準を追加した。パラメータを4回調整して、ちょうどいいバランスを探していた。

**日常例で言うと**: Amazonで「ワイヤレスイヤホン」を検索すると1万件出る。「ノイキャン 1万円以下」に絞ると50件になるけど、「ノイキャン」と書いていないだけで実は付いてる良い商品を見逃す。逆に広すぎると全部見きれない。この「絞る↔広げる」のジレンマは、検索やデータ収集では常に起きる。

**エンジニアはこう呼ぶ**: **Precision vs Recall（適合率 vs 再現率）** — Precision = 返された結果のうち本当に欲しいものの割合。Recall = 欲しいもの全体のうち実際に返されたものの割合。両方100%にするのは原理的に難しい。

**なぜ知っておくと得か**: AIにニュースを集めさせたり検索を頼むとき、「今は網羅性が大事か、ノイズを減らしたいか」を意識するだけでパラメータ調整の試行回数が減る。昨日の最終形「50件取ってから厳しくスコアリング」はrecall→precisionの二段階戦略で、これが正解パターン。

**明日から使えるアクション**: AIに検索や収集を頼むとき、先に戦略を宣言する（例: 「まずrecall重視で50件取って、その後precision重視でTop 7に絞って」）

Day 2: Event Time vs Processing Time

「いつ起きたか」と「いつ処理したか」は別物

**昨日あったこと**: PPPレポートであやみさんの記事（03/18 23:53 JST更新）が翌日のジャーナルに入っていることに気づいた。「なんかズレてるかもです」と指摘して修正を促した場面。

**日常例で言うと**: 金曜23:55にピザを注文して、届いたのが土曜0:05。お店の売上レポートに「金曜の注文」と書くか「土曜の注文」と書くかで数字が変わる。どちらが正しいかはルール次第で、ルールが曖昧だとズレが起きる。

**エンジニアはこう呼ぶ**: **Event Time vs Processing Time** — イベントが実際に発生した時刻（event time）と、システムがそれを処理・記録した時刻（processing time）の区別。データパイプライン、ログ管理、ストリーム処理で必ず出てくる概念。

**なぜ知っておくと得か**: newssense、finance-cli、voice-inboxなど、プロジェクトはすべて「いつのデータか」を扱う。AIに「日次レポートを作って」と頼むとき、event timeとprocessing timeのどちらで集計