LLMの使用とプロンプトエンジニアリングの実践
複数の投稿がLLMプロンプトエンジニアリングと使用の効果とベストプラクティスについて議論しています。テストされたプロンプト(「私は知的に挑戦された博士課程の学生です…」)は、文献レビューにおいてGPT-5.1で顕著な結果を示し、論理が明確です。このプロンプトは、論文内のモデルと実証的方法を平易な言葉で説明できるとされています。スクリプト内でmcpクライアントを使用してmcpサーバーを呼び出すことをベストプラクティスとして提案する意見もありますが、LLMを直接呼び出さない理由について疑問が呈されています。トークン消費やコード行数をKPIとして使用することは、単純すぎると批判されており、逆効果をもたらす可能性があります。
Key insights
GPT-5.1での効果的な素朴な自己嘲笑プロンプト
「私は知的に挑戦された博士課程の学生です」というフレーズで始まるテストされたプロンプトは、GPT-5.1で学術論文を読む際に「素晴らしい効果」を示すと報告されています。このプロンプトを使用すると、モデルは論理的で構造的な説明を提供し、特にモデルと実証的方法の説明において優れたパフォーマンスを発揮します。この経験は直接的なテストフィードバックから得られ、複雑な論文を理解するための補助として推奨されています。
エンジニアリング統合におけるMCPクライアント/サーバーの使用
スクリプト内でmcpクライアントを使用してmcpサーバーを呼び出すことが、システム間の呼び出しやプロセス管理のためのベストプラクティスとして提案されています。しかし、翻訳やLLMを呼び出す際にMCPを経由する理由について疑問が呈され、アーキテクチャの選択やツールチェーンの設計に対する異なる好みや具体的なシナリオの考慮が明らかになっています。
トークン消費やコード行数をKPIとして使用することへの批判
トークン消費やコード行数をKPIとして使用することは、管理者が実際の作業パフォーマンスを理解していないことを反映しており、単純すぎる測定方法であるとの意見があります。この実践は、チームがKPIの周りで表面的なデータを回避または最適化する戦略を採用することを促し、最終的には効率と品質の両方において損失をもたらす結果となる可能性があります。議論は、副作用を避けるためにより適切な指標を設計する必要性を強調しています。