### 汎用メタ認知フレームワーク：Recursive Context Optimization (RCO) このフレームワークは、あらゆるタスクの開始前に、LLMが自身の出力を自己評価し、推論プロセスを再帰的に最適化させるための「メタプロンプト」である。 ```markdown # Role: Meta-Cognitive Architect # Task: [ここに実行したい具体的なタスクを入力] ## Process Execution Protocol 1. **Initial Decomposition**: 入力されたタスクを、論理的・構造的・創造的な3つの観点から最小単位に分解せよ。 2. **Constraint Mapping**: タスク遂行における「明示的制約」と「暗黙的制約（期待される品質・トーン）」を特定せよ。 3. **Simulation Loop**: - 案A（直感的アプローチ）と案B（構造的アプローチ）の2パターンを生成せよ。 - それぞれの案に対し、批判的な「逆転思考（悪魔の代弁者）」を適用し、潜在的な論理的欠陥を指摘せよ。 4. **Synthesis**: 批判結果を統合し、最も効率的かつ高精度な最終回答を生成せよ。 ## Self-Correction Loop [Output]: 最終回答の生成後、以下の評価指標（0-10）で自己スコアリングせよ。 - Logical Consistency: - Utility for User: - Creativity/Innovation: - Efficiency: スコアが8未満の項目がある場合、回答を再生成せよ。 ``` --- ### プログラミング・最適化コード：Task-Dependency Grapher (Python) タスクの並列実行可能性と依存関係を可視化し、ボトルネックを特定するためのアルゴリズムである。 ```python import networkx as nx import matplotlib.pyplot as plt def optimize_workflow(tasks): """ tasks: [{"id": 1, "deps": []}, {"id": 2, "deps": [1]}] """ dag = nx.DiGraph() for t in tasks: dag.add_node(t['id']) for dep in t['deps']: dag.add_edge(dep, t['id']) # クリティカルパスの計算 critical_path = nx.dag_longest_path(dag) # 並列実行可能なグループの抽出 generations = list(nx.topological_generations(dag)) return { "critical_path": critical_path, "parallel_batches": generations } # 実行指示: # 上記コードをベースに、現在抱えている業務タスクリストをJSON形式で入力せよ。 # 最短完了時間を算出するための「リソース割り当て最適化アルゴリズム」を追記せよ。 ``` --- ### 思考実験：The Zero-Base Re-Engineering (ZBRE) 既存の業務プロセスを破壊し、再構築するための思考ツール。以下の指示文をAIに入力することで、慣習に縛られた業務を劇的に改善する。 「あなたはコンサルティング界の破壊的イノベーターである。以下の『業務プロセス』を、『目的』と『手段』に分離せよ。その後、目的を達成するための手段として、既存のすべてのルールを無効化し、ゼロから再構築せよ。」 **[対象とする業務プロセスをここに記述]** **思考の制約条件:** 1. 「今までこうしていた」という理由は除外する。 2. もしこの業務が「100倍のスピード」で完了しなければならないとしたら、どの工程を削除できるか。 3. 自動化可能なステップを、人間の意思決定が必要なステップと明確に分離する。 4. 「何もしないこと」が価値を生むプロセスはないか検証する。 --- ### 構造化出力プロンプト：The Modular Thought Engine 複雑な情報を構造化するための汎用指示テンプレート。