AI が処理できるリクエストの種類
AI タスクを、執筆、要約、質問応答、コーディング、ブレインストーミングに分類します。
「AI が処理できるリクエストの種類」はCoddyKit上の無料AI Prompt Engineeringレッスンです。 これはレッスン2/4です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはAI Prompt Engineering学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 AI Prompt Engineeringコースには全4レッスンが含まれています。
AIタスクの分類体系
AI言語モデルは非常に柔軟で、幅広い種類のタスクに対応できます。タスクがどのカテゴリに当てはまるかを知ることで、より良いプロンプトを書けるようになります。
タスクは、ライティング、要約、Q&A、コーディング、ブレインストーミング、翻訳、分類、データ抽出に分けられます。
ライティングタスク
ライティングは、AIに依頼する最も一般的なタスクの1つです。例として、次のようなものがあります。
- メール、カバーレター、ブログ記事の下書きを作成する
- 短編小説、脚本、クリエイティブコンテンツを書く
- SNSのキャプションを作成する
- 既存の下書きを編集して書き直す
重要なのは、プロンプトで形式、トーン、長さ、対象読者を指定することです。
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Write a 150-word professional email declining a meeting invitation. '
'Tone: polite and regretful. Suggest rescheduling next week.'
)
}]
)
print(response.content[0].text)要約タスク
要約は、長いコンテンツを短く、読みやすい形にまとめます。一般的な用途には、次のようなものがあります。
- 長い記事やレポートのTL;DR
- 議事録から会議メモを作成する
- 研究論文のエグゼクティブサマリーを作成する
- 書籍の章から重要なポイントを抽出する
目標とする長さと、必要な詳しさのレベルを指定してください。
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
long_text = (
'Artificial intelligence has transformed industries from healthcare '
'to finance over the past decade. Machine learning models now diagnose '
'diseases, detect fraud, and power recommendation engines. However, '
'concerns about bias, privacy, and job displacement remain significant...'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
}]
)
print(response.choices[0].message.content)質問応答タスク
Q&Aタスクは、モデルの幅広い知識ベースを活用します。種類には、次のようなものがあります。
- 事実に関する質問(「クエン酸回路とは何ですか?」)
- 説明を求める質問(「HTTPSはどのように機能しますか?」)
- 比較に関する質問(「RAMとストレージの違いは何ですか?」)
- ドキュメントQ&A — 貼り付けた文書について質問する
ドキュメントQ&Aでは、必ず質問の元となる資料をプロンプトに含めてください。
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
document = 'Our refund policy allows returns within 30 days with receipt...'
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system='Answer only based on the document provided. If unsure, say so.',
messages=[{
'role': 'user',
'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
}]
)
print(response.content[0].text)コーディングタスク
コーディングタスクは、AIアシスタントの能力が特に発揮される分野です。一般的な依頼には、次のようなものがあります。
- 説明からコードを生成する(「次のようなPython関数を書いてください……」)
- 既存のコードが何をしているか説明する
- 壊れたコードをデバッグまたは修正する
- コードを別の言語に変換する
- 指定された関数のユニットテストを書く
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': 'You are a Python expert. Include type hints and a brief docstring.'
},
{
'role': 'user',
'content': (
'Write a function that takes a list of integers and returns '
'the second largest unique value, or None if it does not exist.'
)
}
]
)
print(response.choices[0].message.content)ブレインストーミングタスク
ブレインストーミングでは、AIを使って大量のアイデアをすばやく生成します。次のような用途に利用できます。
- プロダクト名の生成
- ブログ記事のテーマ一覧の作成
- アプリの機能アイデアの発案
- マーケティングキャンペーンの切り口の検討
- 問題解決の代替案の検討
アイデアの数を具体的に指定し、繰り返しよりも多様性を優先するようモデルに伝えてください。
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
'After each name, add a 5-word tagline.'
)
}]
)
print(response.content[0].text)翻訳タスク
翻訳は、単語をそのまま置き換えるだけではありません。AIモデルは、次のような翻訳に対応できます。
- 言語の翻訳(英語 → スペイン語、フランス語 → 日本語)
- レジスターの翻訳(専門用語 → 平易な言葉)
- トーンの翻訳(フォーマル → カジュアル)
- 形式の変換(段落 → 箇条書き)
逐語訳が必要なのか、それとも自然で慣用的な表現が必要なのかを指定してください。
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
f'Translate the following into natural, idiomatic Spanish '
f'suitable for a casual work chat message:\n\n{text_en}'
)
}]
)
print(response.choices[0].message.content)分類タスク
分類は、入力を事前に定義されたカテゴリに割り当てます。例として、次のようなものがあります。
- 感情分析(肯定 / 否定 / 中立)
- トピック分類(スポーツ / 政治 / テクノロジー)
- 意図検出(苦情 / 問い合わせ / 褒め言葉)
- スパムか非スパムか
モデルが選択肢を把握できるよう、プロンプトには必ず有効なカテゴリの一覧を含めてください。
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
reviews = [
'The product broke after one day. Terrible quality!',
'Shipping was fast and the item is exactly as described.',
'It is okay, nothing special but does the job.'
]
for review in reviews:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=16,
messages=[{
'role': 'user',
'content': (
f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
f'Reply with only the label.\n\nReview: {review}'
)
}]
)
label = response.content[0].text.strip()
print(f'{label}: {review[:40]}...')データ抽出タスク
データ抽出は、非構造化テキストから構造化された情報を取り出します。一般的な用途には、次のようなものがあります。
- 請求書から名前、日付、金額を抽出する
- ニュース記事から重要な事実を取り出す
- メールから連絡先情報を解析する
- 説明文から製品仕様を抽出する
抽出したデータをプログラムから簡単に利用できるよう、JSON形式での出力を依頼してください。
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
email_text = (
'Hi, I am Sarah Johnson from Acme Corp. '
'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract the following fields from the email below and output valid JSON:\n'
'name, company, email, amount, deadline\n\nEmail:\n' + email_text
)
}]
)
raw = response.choices[0].message.content
data = json.loads(raw)
print(data)タスクタイプの組み合わせ
現実のプロンプトでは、1つの依頼の中で複数のタスクタイプを組み合わせることがよくあります。たとえば、次のような依頼です。
- 記事から重要な主張を抽出し、それぞれを事実または意見として分類する
- 文書を要約し、その要約をフランス語に翻訳する
- アイデアをブレインストーミングし、最も良い案について短い提案文を書く
1つのプロンプトでタスクタイプを連鎖させると強力ですが、それぞれの手順を明確に指定してください。
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Do the following in order:\n'
'1. Brainstorm 5 blog post titles about remote work productivity.\n'
'2. Pick the most compelling title.\n'
'3. Write a 3-sentence intro paragraph for that post.\n'
'Format your output with clear numbered sections.'
)
}]
)
print(response.content[0].text)適切なタスクの枠組みを選ぶ
同じ目的の依頼でも、異なるタスクタイプとして捉えることができ、その捉え方によって出力は大きく変わります。
目的の例:会社の料金ページを理解すること
- Q&Aの枠組み:「料金プランにはどのような段階がありますか?」
- 要約の枠組み:「料金ページを3つの箇条書きで要約してください。」
- 抽出の枠組み:「プラン名と料金をJSONとして抽出してください。」
- 比較の枠組み:「すべてのプランを比較する表を作成してください。」
出力をどのように使うかに合った枠組みを選んでください。
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
pricing_text = (
'Starter: $9/month - 1 user, 5GB storage. '
'Pro: $29/month - 10 users, 50GB storage. '
'Enterprise: custom pricing - unlimited users.'
)
# Extraction frame
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract plan names and monthly prices as a JSON array. '
'Use null for custom pricing.\n\n' + pricing_text
)
}]
)
print(response.choices[0].message.content)理解度チェック
AIタスクタイプの主なカテゴリを学びました。適切なカテゴリを見分けられるか確認してみましょう。
ある開発者が、500語のカスタマーサポートメールをプロンプトに貼り付け、AIに「顧客名、注文番号、問題の種類を抜き出し、JSONとして出力してください。」と依頼しました。
これはどのタスクタイプでしょうか。
タスク分類の振り返り
これで、AIへのあらゆる依頼を、主要なタスクタイプのいずれかとして識別し、組み立てられるようになりました。
- ライティング — オリジナルの文章コンテンツを生成する
- 要約 — 長いコンテンツを短くまとめる
- Q&A — 知識や文書に基づいて質問に回答する
- コーディング — コードを生成、説明、デバッグする
- ブレインストーミング — 多様なアイデアを多数生成する
- 翻訳 — 言語やレジスターを変換する
- 分類 — 入力を事前定義されたカテゴリに割り当てる
- データ抽出 — 非構造化テキストから構造化データを取り出す
まずタスクタイプを明確にし、その周りにプロンプトを組み立ててください。
よくある質問
「AI が処理できるリクエストの種類」レッスンは無料ですか?
はい。「AI が処理できるリクエストの種類」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し(組み込みコードエディタと24時間対応のAIチューター)、AI Prompt Engineeringコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 AI Prompt Engineeringコースには全4レッスンが含まれています。
「AI が処理できるリクエストの種類」で何を学びますか?
AI タスクを、執筆、要約、質問応答、コーディング、ブレインストーミングに分類します。 ブラウザで直接実行するハンズオンコードでAI Prompt Engineeringを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
AI Prompt Engineeringを始めるのに経験は必要ですか?
事前経験は必要ありません。CoddyKitのAI Prompt Engineeringは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン2/4です。
「AI が処理できるリクエストの種類」レッスンにはどのくらい時間がかかりますか?
ほとんどのCoddyKitレッスンは約5~10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このAI Prompt Engineeringレッスンでコードを書いて実行できますか?
はい。すべてのAI Prompt Engineeringレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。
このコースのすべてのレッスン
- チャットインターフェースを理解する
- AI が処理できるリクエストの種類
- AI が応答を生成する仕組み
- AI にできないこと