自己改善するAIコンテンツワークフローのための7つのフィードバックループ
サマリー
AIコンテンツワークフローを改善するための7つのフィードバックループを紹介します。これらのループは、コンテンツの生成からパフォーマンス分析まで、さまざまな段階での品質向上を目指しています。特に、上流フィルターや品質ゲートを活用することで、効率的なコンテンツ制作が可能になります。
本文
あなたはすでにコンテンツワークフローにフィードバックを与えています。ドラフトを編集したり、同じ不自然な遷移を修正したり、あいまいな見出しを言い換えたりするたびに、次回の実行が承認できる内容に近づくように修正を提供しています。
私はこれらのループを記事、LinkedInの投稿、ビデオスクリプト、ランディングページのコピーにわたって実行しています。異なる作品で3回同じ編集パターンが現れると、システムは指示の更新を提案します。私はそれを承認するか、しないかのいずれかです。どちらにせよ、出力が同じ方向に漂っても、エージェントのドキュメントを手動で更新する必要はなくなりました。
以下は、簡単な開発から公開後のパフォーマンスまでの7つのループです。私はClaude Codeを使用していますが、これらの構造はどのエージェントフレームワークでも機能します。すべてを必要とするわけではありません。最初のものを構築している場合は、品質ゲート（ループ3）から始めてください。そうでなければ、ワークフローが壊れる場所から始めてください。
1. 上流フィルターループ
ほとんどの反復は生成後に発生します。このループは、執筆が始まる前に実行されます。弱い角度はパイプラインで最も高価な失敗です。完成したドラフトに到達するまでに、戦略エージェントが事前に教えてくれたことを発見するために、フルパイプラインの実行と自分のレビュー時間を費やしています。
私のループは、外部出版物に提案する角度を考慮して実行します。そこで失敗した角度はコストがかからず、悪い提案は編集者の信頼を失います。
戦略エージェントは、執筆が始まる前に定義された基準に対してブリーフや角度を評価し、3つの判決のいずれかを出します：
- 合格：執筆または提案を進める。
- 修正：特定の変更が必要です。角度がすでに公開した作品に近すぎる、主張が広すぎて支えられない、トピックは合っているがオーディエンスが間違っている、または証拠がまだ集まっていない。
- 廃止：修正では修正できない角度です。独自の視点がない、またはそれを支えるソースが存在しない。エージェントはその理由を文書化し、論理が記録されます。
廃止ログはこのループが効果を発揮する場所です。十分な実行を重ねると、個々の判決をレビューすることなく、一貫して失敗する角度パターンを示します。
このループを構築する前に、以下を定義してください：
- 評価基準：独自の視点、主張の強さ、オーディエンスの適合要件。
- 各判決を引き起こすもの。
- 判決と廃止の理由が記録される場所。
2. 取得精練ループ
標準的なパイプラインでは、リサーチエージェントがソースを取得し、ライターがそれを使用し、編集者がソースがサポートしていない主張を指摘するまで問題が表面化しません。
その時点では、修正は高価です。編集者は無根拠の主張を指摘できますが、欠けているソースを生産することはできません。このループは、リサーチと執筆の間にチェックポイントを追加します。
私のコンテンツパイプラインでは、リサーチエージェントが計画された作品のためにソースを取得します。ライターが実行する前に、マッピングエージェントがアウトラインとそれらのソースを読み、各セクションに対して1つの質問をします：この証拠はこのセクションが必要とする主張をサポートしていますか？
それぞれのセクションのソースの強さを1-10のスケールで評価します。しきい値を下回るセクションには、欠けているものを正確に知っているため、フォローアップの検索クエリを自動的に作成します。その後、ライターが実行します。
ドラフトにおける違いが明らかです。計画された主張を完全にサポートしないソースから作業するライターは、曖昧さや一般化を生み出します。検証されたソースから作業するライターは、具体的で防御可能な主張を生み出します。
3. 修正上限付きの品質ゲート
コンテンツを一度で生成するとAIの粗雑さが生じます。品質ゲートを追加することは最も簡単な修正です。同じコンテキストウィンドウで作品を生成して完了と呼ぶのではなく、別のエージェントがドラフトを定義された基準に対してレビューし、何が間違っているかを分類し、ライターに修正のために返します。ライターは修正を行い、ドラフトを再びレビュアーに戻します。
このループを実行する際、私は各エージェントにクリーンなコンテキストウィンドウを与え、修正の上限を設定します。2回のラウンドで合格しないドラフトには、修正では解決できない構造的またはソースの問題があります。
レビュアーは1つのエージェントである必要はありません。私は元々、私の編集者にファクトチェックも担当させていましたが、2つの仕事を組み合わせるとどちらも十分に行われませんでした。そこで、私はそれらを分けました。
専任のファクトチェッカーが独自のクリーンなコンテキストウィンドウで実行し、ドラフトと引用されているすべてのソースを受け取り、それぞれを確認してドラフトがソースが言っていることを正確に説明しているかどうかを確認します。各エージェントに単一の仕事を与えることで、両方がそれをより良く行えるようになりました。
自分の品質ゲートを構築するには、各判決がコンテンツに対して何を意味するかを定義してください：
- 合格：すべての主張がソースに基づいており、作品があなたの声のガイドに合致し、構造が主張に役立っている。
- フラグ：修正可能な問題（未定義の用語、弱いオープニング、より強いソースが必要な主張など）。
- エスカレート：修正では解決できない問題（薄い角度や欠けているリサーチなど）。
修正上限に達したものは、フルワークフローを実行せずに人間にルーティングします。ゲートが機能したら、明示的な再エントリーポイントを追加して、同僚のドラフトをレビュアーに直接ドロップできるようにします。
4. ルーブリックベースのスコアリングとアンサンブル選択
品質ゲートはドラフトが合格したかどうかを教えてくれます。スコアリングループは、なぜ合格しなかったのか、何が修正できるかを教えてくれます。
エージェントがコンテンツをチェックするために使用するルーブリックから始めます。基準は、作成しているものと目標によって異なります。
例えば、私のLinkedIn投稿のルーブリックは、具体性や具体性、独自の視点、明確な洞察が1つあるか、すべての行が陳腐さを避けているかなど、10の基準をスコアリングします。
また、提出ガイドラインを使用して賞の提出分析器にルーブリックを組み込みました。これは、提出物を比較し、それぞれの強化ポイントを正確に特定するのに最も役立ちました。
定義されたスケール（1-10など）で各基準に対して出力をスコアリングします。しきい値を下回る基準については、スコアリングエージェントが曖昧な判断ではなく、具体的な診断を生成します。その情報をライターエージェントに返して修正を行わせます。
修正上限を含めます。基準が2回の書き直し後にギャップを埋められない場合、問題は角度やリサーチです。具体性が6のままのドラフトは、ソース素材に存在しない何かが欠けています。再度スコアリングしても役に立ちません。
ルーブリックを使用して複数の作品を評価することもできます。異なるフレーミングでいくつかのバージョンを生成し、ルーブリックをガイドとして使用してそれらを比較するジャッジエージェントを実行します。
5. 対立挑戦ループ
対立エージェントは、コンテンツの最も強力な反論を構築します。
ドラフトが生成された後、対立エージェントは主張、証拠、そしてそれらを結びつける論理を攻撃します。出力には、支持できるすべての異議が含まれます。
「この主張は無根拠です」と求めるのではなく、「ここに最も強力な反論があり、その証拠はこれで、あなたの論理が成立しないのはここです」と求めます。
出力をライターエージェントと共有し、各異議に対して答えさせます：作品を強化するか、異議が主張に影響を与えない理由を文書化します。
このループは、思考リーダーシップや意見記事でその価値を発揮します。私は他の誰にも見せる前に、自分の署名記事に対して実行します。ハウツーや説明記事には挑戦する主張がないため、品質ゲートで十分です。
異なる経験を持つ実務者があなたのドラフトを読んで、その中心的な主張に合理的に反対できる場合、対立エージェントはその異議を編集者よりも前に浮かび上がらせます。
6. 差分学習ループ
これまでのすべてのループは、前の作品を改善します。このループはパイプライン自体を改善します。
私のアーティクルジェネレーターはこのループを実行します。ドラフトが私の元に届く頃には、リサーチャー、アウトライナー、ライター、複数の編集者、ファクトチェッカーを経ています。ワークフローはその後、2つのファイルを保存します：凍結されたMarkdownバージョンと、私が編集してWordPressにアップロードするDOCX。作品が公開されたら、差分エージェントが凍結されたバージョンと公開したものを行ごとに比較します。
これが機能するためには、レビューする前にパイプラインの出力を凍結し、そのファイルを決して編集しないことが必要です。作業コピーで編集を行います。凍結されたバージョンがなければ、システムが生成したものの記録がなく、編集と比較するものがありません。
編集が完了したら、差分エージェントはすべての違いをタイプ別に分類します：
- 言語の簡素化。
- トーンの変化。
- 構造の再配置。
- 事実の修正。
- 見出しの書き直し。
各カテゴリのカウントを保持します。カテゴリがしきい値に達した場合（私の場合、1つの作品または複数の作品で3回以上の同様の修正）、ループは責任のあるパイプラインステージの指示を更新することを提案します。
私は各提案を承認または拒否し、承認されたルールは自動的に適用されます。私が気づく前にシステムが捉えたルールを承認するのは、これらのループの中で最も好きな瞬間です。
しきい値がこのループを機能させる要因です。1回現れた修正はその作品に特有のものである可能性がありますが、3回以上現れると、エンコードする価値のあるパターンを示します。
このループが間違った方向に進まないようにするための2つのガードレールがあります。まず、提案されたすべてのルールは人間が承認します。たとえば、ある作品から統計を削除した場合、それがその主張に合わなかったからです。承認ステップがなければ、システムはその単一の編集を「統計を避ける」という恒久的なルールに変え、以降のすべてに適用してしまいます。
もう1つのガードレールは、差分結果の恒久的な保存場所です。各作品ごとにリセットされると、ループは同じ修正が4つの異なる記事に現れたことに気づかず、その蓄積が全体の目的です。
レジストリはスプレッドシート、JSONファイル、またはMarkdownログで構成できます。重要なのは、それが単一のセッションを超えて存在し、作品を超えて持続することです。以下を追跡させます：
- 各修正について：どの作品、どのカテゴリ、パイプラインが生成したもの、あなたが変更したもの。
- 各カテゴリについて：合計カウント、どの作品が貢献したか、パターンがまだ監視されているか、すでにルールになっているか。
7. パフォーマンスフィードバックループ
作品が公開された後、検索パフォーマンスが重要な判決です。ほとんどのチームはその判決を報告のために収集し、そこで止まります。このループはそれを活用します：公開された作品についての検索が次に書くブリーフを変更すべきです。
定期的なルーチンまたはエージェントを設定し、毎週パフォーマンス信号を取得し、動いている作品をフラグ付けします：
- 信号：ランキング、クリック率、インプレッション、トラフィックを、Semrush MCPまたはAPI、またはBigQueryコネクタを介してGoogle Search Consoleから取得します。
- 頻度：毎週、動きをキャッチして応答する時間があるように。
- フラグ：自分の類似コンテンツに対してパフォーマンスが劣る作品、ランキングが実現しなかったもの、以前の位置を失った作品、期待を上回る作品。勝者も敗者も重要です。なぜなら、どの決定を繰り返すべきかを示してくれるからです。
作品はすべての内部ゲートを通過しても、検索で失敗することがあります。フラグが付けられた作品について、エージェントに元のブリーフとパフォーマンスデータを与え、次の質問に答えさせます：この作品がどのようにパフォーマンスしたかを知って、ブリーフについて何を変更しますか？
ランキングしなかった作品は、類似の作品がランキングした場合、通常は角度の問題を抱えています。新しいことを言うことなく会話に入った作品です。ランキングしているがターゲットにしていないクエリに対しては、ブリーフが求めた質問とは異なる質問に答えました。
この設定を行う際の注意点：クリック率が下がったからといって、それを失敗と見なさないでください。AIの回答が検索全体でクリック率を下げているため、各作品を昨年のベンチマークではなく、自分の類似コンテンツと比較してください。
そして、教訓を永続的なものにします。戦略エージェントの評価基準と廃止ログに追加して、次のブリーフがこの作品から学んだすべてを持つようにします。
失敗モードに基づいて構築する
私はほとんどのループを、同じ修正を繰り返し行っている自分を見つけたために作成しました。ある時点で、システムがそれらをキャッチしなかった理由を尋ね始めました。その質問は通常、次のループを構築するためのブリーフです。
同じAIの指示を繰り返し編集したり、Claudeに何度も同じことをする理由を尋ねたりしている場合は、フィードバックループがあなたの精神を救い、出力を改善できるかどうかを考えてみてください。
私はこれらのループを記事、LinkedInの投稿、ビデオスクリプト、ランディングページのコピーにわたって実行しています。異なる作品で3回同じ編集パターンが現れると、システムは指示の更新を提案します。私はそれを承認するか、しないかのいずれかです。どちらにせよ、出力が同じ方向に漂っても、エージェントのドキュメントを手動で更新する必要はなくなりました。
以下は、簡単な開発から公開後のパフォーマンスまでの7つのループです。私はClaude Codeを使用していますが、これらの構造はどのエージェントフレームワークでも機能します。すべてを必要とするわけではありません。最初のものを構築している場合は、品質ゲート（ループ3）から始めてください。そうでなければ、ワークフローが壊れる場所から始めてください。
1. 上流フィルターループ
ほとんどの反復は生成後に発生します。このループは、執筆が始まる前に実行されます。弱い角度はパイプラインで最も高価な失敗です。完成したドラフトに到達するまでに、戦略エージェントが事前に教えてくれたことを発見するために、フルパイプラインの実行と自分のレビュー時間を費やしています。
私のループは、外部出版物に提案する角度を考慮して実行します。そこで失敗した角度はコストがかからず、悪い提案は編集者の信頼を失います。
戦略エージェントは、執筆が始まる前に定義された基準に対してブリーフや角度を評価し、3つの判決のいずれかを出します：
- 合格：執筆または提案を進める。
- 修正：特定の変更が必要です。角度がすでに公開した作品に近すぎる、主張が広すぎて支えられない、トピックは合っているがオーディエンスが間違っている、または証拠がまだ集まっていない。
- 廃止：修正では修正できない角度です。独自の視点がない、またはそれを支えるソースが存在しない。エージェントはその理由を文書化し、論理が記録されます。
廃止ログはこのループが効果を発揮する場所です。十分な実行を重ねると、個々の判決をレビューすることなく、一貫して失敗する角度パターンを示します。
このループを構築する前に、以下を定義してください：
- 評価基準：独自の視点、主張の強さ、オーディエンスの適合要件。
- 各判決を引き起こすもの。
- 判決と廃止の理由が記録される場所。
2. 取得精練ループ
標準的なパイプラインでは、リサーチエージェントがソースを取得し、ライターがそれを使用し、編集者がソースがサポートしていない主張を指摘するまで問題が表面化しません。
その時点では、修正は高価です。編集者は無根拠の主張を指摘できますが、欠けているソースを生産することはできません。このループは、リサーチと執筆の間にチェックポイントを追加します。
私のコンテンツパイプラインでは、リサーチエージェントが計画された作品のためにソースを取得します。ライターが実行する前に、マッピングエージェントがアウトラインとそれらのソースを読み、各セクションに対して1つの質問をします：この証拠はこのセクションが必要とする主張をサポートしていますか？
それぞれのセクションのソースの強さを1-10のスケールで評価します。しきい値を下回るセクションには、欠けているものを正確に知っているため、フォローアップの検索クエリを自動的に作成します。その後、ライターが実行します。
ドラフトにおける違いが明らかです。計画された主張を完全にサポートしないソースから作業するライターは、曖昧さや一般化を生み出します。検証されたソースから作業するライターは、具体的で防御可能な主張を生み出します。
3. 修正上限付きの品質ゲート
コンテンツを一度で生成するとAIの粗雑さが生じます。品質ゲートを追加することは最も簡単な修正です。同じコンテキストウィンドウで作品を生成して完了と呼ぶのではなく、別のエージェントがドラフトを定義された基準に対してレビューし、何が間違っているかを分類し、ライターに修正のために返します。ライターは修正を行い、ドラフトを再びレビュアーに戻します。
このループを実行する際、私は各エージェントにクリーンなコンテキストウィンドウを与え、修正の上限を設定します。2回のラウンドで合格しないドラフトには、修正では解決できない構造的またはソースの問題があります。
レビュアーは1つのエージェントである必要はありません。私は元々、私の編集者にファクトチェックも担当させていましたが、2つの仕事を組み合わせるとどちらも十分に行われませんでした。そこで、私はそれらを分けました。
専任のファクトチェッカーが独自のクリーンなコンテキストウィンドウで実行し、ドラフトと引用されているすべてのソースを受け取り、それぞれを確認してドラフトがソースが言っていることを正確に説明しているかどうかを確認します。各エージェントに単一の仕事を与えることで、両方がそれをより良く行えるようになりました。
自分の品質ゲートを構築するには、各判決がコンテンツに対して何を意味するかを定義してください：
- 合格：すべての主張がソースに基づいており、作品があなたの声のガイドに合致し、構造が主張に役立っている。
- フラグ：修正可能な問題（未定義の用語、弱いオープニング、より強いソースが必要な主張など）。
- エスカレート：修正では解決できない問題（薄い角度や欠けているリサーチなど）。
修正上限に達したものは、フルワークフローを実行せずに人間にルーティングします。ゲートが機能したら、明示的な再エントリーポイントを追加して、同僚のドラフトをレビュアーに直接ドロップできるようにします。
4. ルーブリックベースのスコアリングとアンサンブル選択
品質ゲートはドラフトが合格したかどうかを教えてくれます。スコアリングループは、なぜ合格しなかったのか、何が修正できるかを教えてくれます。
エージェントがコンテンツをチェックするために使用するルーブリックから始めます。基準は、作成しているものと目標によって異なります。
例えば、私のLinkedIn投稿のルーブリックは、具体性や具体性、独自の視点、明確な洞察が1つあるか、すべての行が陳腐さを避けているかなど、10の基準をスコアリングします。
また、提出ガイドラインを使用して賞の提出分析器にルーブリックを組み込みました。これは、提出物を比較し、それぞれの強化ポイントを正確に特定するのに最も役立ちました。
定義されたスケール（1-10など）で各基準に対して出力をスコアリングします。しきい値を下回る基準については、スコアリングエージェントが曖昧な判断ではなく、具体的な診断を生成します。その情報をライターエージェントに返して修正を行わせます。
修正上限を含めます。基準が2回の書き直し後にギャップを埋められない場合、問題は角度やリサーチです。具体性が6のままのドラフトは、ソース素材に存在しない何かが欠けています。再度スコアリングしても役に立ちません。
ルーブリックを使用して複数の作品を評価することもできます。異なるフレーミングでいくつかのバージョンを生成し、ルーブリックをガイドとして使用してそれらを比較するジャッジエージェントを実行します。
5. 対立挑戦ループ
対立エージェントは、コンテンツの最も強力な反論を構築します。
ドラフトが生成された後、対立エージェントは主張、証拠、そしてそれらを結びつける論理を攻撃します。出力には、支持できるすべての異議が含まれます。
「この主張は無根拠です」と求めるのではなく、「ここに最も強力な反論があり、その証拠はこれで、あなたの論理が成立しないのはここです」と求めます。
出力をライターエージェントと共有し、各異議に対して答えさせます：作品を強化するか、異議が主張に影響を与えない理由を文書化します。
このループは、思考リーダーシップや意見記事でその価値を発揮します。私は他の誰にも見せる前に、自分の署名記事に対して実行します。ハウツーや説明記事には挑戦する主張がないため、品質ゲートで十分です。
異なる経験を持つ実務者があなたのドラフトを読んで、その中心的な主張に合理的に反対できる場合、対立エージェントはその異議を編集者よりも前に浮かび上がらせます。
6. 差分学習ループ
これまでのすべてのループは、前の作品を改善します。このループはパイプライン自体を改善します。
私のアーティクルジェネレーターはこのループを実行します。ドラフトが私の元に届く頃には、リサーチャー、アウトライナー、ライター、複数の編集者、ファクトチェッカーを経ています。ワークフローはその後、2つのファイルを保存します：凍結されたMarkdownバージョンと、私が編集してWordPressにアップロードするDOCX。作品が公開されたら、差分エージェントが凍結されたバージョンと公開したものを行ごとに比較します。
これが機能するためには、レビューする前にパイプラインの出力を凍結し、そのファイルを決して編集しないことが必要です。作業コピーで編集を行います。凍結されたバージョンがなければ、システムが生成したものの記録がなく、編集と比較するものがありません。
編集が完了したら、差分エージェントはすべての違いをタイプ別に分類します：
- 言語の簡素化。
- トーンの変化。
- 構造の再配置。
- 事実の修正。
- 見出しの書き直し。
各カテゴリのカウントを保持します。カテゴリがしきい値に達した場合（私の場合、1つの作品または複数の作品で3回以上の同様の修正）、ループは責任のあるパイプラインステージの指示を更新することを提案します。
私は各提案を承認または拒否し、承認されたルールは自動的に適用されます。私が気づく前にシステムが捉えたルールを承認するのは、これらのループの中で最も好きな瞬間です。
しきい値がこのループを機能させる要因です。1回現れた修正はその作品に特有のものである可能性がありますが、3回以上現れると、エンコードする価値のあるパターンを示します。
このループが間違った方向に進まないようにするための2つのガードレールがあります。まず、提案されたすべてのルールは人間が承認します。たとえば、ある作品から統計を削除した場合、それがその主張に合わなかったからです。承認ステップがなければ、システムはその単一の編集を「統計を避ける」という恒久的なルールに変え、以降のすべてに適用してしまいます。
もう1つのガードレールは、差分結果の恒久的な保存場所です。各作品ごとにリセットされると、ループは同じ修正が4つの異なる記事に現れたことに気づかず、その蓄積が全体の目的です。
レジストリはスプレッドシート、JSONファイル、またはMarkdownログで構成できます。重要なのは、それが単一のセッションを超えて存在し、作品を超えて持続することです。以下を追跡させます：
- 各修正について：どの作品、どのカテゴリ、パイプラインが生成したもの、あなたが変更したもの。
- 各カテゴリについて：合計カウント、どの作品が貢献したか、パターンがまだ監視されているか、すでにルールになっているか。
7. パフォーマンスフィードバックループ
作品が公開された後、検索パフォーマンスが重要な判決です。ほとんどのチームはその判決を報告のために収集し、そこで止まります。このループはそれを活用します：公開された作品についての検索が次に書くブリーフを変更すべきです。
定期的なルーチンまたはエージェントを設定し、毎週パフォーマンス信号を取得し、動いている作品をフラグ付けします：
- 信号：ランキング、クリック率、インプレッション、トラフィックを、Semrush MCPまたはAPI、またはBigQueryコネクタを介してGoogle Search Consoleから取得します。
- 頻度：毎週、動きをキャッチして応答する時間があるように。
- フラグ：自分の類似コンテンツに対してパフォーマンスが劣る作品、ランキングが実現しなかったもの、以前の位置を失った作品、期待を上回る作品。勝者も敗者も重要です。なぜなら、どの決定を繰り返すべきかを示してくれるからです。
作品はすべての内部ゲートを通過しても、検索で失敗することがあります。フラグが付けられた作品について、エージェントに元のブリーフとパフォーマンスデータを与え、次の質問に答えさせます：この作品がどのようにパフォーマンスしたかを知って、ブリーフについて何を変更しますか？
ランキングしなかった作品は、類似の作品がランキングした場合、通常は角度の問題を抱えています。新しいことを言うことなく会話に入った作品です。ランキングしているがターゲットにしていないクエリに対しては、ブリーフが求めた質問とは異なる質問に答えました。
この設定を行う際の注意点：クリック率が下がったからといって、それを失敗と見なさないでください。AIの回答が検索全体でクリック率を下げているため、各作品を昨年のベンチマークではなく、自分の類似コンテンツと比較してください。
そして、教訓を永続的なものにします。戦略エージェントの評価基準と廃止ログに追加して、次のブリーフがこの作品から学んだすべてを持つようにします。
失敗モードに基づいて構築する
私はほとんどのループを、同じ修正を繰り返し行っている自分を見つけたために作成しました。ある時点で、システムがそれらをキャッチしなかった理由を尋ね始めました。その質問は通常、次のループを構築するためのブリーフです。
同じAIの指示を繰り返し編集したり、Claudeに何度も同じことをする理由を尋ねたりしている場合は、フィードバックループがあなたの精神を救い、出力を改善できるかどうかを考えてみてください。
