Claudeへの依頼は、目的、前提、制約、出力形式を分けて書くと、確認・修正がしやすくなります。XMLタグはClaude専用の機能ではなく、プロンプト内の情報のかたまりを区切る記法です。短い依頼には必須ではありませんが、資料や条件が多いタスクでは、情報の取り違えを減らすために役立ちます。

最初に分ける4つの要素

  • 目的：何を作るか、何を判断したいか
  • 前提：対象読者、背景、使う資料やデータ
  • 制約：守る条件、除外事項、確認が必要な点
  • 出力形式：見出し、表、文字数、JSONなど完成形の指定

XMLタグは、この4つや補足データを見分けやすくするために使います。タグ名に決まりはなく、構造が分かる名前を付ければ十分です。タグを使っても出力品質が保証されるわけではないため、実際の業務に近い依頼で内容を確認してください。

XMLタグは情報を区切る記法

Anthropicの公式ガイドは、複雑なプロンプトで情報をXMLタグにより区切る方法を案内しています。HTMLと同じ書き方で、任意のタグ名を使えます。

どういうことか、具体例で見てみてください。

まず、タグなし（ChatGPT式のべた書き）の例です。

あなたはBtoBマーケティングの専門家です。以下のデータをもとに、来月のコンテンツカレンダーを作ってください。月間PV: 35,000、主要流入キーワード: MA 比較、MA ツール おすすめ、マーケティングオートメーション 導入、ターゲット: 従業員50-300名の製造業マーケ担当、直近3ヶ月で成果が良かった記事: ① MA導入事例5選（PV 4,200/月）② リード育成の基本（PV 3,800/月）③ 展示会フォローメール術（PV 2,100/月）。カレンダーは記事タイトル、想定キーワード、記事の切り口、優先度を含めてください。8記事分お願いします。

次に、XMLタグで情報を区切った例です。

あなたはBtoBマーケティングの専門家です。
以下のデータをもとに、来月のコンテンツカレンダーを作ってください。

<site_data>
月間PV: 35,000
主要流入キーワード: MA 比較 / MA ツール おすすめ / マーケティングオートメーション 導入
ターゲット: 従業員50-300名の製造業マーケ担当
</site_data>

<high_performing_articles>
1. MA導入事例5選（PV 4,200/月）
2. リード育成の基本（PV 3,800/月）
3. 展示会フォローメール術（PV 2,100/月）
</high_performing_articles>

<output_format>
以下の列を含む表形式で8記事分：
- 記事タイトル
- 想定キーワード
- 記事の切り口（100字以内）
- 優先度（A/B/C）
</output_format>

情報量は同じですが、XMLタグがあると、サイトデータと出力形式の指定を人もモデルも見分けやすくなります。出力がどの程度変わるかは、依頼内容、渡す情報、選ぶモデルに左右されます。既存のプロンプトを構造化した前後で、必要な条件が守られているかを比較してください。

よく使うXMLタグのパターンをいくつか挙げておきます。

  • context：背景情報、状況説明
  • data：分析に使う数値やテキストデータ
  • instructions：具体的な作業指示
  • constraints：制約条件（やってはいけないこと）
  • output_format：出力形式の指定
  • examples：Few-shotの例示
  • tone：文章のトーン指定

タグ名は自由に付けられるので、自分がわかりやすい名前で構いません。重要なのは「情報のブロックを明示的に区切る」ことです。

最初は既存のプロンプトの内容を変えず、背景・データ・制約・出力形式をタグで分けるだけでも構いません。目的に合う出力になっているかを確認してから、必要なタグや指示を追加します。

そのまま使える基本テンプレート

ここまでの内容を、1本の骨格にまとめておきます。用途が変わっても、この並び順は変えずに中身だけ差し替えていく使い方ができます。

あなたは[役割]です。

<context>
[背景・前提。誰のための、何の作業か]
</context>

<data>
[判断材料になる数値・テキスト・資料]
</data>

<instructions>
[やってほしいこと。手順がある場合は番号で]
</instructions>

<constraints>
- [やってほしくないこと1]
- [やってほしくないこと2]
</constraints>

<output_format>
[形式・分量・項目]
</output_format>

並び順には理由があります。役割と背景を先に置くと、Claudeは以降の情報をその立場から読みます。データを指示より前に置くのは、指示を読んだ時点で判断材料が手元にそろっている状態を作るためです。出力形式を最後に置くのは、直前に読んだ内容ほど出力に反映されやすいためで、形式の指定を冒頭に書くと後半で崩れることがあります。

すべてのタグを毎回埋める必要はありません。短い依頼なら instructions と output_format の2つだけでも効果があります。逆に、うまくいかないときは埋まっていないタグがどれかを見ると、原因の見当がつきます。

APIのSystem PromptとWeb版のプロジェクト指示

API経由でClaudeを使う場合は、System Promptを直接設定できます。Web版の「プロジェクト」には、プロジェクトごとの前提や出力ルールをあらかじめ渡すためのプロジェクト指示があります。設定方法や扱いは異なるため、Web版のプロジェクト指示をAPIのSystem Promptと同一視しません。

System Promptは、APIのリクエストでClaudeに渡す「前提設定」です。プロジェクト指示は、Web版で案件ごとの文脈やルールを整理するために使えます。どちらも、依頼ごとに繰り返す説明を減らし、確認したい条件を明文化するのに役立ちます。

案件ごとに、対象読者、判断材料、出力ルール、避けることを先に整理しておくと、依頼内容を見直しやすくなります。

たとえば求人メディアの改善提案をしているプロジェクトでは、次のようなSystem Promptを設定します。

あなたはシニアマーケティングコンサルタントです。
夜職系求人メディアのグロースハックを専門としています。

<project_context>
クライアント: 夜職求人プラットフォーム
KPI: LINE応募のCVR、エリアピック商品の販売数
現在のフェーズ: A/Bテスト実施中、UI改善の提案段階
</project_context>

<output_rules>
- 提案には必ず数値的根拠を含める
- 「〜だと思います」ではなく「〜のデータに基づくと〜です」
- 最終アウトプットは日本語、ビジネス敬語
- 改善案は優先度（高/中/低）×工数（小/中/大）のマトリクスで整理
</output_rules>

<constraints>
- 競合メディアの具体的な内部データを推測で語らない
- 法的に微妙な施策（景品表示法グレー等）は提案しない
- クライアントのエンジニアリソースは限定的。大規模な開発を前提とした提案は避ける
</constraints>

こうしておくと、日々の会話で「このLPのCVR改善案を3つ出して」と依頼したときにも、案件の前提と出力ルールを参照させやすくなります。重要な条件は、出力後に満たされているかを確認してください。

APIのSystem PromptやWeb版のプロジェクト指示は、繰り返す案件で特に役立ちます。最初に必要な前提を短く整理し、実際の依頼で不足があれば更新します。

APIのSystem Promptやプロジェクト指示でも、XMLタグで文脈、出力ルール、制約条件を分けておくと、設定内容を人が見直しやすくなります。

Claudeのモデルの使い分け

Claudeには複数のモデルがあります。モデル名、利用できるプラン、API料金は更新されるため、以下は2026年10月16日にAnthropic公式のModels overviewとPricingで確認した内容です。前回確認した9月28日以降、SonnetとHaikuの最新モデルが5.5世代に更新され、Haikuは料金体系も変わっています。Web版で選べるモデルはプランによって異なるため、実際の利用画面でも確認してください。

モデル特徴向いている業務API単価（100万トークンあたり・入力／出力）
Claude Fable 5.1高度な推論と長期間のエージェント作業向け複雑な推論、長いエージェント処理$10／$50
Claude Opus 5.5長時間のコーディングと知識作業向け複雑な分析、複数資料のレビュー、長い作業$4／$20
Claude Sonnet 5.5速度と知能のバランスを取りやすい文章の下書き、要約、日常的な分析$2／$10
Claude Haiku 5.5最も速いモデル。大量・低遅延の処理向け分類、抽出、振り分けなどの短い定型処理$0.10／$0.50（入力10万トークン以下）、$0.50／$2.50（10万トークン超）

（出典：Anthropic「Models overview」「Pricing」、2026年10月16日確認）

4モデルとも、コンテキストウィンドウは100万トークン、1回の最大出力は12.8万トークンです。旧モデルのSonnet 5やHaiku 4.5も引き続きAPIで指定できますが、公式の比較表は5.5世代に切り替わっています。

モデルの世代や料金は変わるため、固定の名称よりも、必要な精度、処理量、許容できる待ち時間と費用で選びます。同じ評価用プロンプトを複数モデルで試し、出力の正確さと確認にかかる時間を比べると判断しやすくなります。

Sonnet：速度と品質のバランスを取りたい場合

文章の下書き、要約、通常の分析では、速度と出力の質を両方確認しながら選びます。まずは実際に利用できるモデルで同じ依頼を試し、要件を満たすかを見ます。

Opus：複雑な知識作業を検証したい場合

複数資料をまたぐレビューや、条件が多い分析では、上位モデルの出力も比べます。モデルを替えても、結論に使う数値、出典、計算は人が確認します。

Haiku：短い定型処理を多数行う場合

分類、抽出、表記ゆれの確認など、短い処理を繰り返す場合は、速度とトークン単価を見て選びます。Haiku 5.5は入力が10万トークンを超えるリクエストだけ単価が上がる料金体系のため、長い資料をまとめて渡す処理ではリクエストを分けるかどうかも試算に含めます。APIで自動化する前に、想定件数で試算し、誤判定時の確認手順も決めます。

Fable：高度な推論や長いエージェント作業を試す場合

複雑な推論や長いエージェント作業では、必要な品質と費用を評価してから採用します。高性能なモデルでも出力は検証し、外部の事実や業務判断をそのまま任せません。

実務で効くプロンプト設計テクニック5つ

ここからは、クライアントワークで実際に使っている、Claude特有のプロンプトテクニックを紹介します。

判断の根拠を出力に含める

分析では、結論だけでなく、データから読める事実、仮説、施策の方向性を分けて出力させると確認しやすくなります。内部の思考過程が常に表示されるわけではないため、読み手が検証できる根拠を出力項目として指定します。

<instructions>
以下の売上データを分析し、来期の重点施策を3つ提案してください。

出力には、次の4項目を順に含めてください：
1. データから読み取れるトレンド（上昇/下降/横ばい）
2. トレンドの要因として考えられる仮説
3. 仮説を裏付ける/否定するデータポイント
4. 上記を踏まえた施策の方向性

その上で、具体的な施策を提案してください。
</instructions>

この指定により、結論と根拠を分けて確認できます。仮説を事実として扱わず、出力に含まれる数値、計算、出典を元データで確認してから施策を決めます。

ネガティブ指示の明確化

「やってほしくないこと」を明示するテクニックです。守る条件と代替案を一緒に書くと、完成形を伝えやすくなります。

<constraints>
- 「いかがでしたか？」「〜ではないでしょうか」等の定型フレーズを使わないでください
- 根拠のない数字（「約80%の企業が〜」等）を使わないでください
- 見出しは体言止めにせず、内容が伝わる完全な文にしてください
- 箇条書きは1セクションにつき5個以内に抑えてください
</constraints>

禁止事項だけを並べるより、「代わりにこうしてほしい」を添えるほうが期待する出力を伝えやすくなります。上の例であれば、定型フレーズを禁止するだけでなく、どのような締め方を期待するかを1行足します。出力後は、禁止事項と代替表現が守られているかを確認してください。

出力の段階指定

一度に完成品を求めるのではなく、段階を踏ませるやり方です。

このプロジェクトの提案書を以下の3段階で作成します。

【第1段階】提案のアウトライン（見出しのみ）を出してください。
私が確認してOKを出したら第2段階に進みます。

【第2段階】各セクションの本文ドラフト（各300字程度）を書いてください。

【第3段階】私のフィードバックを反映した最終版を仕上げてください。

まず第1段階から始めてください。

これは特に長文の成果物を作るときに有効です。いきなり「5,000字の提案書を書いて」と頼むと、方向性がズレたまま5,000字が出てきて、全部やり直しになるリスクがあります。段階を踏めば、アウトラインの時点でズレを修正できます。

ブレインストーミングでは仮説を明示する

事実確認が必要な依頼と、発想を広げるブレインストーミングは、同じ指示で扱いません。後者では、仮説であることを明示したうえで案を出すよう指定します。

<instructions>
以下のテーマについてブレインストーミングをしたいです。
この段階では正確性より発想の幅を重視します。
確信が持てない内容でも「仮説として」「可能性として」と前置きした上で
積極的にアイデアを出してください。
明らかに間違っている場合のみ省いてください。
</instructions>

このように指定すると、仮説と確定情報を分けて検討しやすくなります。アイデアを採用する前に、必要な事実確認と法的・運用上の確認を行ってください。

具体的なペルソナへの回答指示

「読者」を具体的に設定すると、文体や情報の粒度を調整しやすくなります。

<audience>
読者は中小企業（従業員20〜50名）のマーケティング担当者です。
- AIツールは「使ったことはあるが、業務に定着はしていない」レベル
- 技術的な話より「で、何ができるの？」を知りたい
- 年間のマーケティング予算は500万円前後
- 上司への説明に使えるデータを常に探している
</audience>

ペルソナが明確だと、専門用語の説明量や事例の条件を指定しやすくなります。出力された事例や数値は、対象読者に当てはまるかを確認して使います。

Claude運用で意識したいルール

最後に、Claudeを運用する際に確認したいルールを整理します。個人で使う場合も、複数人で導入する場合も、案件ごとの前提と確認手順を残します。

プロジェクト単位でClaudeの「プロジェクト」を分ける。1つの会話に複数案件の話を混ぜず、案件ごとの前提と出力ルールを分けます。これにより、別案件の条件が混ざるリスクを下げられます。

プロンプトのテンプレートをNotionなどで管理する。定型業務のプロンプトをテンプレート化し、目的、入力情報、制約、出力形式を更新履歴とともに残します。利用者が同じ条件で試せるため、出力の確認をそろえやすくなります。テンプレの土台には「仕事で使えるプロンプトテンプレート集【職種別】」も活用できます。

高性能モデルは「レビュー」に使う。標準モデルで作ったドラフトを、高性能モデルに「この提案書の根拠の不足、条件の漏れ、読み手に伝わりにくい箇所を指摘してください」と確認させます。指摘は、元の資料や要件と照らして採否を決めます。

Claude Codeで反復作業を自動化する。これはエンジニアリングに踏み込む話ですが、Claude CodeというCLIツールを使えば、ターミナルからClaudeに直接コーディングや分析を任せられます。ファイルの一括処理やリポジトリ横断の修正など、Web版では面倒な作業をコマンドラインで処理できるのが強みです。

思ったような出力にならないときの確認手順

プロンプトを工夫しても出力が的外れなとき、闇雲に書き直すと時間が溶けます。確認する順番を決めておくと早いです。

最初に見るのは、指示ではなく渡した情報のほうです。判断に必要な材料が本当に入っているかを確かめてください。「うちのサービスに合う訴求を考えて」と頼んでも、サービスの内容も顧客像も渡していなければ、返ってくるのは一般論になります。出力が薄いときの原因は、指示の書き方より情報不足であることが多いです。

次に、1つのプロンプトに複数の作業を詰め込んでいないかを見ます。「分析して、施策を出して、スケジュールに落として」を一度に頼むと、どれも中途半端になりがちです。前述の段階指定に切り替えると解決します。

それでも合わないときは、出力例を1つ見せてください。言葉で形式を説明するより、期待する出力そのものを1件書いて渡すほうが速いです。表であれば1行だけ埋めた状態を、文章であれば1段落だけを見本として置きます。指示の出し方そのものを見直したい場合は、AIへの指示の出し方も参考になります。

最後に、会話が長くなりすぎていないかを疑います。同じ会話を延々と続けると、途中の修正指示が積み重なって互いに矛盾することがあります。方向性が固まった時点で新しい会話を開き、確定した条件だけを書いたプロンプトで再スタートするほうが、結果的に速いです。

よくある質問

ChatGPT用のプロンプトはそのまま使えますか。

動きはしますが、性能は出し切れません。まずXMLタグで情報のブロックを区切るところだけ手を入れてみてください。中身を変えずに構造化するだけでも出力は変わります。ChatGPT側で使える書き方のコツはChatGPTプロンプトのコツにまとめています。

XMLタグのタグ名に決まりはありますか。

決まりはありません。context、data、instructions のように自分がわかる名前で構いません。重要なのは名前ではなく、情報のかたまりが明示的に区切られていることです。開始タグと終了タグの綴りを一致させることだけ気をつけてください。

無料プランでもXMLタグやプロジェクト機能は使えますか。

XMLタグは書き方の話なので、プランを問わず使えます。プロジェクト機能やモデルの選択肢はプランによって変わるため、最新の提供範囲は公式の料金ページで確認してください。

プロンプトはどのくらいの長さが適切ですか。

長さの目安より、必要な情報が入っているかで判断してください。Claudeは長い指示文の中の条件を拾うことに向いているため、必要な制約があるなら書いたほうが良い結果になります。ただし同じ内容を言い換えて繰り返すのは逆効果で、条件どうしが衝突する原因になります。

どのモデルから使い始めればよいですか。

まずは、利用中のプランで選べる標準モデルを同じ評価用プロンプトで試します。品質が足りない場面では高性能モデルを比較し、繰り返し処理を自動化する段になってから、速度と費用を含めて高速モデルを検討します。

Claudeのプロンプト設計で押さえる3点

Claudeへの依頼では、目的、前提、制約、出力形式を分けることで、必要な条件を確認しやすくなります。

XMLタグで情報を構造化し、APIのSystem PromptまたはWeb版のプロジェクト指示で案件の文脈を整理し、用途に応じてモデルを選びます。

AIの出力は、そのまま確定情報として扱いません。重要な数値、出典、業務判断を確認する手順までプロンプトに含めます。

Claudeの活用をさらに深める場合は、AI活用コミュニティ「RIALA（リアラ）」の案内も確認してください。提供内容や参加条件は、案内ページで最新情報を確認します。

参考文献