Claude CodeのCLAUDE.md育て方｜過去ログを「結晶化」して賢くする方法

クロードコードで良いアウトプットを得られるかどうかは、AIモデルの頭の良さだけで決まるわけではありません。モデルを取り巻くルールファイルやコンテキストを最適化することで、同じモデルでもアウトプットの質は大きく変わります。

結論から言うと、やるべきことはシンプルです。定期的に「自分がクロードコードとどんなやり取りをしているか」を診断し、そこから得た学びをクロードコードにフィードバックして「結晶化」する。この作業を繰り返すことで、クロードコードはあなた専用のパートナーとしてどんどん賢くなっていきます。

この記事では、結晶化を実践するために必要なクロードコードの内部構造の理解から、具体的なやり方までを解説します。

なぜアウトプットの質はモデルの性能だけで決まらないのか

クロードコードを使っていて「思ったような結果が返ってこない」「同じ指示を何度も出している気がする」と感じたことはないでしょうか。多くの人はこれを「モデルの性能が足りないせい」だと考えがちですが、実際にはモデルの外側にある要素が結果を大きく左右しています。

AIエージェントのアウトプットを決める要素は、大きく分けると次の3つです。

要素	内容
モデル自体の性能	Anthropicなどの開発元が改善するもので、ユーザー側では手を加えられない
ルールファイル	エージェントに常に読み込ませる指示書
コンテキスト	サブエージェントや過去のやり取りから与えられる情報

このうち、モデル自体の性能は我々には操作できません。しかし、ルールファイルとコンテキストの設計は、使う側の工夫次第でいくらでも最適化できます。同じクロードコードでも、この部分の作り込み次第で出てくる結果はまったく違うものになります。

クロードコードの構造を理解する｜CLAUDE.mdとMEMORY.mdの違い

結晶化を実践するには、まずクロードコードがどんな仕組みで動いているかを知る必要があります。クロードコードの挙動を決めているルールは、大きく分けて2種類存在します。

CLAUDE.md｜必ず読み込まれる「本命」のルールファイル

1つ目はCLAUDE.mdと呼ばれるファイルです。これはクロードコードがセッションを開始するたびに、必ず100%読み込まれるルールファイルです。ここに書かれた指示に沿って、クロードコードは動作しようとします。

ユーザーが自分の手で書き込み、内容をコントロールできるのはこのファイルの大きな特徴です。逆に言えば、ここに何を書くかによって、クロードコードの「性格」や「振る舞い」が決まると言っても過言ではありません。

MEMORY.md｜クロードコードが自分で育てる経験の層

2つ目はMEMORY.mdと呼ばれるファイルです。これはCLAUDE.mdとは性質がまったく異なります。ユーザーが手動で設定するものではなく、クロードコードがユーザーとのやり取りから自動的に学び、ナレッジを蓄積していくファイルです。

一見便利な仕組みに思えますが、実運用上は2つの弱点があります。1つ目は、内容が流動的で安定しないことです。クロードコード自身が随時書き換えてしまうため、狙った内容がいつまでも残り続けるとは限りません。2つ目は、CLAUDE.mdほど強制力のある形で参照されるわけではないことです。MEMORY.mdはクロードコードが状況に応じて「参照する場合がある」情報にとどまり、CLAUDE.mdほどクロードコードの挙動を決定づける影響力は持ちません。

過去の会話ログ｜見えないところに残り続ける生データ

さらにもう1つ、普段は意識されない情報が存在します。それは過去の会話そのものが、ログとして内部的に保存されているという事実です。会話ごとに識別子が振られ、その配下にやり取りの記録が残る形で蓄積されています。

このログはCLAUDE.mdのように常時参照されるものではありませんし、MEMORY.mdのように自動でナレッジ化されるものでもありません。いわば最も原始的な生データですが、見ようと思えばいつでも見返せる情報として存在し続けています。

「結晶化」とは何か｜経験を上位ルールへ昇格させる作業

ここまでの構造を踏まえると、クロードコードを賢くする方法が見えてきます。MEMORY.mdはクロードコードが自動で作ってくれるものの、流動的で安定しないという弱点がありました。であれば、自分の手で定期的に過去のやり取りを振り返り、そこから得た学びをCLAUDE.mdに反映させればいい、という発想です。

これが「結晶化」と呼ばれる作業です。散らかったままの会話ログや、移ろいやすいMEMORY.mdの中身をそのまま放置するのではなく、そこから得られる学びを分析した上で、CLAUDE.mdにルールとして書き加える。学びをより上位のファイルへ「昇格」させる、というイメージです。

CLAUDE.mdは自分で変更しない限り勝手に書き換わることのない安定したファイルです。だからこそ、そこに刻み込んだ学びは、まさに「結晶化」と呼ぶにふさわしい形で定着します。一度結晶化されたルールは、その後何度も繰り返し参照され、クロードコードの土台として機能し続けます。

結晶化を仕組み化する｜過去ログを診断するスキルの実例

結晶化を一度きりのイベントで終わらせず、継続的な仕組みとして回すことが重要です。ここでは、過去の対話ログを定期的に診断し、その結果をCLAUDE.mdへ反映する具体的な流れを、実際にあった事例とともに紹介します。

実際にあった話｜LPのスマホ崩れが繰り返されていた

たとえば、LP（ランディングページ）やホームページの作成をクロードコードに任せる機会が増えていたとします。パソコン版の見た目はいつも問題なく仕上がるのに、いざスマホで開いてみるとレイアウトが崩れている。そんな事故が、実は1回だけでなく直近で何度も繰り返し起きていた、というケースがありました。

そのつど「スマホ版も直して」と指示すれば、その場では直ります。しかし、それだけでは次にLPを作るときにまた同じ事故が起きます。修正のたびに同じ指摘を繰り返すのは、まさに冒頭で触れた「モデルの性能ではなく、仕組みの側に問題がある」状態です。

そこで、過去の対話ログを診断スキルに読み込ませてみると、「LP作成後にパソコン版の表示だけ確認して完了扱いにしてしまい、スマホ版の崩れが直近で複数件発生している」という傾向が、AIの分析によってはっきりと言語化されました。

この学びをそのままにせず、CLAUDE.mdに「LPを作成したら、パソコン版だけでなく必ず実機ブラウザでスマホ版の表示も確認すること」というルールとして書き加えます。さらに、そのチェック作業を専用のサブエージェントに任せる形にまで落とし込むと、以降はクロードコードに指示をしなくても、LPを作るたびに自動でスマホ表示のチェックまで済ませてくれるようになります。これが「学びを結晶化してクロードコードを賢くする」という作業の、もっとも分かりやすい実例です。

このように、一度きりの指摘で終わらせず、繰り返し発生するパターンを継続的にルール化していくことが、結晶化を仕組みとして機能させるコツです。

実際に使っている診断スキルの中身

こうした診断は、勘や記憶だけに頼っていては続きません。過去ログを定期的に読み込み、パターンを言語化してくれるスキルを1つ作っておくと、結晶化のサイクルをずっと回しやすくなります。参考までに、実際に使っている診断スキルの定義ファイルを紹介します。

---
name: ai-stress-audit
description: 現在いるリポジトリ1つの Claude Code 会話履歴を分析し、ユーザーが日々AIに出している指示の傾向から「AI操作のストレス源」を診断して、原因別に最適な打ち手（ループ化／ルールファイル整備／機械的強制・スキル化／エージェント定義への品質ゲート内蔵／現状維持）を決め切った行動提案を、単一HTMLレポートとして出力する。ステップ1で診断フレームワークを準備→ステップ2で会話履歴を分析→ステップ3で既存ルールと突合して提案を作成→ステップ4でHTML化、をサブエージェントに分割して実行する。ユーザーが明示的に実行した場合のみ発動すること。
---

# ai-stress-audit

このスキルが実行されたリポジトリ1つについて、ユーザーが過去に打ったプロンプトの傾向から
「AI操作のストレス源」を診断し、ストレスを減らすための行動提案を単一HTMLレポートにする。

## 目的とスコープ

- 真の目的はループ化でも自動化でもない。ユーザーが日々AIに指示を出すうえで感じている
  「操作ストレス」を減らすこと。
- ユーザーが同じ指示を繰り返す／細かく介入する／進捗を催促するのには原因がある。原因の診断軸:
  - (a) 反復作業型: 本当に反復的な定型作業 → ループ化・スキル化
  - (b) AI不全型: AIが期待どおり動かないせいで、毎回同じ修正・ダメ出しをさせられている。さらに3分する
    - (b1) ルール未整備 → ルールを書く
    - (b2) ルール実効性不全（書いてあるのに守られない）→ ルール追記ではなく機械的強制
    - (b3) 能力限界型（ルールで指示しても生成品質が届かない）→ 生成と評価の分離
  - (c) 一度きり型: 探索・単発判断 → 現状維持。自動化は有害

## 実行の流れ（サブエージェントに分割）

1. 過去の会話履歴から、人間が打ったプロンプトだけを抽出する
2. 診断フレームワークに沿って、会話履歴の傾向を分析する
3. 分析結果を既存のルールファイルと突き合わせ、対応済み／未対応を仕分けた上で行動提案を作る
4. 提案を単一のHTMLレポートにまとめて出力する

このスキルのポイントは、「同じ注意を何度も繰り返しているなら、それはAIの理解力不足ではなく、こちら側の仕組み（ルール整備）が足りていないサインかもしれない」という診断軸を持っていることです。診断結果はレポートとして出力されるだけで終わらず、そこからCLAUDE.mdへの反映（結晶化）まで一気通貫でつなげてはじめて意味を持ちます。

CLAUDE.mdを短くする定石と結晶化を両立させるコツ

ここで1つ疑問が浮かぶかもしれません。一般的には「CLAUDE.mdは短くまとめるべき」とよく言われています。情報量が増えてコンテキストが肥大化するほど、AIの性能はかえって落ちてしまうためです。学びをどんどん結晶化していくと、この定石と矛盾してしまうのではないか、という懸念です。

ここは工夫次第で両立できます。ポイントは、学びをすべてCLAUDE.md本体に直接書き込むのではなく、用途ごとに外部のルールファイルへ切り出し、CLAUDE.md側からは「この作業をするときはこのファイルを参照すること」という形で参照先を指定するという構成です。

例えば先ほどのLP作成の例であれば、「LPを作成する際はこの外部ルールファイルを参照すること」とCLAUDE.mdに一行だけ書いておき、スマホ表示チェックの詳しい手順は別ファイルにまとめておきます。こうすることで、CLAUDE.md本体は短く保ったまま、必要な学びを漏らさず参照できる状態を作れます。

この構成は、サブエージェントの動き方とも共通しています。サブエージェントには「このサブエージェントは何をするものか」という短い説明文と、実際の詳しい動作ルールが分かれて存在しますが、セッション開始時には短い説明文だけが読み込まれ、実際にそのサブエージェントを呼び出すタイミングになって初めて詳しいルール全体が読み込まれる、という仕組みになっています。ルールファイルもサブエージェントも、「必要になったときにだけ詳しい情報を取りに行く」という設計思想は共通しているのです。

環境設計そのものをより体系的に整理したい場合は、メモリ・スキル・ルールの3層構造で考える方法もあります。詳しくはAIエージェントの育て方｜モデルを変えずに環境設計だけで性能を2倍にする全技法で解説しています。

まとめ：クロードコードは育てるパートナーである

クロードコードのアウトプットの質は、モデルの性能だけで決まるものではありません。CLAUDE.mdというルールファイルと、そこに至るまでのコンテキスト設計が、実際の使い勝手を大きく左右します。

MEMORY.mdはクロードコードが自動で学びを蓄積してくれる便利な仕組みですが、流動的で安定しないという弱点があります。だからこそ、定期的に過去のやり取りを自分の手で診断し、そこから得られた学びをCLAUDE.mdという安定したファイルへ「結晶化」させていく作業が欠かせません。

CLAUDE.mdを短く保つ定石と結晶化は、外部ルールファイルへの参照という形にすることで両立できます。一度きりの設定で終わらせず、この改善サイクルを継続的に回していくことこそが、クロードコードをあなただけのパートナーへと育てていく最も確実な方法です。