AI画像の失敗を症状DBにする｜Prompt Troubleshooter設計（MVP30）

結論

失敗対応を記事の感想で終わらせず、症状行を追加するたびに資産が増えるDBにする。MVPは30症状。成功率は実測するまで書かない。

問題

カテゴリ別Knowledgeだけでは、個別症状の検索と修正欄（Prompt/Negative/LoRA/Seed）が足りない。

仮説

症状を固定スキーマで持つと、Making実験と商品ZIPが同じ語彙で更新できる。

実験方法（予定）

各症状: baseline 5 Seed → fix 5 Seed。重大カテゴリは10 Seed。

条件

• モデル / LoRA / 解像度は症例ごとに固定して記録
• 変数は1つ
• test_status: planned → in_progress → tested

結果

未実施。捏造しない。

失敗例（設計上の想定・未実証）

• Negative山盛りで別破綻
• 変数同時変更で原因不明

分かったこと（設計時点）

• Improvement Kitは改善ループ入門、Troubleshooterは症状DB、と役割分担できる
• 既存 troubleshooting Knowledge と category を揃えられる

実践方法

1. 症状を1つに限定

2. first_check

3. minimal_test_prompt で再現

4. diagnostic_step を1変数ずつ

限界

• 画像実測前のため採用率なし
• モデル差は別実験が必要

次の研究

30症状の実測と、代表10症状のBefore/After公開。

関連Knowledge

• アブレーション比較の始め方

関連商品

• prompt-troubleshooter（coming-soon）
• 隣接: prompt-improvement-kit