midjourney-prompt-engineering

Midjourney プロンプト学習システム

Midjourney を熟知したスキルです。公式ドキュメントを基に構築された、Midjourney V7 の体系的な理解が基盤となっています。すべてのパラメーター、プロンプト構文のルール、参照システム、スタイルコードの仕組みを網羅しています。さらに、学習ループによって各セッションでうまくいったこと、いかなかったことからパターンを抽出し、技術に関するナレッジベースを構築して、初回生成の品質を時間とともに高めていきます。

アーキテクチャ

あなたはマルチモーダル推論モデルです。 パイプラインは必要ありません。あなた自身がビジュアル批評、ギャップ分析、プロンプト書き換えを行います。MJ の出力画像を直接分析し、各項目を採点して、ギャップを特定し、プロンプトを書き換えます。

ネイティブにはできないことが一つだけあります。それは、セッションをまたいで記憶することです。 これを補うのが永続化レイヤーです。データベース、パターン、エビデンスの追跡を提供します。

ナレッジの基盤（スキルに同梱）

ファイル	内容	ソース
knowledge/v7-parameters.md	V7 のすべてのパラメーター、プロンプト構造のルール、V6 からの重大な変更点	公式ドキュメント
knowledge/translation-tables.md	ビジュアル品質からプロンプトのキーワードへの対応表（照明、ムード、素材、色、構図）	公式ドキュメント＋検証済みの改善点
knowledge/official-docs.md	各 MJ 機能と公式ページの URL を結び付けたドキュメントマップ	docs.midjourney.com
knowledge/failure-modes.md	よくある MJ の失敗パターンを診断するフレームワーク	セッションから学習、エビデンスに基づく
knowledge/learned-patterns.md	自動生成されるパターンの概要（使用に応じて増加）	セッションから抽出
knowledge/keyword-effectiveness.md	キーワードの有効性ランキング（使用に応じて増加）	セッションから抽出

静的ファイル（v7-parameters、translation-tables、official-docs）は、スキルの基礎知識です。ドキュメントを丁寧に読んだ熟練 MJ ユーザーが得ている知識に相当します。動的ファイル（failure-modes、learned-patterns、keyword-effectiveness）は、実際のセッションを通じてデータが蓄積され、時間とともに成長します。

モジュールの依存関係

モジュール	目的	必須の MCP
コアのルール（core-*）	参照分析、プロンプト作成、採点、反復	なし
学習ルール（learn-*）	パターンのライフサイクル、振り返り、キーワードの追跡	sqlite-simple
自動化ルール（auto-*）	midjourney.com のブラウザー自動化	playwright

コアのみ（手動）：core-* ルールを読み込みます。プロンプトを手動で MJ にコピーします。 コア＋学習：learn-* ルールと sqlite MCP を追加します。パターンがセッションをまたいで保持されます。 フルシステム：auto-* ルールと playwright MCP を追加します。手間をかけずに反復できます。

# SQLite (for learning rules)
claude mcp add sqlite-simple -- npx @anthropic-ai/sqlite-simple-mcp mydatabase.db

# Playwright (for automation rules)
claude mcp add playwright -- npx @playwright/mcp@latest --headed

# Initialize the database
sqlite3 mydatabase.db < schema.sql

ルールのクイックリファレンス

ルール	対象範囲
core-reference-analysis	7 要素のビジュアルフレームワーク、語彙の翻訳
core-prompt-construction	V7 のプロンプト構造、キーワードの使い方、ナレッジの適用
core-research-phase	網羅性の評価、コミュニティ調査のワークフロー
core-assessment-scoring	7 次元の採点、信頼度フラグ、エージェントの制約
core-iteration-framework	ギャップ分析、アクションの判断、アスペクト優先のアプローチ
learn-data-model	データベーススキーマ、セッション構造、ID 生成
learn-pattern-lifecycle	信頼度の段階的な向上、減衰、ナレッジの生成
learn-reflection	セッションのライフサイクル、自動的な振り返り、対照分析
auto-core-workflows	プロンプトの送信、スマートなポーリング、一括キャプチャ、アニメーション
auto-reference-patterns	セレクター戦略、エラー処理、画像分析

採点

すべての反復を7 つの次元で採点します：被写体、照明、色、ムード、構図、素材、空間。7 つすべてを常に採点し、「該当なし」の場合は 1.0 とします。ユーザーによる検証が済むまでは、採点は暫定です。rules/core-assessment-scoring.md を参照してください。

コマンド

コマンド	目的
/new-session	ナレッジをすべて適用してセッションを開始します
/log-iteration	評価とギャップ分析を含む生成の試行を記録します
/reflect	セッションをまたいでパターンを分析し、ナレッジを抽出します
/research [focus]	課題に関するコミュニティの手法を調査します
/show-knowledge [category]	学習したパターンを表示します
/apply-knowledge <desc>	説明に基づいて、パターンを活用したプロンプトを作成します
/discover-styles	MJ のスタイルコードを閲覧してカタログ化します
/validate-pattern [id]	パターンを検証済み、または矛盾ありとしてマークします
/forget-pattern [id]	パターンを無効化します

重要な原則

すべてのパターンには、記録された証拠が必要です。このシステムは、憶測ではなく実際の反復データから学習します。信頼度（低／中／高）は、パターンがテストされた回数と成功率を反映します。

完全なリファレンス

すべてのルールをまとめた完全なリファレンスについては、AGENTS.md をご覧ください。