第13章　1,500を形作って分かったこと：実践の風景

あらかじめ学んでいても、実際にやってみなければ理解できないことがあります。9分類を読んで頭で知ることと、5,000行のCSVファイルを前に一行ずつ分類を決めることはまったく異なる経験です。世界観軸の直交性を説明できることと、生態ドラマ世界観「大樹の背」を整えながら1,500の見出し語に実際に世界観軸を付け、「この見出し語は大樹なのか、獣心なのか」をそのつど判断することも、別の次元の仕事です。

この章は、そのように実践から学んだことをまとめます。方法を教える講義ではなく、一度経験した人の回顧に近いものです。

まず数字を明らかにしておきます。あるIPの最初のLibraryingサイクルで作られた見出し語は1,847個でした。別名を代表見出し語へつなぐための、まだ内容のないstubファイルも含めると、全ファイルは約4,200個でした。第2次CSVでAIの仕事仲間が出した同義語候補のうち、人が覆したものは83件、hubとして確定した見出し語は127個、第4次執筆で発生した再依頼は214件でした。

これらの数字がどう生まれたかが、この章の話です。

実践が教えること

9分類の境界は考えるより曖昧です。 説明する時には境界が明瞭に見えます。「大樹の歩み」は装置で、「背守り」は人物、「鱗影の村」は場所です。しかし第1次抽出を実際に行うと、どこへ入れるか曖昧な例が予想以上に多く現れます。「獣心に入った獣心者」は人物か装置かミザンセーヌか。「約束」は概念か価値か。「約束の歌」は事物かミザンセーヌか。「歩みと息を読む方法」は事物か装置か。このような問いが抽出中に何十回も現れます。

最初はこの曖昧さが不快で、分類の一貫性が崩れるのではと心配でした。しかし何度か実践して分かったのは、境界が曖昧な見出し語を前に長く悩むほうが、かえって大きな無駄だということです。ひとまず片方に決めて先へ進めばよく、第2次統合で人がもう一度検収し、誤分類を直すからです。実際、1,847見出し語のうち第2次で分類が修正されたのは62件、全体の約3.4％でした。第1次で完全な分類を目指せば修正は減ったかもしれませんが、「完全な分類」を追う時間ははるかに大きかったでしょう。第1次の合格線を60％とする理由を、実践で身体的に理解します。

世界観軸は最後まで調整されます。 世界観軸は第1次抽出前のプロファイリングで定めます。あるIPでは「大樹」「背守り」「獣心」「村」「関係」「一般」という六軸から始めましたが、抽出が進むほどどこにもきれいに入らない見出し語が現れました。「谷の川で水を汲む」は背守りか村か。「老獣心者の家」は獣心か関係か。「約束の歌」は背守りか獣心か。

解決は新しい軸を作るか、既存軸の定義を広げるかです。実践から学んだのは、できるだけ新軸を増やすより定義を広げるほうがよいということでした。軸が増えるほど、各見出し語をどの軸に置くかの判断が難しくなるからです。たとえば獣心軸を「大樹の内心と直接関係するすべての見出し語」と広げれば、「老獣心者の家」も自然に獣心軸へ入ります。そのサイクルは、六軸に「約束／節気」軸を加えた七軸で終わりました。最初から七軸で始めればより一貫して分類できたので、プロファイリングには少し長く時間をかけてもそのほうがよいのです。

第2次統合で最も時間がかかるのは同義語束を決めることです。AIの仕事仲間は候補を速く出しますが、一件ずつ「この二つは本当に同じか」を検収する作業は予想より難しいものです。5年以上運用されたIPでは、時期によって意味が変わった見出し語が多く出ます。同じ名前でも第1版と第3版で指す対象が違う場合です。たとえば「獣心」という語が第1版では大樹の内心そのものを意味し、第3版ではその心を感じる人の能力を意味することがあります。これを一つの見出し語にまとめるか分けるかは、IPの歴史を深く知る人だけが判断できます。あるIPで人が覆したAIの同義語候補83件のうち41件は、この「時期による意味変化」の例でした。

この判断はLibraryingだけの問題ではありません。フォーゴトン・レルムの魔法の女神ミストラは第1版では一人の人物でしたが、大きな世界の激変後、別の人物が同じ神格の称号を受け継ぎました。フォーゴトン・レルムWikiは二人のミストラを別ページにしてリダイレクトで結んでいます。マーベル・コミックスでも同じ称号を継ぐ複数世代のキャラクターが同じ問題を経験します。長く運用されたIPでは、表記と意味が一対一にきれいに対応しないことはどこでも起こります。

hubの直接執筆が以後の全体を決めます。 代表hubを先に直接書くことの重要性は第9章で説明しましたが、実際にするとその重みをもっと切実に知ります。あるIPの最初のサイクルで12個のhubを直接書き、そのうち3個は結局書き直しました。最初の三つでは文の調子をつかめず、百科事典のような文体で書いていました。五つ目を書いた頃に「これは違う」と気付き、前のものを直しました。

最初に誤って書いた「最後」見出し語の一文目は、こうでした。「最後とは、大樹が歩みを止め、横たわる日を指す見出し語である。この日は獣の老衰が限界に達した時に訪れ、村の生活全般に影響する。」概念を解く百科事典文体であり、このIPで「最後」という日が人物にどう経験されるかがまったくありません。

直した後の一文目は、こう変わりました。「最後とは、皆が永遠だと思う世界で、ただ一人だけが前もって抱えて生きる日である。村がその日を知らない間、獣心者はその重さを一人で負って生きる。」この世界の中で見出し語が何を意味するかを先に示し、読者が一項目からもIPの温度を感じられる叙述になりました。これがこのIPの叙述の声でした。

12個のhubをすべて完成してから委任を始めた場合と、最初の3個だけで始めた場合を比べると、結果は明白でした。前者の再依頼率は11.7％、後者を試した時は31.2％まで上がりました。hub直接執筆の質が委任叙述の質を左右することが数字でも確認されたのです。hub直接執筆に十分な時間をかけることが、結果として第4次執筆全体の時間を減らします。

プロファイリングなしでは第2次が二倍長くなります。 プロファイリングを飛ばして第1次抽出から始めたことがあります。結果を受け取っても世界観軸をどう取るか見当がつかず、そのまま第2次統合に入ると、見出し語ごとに軸を即興で決めることになりました。千個目で下した判断が一個目と食い違い、結局第2次を終えた後に軸を最初から組み直し、全見出し語を再分類しました。30〜60分のプロファイリングが数時間の手戻りを防ぎます。早く始めたい気持ちはプロファイリングを飛ばしがちですが、初めて扱うIP、または初めてのLibraryingなら絶対に飛ばすべきではありません。

作業時間は予想の1.3〜1.5倍かかります。 第3章では一サイクル9〜16時間としましたが、あるIPの最初のサイクルは21.5時間、予想の約1.4倍でした。プロファイリングに1時間、同義語束決定に2時間、最初の三hubを書き直すのに1時間余計にかかりました。二つ目のIPサイクルは14時間、予想の1.05倍で、最初の経験により速くなりました。三つ目以後は10〜12時間で安定しました。最初のサイクルは時間がかかると知って始めれば、途中で慌てずに済みます。

グラフビューは予想外のものを見つけます。 最初は見栄えのよい可視化ツールだと思っていましたが、実際には具体的な問題を捕まえる点検ツールでした。どこにもつながらない孤立ノードを開くと、詳細説明に [[リンク]] が一つもなく、第2次CSVで関連キーワード接続が抜けていました。グラフがなければ見つけにくい問題です。また、引用回数に比例して点の大きさを設定すると、hub一覧にない一つの見出し語が特に大きく見えました。複数人物の詳細説明で頻出する核心概念であり、プロファイリング時には比重を見落としていたのです。

固定数より検収単位が重要です。 初めは第4次委任を一バッチ15個、同時に3個処理といった数で覚えていました。実際にはよい出発点ですが、数そのものより一バッチを同じ基準で検収できるかが重要でした。主人公と核心装置が混じる15個は重すぎ、leaf事物20個は軽く通りました。バッチサイズと並列数は固定定数ではなく、見出し語の重さと検収者の集中を基準に調整すべきです。

自動化はコードでなく契約として残すべきです。 骨格ビルドやリンク注入は一度書いて実行すれば終わりに見えます。しかし、何を入力とし何を出力し、どの条件なら通過なのかが書かれていなければ、次のサイクルで同じ自動化を信頼して使えません。役割、入力、出力、実行時点、検証基準、人が判断すべき境界を自動化ごとに記す必要があります。この契約ができてからは、エラー時に「コードがおかしい」ではなく「どの通過条件が壊れたか」を先に見るようになり、復旧時間が大きく減りました。

予想と異なった点

AIの仕事仲間の第1次抽出精度は予想より高く、10〜20％と見込んだ分類誤りは実際には5〜7％でした。人物、場所、事物はほぼ正確で、混乱したのは装置、概念、価値のような抽象度の高い分類でした。抽象分類の誤り率は具体分類の3〜4倍でした。

hub叙述を手本として一緒に渡した委任と、渡さない委任の再依頼率の差も大きく、手本なしでは31％、ありでは12％でほぼ三倍でした。hub直接執筆の質が委任叙述の質へこれほど直接影響することは驚きでした。世界観軸ごとに色を変えたグラフビューも期待以上で、大樹軸のhubが他軸の見出し語よりはるかに多くつながることを初めて目で確認しました。

逆流について最も予想と違ったのは、それが無限には続かないことです。最初は短編を書くたび新語彙が無限に増え、Vaultがただ大きくなると思いました。しかし見出し語が数千規模に達すると逆流は自然に減り、Vaultはある分量の周りで自ら収まりました。

世界観ごとに適した見出し語量があるようです。数百で十分満ちる世界もあれば、数千で初めて姿を得る世界もあります。数を前もって決めることはできませんが、運営すると「この世界は十分に満ちた」と感じるIPも、「まだ空いていて拡張の余地がある」と逆流が続くIPもあります。逆流が活発なのは世界がまだ育つ信号であり、減るのは世界が自分の分量を見つけた信号です。

もう一度するなら変えること

第一に、プロファイリングへもっと時間をかけます。30〜60分としていましたが、初めてのIPなら1〜2時間がよいでしょう。複数の軸案を作り、見出し語サンプル50個に順に適用して最も一貫する案を選べば、第2次統合全体が速くなります。

第二に、第1次抽出で分類を細かく分けすぎません。「これは事物か装置か」を第1次で終えようとすると時間が延びるため、第2次で決めればよいと考え、第1次は軽く通します。

第三に、hub確定を第2次統合直後へ早めます。以前は第3次骨格ビルド後に決めましたが、自動カウント結果は第2次CSVでも確認できます。早く確定するほど第3次と第4次の優先順位が明確になります。

第四に、ストーリーダイジェストを十分に書きます。これは第4次でAIに渡すIP文脈の要約です。最初は原本の十分の一まで圧縮し、AIが文脈を十分つかめず叙述を作りました。二つ目では五分の一まで増やすと再依頼が目に見えて減りました。ダイジェストに力を入れることは第4次全体の時間を節約します。

第五に、P2課題は思い切って次サイクルへ送ります。最初のサイクルではP2まで今すぐ解決しようとしてhandoffが遅れました。P2は「Vault利用に支障なし」等級で、次の増分更新で処理すれば十分です。

実践が与えた最も重要な教訓

Libraryingは完璧なVaultを一度で作る作業ではなく、合格線を超えたVaultを着実に更新していく運用です。最初のサイクルですべてを完全にしようとする欲は、かえって作業そのものを止めます。

あるIPの最初のVaultを作り終えた後に、これが終わりでなく始まりだと実感しました。P2課題47件が次サイクルを待ち、leaf見出し語にはまだ叙述のないものが83個残っていました。それでもこのVaultはすでに合格線を超え、handoffの準備ができています。これから短編執筆が始まり、逆流が入るたびVaultは成長し続けます。

60％から始め、止まらず満たしていくこと。それがLibraryingの運用哲学です。

第14章は最後の章です。これまでの話が伝えたかった核心と、読み終えた後にどこへ進めばよいかを整理します。

---

© 2026 MEJE WORKS Corp. & 김동은WhtDrgon. All rights reserved.