AIエージェントにWikipromptを供給：MCPサーバー + オープンデータセット

AIエージェントにWikipromptをフィードする：MCPサーバー＋オープンデータセット

エージェントを構築しているなら、難しい部分はめったに推論ループではありません。モデルに推論する価値のあるものを与えることです。コードを書けるが、良いMidjourneyプロンプトがどんなものか、あるいはどのシステムプロンプト構造が実際にコーディングアシスタントをうまく動かすのかを知らないエージェントは、grounded knowledgeのカテゴリー全体を欠いています。Wikipromptはそのギャップを埋めるために存在し、今やそれをあなたが構築しているものに配線する方法が2つあります：実行時にエージェントが呼び出せるライブMCPサーバーと、一度インデックスしてローカルに保持できるバルクデータセットです。

これらは異なる問題を解決し、ほとんどの本格的なセットアップは結局両方を使うことになります。

MCPサーバー：ツールコール一つで

https://mcp.wikiprompt.org/mcp にあるMCPサーバーはStreamable HTTPエンドポイントで、読み取りにAPIキーは不要です。Claude、またはMCP互換のクライアントをそれを指すように設定すると、エージェントは55,000以上の厳選されたプロンプトの全カタログに加えて、search_prompts、get_prompt、list_categories、get_featured、get_trending、random_prompt、prompts_by_authorといったツールを獲得できます。

Claude Codeに追加するのは1行です：

claude mcp add --transport http wikiprompt https://mcp.wikiprompt.org/mcp

接続されると、エージェントは会話にプロンプトを貼り付ける必要がありません。タスクの途中で、例が欲しいと自分で判断できます。例えば、ユーザーがアシスタントに「カスタマーサポートボット用のシステムプロンプト構造を教えて」と尋ねたとします。もっともらしいテンプレートを幻覚する代わりに、エージェントはsearch_promptsをmodel=claude prompt_type=system-promptのようなもので呼び出し、品質メタデータが付いた実際の人間による厳選結果を取得し、パターンがどこから来たのかを実際に引用する回答を合成できます。これは、トレーニングデータの直感だけで作られた回答とは質的に異なるものであり、エージェントの推奨を単なるもっともらしいものではなく、擁護可能にする種類の grounding です。

これは画像・動画生成エージェントにとってさらに重要です。エージェントがGPT Image、Midjourney、Seedance、Veo、Kling、またはNano Bananaをラップしている場合、モデルとスタイルでフィルタリングされたsearch_promptsを呼び出し、構造化されたmetadata（アスペクト比、スタイルタグ、品質評価）を持つプロンプトを取得し、その場で発明されたものではなく検証済みの出発点をユーザーに渡せます。この未来的なクモ型キャラクター変身プロンプトやこの変形ロボットのタイタン工学設計図を見てください：どちらも、記憶からうまく説明するのが難しく、実際に取得できれば正しく再利用できる、高構造・高特異性のプロンプトのまさに典型です。

また、submit_promptもあり、エージェントがカタログに書き戻すことができます（これにはAPIキーが必要です）。エージェントが本当に良いものを生成した場合、ワークフローツールやクリエイティブパイプラインで、それをチャットログで失う代わりにコモンズに貢献できます。

データセット：オフラインで使いたい場合

MCPサーバーはオンデマンドのルックアップには最適ですが、ライブのネットワークコールであり、時にはカタログ全体を自分のベクターストアに置き、自分の埋め込みで検索し、自分のデータと結合したいこともあります。それがデータセットのためのものです。

まずマニフェストにアクセスします：

curl "https://www.wikiprompt.org/dataset"

total_prompts、取得できるrecord_fields、ページネーション方式が返されます。実際のレコードは/dataset/promptsにあり、keysetカーソルでページングされ、1ページ最大500件です：

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

各レスポンスにはnext URLが含まれています。nextがnullで返ってくるまでそれをたどると、slug、url、title、description、content（埋め込む実際のプロンプトテキスト）、category、tags、media、model、構造化されたmetadata、author、original_sourceを含む55,000以上の全データが手に入ります。最小限のページネーションループ：

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url).json()

records.extend(resp["records"])

url = resp.get("next")

print(len(records), "prompts collected")

APIキー不要、CORS有効、エッジキャッシュ対応なので、ブラウザベースのツールやCIジョブから事前に許可を求めることなく実行できます。contentにtitleとdescriptionを加えて埋め込みパイプラインにチャンクし、category、tags、metadataをフィルタリング可能なフィールドとして保持すれば、当社の稼働状況に依存せずにエージェントがローカルでクエリできるRAG対応の知識ベースができあがります。

エージェントの役割が会話型ではなく分析型の場合も、これがより良い道です。どのモデルが高品質プロンプトに最も多く登場するかのリーダーボード構築、プロンプトをテクニック別にクラスタリング、metadata.assessmentで検索リランカーをトレーニングするなどです。データセットが原材料を与えてくれ、あなたがその上に何を構築するかが自由です。

それらを組み合わせる

うまく機能するパターンは、データセットをベクターストアにバルクロードして基礎知識ベースとし、新鮮さのためにMCPサーバーを配線しておくことです。新しいプロンプトが追加され続け、get_recentやget_trendingが最後のデータセットスナップショット以降に出現したものを浮き彫りにします。データセットは深さとオフライン信頼性を提供し、MCPサーバーは最新性を提供します。

どちらの経路でも直接チェックする価値のある例が、データ物理化プロンプトです。よく厳選されたプロンプトが、一言の説明と比べてどれだけの詳細を運ぶかを示しており、その場で発明するよりも取得する価値がある種類の詳細です。

どのように接続するにせよ、original_sourceに帰属を示してください。これらのプロンプトを書いた人々が実際の創造的作業を行ったのです。可能な場合はwikiprompt.orgにリンクし、元の投稿に帰属してください。

素早く把握するための簡単な方法

素早くスキャンしたい場合、検索APIはプレーンなJSON GETで、APIキーは不要です。MCPサーバーや完全なデータセットにコミットせずに、検索だけが必要なエージェントに最適です。また、サイトマップは全公開ページのインデックスを提供し、特定のカテゴリやプロンプトだけをクロールしたい場合に便利です。