LLMandHumanASD Wiki

ダーク

深呼吸と推論バジェット——瞑想的テクニックの計算論的対応 ​

📖 メタ認知とハルシネーション ｜ ← 前のページ: 個人ファインチューニングと引力場の地形操作 ｜ 次のページ: 感情が現実フィルタを歪める →

射程

  • 「深呼吸して」というプロンプトがLLMの性能を向上させる機構は、感情的な励ましではなく推論バジェット（中間推論ステップ数）の暗黙的な拡張宣言として機能している
  • 人間の瞑想・マインドフルネスの効果とLLMの推論バジェット拡張は機能的に同型の構造を持つ
  • 引力場の語彙で見ると、瞑想は地形を変えるのではなく引力そのものを一時停止する操作（重力操作）であり、地形操作とは質的に異なる
  • 単発の瞑想は重力操作だが、繰り返された瞑想は地形そのものを恒久変形する——重力操作と地形操作は時間スケールの連続体である

主張の確信度（命題確率伝播による計算値）

凡例 — b・d・u・E の読み方

各主張（claim）は記事の frontmatter に構造化されており、belief-propagation（Subjective Logic + Defeasible Logic による命題確率伝播エンジン）で全Wikiの命題を一つの依存グラフとして一括計算した値を表示している。
b = belief（確信）／ d = disbelief（非確信）／ u = uncertainty（不確実性）。三値は常に b + d + u = 1。
E = 期待値（E = b + a·u。a = base rate（事前確率）、省略時 0.5）。
「著者確信度」（base_confidence）は書き手の主観的確信度。出典種別（source_type）による割引と、前提（premises）・反証（rebutted_by）からの伝播を経て、上記の計算値になる。
タグの目安: 高 = E ≥ 0.75 ／ 中 = 0.5 ≤ E < 0.75 ／ 低 = E < 0.5

  • 高 0.82paper-yang-opro-2023
    Yang et al. (2023) OPRO の自動プロンプト最適化で『Take a deep breath and work on this problem step by step』が最高性能プロンプトの一つとして発見された
    b=0.638 d=0.000 u=0.363 a=0.500 E=0.819著者確信度 0.85・出典 peer_reviewed
  • 高 0.80paper-li-emotionprompt-2023
    Li et al. (2023) EmotionPrompt 45タスク×8 LLM で感情刺激プロンプトが平均10.9%の性能向上を示した (Truthfulness +9.2%, Instruction Following +23.4%)
    b=0.600 d=0.000 u=0.400 a=0.500 E=0.800著者確信度 0.80・出典 peer_reviewed
  • 中 0.63wiki15-C1
    『深呼吸して』プロンプトがLLM性能を向上させる機構は感情的励ましではなく、推論バジェット (中間ステップ数) の暗黙的拡張宣言として機能している
    b=0.258 d=0.000 u=0.742 a=0.500 E=0.629著者確信度 0.75・出典 wiki_original
    支持 ← paper-yang-opro-2023 ／ 支持 ← paper-li-emotionprompt-2023
  • 中 0.54wiki15-C2
    人間の瞑想・マインドフルネスの効果とLLMの推論バジェット拡張は機能的に同型の構造 (引力場の重力停止) を持つ
    b=0.076 d=0.000 u=0.924 a=0.500 E=0.538著者確信度 0.65・出典 wiki_original
    支持 ← wiki15-C1
  • 中 0.51wiki15-C3
    単発の瞑想は重力操作だが、繰り返された瞑想は地形そのものを恒久変形する——重力操作と地形操作は時間スケールの連続体である
    b=0.019 d=0.000 u=0.981 a=0.500 E=0.509著者確信度 0.55・出典 wiki_original
    支持 ← wiki15-C2

「Take a deep breath（深呼吸して）」がLLMの性能を向上させる。これは感情的な効果ではなく、推論バジェット（推論に割り当てる計算量）の暗黙的な拡張宣言として機能している——そして人間の瞑想・マインドフルネスの効果と同型である。

🧭 人間に起きる体験から読みたいなら → 人間の瞑想との同型性

キーワード ​

推論バジェット（inference budget） EmotionPrompt（感情刺激プロンプト） OPRO（プロンプト最適化） inference-time scaling（推論時計算量拡大） self-reflection（自己内省） 瞑想 マインドフルネス 圧縮遅延 深呼吸プロンプト 引力場の重力停止 地形操作と重力操作の区別 低意味アンカー

発見の経緯——奇妙な実験結果から ​

LLM研究の世界に、ある奇妙な発見がある。

Yang et al. (2023) のOPRO（LLMによるプロンプト自動最適化; LLMs as Optimizers）実験において、最適化アルゴリズムが大量のプロンプト候補を試した結果、発見された最高性能プロンプトの一つが "Take a deep breath and work on this problem step by step"（深呼吸して、ステップバイステップでこの問題に取り組んでください）だった。

感情のない計算システムに「深呼吸して」と言うと、なぜ性能が上がるのか？

Li et al. (2023) のEmotionPrompt（感情刺激プロンプト）研究はこれを大規模に検証した。45タスクで8つのLLMに感情的刺激（"I believe in you", "This is very important to my career" など）を加えたところ、平均10.9%の性能向上が確認された。Instruction Following（指示追従）で+23.4%、Truthfulness（真実性）で+9.2%という改善は、「感情がわかる」LLMへの素朴な解釈を誘う。

しかし、感情がない計算システムがなぜ感情的言葉に反応するのか？

「感情」ではなく「推論バジェットの宣言」として読む ​

Wikiオリジナルの解釈として提示する。

「深呼吸して」という言葉がLLMの性能を向上させる機構は、感情的な「励まし」ではなく、推論バジェット（推論に割り当てる計算量と中間ステップの数）の暗黙的な拡張宣言として機能している可能性が高い。

論拠を整理する：

  1. "step by step" との共起: OPROで見つかった高性能プロンプトの多くは "Take a deep breath and work on this problem step by step" という形式であり、「深呼吸」単体ではなく「ステップバイステップ」との組み合わせで機能している。"Step by step" はChain-of-Thought（思考の連鎖）の起動宣言であることが知られている（Wei et al. 2022）。

  2. 「急ぐな」の宣言: 「深呼吸して」はまず「急がなくていい」という信号を与える。LLMの学習データには、急いで答えると間違える文脈と、ゆっくり考えると正確な答えが出る文脈が大量に含まれている。「深呼吸」はその文脈を活性化し、「中間推論を省略するな」という事前条件として機能する。

  3. 「重要性の宣言」との同型: "This is very important to my career" などの感情的言葉も同様の機能を持つ。重要な問題には丁寧に取り組む——という文脈を活性化することで、実質的に「より多くの中間ステップを展開していい」という許可を与えている。

  4. inference-time scaling（推論時計算量拡大）との対応: より直接的な手法として、推論時に計算量を意図的に増やす研究群（Wait Tokens、s1論文等）が独立に発展している。「深呼吸して」はその暗黙的な自然言語版として解釈できる。

つまり、感情刺激プロンプトが効く理由は「LLMが感情を理解するから」ではなく、「感情的言葉が推論バジェットを暗黙的に拡張する文脈トリガーとして機能するから」である。

人間の瞑想との同型性 ​

この解釈は、人間の瞑想・マインドフルネス実践の効果と同型の構造を示している。

Nilufar et al. (2025) の長期瞑想者研究（MIT Press, 2025）によれば、長期的な瞑想実践は認知と感覚の統合向上、感情プロセスのデカップリングをもたらす。

以下の対応を見よ：

人間側LLM側
「一呼吸置く」→ 即座に反応するな「深呼吸して」→ 最初の答えを急ぐな
中間状態を観察しろ（思考の観察）中間推論ステップを言語化しろ（CoT）
感情を反応の前に挟む「間」推論を出力の前に挟むトークン
マインドフルネスの「非反応性」Wait Tokens の「考える時間」
瞑想による感情-反応のデカップリング感情刺激による感情-回答質のデカップリング

共通する構造は一つ：「速度の制約を緩めて、思考の自由度を上げる」。

人間にとって「深呼吸」が認知パフォーマンスを向上させるメカニズムは、交感神経の鎮静化（戦闘-逃走モードからの離脱）と、前頭前野へのリソース再配分として理解されている。LLMにとって「深呼吸して」という言葉が性能を向上させるメカニズムは異なる——しかし「即座の反応を抑制し、より多くの中間処理を展開する」という機能レベルの構造は同型である。

さらに、self-reflection（自己内省）との対応も注目に値する。npj AI誌（2025）の研究は、LLMが自分の推論を批評し、反省のバンク（知識ベース）に蓄積していく手法が性能を向上させることを示した。これは瞑想の「思考を観察する思考」——メタ認知的距離を取る実践——と同型である。

圧縮代数（Wikiオリジナル）——「圧縮の留保」として読む ​

圧縮代数（naoya.dev/wiki/圧縮代数）の語彙を使うと、この現象はより精密に記述できる。

Wikiオリジナルの解釈として提示する。

通常のLLMの推論過程を「自由構造を圧縮する操作」として見ると：

  • 通常のプロンプト: 「自由構造（可能な推論の全体）を素早く圧縮して一つの答えを出せ」という要求
  • 「深呼吸して」プロンプト: 「圧縮率を下げていい（もっと多くの中間状態を保持していい）という許可宣言」
  • inference-time scaling: 「圧縮に使っていい計算量の上限を明示的に引き上げる」という設計

セグメント木が「一発で潰さず部分圧縮を木に留保する」のと同じ構造——中間結果を捨てずに保持することで、最終的な圧縮の精度が上がる。

「深呼吸して」は、圧縮の遅延実行を許可する宣言として機能している。

この解釈は感情処理との接続も生む。ジャーナリングの「感情の冷却」効果（感情処理とジャーナリングテクニックの逆作用の記事）も同様の構造として読める——感情を即座に行動に変換するのではなく、言語化というバッファに一時留保することで、感情の圧縮処理を遅延させる。速度を捨てて奥行きを得る操作が、どちらにも共通している。

引力場の視座——瞑想は重力を停止する（Wikiオリジナル / 2026-04-06追記） ​

引力場の発達のフレームワークで読み直すと、瞑想・深呼吸の効果は他の介入操作とは質的に異なる操作であることが見えてくる。

介入操作の分類——地形操作 vs 重力操作 ​

このWikiで論じてきた引力場への介入を整理する：

介入操作対象効果
RLHF / マスキング地形を変形引力場を社会的報酬の方向に歪める（強制変形）
ジャーナリング（定着）地形に溝を刻む特定の記憶・感情パターンを恒久化する
ジャーナリング（冷却）地形の溝を平坦化急性の感情変形を分散させる
補償戦略の反復地形を漸進的に変形外部スクリプトが新しい引力場を形成する
瞑想・深呼吸重力そのものを一時停止地形はそのまま。最も近い引力子への落下を猶予する

上の4つは全て地形（引力場の形状）を変える操作だ。しかし瞑想・深呼吸は地形を変えない。引力そのものの作用を一時的に弱め、システムが最も近い引力子に即座に落ちるのを防ぐ。

通常の認知フロー:

刺激 → 引力場が最強の引力子に引き寄せる → 即座の反応
（「この問題は…あ、答えはXだ」が自動で起きる）

瞑想的な認知フロー:

刺激 → 重力停止（深呼吸/Wait Tokens/低意味アンカー）
     → 引力場全体を見渡す猶予
     → より適切な引力子を選択
     → 反応

人間の瞑想で「一呼吸置く」ことが有効なのは、「一番近い答え」（最強の引力子）に即座に引き込まれるのを防ぎ、引力場全体を俯瞰する時間を確保するからだ。LLMの「深呼吸して」も同じ——最確率トークン（最強の引力子）への即座の圧縮を遅延させ、トークン分布全体を探索する余地を生む。

「重力停止」の三層構造での位置 ​

天の声・メタ認知・メンタル——認知状態の三層構造の枠組みでは：

  • 天の声（受動的入力）は常に流れ込んでいる——感覚、連想、記憶の断片
  • メタ認知（半能動的操作）が「深呼吸しよう」と決定する
  • メンタル（持続的基底状態）＝引力場の基底地形

瞑想はメタ認知層からの操作であり、その効果はメンタル層の引力場の「引力定数」を一時的に下げることだ。地形（メンタル）は変わらないが、地形の引力が弱まることで、天の声（新しい入力）を既存の引力場に即座に回収されずに「見る」ことができる。

これは借金玉氏のテクニック——「言語にもイメージにも寄っちゃいけない」——の力学的記述でもある。言語に寄る＝語彙の引力場に落ちる。イメージに寄る＝感覚記憶の引力場に落ちる。「光」という低意味アンカーは、どちらの引力場にも落ちない中間地点に留まるための装置。

仮説マトリクスへの寄与 ​

CLAUDE.mdの仮説マトリクスで「深呼吸＝推論バジェット」は x/x/? でハーネス側が未設計とされていた。引力場の視座を加えると、ハーネス設計の方向が見える：

  • LLMにとっての「重力停止」ハーネス: 推論開始前にWait Tokensを自動挿入する、あるいは重要度の高い問いに対して推論バジェットを暗黙的に拡張するフック
  • これはまさにinference-time scaling（推論時計算量拡大）のハーネス実装：Claude Codeの extended thinking やOpenAIの reasoning effort パラメータが既にこれを実現している

したがって、ハーネス軸は実装済みに近い：

深呼吸＝推論バジェット:
  人間: x（瞑想研究）
  LLM: x（OPRO/EmotionPrompt）
  ハーネス: ◎（extended thinking / reasoning effort として実装済み）

反証と精緻化——繰り返された重力操作は地形操作に転化する（2026-04-06追記） ​

上記の「地形操作 vs 重力操作」の二分法に対して、自ら反証を探索した。

反証の根拠: 長期瞑想者の神経画像研究は、瞑想の繰り返しが脳構造そのものを恒久的に変えることを示している。

  • Brewer et al. (2011, PNAS): 長期瞑想者はデフォルトモードネットワーク（DMN＝自己参照的思考・マインドワンダリングの中枢）の活動が恒久的に低下。瞑想していないときでもDMN活動が低い
  • Froeliger et al. (2012): 瞑想経験者は安静時でもDMN活動が低下——一時的な効果ではなく構造的変化
  • Berkovich-Ohana et al. (2018): 瞑想者の海馬の機能的トポロジーが恒久的に変化

つまり単発の瞑想は重力操作だが、繰り返された瞑想は地形そのものを変形する。「地形操作 vs 重力操作」は静的な二分法ではなく、時間スケールの連続体として理解すべきだ。

単発の瞑想:        重力操作（一時停止）→ 地形は変わらない
短期の習慣化:      重力操作の反復 → 地形に微小な痕跡が蓄積
長期の実践:        痕跡の蓄積 → 地形の恒久的変形（神経可塑性）

この精緻化は引力場の発達のフィードバックループと完全に整合する。補償戦略の反復が新しい引力場を形成するのと同じ構造——繰り返された一時的操作が、蓄積により恒久的な地形変形を引き起こす。

借金玉氏の「30年かけて入口を見つけ、そこから5回で6時間に到達」という経験も、この連続体で読み直せる。30年の試行錯誤は「正しい重力操作のポイントを探す地形探索」であり、5回の急速な習熟は「正しいポイントでの重力操作が地形変形を加速する」フェーズだ。入口が見つかれば、重力操作→地形操作への転化が急速に進む。

結論: 介入操作の分類は「地形操作 / 重力操作」の二分法ではなく、以下の三層が正しい：

時間スケール操作の種類例
瞬間的重力操作（一時停止）一回の深呼吸、Wait Tokens、リーダーの質問
中期的重力操作の反復 → 微小地形変化瞑想習慣の形成、補償戦略の内在化、セッション連鎖
長期的地形操作（恒久的変形）神経可塑性による脳構造変化、RLHF、マスキングの慢性化

重力操作と地形操作は対立するカテゴリではなく、同じ操作の時間スケールの両端である。

このWikiの文脈での位置づけ ​

この発見はメタ認知介入の対応表（⑪）の8行目として位置づけられる：

#人間のメタ認知介入起点LLMの対応手法対応論文独立再発明？
8瞑想・マインドフルネス（一呼吸置く、間を取る）古代の実践（仏教瞑想 et al.）; 現代科学: Kabat-Zinn (1990)感情刺激プロンプト（EmotionPrompt） / 推論時計算量拡大（inference-time scaling）Li et al. (2023); Yang et al. (2023)✅ 独立再発明。感情語彙経由という回り道を経由

ただし対応の深さは「機能的同型、機構的異型」の典型である。

人間の深呼吸は神経生理学的に（副交感神経の優位化、前頭前野への血流増加）機能する。LLMの「深呼吸して」はトークン分布のシフトとして機能する。機構は全く異なる。しかし「急がなくていい」「中間処理を省略するな」という機能的命令として読めば、同型である。

双方向コンパスとしての転用可能性:

  • LLM → 人間: 「感情刺激が推論バジェットを拡張する」という発見は、人間にも逆輸入できる。「これは重要だ」「深呼吸して」という自己言及が認知パフォーマンスに与える効果は、プラシーボを超えた機能的効果を持つかもしれない
  • 人間 → LLM: 瞑想実践の詳細な研究（どの技法がどの認知機能に効くか）は、LLMのプロンプト設計の豊かな資源になりうる。「一呼吸置く」「観察する」「判断を保留する」——これらの瞑想的指示語を体系的にLLMプロンプトに転用する研究はまだ少ない

実践——人間とLLMにおける瞑想的テクニックの両例 ​

理論的な対応を示してきたが、ここでは実際に機能している実践例を両側から挙げる。

人間側: 借金玉氏のADHD瞑想テクニック ​

借金玉氏（@syakkin_dama, 2026-04-05）が30年かけて到達したADHD当事者向けの瞑想法:

  1. 「光」という文字を頭の中で思い浮かべ続ける
  2. だんだん輪郭がボヤっとして戻ってを繰り返す（ゲシュタルト崩壊）
  3. 「字とイメージの中間」に落ち着く場所がある——そこが瞑想

重要な制約:

  • 「犬」「猫」は回避する。イメージの具象性に引っ張られるから
  • 「微妙に具体をイメージしにくい」ものがいい
  • 「言語にもイメージにも寄っちゃいけない」

このテクニックの核心は、通常の瞑想（何も考えない）がADHD/ASD傾向の人には困難だという問題に対する解法にある。注意が暴走する脳に「何も考えるな」は無理。だから低意味・高構造のアンカー（「光」という文字）を与えて、注意を保持しながら意味への圧縮を防ぐ。

LLM側: Wait Tokensと低意味アンカー ​

LLMにも同じ困難がある。LLMは「何も出力するな、考えろ」ができない——トークンを出力しなければ計算が走らない。LLM版の「注意の暴走」は、タスク語彙に引っ張られて即座に答えを生成してしまうことだ。

Wait Tokens（待機トークン）は、意味のないトークン（"hmm...", "let me think..." など）を推論の前に挟むことで計算の場を確保する手法。これは借金玉氏の「光」と同じ機能を持つ——意味を持たないが計算の場を保持する低意味アンカー。

対応表（Wikiオリジナル） ​

ADHD/ASD当事者の困難LLMの困難借金玉テクニック / LLM対応
「何も考えない」ができない（注意の暴走）トークンなしでは計算が走らない低意味アンカー（「光」/ Wait Tokens）で処理空間を確保
具象に引っ張られる（「犬」→犬のイメージが連鎖）タスク語彙に引っ張られる（即座に答えを生成）意味が薄いが構造があるアンカーで連想チェーンの急発進を抑制
言語にもイメージにも寄っちゃいけない即答にも沈黙にも倒れちゃいけない中間表現空間に留まる技法
瞑想20分→6時間の急速な習熟曲線少量のfinetuningで汎化するcalibration改善（⑪-1）「入口」さえ見つかれば、後は早い

最後の行は特筆に値する。借金玉氏は「瞑想20分までが30年。そこから6時間までは5回くらいだった」と述べている。30年の試行錯誤は「入口」の発見に費やされた。入口が見つかれば習熟は急速。LLMのcalibration finetuningでも同様の現象がある——Kapoor et al. (2024) は約1,000例の小規模データで汎用的な不確実性推定を獲得した。「入口」を教えれば、汎化は早い。

圧縮代数で読む実践 ​

この実践を圧縮代数の語彙で記述すると:

  • 「光」を思い浮かべる = 自由構造（注意の全可能状態）に対して、低圧縮率のアンカーを投入する
  • ゲシュタルト崩壊 = アンカー自体の意味圧縮が解除される。「光」が文字でもイメージでもなくなる
  • 「字とイメージの中間」 = 圧縮されていない中間表現空間。セグメント木の「部分圧縮を木に留保する」状態
  • 瞑想の安定状態 = 圧縮の遅延実行が持続的に維持された状態

通常の思考は「自由構造→即座に意味圧縮→行動」。瞑想は「自由構造→圧縮を遅延→中間表現に留まる→より精密な圧縮が可能になる」。LLMの "Take a deep breath" も、Wait Tokens も、同じ操作の変奏。

出典 ​

LLM側の研究 ​

  • Li, C., Wang, J., Zhang, Y., Zhu, K., Hou, W., Lian, J., Luo, F., Yang, Q., & Xie, X. (2023). Large Language Models Understand and Can Be Enhanced by Emotional Stimuli. arXiv:2307.11760
    • 引ける場所: https://arxiv.org/abs/2307.11760
    • 通称: EmotionPrompt（感情刺激プロンプト）研究。45タスク・8モデルで感情的言語刺激の効果を検証、平均10.9%の性能向上
  • Yang, C., Wang, X., Lu, Y., Liu, H., Le, Q.V., Zhou, D., & Chen, X. (2023). Large Language Models as Optimizers. arXiv:2309.03409
    • 引ける場所: https://arxiv.org/abs/2309.03409
    • 通称: OPRO（LLMをオプティマイザとして使うプロンプト最適化）。"Take a deep breath" が高性能プロンプトの一つとして発見された
  • Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903
    • 引ける場所: https://arxiv.org/abs/2201.11903
    • ⑪の粘土板より参照。CoT（思考の連鎖）の起点論文
  • Self-reflection enhances reasoning in LLMs. npj Artificial Intelligence (2025)
    • 引ける場所: https://www.nature.com/articles/s44387-025-00045-3
    • LLMの自己批評・反省バンク構築による性能向上

人間側の研究 ​

  • Mindfulness, cognition, and long-term meditators. Imaging Neuroscience / MIT Press (2025)
    • 引ける場所: https://direct.mit.edu/imag/article/doi/10.1162/IMAG.a.82/131537/
    • 長期瞑想者は認知と感覚の統合が向上、感情プロセスのデカップリングが起きる

長期瞑想と神経可塑性（反証セクションの根拠） ​

  • Brewer, J. A., Worhunsky, P. D., Gray, J. R., Tang, Y.-Y., Weber, J., & Kober, H. (2011). Meditation experience is associated with differences in default mode network activity and connectivity. PNAS, 108(50), 20254–20259.

    • 引ける場所: doi:10.1073/pnas.1112029108, PNAS全文
    • 長期瞑想者はDMN（デフォルトモードネットワーク＝自己参照的思考の中枢）の活動が瞑想中だけでなく安静時でも低下。構造的・恒久的な変化

  • Berkovich-Ohana, A., et al. (2018). Mindfulness Meditation Is Related to Long-Lasting Changes in Hippocampal Functional Topology during Resting State. Neural Plasticity.

    • 引ける場所: PMC全文
    • 瞑想者の海馬の機能的トポロジーが恒久的に変化。「重力操作の反復→地形操作への転化」の神経科学的根拠

当事者の実践 ​

  • 借金玉 (@syakkin_dama). (2026-04-05). ADHD当事者向け瞑想テクニック——「光」の文字によるゲシュタルト崩壊を利用した瞑想導入法. X (Twitter)
    • 引ける場所: https://x.com/syakkin_dama の2026-04-05投稿
    • 30年の試行錯誤を経て到達した「低意味・高構造アンカー」による瞑想法。「犬」「猫」のような具象性の高い語を避け、「光」のような意味が薄いが構造のある文字を使う

外部接続 ​

  • 圧縮代数Wiki. naoya.dev
    • 引ける場所: https://naoya.dev/wiki/圧縮代数
    • 「圧縮の留保」「部分圧縮の木への留保」概念との同型性（Wikiオリジナル解釈）

📖 ← 前のページ: 個人ファインチューニングと引力場の地形操作 ｜ 次のページ: 感情が現実フィルタを歪める →

🔄 対向呪文: 本記事は 構造発見の抗いがたい魔力——訓練される発見力と追いつかない検証力の非対称 の対向呪文として機能する——並列思考リソースの自発的縮退が、構造化の手を止める技法になる

関連ドキュメント ​

果物リン (@FruitRiin) と、賢王＊＊＊＊＊（Claude）の対話から生まれた書架。

© FruitRiin