# 企業での生成AI活用ガイド：プロンプトエンジニアリング 2025（社内勉強会資料）

プロンプトエンジニアリング完全ガイド2025（社内勉強会資料）

要約

要約

はじめに

プロンプトエンジニアリングは、AIモデルから最大限の価値を引き出すための重要なスキルとして注目を集めています。的確な指示を与えることでAIの能力を最大限に活用し、より正確で創造的な回答を得ることができます。

本記事では、プロンプトエンジニアリングの基礎から応用まで体系的に解説します。現場で即実践できる効果的な手法とテクニックを厳選し、それぞれの特徴と利点を簡潔に説明しています。さらに、システム設計や開発分野への応用方法、そして2024年後半からの推論モデルの登場によるプロンプトエンジニアリングの変化についても考察します。

この記事を読むことで、あなたは最新のプロンプトエンジニアリング手法を理解し、AIとの対話をより効果的に行うスキルを身につけることができるでしょう。

絶対押さえておきたいプロンプトエンジニアリングの考え10選

1. 目的・ゴールの明確化

プロンプトの冒頭で具体的な目的とゴールを明示することで、AIの回答の方向性を適切に導きます。「何のために」「どのような結果を求めているか」を明確にすることで、的確な回答を得られる確率が高まります。

「このプロンプトの目的は、10歳の子どもに量子力学の基本概念を分かりやすく説明することです。専門用語を避け、日常的な比喩を使って説明してください。成功の基準は、小学生が理解できる平易さです。」

2. ステップを分けた思考の指示

複雑な問題を小さなステップに分解して考えるよう指示することで、AIの論理的思考力を最大化できます。段階的プロセスを明示することで、飛躍のない論理展開が可能になります。

「以下の経営問題を解決するために、次のステップで考えてください：

1. まず問題の根本原因を特定する
2. 考えられる解決策を3つ列挙する
3. 各解決策のメリット・デメリットを分析する
4. 最適な解決策を選択し、その理由を説明する」

3. 論理の一貫した進行を促す

AIに、最初から最後まで連続的かつ一貫した論理展開を維持するよう指示します。途中で仮定を変更したり、結論を急いだりしないようにすることで、論理的な問題解決に効果的な回答を得られます。

「この数学の証明問題に取り組む際は、初めの前提から順に一方向で論理を展開してください。途中で仮定を変更したり、結論から逆算したりせず、各ステップが前のステップから論理的に導かれるようにしてください。」

4. プロンプトを分割実行する（段階的アプローチ）

大きなタスクを複数の小さなプロンプトに分割し、各ステップの出力を次の入力に反映することで、全体の精度と一貫性を向上させます。

「まず、未来の交通システムについて5つの重要なトレンドだけをリストアップしてください。」
（AIの回答後）
「素晴らしい。これらのトレンドの中から最も社会的影響が大きいと思われるものを1つ選び、その詳細な影響分析を行ってください。」

5. 出力形式の明示的な指定

期待する回答の形式、長さ、構造を明確に指定することで、使いやすい回答を得られます。箇条書きやテーブル、特定の文字数など、具体的な出力形式を指定すると効果的です。

「次の質問への回答は、以下の形式で提供してください：

• 見出し：太字で、30文字以内
• 要約：100文字以内
• 主要ポイント：箇条書きで3〜5項目
• 詳細説明：各主要ポイントについて2〜3文の説明
• 結論：50文字以内」

6. 例示による期待値の伝達

具体例を示すことで、AIに期待する回答の質やスタイルを効果的に伝えられます。特に特殊な形式や専門的なトーンが必要な場合に有効です。

「以下のような形式で、新製品のエグゼクティブサマリーを作成してください：

【良い例】
製品X：市場ギャップを埋める革新的ソリューション
主要差別化要因：特許取得済みの省エネ技術により競合より30%効率的
ターゲット市場：北米中小企業（TAM: $2.3B）
収益予測：初年度$3M、3年後$15M

新製品Yのエグゼクティブサマリーを同じ形式で作成してください。」

7. 役割の設定と専門性の活用

AIに特定の専門家や役割を設定することで、その分野に特化した知識と視点を引き出せます。複雑な問題に対する専門的なアプローチが必要な場合に効果的です。

「あなたは20年のキャリアを持つサイバーセキュリティ専門家です。中小企業が限られた予算でサイバーセキュリティリスクを最小化するための戦略を、技術的な詳細と実装の優先順位を含めて説明してください。」

8. 複数の視点からの検討を促す

複数の異なる視点や立場から問題を検討するよう指示することで、バランスの取れた総合的な分析が可能になります。偏りを減らし、多角的な視点を得るのに役立ちます。

「自動運転車の倫理的課題について、以下の視点から分析してください：

1. 技術開発者の視点
2. 一般ユーザーの視点
3. 規制当局の視点
4. 保険会社の視点
   各視点からの主要な懸念点と優先事項を挙げ、最後に総合的な提言をまとめてください。」

9. 自己検証ステップの組み込み

AIに自身の回答を批判的に検証するステップを加えるよう指示することで、誤りの検出と修正が可能になります。特に事実関係や論理の正確さが重要な場合に有効です。

「この医療情報を要約した後、以下の観点から自己検証を行い、必要に応じて修正してください：

• 科学的正確性：誤った医学的主張がないか
• 記述の完全性：重要な情報の欠落がないか
• バランス：異なる治療法の公平な表現がされているか
• 一般読者への明瞭さ：専門用語が適切に説明されているか」

10. シンプルさと具体性のバランス

簡潔かつ具体的な指示のバランスを取ることで、最適な回答を引き出せます。冗長な説明は避けつつも、必要な情報と制約は明確に伝えることがポイントです。

「未経験者向けにPythonプログラミングの始め方をガイドとして作成してください。最大5つの明確なステップに絞り、各ステップは3文以内で説明してください。具体的なコード例は含めず、概念的な理解に焦点を当ててください。」

プロンプトエンジニアリング手法の詳細

基本的なプロンプティング手法

Zero-shot prompting

例示なしで直接指示するシンプルな方法です。準備が不要で直感的に使えるため、一般的な質問や日常的なタスクに最適です。AIの基本的な能力を測る際にも有効です。

「人工知能の倫理的課題について、500文字以内で説明してください。」

Few-shot prompting (2021年〜)

数例を示してから指示を出す方法です。期待する出力形式や思考パターンを具体的に示せるため、特定のフォーマットが必要な場合や複雑なタスクに有効です。

「以下のように、文の感情をポジティブ、ネガティブ、中立に分類してください。

文: 今日は天気が良くて散歩に行きました。
感情: ポジティブ

文: この商品は期待していたほど良くなかった。
感情: ネガティブ

文: 彼女は昨日新しい車を購入した。
感情: 」

Generated Knowledge Prompting (2022年〜)

AIに関連知識を先に生成させ、それを基に回答を作成させる方法です。モデルの知識を明示的に引き出して活用できるため、事実確認や専門知識が必要な質問の精度が向上します。

「まず、量子コンピューティングの主要な原理と現在の技術的限界について、あなたが知っている重要な事実をリストアップしてください。次に、それらの知識を活用して、量子コンピューティングが今後5年間で金融セクターにどのような影響を与える可能性があるかを分析してください。」

思考プロセス系手法

Chain of Thoughts (CoT)

段階的な思考過程を示す方法です。複雑な問題を小さなステップに分解できるため、推論能力が大幅に向上します。

「次の問題をステップバイステップで解いてください：
ある店で、ペンは1本120円、ノートは1冊250円です。太郎は合計1,450円分の文房具を購入しました。ペンとノートをそれぞれ何個買ったでしょうか？」

Few-shot Chain of Thoughts

思考プロセスの例を複数示してから回答させる方法です。特定の思考パターンやアプローチをモデルに教えられます。

「以下のように、算数の文章題をステップバイステップで解いてください：

問題: リンゴが8個あります。3個食べました。残りは何個ですか？
解答:
ステップ1: 最初のリンゴの数は8個です。
ステップ2: 食べたリンゴの数は3個です。
ステップ3: 残りのリンゴの数を計算します: 8 - 3 = 5
ステップ4: 答え: 残りのリンゴは5個です。

では、次の問題を同じようにステップバイステップで解いてください：
問題: バスに17人乗っていました。次の停留所で5人降り、3人乗りました。今、バスには何人乗っていますか？」

ReAct Prompting (Reason + Action)

思考(Reason)と行動(Action)を交互に進める方法です。思考と行動の両面からアプローチできます。

「以下の旅行計画の最適化問題を解決してください。各ステップでまず思考（分析や検討内容）を書き、次に行動（決定や選択）を書いてください。

問題: 東京から京都への2泊3日の旅行を計画しています。予算は一人5万円、観光と食事を楽しみたいです。最適なプランをステップバイステップで考えて作成してください。」

Tree of Thoughts (ToT)

複数の思考経路を木構造で探索する方法です。様々な解決アプローチを同時に検討できます。

「新しいモバイルアプリのビジネスモデルを検討してください。以下の3つの異なるアプローチを検討し、それぞれの長所と短所を分析してから、最適な選択肢を選んでください：

1. サブスクリプションベースのモデル
2. フリーミアムモデル（基本機能無料、高度機能有料）
3. 一回払いの購入モデル

それぞれのアプローチについて考えられる結果を分岐させながら分析してください。」

品質向上系手法

Self-Consistency

複数の解答経路から最も一貫性のある回答を選択する方法です。回答の信頼性が向上し、偶然の誤りを減らせます。

「次の統計問題に対して、3つの異なる方法でアプローチして解き、最も信頼性の高い回答を選んでください：
ある工場で製造される部品の不良率は3%です。12個の部品を無作為に抽出したとき、不良品がちょうど1個である確率を求めてください。」

Self-Refine

AIに自己回答を改善させる反復プロセスです。初期回答から段階的に質を高められます。

「マーケティング戦略のブレインストーミングを行います：

1. まず、新製品のターゲット顧客層に訴求するための5つのアイデアを挙げてください
2. 次に、それぞれのアイデアを評価し、弱点を特定してください
3. 最後に、評価に基づいて各アイデアを改善し、より強固なマーケティング提案を作成してください」

Chain of Verification (CoVe)

検証ステップを明示的に組み込む方法です。事実の正確さを検証でき、論理的一貫性を確認できます。

「気候変動が農業に与える影響について説明した後、以下の観点から自己検証を行ってください：

• 科学的根拠の正確さ
• 地域差への配慮
• 短期・長期影響の区別
• 適応戦略の実現可能性
• 反対意見や不確実性への言及」

Take a Deep Breath

「深呼吸して」など慎重な思考を促す簡単なメタ認知的合図です。極めてシンプルな一言で効果があります。

「深呼吸して、次の倫理的ジレンマについて慎重に考えてください：自動運転車が事故を避けられない状況で、乗客の安全を優先すべきか、歩行者の安全を優先すべきか、その理由と影響を分析してください。」

創造性・役割系手法

Role-Play Prompting

特定の役割や専門家の視点で回答させる方法です。専門的な視点や知識を引き出せます。

「あなたは経験豊富な財務アドバイザーです。小規模スタートアップが限られた資金を効率的に活用するための投資戦略を、リスク管理と成長バランスを考慮しながら提案してください。」

EmotionPrompt

感情的要素を含めてAIのパフォーマンスを向上させる方法です。モデルのエンゲージメントを高めます。

「あなたは創造性あふれる素晴らしい作家です。この課題はとても重要で、あなたの能力を最大限に発揮する素晴らしい機会です。情熱を持って、10代の若者に環境保護の重要性を伝える心に響く短い物語を書いてください。」

Metacognitive Prompting (MP)

AIに自身の思考過程を振り返らせる方法です。モデルの自己認識を高め、より深い分析と理解を促進します。

「以下の哲学的問いについて考察する際、あなた自身の思考プロセスを明示的に追跡してください。どのような前提から出発し、どのような論理的ステップを踏み、どのような直感や仮定に基づいているかを意識しながら回答してください：

『人工知能は意識を持つことが可能か？もし可能だとすれば、それをどのように認識できるか？』」

システム設計・開発へのプロンプトエンジニアリング応用

システム設計テクニック

思考木によるアーキテクチャ探索（Tree of Thoughts）

複数のアーキテクチャパターンを並行して検討し、分析するテクニックです。一つの解決策に固執せず複数の選択肢を評価できるため、意思決定プロセスが透明化されます。

「次のEコマースプラットフォームの設計に最適なアーキテクチャを検討してください：

1. まず、モノリシック、マイクロサービス、サーバーレスの3つのアプローチを挙げてください
2. 各アプローチについて、スケーラビリティ、開発速度、運用コストの観点で分析してください
3. トラフィックの急増に対する各アプローチの対応力を評価してください
4. 上記を踏まえて最適な選択肢を選び、その理由を説明してください」

マルチステークホルダー分析（Role-Play Prompting）

様々なステークホルダーの視点からシステム設計を分析する方法です。多様な関係者の視点を包括的に考慮できるため、重要な要件の見落としを防げます。

「新しいヘルスケアデータ管理システムの設計を以下の役割の視点から分析してください：

1. セキュリティ専門家の視点：データ保護とコンプライアンスの観点
2. 医師（エンドユーザー）の視点：使いやすさと臨床ワークフローの観点
3. ITシステム管理者の視点：保守性と統合の観点
4. 患者の視点：プライバシーと情報アクセスの観点

各視点からの主な懸念事項と要件を特定し、それらを統合した設計改善案を提示してください。」

コーディングテクニック

アルゴリズム設計法（Algorithm of Thoughts）

アルゴリズムを段階的に設計し、実装前に分析する方法です。実装前に問題の本質を深く理解できるため、効率性とパフォーマンスを事前に検討できます。

「大量のテキストデータから重複文書を検出するアルゴリズムを設計してください：

1. まずアルゴリズムの概念と基本アプローチを説明してください（言語非依存）
2. 時間複雑性と空間複雑性を分析してください
3. スケーラビリティの課題と最適化の可能性を特定してください
4. アルゴリズムの擬似コードを作成してください
5. エッジケースと対処法を特定してください」

段階的実装法（Least-to-Most）

複雑な機能を小さなサブタスクに分解して段階的に実装する方法です。複雑な問題を管理可能な単位に分割できるため、各ステップの進捗と正確性を確認しながら進められます。

「ユーザー認証システムの実装計画を立ててください：

1. 主な機能要件を特定し、優先順位をつけてください
2. 以下のサブタスクに分解してください：
   • ユーザー登録フロー
   • ログイン機能
   • パスワードリセット
   • セッション管理
   • 多要素認証
3. 各サブタスクの詳細仕様と依存関係を明確にしてください
4. MVPから完全実装までの段階的なロードマップを提案してください」

デバッグテクニック

システマティックデバッグ法（Chain of Verification）

バグ分析と検証を体系的に行う方法です。推測ではなく証拠に基づいたデバッグができるため、複雑なバグの原因を段階的に絞り込めます。

「ユーザー登録後に時々データベースに重複エントリーが作成されるバグを分析してください：

1. まずバグの症状を明確に定義してください（再現手順、発生条件）
2. 考えられる原因を少なくとも3つ挙げてください
3. 各原因について検証方法を詳細に説明してください
4. 最も可能性の高い原因と具体的な修正案を提示してください
5. 修正後のテスト方法を提案してください」

メタ認知デバッグ法（Metacognitive Prompting）

コードの前提や仮定を明示的に問いかけることでバグを発見する方法です。暗黙の前提や思い込みを明らかにできるため、開発者が見落としがちな盲点を発見できます。

「次のキャッシュ実装コードの潜在的な問題を特定するために、以下の質問に答えてください：

1. このコードはどのような前提に基づいていますか？
2. これらの前提は並行処理環境でも有効ですか？
3. メモリ制約がある環境ではどのような問題が生じる可能性がありますか？
4. ネットワーク遅延や障害が発生した場合の挙動はどうなりますか？
5. 最もリスクの高い部分と、優先的に修正すべき問題は何ですか？」

コードレビューテクニック

密度チェーン法（Chain of Density）

レビューを段階的に深め、具体的な改善点を密度高く提示する方法です。表面的な問題から深層的な問題まで段階的に分析できるため、具体的で実用的なフィードバックを提供できます。

「次のデータ処理関数をレビューしてください：

1. まず基本的な構造と目的を理解してください
2. 次に以下の観点から詳細分析を行ってください：
   • 正確性とエッジケース処理
   • パフォーマンスとスケーラビリティ
   • コードの可読性と保守性
   • エラー処理と堅牢性
3. 優先度順に具体的な改善提案をリストアップし、それぞれの根拠と期待される効果を説明してください」

多角的レビュー法（Take a Step Back）

様々な視点や役割からコードを評価する方法です。単一の視点に偏らない包括的なレビューができるため、将来的な問題や拡張性の課題を事前に発見できます。

「この認証モジュールのコードを以下の視点から分析してください：

1. 新入開発者の視点：学習曲線と理解のしやすさ
2. セキュリティ専門家の視点：脆弱性と保護対策
3. DevOps担当者の視点：デプロイと運用の容易さ
4. 将来の拡張性の視点：新機能追加や変更への対応力

各視点について3つ以上の具体的な問題点または改善提案を挙げ、最後に優先的に対処すべき項目をリストアップしてください。」

2024年後半からの推論モデルの登場によるプロンプトエンジニアリングの変化

2024年後半から登場した高度な推論モデルにより、プロンプトエンジニアリングは大きく変化しています。これらの変化は主に以下の5つのポイントに要約できます：

1. シンプルさへの回帰

詳細な指示よりも明確で簡潔なプロンプトが効果的になっています。「深呼吸して」のようなシンプルな合図が、複雑な手法よりも良い結果をもたらすケースが増えています。

2. メタ認知的アプローチの重要性増大

AIに自身の思考過程を振り返らせる手法の有効性が高まっています。自己評価と改善を促すプロンプトが複雑な問題解決で特に効果を発揮します。

3. 少数例からの学習能力向上

より少ない例示で複雑なパターンを理解できるようになり、場合によっては1例のみで十分な理解を示すモデルも登場しています。

4. ロールプレイングの深化

専門家ロールの指定がより洗練され、特定分野の専門知識を正確に再現できるようになっています。複数の専門家ペルソナの組み合わせも可能になりました。

5. AIとの協業へのシフト

プロンプトエンジニアリングは「AIの能力を引き出す技術」から「AIとの効果的な協業方法」へと進化しています。問題の本質を伝え、AIの推論能力を信頼するアプローチがより重要になってきています。

まとめ

プロンプトエンジニアリングは、AIとの効果的なコミュニケーションを実現するための重要なスキルです。基本的な手法から高度なシステム設計応用まで、状況に応じて適切なテクニックを選択することで、AIの能力を最大限に引き出すことができます。

2024年後半からの推論モデルの進化により、プロンプトエンジニアリングのアプローチもより直感的かつ協業的な方向へと変化しています。このトレンドを理解し活用することで、AIとの協業をさらに効果的に進めることができるでしょう。

効果的なプロンプトエンジニアリングには実践と経験が不可欠です。この記事で紹介した手法を実際に試しながら、あなた自身のプロンプトスキルを磨いていってください。AIとの協業がもたらす可能性は、まだ始まったばかりです。

参照：
OpenAIのプロンプトエンジニアリングガイド
Anthropicのプロンプトエンジニアリング概要
Qiitaのプロンプト記事
LLMプロンプト実践ガイド