🐡

プロンプトエンジニアリングについて改めて勉強してみた

2025/12/17に公開

 導入最近はさまざまな生成AIツール・サービスを利用する機会が多い。

入力するプロンプト次第で、アウトプットの質が大きく変わる。

「プロンプトベストプラクティス」みたいな記事は多く、なんとなく意識しながら使っていたが、改めて自分なりに整理してみた。

 前提として覚えておいた方がよさそうな単語
 LLM(Large Language Model)大量のテキストを学習し、「次に来る単語を予測して文章を生成するAIモデル」。

ChatGPT、Claude、Geminiなどの“生成AIの本体”のこと。

文の理解・生成・要約・推論などを幅広くこなす。

 Transformer現在のLLMの基盤になっているニューラルネットワークの構造（アーキテクチャ）。

長い文章でも文脈を広く見ることができる設計が特徴。

GPTシリーズはすべてTransformerベース。

 Attention(Self-Attention)文章内の「どの単語が重要か」に重みをつけて処理する仕組み。

Transformerの中心技術で、文脈理解の精度を飛躍的に高めた。

「役割指定」「例示」「文体指定」などが効く理由も、このAttentionにある。

 プロンプトが回答になるまでの流れ

ステップ
使われる技術
説明


1. プロンプトを受け取る
LLM（AIの本体）
あなたの指示文を読み取り、「何について答えるか」を理解し始める。

2. 全体を読み解く
Transformer（AIの頭の構造）
文全体を一度に俯瞰して読み取り、話の流れや意味をつかむ。

3. 重要箇所に注目する
Attention（どこに注目すべきかを決める仕組み）
指示・役割・制約など、特に大事な部分に注意を集中させる。

4. 回答を組み立てる
LLM（生成能力）
学習してきた知識と文パターンを使って、自然で的確な回答を生成する。

[まとめ]

LLM がプロンプトを受け取り、Transformer という頭脳構造で文全体を理解し、

Attention が“どこが重要か”に集中して、その結果をもとに回答を作る。

 プロンプトの基本的な構成要素

構成要素
役割（何のために存在する？）
内容（含めるべき情報）
例


指示（Instruction）
モデルに「何をしてほしいか」を具体的に伝える中心部分。
・タスク内容
・目的とゴール
・曖昧さを排除した行動指示
「この記事を300文字以内で要約してください。」

コンテキスト（Context）
モデルが誤解しないよう、背景や前提情報を与える。
・対象の説明
・背景知識
・前提条件
・役割付与（Role）
「あなたはITコンサルタントです。以下は社内向けの説明資料です。」

出力指示（Format / Output Constraints）
出力の形を制御して、期待通りのフォーマットを得る。
・形式（箇条書き、表、JSON など）
・文字数制限
・禁止事項
・文体
「箇条書きで3点にまとめてください。」


 ポイント以下の3つを押さえると、プロンプトの成功率が劇的に上がる。
指示 = 何をしてほしいか（タスク定義）
コンテキスト = なぜ/どういう背景で実行するのか（誤解防止）
出力指示 = どう出してほしいか（形式の指定）

 プロンプトの一般的なコツ × 技術的根拠（論文・理論）

コツ
指示例
技術的な根拠（論文・理論）
補足（なぜ効くか）


指示を具体的にする
数値リストを折れ線グラフ化し、解説を2行以内にまとめてください。
・GPT-3論文（Few-Shot Learners, 2020）「明確なタスク定義で性能が向上」・In-Context Learning（多くのNLP論文）

Transformer は曖昧な指示があると “もっともらしい出力” を生成するため、具体的にするほど誤差が減る。

役割を与える（Role Prompting）
あなたは言語学者として回答してください。
・**RLHF論文（Ouyang et al., 2022）**人間フィードバックで「指示追従性」が強化・GPT-3論文：文体模倣能力

Role を与えると Attention が「専門家文体のパターン」に強く寄る。

例を提示する（Few-shot）
以下のサンプルのように書いてください。
・GPT-3論文（Few-Shot Learners, 2020）・In-context learning の正体（2022〜）

LLMは 例示パターンを模倣する能力 が強いため、例を与えると形式の安定性が向上する。

制約や禁止表現を設ける
・200文字以内で・ポジティブ表現のみ
・RLHF（指示遵守モデル）・Transformer の確率最適化理論

曖昧指示は“暴走”の原因。制約を指定すると探索空間が狭まり精度向上。

ステップを段階的に指示する（Step-by-step）
まずAを要約、次にBを整理…
・Chain-of-Thought（CoT）論文（Google, 2022）・Zero-shot CoT（2022）

推論を段階的に行わせると、Attention が流れを追いやすくなるため論理精度が向上。

自己チェックを促す（Self-evaluation）
誤りがある場合は訂正し、理由を加えてください。
・**Self-Consistency（Google, 2022）**複数推論から整合性を選ぶ・Reflexion（2023）：自己修正型LLM
「自己評価 → 自己修正」は研究でも精度向上が確認されている。

文体・トーンを指定する
・ビジネス文書で・カジュアル調で
・GPT-3論文：文体模倣能力・スタイル変換研究（Style Transfer）

LLMは大量の文体データを学習しており、文体指定は Attention の重みを変える効果がある。


 9つのテクニック

テクニック名
概要（短く要点）
こういうシーンにおすすめ


Zero-shot
例示なしでタスクを実行させるプロンプト。指示だけで目的を伝える。
・明確な出力形式がある
・一般的な知識タスク
・回答に創造性を求めない時

Few-shot
入力例（Input→Outputのサンプル）を提示してフォーマットや意図を学習させる。
・形式が複雑な出力
・文体やトーンを模倣させたい
・誤解が起きやすいタスク

Chain-of-Thought (CoT)
推論を「ステップに分解」して考えさせる。論理的タスクを強化。
・数学、論理、推論系タスク
・計算ミスが多いとき
・推論を丁寧にさせたい時

Zero-shot CoT
例を与えずに「Let's think step by step」などの短い指示だけでCoT推論モードへ誘導する。
・CoTを使いたいが例示を作るのが面倒
・短いプロンプトで推論精度を上げたい

Self-Consistency
CoTで複数回答を生成し、その中から最も一貫した答えを選ぶことで精度向上。
・推論にばらつきが出るタスク
・複雑な計算
・論理問題
・不安定な答えを安定化したい

Generate Knowledge（GK）
回答前に「関連知識を生成させる」ことで推論を強化する。知識強化型CoT。
・専門知識を伴う推論
・未知領域に関する判断タスク
・曖昧な質問の精度向上

ReAct
Reasoning（推論）＋ Acting（行動）を統合。推論しながらツール（検索等）を使う。
・RAG、外部検索が必要なタスク
・回答プロセスを透明化したい時
・外部情報依存タスク

Directional Stimulus Prompting
曖昧なタスクに対し「方向性（Direction）」を与えることで回答を安定化する。
・抽象的なタスク(アイデア生成など)
・回答の"方向"をコントロールしたい
・創造性を保ちつつ軸を与えたい

Multimodal CoT
画像＋テキストの「マルチモーダル」入力にCoTを適用。画像理解＋推論を可能にする。
・画像説明＋推論
・OCRの文脈理解
・画像に基づく判断タスク（例:医療、地図、図表）


 1. Zero-shot Prompting
 概要(Zero-shot Prompting)例示なしでタスクを実行させるプロンプト。指示だけで目的を伝える。

 こういうシーンにおすすめ(Zero-shot Prompting)明確な出力形式がある
一般的な知識タスク
回答に創造性を求めない時

 推奨用途(Zero-shot Prompting)要約
コードレビュー
文書変換（敬語→砕けた文など）

 テンプレート(Zero-shot Prompting)あなたは {役割} です。
以下のタスクを実行してください。

# タスク
{やってほしい内容}

# 制約条件
・曖昧な推測をしない
・前提を補わない
・論理的に一貫した出力を生成する

# 出力形式
{出力形式（箇条書き・表・Markdown・JSONなど）}

 2. Few-shot Prompting
 概要(Few-shot Prompting)入力例（Input→Outputのサンプル）を提示してフォーマットや意図を学習させる。

 こういうシーンにおすすめ(Few-shot Prompting)形式が複雑な出力
文体やトーンを模倣させたい
誤解が起きやすいタスク

 推奨用途(Few-shot Prompting)Markdown資料生成
YouTube台本
サムネイル文言生成
コーディングスタイルの統一

 テンプレート(Few-shot Prompting)あなたは {役割} です。
以下に、入力とそれに対応する出力例を示します。

【例1】
入力：
{input_sample1}
出力：
{output_sample1}

【例2】
入力：
{input_sample2}
出力：
{output_sample2}

--- ここから本番 ---

入力：
{input}

上記の例と同じスタイル・形式で出力してください。

 3. Chain-of-Thought（CoT）
 概要(Chain-of-Thought（CoT）)推論を段階的に説明させて、正確性を上げる。

 こういうシーンにおすすめ(Chain-of-Thought（CoT）)数学、論理、推論系タスク
計算ミスが多いとき
推論を丁寧にさせたい時

 推奨用途(Chain-of-Thought（CoT）)ロジックの整理
仕様分析
設計レビュー
バグ原因解析

 テンプレート(Chain-of-Thought（CoT）)以下の問題について、解くためのステップを順番に説明しながら回答してください。

# 問題
{question}

# 出力形式
1. 問題の整理
2. 解法の検討
3. ステップごとの推論
4. 結論

 4. Zero-shot Chain-of-Thought
 概要(Zero-shot Chain-of-Thought)例を与えずに「Let's think step by step」などの短い指示だけでCoT推論モードへ誘導する。
ステップバイステップとは

複雑な問題を、順番に段階を追って考えさせるためのプロンプト指示のこと。
以下のような構造で回答される傾向がある。


#
段階
内容


1
問題の整理
現状分析を行いながら、現在抱えている課題の整理を行う

2
提案、選択肢の列挙
問題に合わせて、取りうる方法やアプローチを提示する

3
比較・評価
メリット・デメリットを整理して、最適解を導く

4
結論
最終的な推奨案を提示する

5
実行ステップ(内容に応じて)
実際にどう進めるか、具体的な手順を提示


 こういうシーンにおすすめ(Zero-shot Chain-of-Thought)CoTを使いたいが例示を作るのが面倒
短いプロンプトで推論精度を上げたい
「うまく言語化できていない課題」「どう考えていいかわからない課題」をAIに考えさせたい
「ステップバイステップで考えて」と指定すると、AIが論理的に推論してくれる


 推奨用途(Zero-shot Chain-of-Thought)要件整理
解法検討
曖昧な質問への正確な回答

 テンプレート(Zero-shot Chain-of-Thought)以下の問題について、ステップバイステップで考えてください。

# 問題
{question}

 5. Self-Consistency
 概要(Self-Consistency)CoTで複数回答を生成し、その中から最も一貫した答えを選ぶことで精度向上。

 こういうシーンにおすすめ(Self-Consistency)推論にばらつきが出るタスク・複雑な計算・論理問題・不安定な答えを安定化したい

 推奨用途(Self-Consistency)設計方針の比較
デバッグ原因の切り分け
難しい数学・パズル問題

 テンプレート(Self-Consistency)以下の問題について、3通りの異なる推論プロセスで回答してください。
その後、もっとも一貫性が高いと判断される答えを1つ選んでください。

# 問題
{question}

# 出力形式
【回答A】
ステップ：
結論：

【回答B】
ステップ：
結論：

【回答C】
ステップ：
結論：

【最終結論】
最も一貫している回答：
理由：

 6. Generate Knowledge（GK）
 概要(Generate Knowledge（GK）)回答前に「関連知識を生成させる」ことで推論を強化する。知識強化型CoT。

 こういうシーンにおすすめ(Generate Knowledge（GK）)専門知識を伴う推論・未知領域に関する判断タスク
曖昧な質問の精度向上

 推奨用途(Generate Knowledge（GK）)初見の技術領域の理解
API仕様の分析
新規領域のリサーチ

 テンプレート(Generate Knowledge（GK）)以下の問題について回答する前に、関連知識を生成してください。
その知識を使って最終回答を行ってください。

# 問題
{question}

# 出力形式
1. 関連知識の生成
2. その知識を使った推論
3. 結論

 7. ReAct
 概要(ReAct)Reasoning（推論）＋ Acting（行動）を統合。推論しながら必要なアクション（検索・コード生成など）を実行する。

 こういうシーンにおすすめ(ReAct)RAG、外部検索が必要なタスク・回答プロセスを透明化したい時
外部情報依存タスク

 推奨用途(ReAct)RAG連携（検索付きChat）
外部ツールを使ったタスク
コード生成と実行の組み合わせ

 テンプレート(ReAct)以下の問題に対して、Reasoning（推論）とAction（行動）を交互に行ってください。

# タスク
{task}

# 出力形式
Reasoning: {考えたこと}
Action: {必要な行動（例：検索・計算・コード生成）}
Observation: {アクションの結果}

これを繰り返し、最終結論に到達してください。

 8. Directional Stimulus Prompting
 概要(Directional Stimulus Prompting)曖昧なタスクに対し「方向性（Direction）」を与えることで回答を安定化する。

 こういうシーンにおすすめ(Directional Stimulus Prompting)抽象的なタスク（アイデア生成など）
回答の“方向”をコントロールしたい
創造性を保ちつつ軸を与えたい

 推奨用途(Directional Stimulus Prompting)YouTubeのタイトル案
コピーライティング
デザイン案生成

 テンプレート(Directional Stimulus Prompting)以下のタスクに対し、方向性（Direction）を与えます。
Direction を踏まえて回答してください。

# Direction（方向性）
{方向性の指示：例「ミニマル・落ち着いた・暖色トーン」}

# タスク
{task}

# 出力形式
・方向性の要約
・方向性に沿ったアイデア
・代替案

 9. Multimodal CoT
 概要(Multimodal CoT)画像＋テキストの「マルチモーダル」入力にCoTを適用。画像理解＋推論を可能にする。

 こういうシーンにおすすめ(Multimodal CoT)画像説明＋推論・OCRの文脈理解
画像に基づく判断タスク（例：医療、地図、図表）

 推奨用途(Multimodal CoT)画像に基づく判断（UI、デザイン、図表など）
OCRした文章の文脈理解
写真＋文章の分析タスク

 テンプレート(Multimodal CoT)以下の画像を解析し、内容を理解したうえで、Chain-of-Thought に基づいて回答してください。

# 画像
{画像をアップロード}

# タスク
{task}

# 出力形式
1. 画像の観察内容
2. 推論ステップ
3. 結論

 使ってみた感想（ピックアップ）Zero-shot
まずは基本として使いやすい
自分が書くものは、基本この手法を使っていることが多い

Zero-shot CoT
「どう進めていいかわからないときに、AIに考えさせたい」というとき、雑に使いやすい
自分の頭の中では曖昧でも、「ステップバイステップ」で考えて」と指示すると、かなり論理的に整理してくれる
色々な作業(仕様検討、実装方法検討など)の取っ掛かりとして有用

GK
専門知識が必要なタスクで威力を発揮
使ったことのないサービス/ライブラリなどに関する調査タスクで、事前に関連知識を生成させてから推論させると、かなり有益な回答を得られた
これらの理解にも役立つ

設計を行うときにも、「一般的な設計思想」というのを事前に関連知識として生成する思考になるみたい
設計の壁打ちをしたいときに有用かも



 今回勉強してみて、改めて「重要」だと感じたポイント役割付与(Role)の重要性
モデルの振る舞いに大きな影響を与える

出力形式の指定
形式を指定することで、学習済みパターンに沿った安定した生成が可能

色々なパターンのテクニックを知っておき、試してみることで、様々な観点の回答を得ることができて便利(そして面白い)

 今後意識したい/実践したいことカスタムエージェント(.github/agents/<name>.agent.md)を使用して、作業に合わせた役割付与
役割を明確にすることで、思考のブレを防止

アウトプットしたい形式ごとにテンプレを用意しておくことで、出力内容を安定化させる

ステップ	使われる技術	説明
1. プロンプトを受け取る	LLM（AIの本体）	あなたの指示文を読み取り、「何について答えるか」を理解し始める。
2. 全体を読み解く	Transformer（AIの頭の構造）	文全体を一度に俯瞰して読み取り、話の流れや意味をつかむ。
3. 重要箇所に注目する	Attention（どこに注目すべきかを決める仕組み）	指示・役割・制約など、特に大事な部分に注意を集中させる。
4. 回答を組み立てる	LLM（生成能力）	学習してきた知識と文パターンを使って、自然で的確な回答を生成する。

構成要素	役割（何のために存在する？）	内容（含めるべき情報）	例
指示（Instruction）	モデルに「何をしてほしいか」を具体的に伝える中心部分。	・タスク内容・目的とゴール・曖昧さを排除した行動指示	「この記事を300文字以内で要約してください。」
コンテキスト（Context）	モデルが誤解しないよう、背景や前提情報を与える。	・対象の説明・背景知識・前提条件・役割付与（Role）	「あなたはITコンサルタントです。以下は社内向けの説明資料です。」
出力指示（Format / Output Constraints）	出力の形を制御して、期待通りのフォーマットを得る。	・形式（箇条書き、表、JSON など）・文字数制限・禁止事項・文体	「箇条書きで3点にまとめてください。」

コツ	指示例	技術的な根拠（論文・理論）	補足（なぜ効くか）
指示を具体的にする	数値リストを折れ線グラフ化し、解説を2行以内にまとめてください。	・GPT-3論文（Few-Shot Learners, 2020）「明確なタスク定義で性能が向上」・In-Context Learning（多くのNLP論文）	Transformer は曖昧な指示があると “もっともらしい出力” を生成するため、具体的にするほど誤差が減る。
役割を与える（Role Prompting）	あなたは言語学者として回答してください。	・RLHF論文（Ouyang et al., 2022）人間フィードバックで「指示追従性」が強化・GPT-3論文：文体模倣能力	Role を与えると Attention が「専門家文体のパターン」に強く寄る。
例を提示する（Few-shot）	以下のサンプルのように書いてください。	・GPT-3論文（Few-Shot Learners, 2020）・In-context learning の正体（2022〜）	LLMは例示パターンを模倣する能力が強いため、例を与えると形式の安定性が向上する。
制約や禁止表現を設ける	・200文字以内で・ポジティブ表現のみ	・RLHF（指示遵守モデル）・Transformer の確率最適化理論	曖昧指示は“暴走”の原因。制約を指定すると探索空間が狭まり精度向上。
ステップを段階的に指示する（Step-by-step）	まずAを要約、次にBを整理…	・Chain-of-Thought（CoT）論文（Google, 2022）・Zero-shot CoT（2022）	推論を段階的に行わせると、Attention が流れを追いやすくなるため論理精度が向上。
自己チェックを促す（Self-evaluation）	誤りがある場合は訂正し、理由を加えてください。	・Self-Consistency（Google, 2022）複数推論から整合性を選ぶ・Reflexion（2023）：自己修正型LLM	「自己評価 → 自己修正」は研究でも精度向上が確認されている。
文体・トーンを指定する	・ビジネス文書で・カジュアル調で	・GPT-3論文：文体模倣能力・スタイル変換研究（Style Transfer）	LLMは大量の文体データを学習しており、文体指定は Attention の重みを変える効果がある。

テクニック名	概要（短く要点）	こういうシーンにおすすめ
Zero-shot	例示なしでタスクを実行させるプロンプト。指示だけで目的を伝える。	・明確な出力形式がある・一般的な知識タスク・回答に創造性を求めない時
Few-shot	入力例（Input→Outputのサンプル）を提示してフォーマットや意図を学習させる。	・形式が複雑な出力・文体やトーンを模倣させたい・誤解が起きやすいタスク
Chain-of-Thought (CoT)	推論を「ステップに分解」して考えさせる。論理的タスクを強化。	・数学、論理、推論系タスク・計算ミスが多いとき・推論を丁寧にさせたい時
Zero-shot CoT	例を与えずに「Let's think step by step」などの短い指示だけでCoT推論モードへ誘導する。	・CoTを使いたいが例示を作るのが面倒・短いプロンプトで推論精度を上げたい
Self-Consistency	CoTで複数回答を生成し、その中から最も一貫した答えを選ぶことで精度向上。	・推論にばらつきが出るタスク・複雑な計算・論理問題・不安定な答えを安定化したい
Generate Knowledge（GK）	回答前に「関連知識を生成させる」ことで推論を強化する。知識強化型CoT。	・専門知識を伴う推論・未知領域に関する判断タスク・曖昧な質問の精度向上
ReAct	Reasoning（推論）＋ Acting（行動）を統合。推論しながらツール（検索等）を使う。	・RAG、外部検索が必要なタスク・回答プロセスを透明化したい時・外部情報依存タスク
Directional Stimulus Prompting	曖昧なタスクに対し「方向性（Direction）」を与えることで回答を安定化する。	・抽象的なタスク(アイデア生成など) ・回答の"方向"をコントロールしたい・創造性を保ちつつ軸を与えたい
Multimodal CoT	画像＋テキストの「マルチモーダル」入力にCoTを適用。画像理解＋推論を可能にする。	・画像説明＋推論・OCRの文脈理解・画像に基づく判断タスク（例:医療、地図、図表）

#	段階	内容
1	問題の整理	現状分析を行いながら、現在抱えている課題の整理を行う
2	提案、選択肢の列挙	問題に合わせて、取りうる方法やアプローチを提示する
3	比較・評価	メリット・デメリットを整理して、最適解を導く
4	結論	最終的な推奨案を提示する
5	実行ステップ(内容に応じて)	実際にどう進めるか、具体的な手順を提示

導入

前提として覚えておいた方がよさそうな単語

LLM(Large Language Model)

Transformer

Attention(Self-Attention)

プロンプトが回答になるまでの流れ

プロンプトの基本的な構成要素

ポイント

プロンプトの一般的なコツ × 技術的根拠（論文・理論）

9つのテクニック

1. Zero-shot Prompting

概要(Zero-shot Prompting)

こういうシーンにおすすめ(Zero-shot Prompting)

推奨用途(Zero-shot Prompting)

テンプレート(Zero-shot Prompting)

2. Few-shot Prompting

概要(Few-shot Prompting)

こういうシーンにおすすめ(Few-shot Prompting)

推奨用途(Few-shot Prompting)

テンプレート(Few-shot Prompting)

3. Chain-of-Thought（CoT）

概要(Chain-of-Thought（CoT）)

こういうシーンにおすすめ(Chain-of-Thought（CoT）)

推奨用途(Chain-of-Thought（CoT）)

テンプレート(Chain-of-Thought（CoT）)

4. Zero-shot Chain-of-Thought

概要(Zero-shot Chain-of-Thought)

こういうシーンにおすすめ(Zero-shot Chain-of-Thought)

推奨用途(Zero-shot Chain-of-Thought)

テンプレート(Zero-shot Chain-of-Thought)

5. Self-Consistency

概要(Self-Consistency)

こういうシーンにおすすめ(Self-Consistency)

推奨用途(Self-Consistency)

テンプレート(Self-Consistency)

6. Generate Knowledge（GK）

概要(Generate Knowledge（GK）)

こういうシーンにおすすめ(Generate Knowledge（GK）)

推奨用途(Generate Knowledge（GK）)

テンプレート(Generate Knowledge（GK）)

7. ReAct

概要(ReAct)

こういうシーンにおすすめ(ReAct)

推奨用途(ReAct)

テンプレート(ReAct)

8. Directional Stimulus Prompting

概要(Directional Stimulus Prompting)

こういうシーンにおすすめ(Directional Stimulus Prompting)

推奨用途(Directional Stimulus Prompting)

テンプレート(Directional Stimulus Prompting)

9. Multimodal CoT

概要(Multimodal CoT)

こういうシーンにおすすめ(Multimodal CoT)

推奨用途(Multimodal CoT)

テンプレート(Multimodal CoT)

使ってみた感想（ピックアップ）

今回勉強してみて、改めて「重要」だと感じたポイント

今後意識したい/実践したいこと

Discussion