プロンプトの作つくり方かたと実践じっせん

この章しょうで学まなぶこと

生成せいせいAIパスポート試験しけんの最さい終章しゅうしょうにあたるこの第だい5章しょう「プロンプトの作つくり方かたと実践じっせん」は、これまで学まなんだ知識ちしきを実際じっさいに使つかいこなすための章しょうです。生成せいせいAIに与あたえる指示しじ文ぶんをプロンプトぷろんぷとと呼よび、その良よし悪わるしでAIの出力しゅつりょくの質しつは大おおきく変かわります。ここでは、言語げんごモデル(LMえるえむ)から大だい規模きぼ言語げんごモデル(LLMえるえるえむ)へと発展はってんしてきた技術ぎじゅつ的てきな背景はいけいを押おさえたうえで、「どう書かけば思おもいどおりの答えこたえが返かえってくるのか」という具体ぐたい的てきなテクニックを、実際じっさいのプロンプト例れいとともに学まなびます。

この章しょうのキーワードは「指示しじの設計せっけい」と「得意とくい・不得意ふとくいの見極みきわめ」。うまく書かけば校正こうせい・要約ようやく・翻訳ほんやく・アイデア出だしまで幅広はばひろくこなせる一方いっぽうで、正確せいかくな計算けいさんや最新さいしん情報じょうほうの取得しゅとくといった苦手にがて分野ぶんやもあります。両方りょうほうを理解りかいして、AIを賢かしこく使つかい分わけられるようになるのがゴールです。

学習がくしゅうゴール

• LMえるえむとLLMえるえるえむの違ちがい、プレトレーニングぷれとれーにんぐやTemperatureてんぺらちゃー・Top-pといった出力しゅつりょくを左右さゆうする設定せっていを説明せつめいできる
• Zero-ShotプロンプティングぜろしょっとぷろんぷてぃんぐとFew-Shotプロンプティングふゅーしょっとぷろんぷてぃんぐの違ちがい、良よいプロンプトの4要素ようそ(Instructionいんすとらくしょん・Contextこんてきすと・Input Dataいんぷっとでーた・Output Indicatorあうとぷっといんじけーた)を判別はんべつできる
• 校正こうせい・要約ようやく・変換へんかんなど、LLMえるえるえむを使つかった代表だいひょう的てきな実践じっせんテクニックを具体ぐたい例れいで説明せつめいできる
• メール作成さくせい・翻訳ほんやく・ブレインストーミングなど、テキスト生成せいせいAIのビジネス応用おうようの用途ようとを挙あげられる
• テキスト生成せいせいAIが不得意ふとくいなこと(正確せいかくな文字数もじすう・計算けいさん・最新さいしん情報じょうほう・芸術げいじゅつの批評ひひょう)と、その理由りゆうを説明せつめいできる

試験しけんでは: 第だい5章しょうは「用語ようごの意味いみ」と「プロンプトの良よし悪わるしの判断はんだん」の両方りょうほうが問とわれます。特とくにZero-Shot/Few-Shotの区別くべつ、4要素ようそ、AIが苦手にがてなことは頻出ひんしゅつです。実践じっせんテクニックは「この操作そうさは何なんと呼よぶか」を問とう形かたちで出でます。

1. LMとLLM

1.1 言語げんごモデル(LM)とは

LMえるえむ(Language Model、言語げんごモデル)とは、ある単語たんごの並ならびの次つぎに、どの単語たんごが来きやすいかを確率かくりつで予測よそくするしくみです。たとえば「明日あしたは雨あめが___」という文ぶんの空欄くうらんには、「降ふる」が来くる確率かくりつが高たかく「食たべる」は低ひくい、といった具合ぐあいに、言葉ことばのつながりやすさを数値すうちでとらえます。

言語げんごモデルには発展はってんの歴史れきしがあります。

• n-gramモデルえぬぐらむもでる: 直前ちょくぜんの数すう語ご(n個この単語たんごの連つらなりを単位たんいとし、直前ちょくぜんのn−1語ご)だけを手てがかりに次つぎの単語たんごを予測よそくする、古典こてん的てきでシンプルな統計とうけい的てき手法しゅほう。長ながい文脈ぶんみゃくを考慮こうりょできないという弱点じゃくてんがあります。
• ニューラル言語モデルにゅーらるげんごもでる: ニューラルネットワークにゅーらるねっとわーくを使つかって単語たんごの意味いみや文脈ぶんみゃくをとらえる言語げんごモデル。n-gramより広ひろい文脈ぶんみゃくを扱あつかえ、精度せいどが大おおきく向上こうじょうしました。

1.2 大だい規模きぼ言語げんごモデル(LLM)とは

LLMえるえるえむ(Large Language Model、大だい規模きぼ言語げんごモデル)とは、膨大ぼうだいなテキストデータと巨大きょだいなニューラルネットワークで作つくられた、非常ひじょうに大だい規模きぼな言語げんごモデルです。ChatGPTなどの対話たいわ型がたAIは、このLLMを土台どだいにしています。

LLMは、まず大量たいりょうのテキストで基礎きそ学習がくしゅうを行おこないます。これをプレトレーニングぷれとれーにんぐ(事前じぜん学習がくしゅう)と呼よびます。インターネット上じょうの膨大ぼうだいな文章ぶんしょうを読よみ込こませ、「言葉ことばのつながり方かた」という汎用はんよう的てきな知識ちしきをあらかじめ身みにつけさせる工程こうていです。この事前じぜん学習がくしゅうを終おえたモデルに、さらに用途ようとに合あわせた調整ちょうせいを加くわえて実用じつよう化かしていきます。

絶対ぜったい暗記あんき: LM=言語げんごモデル(次じの単語たんごを予測よそく)。LLM=大だい規模きぼ言語げんごモデル(LMを巨大きょだい化かしたもの)。プレトレーニング=事前じぜん学習がくしゅうで、大量たいりょうテキストから汎用はんよう知識ちしきを先さきに学まなぶ工程こうてい。

1.3 出力しゅつりょくを左右さゆうする設定せってい — ハイパーパラメータ

モデルの学習がくしゅうや出力しゅつりょくのふるまいを、人間にんげんがあらかじめ決きめておく設定せってい値ちをハイパーパラメータはいぱーぱらめーたと呼よびます。データから自動じどうで決きまる値あたいではなく、人間にんげんが外そとから与あたえる調整ちょうせいつまみだと考かんがえると分わかりやすいでしょう。

テキスト生成せいせいでよく登場とうじょうするのが、出力しゅつりょくの「多様たよう性せい(ばらつき)」を制御せいぎょする次つぎの2つです。

設定せってい	何なにを調整ちょうせいするか	値あたいを上あげると	値あたいを下さげると
Temperatureてんぺらちゃー	出力しゅつりょくのランダム性せい・多様たよう性せい	意外いがい性せいのある多様たような文ぶんが出でやすい	無難ぶなんで一貫いっかんした文ぶんが出でやすい
Top-p	候補こうほとする単語たんごの範囲はんい(確率かくりつの累積るいせき)	幅広はばひろい候補こうほから選えらび多様たようになる	高こう確率かくりつの候補こうほに絞しぼられ堅実けんじつになる

• Temperatureは、次つぎの単語たんごを選えらぶときの「確率かくりつ分布ぶんぷの鋭するどさ」を変かえる値あたいです。低ひくくすると最もっとも確率かくりつの高たかい単語たんごが選えらばれやすく、出力しゅつりょくが安定あんていします。高たかくすると低てい確率かくりつの単語たんごも選えらばれやすくなり、創造そうぞう的てきだが予測よそくしにくい出力しゅつりょくになります。
• Top-p(核サンプリングかくさんぷりんぐ、Nucleus Sampling)は、確率かくりつの高たかい単語たんごから累積るいせきして一定いっていの割合わりあい(p)に達たっするまでを候補こうほとし、その範囲はんいから選えらぶ方式ほうしきです。

事実じじつを正確せいかくに答えこたえてほしい業務ぎょうむではTemperatureを低ひくめ、アイデア出だしなど発想はっそうを広ひろげたいときは高たかめに、といった使つかい分わけをします。

ポイント: TemperatureもTop-pも「出力しゅつりょくの多様たよう性せいを制御せいぎょする」パラメータ。値あたいを上あげるほど多様たよう(創造そうぞう的てき)、下さげるほど堅実けんじつ(安定あんてい)になる、という方向ほうこうをセットで覚おぼえます。

1.4 プロンプトとプロンプトエンジニアリング

プロンプトぷろんぷと(Prompt)とは、生成せいせいAIに与あたえる指示しじや質問しつもんの文ぶんのことです。そして、目的もくてきの出力しゅつりょくを引ひき出だせるようにプロンプトを工夫くふうして設計せっけいする技術ぎじゅつをプロンプトエンジニアリングぷろんぷとえんじにありんぐと呼よびます。同おなじAIでも、プロンプトの書かき方かたしだいで返かえってくる答えこたえの質しつは大おおきく変かわります。この章しょうの後半こうはんは、まさにこのプロンプトエンジニアリングの実践じっせんです。

2. プロンプティングの基礎きそ

プロンプトの書かき方かたには、いくつかの基本きほんパターンがあります。まず「例れいを示しめすかどうか」による2つの型かたを押おさえます。

2.1 Zero-ShotとFew-Shot

型かた	意味いみ	使つかいどころ
Zero-Shotプロンプティングぜろしょっとぷろんぷてぃんぐ	例れいを1つも示しめさず、指示しじだけを与あたえる	一般いっぱん的てきで単純たんじゅんなタスク
Few-Shotプロンプティングふゅーしょっとぷろんぷてぃんぐ	いくつか(数すう個こ)の例れいを示しめしてから指示しじする	出力しゅつりょくの形式けいしきやニュアンスを揃そろえたいタスク

Zero-Shotプロンプティングぜろしょっとぷろんぷてぃんぐは、お手本てほんを見みせずにいきなり指示しじする方法ほうほうです。「次つぎの文章ぶんしょうを要約ようやくして」のように、AIがすでに知しっている一般いっぱん的てきなタスクなら、これで十分じゅうぶんうまくいきます。

Few-Shotプロンプティングふゅーしょっとぷろんぷてぃんぐは、「こういう入力にゅうりょくにはこう答えこたえてほしい」という具体ぐたい例れいをいくつか先さきに見みせてから本題ほんだいを指示しじする方法ほうほうです。出力しゅつりょくの形式けいしき・トーン・分類ぶんるいのしかたなどをAIに真似まねさせたいときに有効ゆうこうです。

たとえば、口くちコミをポジティブ/ネガティブに分類ぶんるいさせる場合ばあいのFew-Shotプロンプトは次つぎのようになります。

次つぎのレビューを「肯定こうてい的てき」か「否定ひてい的てき」で分類ぶんるいしてください。

例れい1)「対応たいおうが早はやくて助たすかりました」→ 肯定こうてい的てき
例れい2)「二に度どと使つかいたくない」→ 否定ひてい的てき

対象たいしょう)「値段ねだんのわりに品質ひんしつがいまいちだった」→

このように例れいを添そえると、AIは望のぞみどおりの言葉ことばづかいと形式けいしきで分類ぶんるいを返かえしやすくなります。

絶対ぜったい暗記あんき: 例れいを見みせないのがZero-Shot、例れいをいくつか見みせるのがFew-Shot。「Shot=例示れいじの数かず」と覚おぼえると混同こんどうしません。

2.2 良よいプロンプトの4要素ようそ

質しつの高たかい出力しゅつりょくを安定あんていして得えるには、プロンプトに必要ひつような情報じょうほうを過不足かふそくなく盛もり込こむことが大切たいせつです。良よいプロンプトを構成こうせいする要素ようそとして、次つぎの4つが挙あげられます。

要素ようそ	意味いみ	例れい
Instructionいんすとらくしょん(指示しじ)	AIにしてほしいことそのもの	「以下いかの文章ぶんしょうを要約ようやくして」
Contextこんてきすと(文脈ぶんみゃく)	背景はいけい・前提ぜんてい・条件じょうけん	「読者どくしゃは小学生しょうがくせい。専門せんもん用語ようごは使つかわない」
Input Dataいんぷっとでーた(入力にゅうりょくデータ)	処理しょりしてほしい対象たいしょうのデータ	要約ようやくしたい本文ほんぶんそのもの
Output Indicatorあうとぷっといんじけーた(出力しゅつりょく形式けいしきの指定してい)	答えこたえの形かたち・長ながさ・書式しょしき	「3行こうの箇条かじょう書がきで」

この4要素ようそを1つのプロンプトにまとめると、次つぎのようになります。

【指示しじ】次つぎの商品しょうひん説明せつめいを要約ようやくしてください。
【文脈ぶんみゃく】ネット通販つうはんの商品しょうひんページ用よう。読者どくしゃは一般いっぱんの消費しょうひ者しゃです。
【入力にゅうりょくデータ】このワイヤレスイヤホンは最大さいだい30時間じかん再生さいせいでき、ノイズ
キャンセリング機能きのうとIPX7の防水ぼうすい性能せいのうを備そなえています。
【出力しゅつりょく形式けいしき】キャッチーな1文ぶん（40字じ以内いない）で。

4つすべてを毎回まいかいそろえる必要ひつようはありませんが、指示しじだけで思おもいどおりにならないときは、文脈ぶんみゃく・入力にゅうりょくデータ・出力しゅつりょく形式けいしきを補おぎなうと改善かいぜんします。

試験しけんでは: 4要素ようその名前なまえ(Instruction / Context / Input Data / Output Indicator)と、それぞれが「何なにを指さすか」の対応たいおうが問とわれます。特とくにOutput Indicator=出力しゅつりょく形式けいしきの指定していを取とり違ちがえないように。

3. LLMプロンプティングの実践じっせん

LLMは、文章ぶんしょうに対たいするさまざまな加工かこうが得意とくいです。代表だいひょう的てきな操作そうさを整理せいりします。

操作そうさ	内容ないよう
文章ぶんしょうの校正こうせい・校正こうせい箇所かしょの確認かくにん	誤字ごじ脱字だつじ・文法ぶんぽうの修正しゅうせい、どこを直なおしたかの提示ていじ
文章ぶんしょうの整理せいり	乱みだれた文章ぶんしょうを読よみやすく再さい構成こうせい
文章ぶんしょうの要約ようやく	長文ちょうぶんを短みじかくまとめる
箇条かじょう書がき↔文章ぶんしょうの相互そうご変換へんかん	箇条かじょう書がきを文章ぶんしょうに、文章ぶんしょうを箇条かじょう書がきに
対象たいしょう読者どくしゃの変更へんこう	専門せんもん家か向むけ⇔初心者しょしんしゃ向むけに言い換えいいかえ
話者わしゃ(役割やくわり)設定せっていの変更へんこう	「あなたは編集へんしゅう者しゃです」など役割やくわりを与あたえる
会話かいわのやり取とりへ変換へんかん	説明せつめい文ぶんを対話たいわ形式けいしきに書かき換かえ
例たとえ話はなしで理解りかいを深ふかめる	難むずかしい概念がいねんを身近みぢかな例れいにたとえる
数字すうじの変換へんかん	単位たんい換算かんさん・表記ひょうきゆれの統一とういつなど

3.1 文章ぶんしょうの校正こうせいと校正こうせい箇所かしょの確認かくにん

誤あやまりを直なおすだけでなく、「どこをどう直なおしたか」まで示しめさせると、内容ないようを確認かくにんしながら安心あんしんして使つかえます。

次つぎの文章ぶんしょうの誤字ごじ脱字だつじと文法ぶんぽうを校正こうせいしてください。修正しゅうせいした箇所かしょは、
「修正しゅうせい前まえ → 修正しゅうせい後ご」の一覧いちらんも添そえてください。

文章ぶんしょう：私わたしは昨日きのう、友達ともだちと映画えいがをみにいきました。とてもおもしろしか
ったので、また見みたいとおもいまた。

3.2 対象たいしょう読者どくしゃの変更へんこう

同おなじ内容ないようでも、読よみ手てに合あわせて説明せつめいを変かえられます。役割やくわり設定せっていと組くみ合あわせると効果こうか的てきです。

あなたは理科りかの先生せんせいです。次つぎの説明せつめいを、小学生しょうがくせいにもわかるように、
専門せんもん用語ようごを使つかわず、身近みぢかな例たとえ話はなしを交まじえて書かき直なおしてください。

説明せつめい：光合成こうごうせいとは、植物しょくぶつが光ひかりエネルギーを利用りようして二酸化炭素にさんかたんそと水みず
から有機物ゆうきぶつを合成ごうせいする反応はんのうである。

このプロンプトは、「話者わしゃ(役割やくわり)設定せっていの変更へんこう」「対象たいしょう読者どくしゃの変更へんこう」「例たとえ話はなしで理解りかいを深ふかめる」を同時どうじに使つかった例れいです。1つのプロンプトに複数ふくすうのテクニックを重かさねられる点てんが実践じっせんのコツです。

3.3 要約ようやくと形式けいしき変換へんかん

長文ちょうぶんの要約ようやくや、文章ぶんしょうと箇条かじょう書がきの相互そうご変換へんかんもよく使つかわれます。出力しゅつりょく形式けいしき(Output Indicator)を明確めいかくに指定していするのがポイントです。

次つぎの議事ぎじ録ろくを、要点ようてん3つの箇条かじょう書がきに要約ようやくしてください。各かく項目こうもくは
20字じ以内いないでお願ねがいします。

（議事ぎじ録ろくの本文ほんぶんをここに貼はり付づけ）

ポイント: 実践じっせんテクニックは「操作そうさの名前なまえ」を問とう出題しゅつだいが中心ちゅうしんです。校正こうせい・整理せいり・要約ようやく・箇条かじょう書がき変換へんかん・対象たいしょう変更へんこう・話者わしゃ設定せってい・会話かいわ化か・例たとえ話はなし・数字すうじ変換へんかんという操作そうさの呼よび名なを、内容ないようとセットで押おさえます。

4. テキスト生成せいせいAIを用もちいたビジネス応用おうよう

実務じつむでは、テキスト生成せいせいAIは幅広はばひろい業務ぎょうむに応用おうようできます。主おもな用途ようとを整理せいりします。

分野ぶんや	用途ようと例れい
文書ぶんしょ作成さくせい	ビジネスメール、ビジネス書類しょるいテンプレート、会議かいぎのアジェンダ
企画きかく・発想はっそう	キャッチコピー、ブレインストーミング、ディベート(賛否さんぴ両論りょうろんの整理せいり)
調査ちょうさ・分析ぶんせき	アンケート項目こうもくの作成さくせい、アンケート結果けっかの分析ぶんせき
業務ぎょうむの分解ぶんかい	業務ぎょうむ手順てじゅんの分解ぶんかい(ステップ化か)、タスクの抽出ちゅうしゅつ
言語げんご処理しょり	外国がいこく語ご翻訳ほんやく、英単語えいたんごからの英文えいぶん作成さくせい、海外かいがい企業きぎょう宛あてメール
データ整形せいけい	姓せいと名なの分離ぶんり、ふりがなの記載きさい
対話たいわ的てきな支援しえん	質問しつもんさせながら一緒いっしょに進すすめる

4.1 ビジネスメールの作成さくせい

要件ようけんを箇条かじょう書がきで渡わたし、トーンや宛先あてさきを指定していすると、整ととのった文面ぶんめんが得えられます。

次つぎの要件ようけんで、取引とりひき先さきへのお詫わびメールを作成さくせいしてください。丁寧ていねいで
簡潔かんけつなビジネス文体ぶんたいでお願ねがいします。

・件名けんめい：納品のうひん遅延ちえんのお詫わび
・状況じょうきょう：部品ぶひんの入荷にゅうか遅おくれで、納品のうひんが3日にち遅おくれる見込みこみ
・対応たいおう：新あたらしい納品のうひん予定よてい日びは今週こんしゅう金曜きんよう。再発さいはつ防止ぼうしに努つとめる旨むねを添そえる

4.2 業務ぎょうむ手順てじゅんの分解ぶんかいとタスク抽出ちゅうしゅつ

漠然ばくぜんとした依頼いらいを、実行じっこうできる手順てじゅんや作業さぎょう単位たんいに分わけさせるのも得意とくい分野ぶんやです。

「社内しゃないセミナーを開催かいさいする」という業務ぎょうむを、準備じゅんびから当日とうじつまでの
手順てじゅんに分解ぶんかいし、それぞれに必要ひつようなタスクを箇条かじょう書がきで挙あげてください。

4.3 データ整形せいけい — 姓名せいめい分離ぶんり・ふりがな

表おもて計算けいさんでは手間てまのかかる整形せいけい作業さぎょうも、まとめて依頼いらいできます。

次つぎの氏名しめいリストを「姓せい／名な／ふりがな」の表ひょうに整理せいりしてください。

山田やまだ太郎たろう、佐藤さとう花子はなこ、鈴木すずき一郎いちろう

4.4 質問しつもんさせながら一緒いっしょに進すすめる

AIに一方いっぽう的てきに指示しじするだけでなく、足たりない情報じょうほうをAIから質問しつもんさせることで、対話たいわしながら成果せいか物ぶつを仕上しあげられます。

新しん商品しょうひんの企画きかく書しょを一緒いっしょに作つくりたいです。いきなり書かき始はじめず、必要ひつような
情報じょうほうを一ひとつずつ私わたしに質問しつもんしてください。私わたしの回答かいとうをもとに、最後さいごに
企画きかく書しょにまとめてください。

ポイント: ビジネス応用おうようは「テキスト生成せいせいAIでできること/できないこと」を選えらばせる出題しゅつだいがあります。翻訳ほんやく・要約ようやく・アイデア出だし・文書ぶんしょ作成さくせい・データ整形せいけいは得意とくい、次つぎの§5で扱あつかう計算けいさんや最新さいしん情報じょうほうは不得意ふとくい、という線引せんひきを意識いしきしましょう。

5. テキスト生成せいせいAIの不ふ得意とくいなこと

テキスト生成せいせいAIは万能ばんのうではありません。しくみ上じょう、苦手にがてな作業さぎょうがはっきりあります。なぜ苦手にがてなのかを理由りゆうとともに理解りかいしておくと、使つかいどころを誤あやまりません。

苦手にがてなこと	なぜ苦手にがてか
正確せいかくな文字数もじすうの指定してい	文字数もじすうを1文字もじずつ数かぞえて調整ちょうせいしているわけではなく、確率かくりつ的てきに文ぶんを生成せいせいするため、「ちょうど100字じ」のような厳密げんみつな指定していはずれやすい
計算けいさん	数式すうしきを計算けいさんしているのではなく「それらしい続つづき」を予測よそくしているだけなので、桁けたの多おおい計算けいさんなどで誤あやまりが出でやすい
最新さいしんの情報じょうほう	学習がくしゅうデータには区切くぎり(カットオフかっとおふ)があり、それ以降いこうの出来事できごとは原則げんそく知しらない
芸術げいじゅつの批評ひひょう	「良よい/悪わるい」は主観しゅかん的てきな価値かち判断はんだんで、唯一ゆいいつの正解せいかいがない。学習がくしゅうデータにある傾向けいこうをなぞるにとどまる

5.1 なぜ計算けいさんと文字数もじすうが苦手にがてか

LLMの本質ほんしつは「次じに来きそうな単語たんごを予測よそくする」ことです。電卓でんたくのように計算けいさん処理しょりをしているわけでも、文字もじを数かぞえているわけでもありません。そのため、桁けたの大おおきな掛かけ算ざんや、「厳密げんみつに○文字もじ」といった指定していは外はずしやすいのです。正確せいかくな計算けいさんが必要ひつような場面ばめんでは、AIに計算けいさんツールを使つかわせる、あるいは人間にんげんが電卓でんたく・表おもて計算けいさんで検算けんざんする、といった補おぎない方かたをします。

5.2 なぜ最新さいしん情報じょうほうが苦手にがてか

LLMはあらかじめ用意よういされた大量たいりょうのテキストで事前じぜん学習がくしゅう(プレトレーニング)されており、その学習がくしゅうデータにはいつまでのデータかという区切くぎり(カットオフかっとおふ)があります。カットオフより後ごの出来事できごとは、追加ついかの仕組しくみがなければ答えこたえられません。最新さいしん情報じょうほうを扱あつかうには、外部がいぶの検索けんさくやデータベースを組くみ合あわせるRAGらぐのような手法しゅほうが使つかわれます。

5.3 ハルシネーションに注意ちゅうい

生成せいせいAIは、事実じじつではないことを、もっともらしく自信じしんありげに述のべてしまうことがあります。これをハルシネーションはるしねーしょん(幻覚げんかく)と呼よびます。存在そんざいしない書籍しょせき・法律ほうりつ・統計とうけいを「あるかのように」答こたえるのが典型てんけい例れいです。これも「それらしい続つづき」を生成せいせいするというしくみに由来ゆらいする現象げんしょうで、出力しゅつりょくは必かならず人間にんげんが事実じじつ確認かくにんすることが欠かかせません。

引ひっかけ: AIが苦手にがてなのは「正確せいかくな計算けいさん」「厳密げんみつな文字数もじすう」「最新さいしん情報じょうほう」「主観しゅかん的てきな批評ひひょう」。逆ぎゃくに、要約ようやく・翻訳ほんやく・言い換えいいかえ・アイデア出だしは得意とくい分野ぶんやです。「計算けいさんは正確せいかく」「最新さいしんニュースに強つよい」といった選択肢せんたくしは誤あやまりとして頻出ひんしゅつします。

6. プロンプト改善かいぜんの実例じつれい

ここまでの4要素ようそ(指示しじ・文脈ぶんみゃく・入力にゅうりょくデータ・出力しゅつりょく形式けいしき)を、実際じっさいの「不十分ふじゅうぶんなプロンプト → 改善かいぜん」で確認かくにんします。多おおくの場合ばあい、足たりないのは文脈ぶんみゃくと出力しゅつりょく形式けいしきです。

例れい1: お詫わびメール

• 不十分ふじゅうぶん: 「取引とりひき先さきへのお詫わびメールを書かいて。」
• 足たりない要素ようそ: 文脈ぶんみゃく・入力にゅうりょくデータ・出力しゅつりょく形式けいしき
• 改善かいぜん: 「あなたは法人ほうじん営業えいぎょうの担当たんとう者しゃです。取引とりひき先さきA社しゃへの納品のうひんが2日にち遅おくれます。遅延ちえん理由りゆう(部品ぶひんの入荷にゅうか遅おくれ)・新あたらしい納品のうひん日び(6月つき20日にち)・再発さいはつ防止ぼうし策さく(在庫ざいこ2週間しゅうかん分ぶん確保かくほ)を盛もり込こみ、300字じ程度ていど・丁寧ていねいな敬語けいご・件名けんめいつきでお詫わびメール本文ほんぶんを作成さくせいしてください。」
• 誰だれに何なにを詫わびるか(文脈ぶんみゃく)、盛もり込こむ事実じじつ(入力にゅうりょくデータ)、長ながさと形式けいしき(出力しゅつりょく形式けいしき)を足たすと、そのまま使つかえるメールになります。

例れい2: 議事ぎじ録ろくの要約ようやく

• 不十分ふじゅうぶん: 「この議事ぎじ録ろくを要約ようやくして。」(＋議事ぎじ録ろく)
• 足たりない要素ようそ: 文脈ぶんみゃく・出力しゅつりょく形式けいしき
• 改善かいぜん: 「以下いかは営業えいぎょう部ぶの定例ていれい会議かいぎの議事ぎじ録ろくです。欠席けっせきした部長ぶちょうが短時間たんじかんで把握はあくできるよう、箇条かじょう書がき5点てん以内いないで、各かく点てんの先頭せんとうに【決定けってい】か【TODO】を付つけて要約ようやくしてください。」
• 指示しじと入力にゅうりょくデータはあるので、読よみ手て(文脈ぶんみゃく)と件数けんすう・形式けいしき(出力しゅつりょく形式けいしき)を足たすのがポイントです。

例れい3: アイデア出だし

• 不十分ふじゅうぶん: 「新しん商品しょうひんのアイデアを出だして。」
• 足たりない要素ようそ: 文脈ぶんみゃく・出力しゅつりょく形式けいしき
• 改善かいぜん: 「20代だい女性じょせい向むけの低てい価格かかくスキンケアブランドです。SNSで話題わだいになりやすい新しん商品しょうひん案あんをターゲットの悩なやみに紐ひもづけて10個こ、『商品しょうひん名めい／解決かいけつする悩なやみ／一言ひとことコピー』の表ひょう形式けいしきで提案ていあんしてください。」

例れい4: SNS投稿とうこう文ぶん(あと一いち歩ほの例れい)

• 不十分ふじゅうぶん: 「下北沢しもきたざわのブックカフェが10月つき1日にちオープン、コーヒー1杯はい目め無料むりょうの投稿とうこうを書かいて。」
• 足たりない要素ようそ: 出力しゅつりょく形式けいしき(指示しじ・文脈ぶんみゃく・入力にゅうりょくデータは揃そろっている)
• 改善かいぜん: 上記じょうきに「120字じ以内いない・親したしみやすいトーン・ハッシュタグ3つ」という出力しゅつりょく形式けいしきを足たす。
• 情報じょうほうが揃そろっていても出力しゅつりょく形式けいしきがないと媒体ばいたいに合あわない投稿とうこうになりがちです。

試験しけんでは: 「良よいプロンプトにするために足たりない要素ようそはどれか」を問とう形かたちが想定そうていされます。4要素ようそのうち、特とくに文脈ぶんみゃくと出力しゅつりょく形式けいしきが抜ぬけやすいことを押おさえましょう。

まとめ

• LMは次つぎの単語たんごを確率かくりつで予測よそくする言語げんごモデル。n-gram → ニューラル言語げんごモデルと発展はってん。これを巨大きょだい化かしたのがLLM(大だい規模きぼ言語げんごモデル)
• プレトレーニング(事前じぜん学習がくしゅう) で汎用はんよう知識ちしきを先さきに学まなぶ。TemperatureとTop-pは出力しゅつりょくの多様たよう性せいを制御せいぎょする設定せっていで、上あげると多様たよう・下さげると堅実けんじつ
• プロンプトはAIへの指示しじ文ぶん。工夫くふうして設計せっけいする技術ぎじゅつがプロンプトエンジニアリング
• 例れいを示しめさないのがZero-Shot、いくつか示しめすのがFew-Shot。良よいプロンプトの4要素ようそはInstruction・Context・Input Data・Output Indicator
• 実践じっせんでは校正こうせい・整理せいり・要約ようやく・箇条かじょう書がき変換へんかん・対象たいしょう変更へんこう・話者わしゃ設定せってい・会話かいわ化か・例たとえ話はなし・数字すうじ変換へんかんが定番ていばん。複数ふくすうを1プロンプトに重かさねられる
• ビジネスではメール・アジェンダ・キャッチコピー・翻訳ほんやく・タスク抽出ちゅうしゅつ・ブレスト・データ整形せいけいなどに応用おうようできる
• 苦手にがてなのは正確せいかくな文字数もじすう・計算けいさん・最新さいしん情報じょうほう・芸術げいじゅつの批評ひひょう。しくみ(次じ単語たんご予測よそく・学習がくしゅうデータのカットオフ)に由来ゆらい。ハルシネーションに備そなえ、出力しゅつりょくは人間にんげんが事実じじつ確認かくにんする