プロンプトエンジニアリング — 普遍的な技法
プロンプトエンジニアリングとは、モデルへの入力（プロンプト）を工夫して、出力の質・一貫性・安全性を高める設計技術です。ここでは特定のモデルやベンダーに依存しない、普遍的に有効な技法を整理します。個別製品の使い方ではなく、どのLLMにも当てはまる考え方として読んでください。
注: 本ページは一般的な技法を扱います。特定モデル向けの最適化やパラメータの具体値は、各社の最新公式ドキュメントを参照してください。
まず成功基準を決める ★
技法の前に、「良い出力とは何か」を定義することが出発点です。成功基準（正確さ・形式・トーンなど）と、それを確かめる簡単な評価方法を先に用意しておくと、プロンプト改善の効果を測れます。なお、レイテンシやコストのように、プロンプトより先にモデル選択で解決したほうが早い課題もあります。
明確で具体的な指示 ★
曖昧な依頼は曖昧な出力を生みます。「何を・どんな形式で・どんな制約で」出してほしいかを具体的に書きます。出力形式（箇条書き、表、字数）や前提・対象読者を明示すると、狙いどおりの結果に近づきます。
例示（フューショット）★
期待する入出力の例をいくつか示すと、モデルはパターンを掴んで安定した出力を返しやすくなります。特に形式や分類の一貫性が欲しいタスクで効果的です。
構造化と役割付与 ★★
- 構造化: 指示・入力データ・出力例などを見出しや区切り（XMLタグのような明確な境界）で分けると、モデルが各部分の役割を取り違えにくくなります。
- 役割付与: 「あなたは〜の専門家として」といった役割・文脈を与えると、トーンや観点が安定します。
思考の誘導と分割 ★★
- 思考の誘導: 「順を追って考えてから答えて」と促すと、複雑な推論の正確さが上がることがあります（思考の明示化）。
- プロンプト連鎖: 大きなタスクを小さなステップに分け、前の出力を次の入力に渡すと、各段階を検証しやすく品質が安定します。
反復して改善する ★★
プロンプトは一度で完成しません。成功基準に照らして出力を評価し、うまくいかない点を具体的に修正する、という反復が有効です。
まとめ
- 先に成功基準と評価を用意し、効果を測りながら改善する。
- 明確な指示・例示・構造化・役割付与・思考の誘導が普遍的に効く。
- 大きなタスクは分割（プロンプト連鎖）して各段階を検証する。
確認問題
問1. プロンプトエンジニアリングに取りかかる前にまず行うべきこととして適切なものはどれか。
- できるだけ長いプロンプトを書く
- 成功基準と、それを確かめる評価方法を用意する
- モデルのパラメータを最大にする
- 例示を一切使わない
正解: 2 解説: 「良い出力とは何か」を定義し、効果を測る評価を用意することが出発点です。基準がないと改善の良し悪しを判断できません。
問2. 「フューショット（例示）」の効果として正しいものはどれか。
- 出力形式や分類の一貫性を高めやすい
- モデルの学習データを書き換える
- 常に出力を短くする
- モデルの知識カットオフを更新する
正解: 1 解説: 期待する入出力の例を示すと、モデルがパターンを掴み、形式や分類の一貫性が高まりやすくなります。学習データやカットオフは変わりません。
問3. 複雑なタスクに対する「プロンプト連鎖」の説明として正しいものはどれか。
- 1つの巨大なプロンプトで一度に解かせる
- タスクを小さなステップに分け、前の出力を次の入力に渡す
- 役割付与を禁止する
- 例示を削除して短くする
正解: 2 解説: プロンプト連鎖はタスクを分割し、各段階の出力を次に渡す方法です。段階ごとに検証でき、品質が安定します。
参考にした考え方の出典
本ページの技法は Anthropic 公式ドキュメント「Prompt engineering overview」を根拠に、特定ベンダーに依存しない一般技法として自分の言葉で整理しました（末尾の参考文献を参照）。