プロンプトエンジニアリング

プロンプトエンジニアリングは、AIに入力する指示（プロンプト）を工夫して、望む出力を安定して得るための技術です。AIの内部を変えるのではなく、使い方の側を磨くという位置づけです。

なぜ必要か

LLM は、入力された文章の続きとして答えを作ります。同じ質問でも、書き方が違えば答えも変わります。人間の新入社員に仕事を頼むとき、目的や条件を伝えるほど期待に近い成果物が返ってくるのと同じで、AIも情報が足りなければ推測で埋めます。その推測がずれることが、「使えない」という印象の主な原因です。

基本の考え方

• 目的と背景を書く：何のために、誰向けの文章かを伝える。
• 役割や前提を与える：「経理担当者として」のように、視点を示す。
• 制約を明示する：文字数、口調、含めてはいけない内容など。
• 出力形式を指定する：箇条書き、表、JSON など。
• 見本を示す：フューショットで、期待する出力の例を添える。
• 段階に分ける：複雑な作業は、手順を分けて頼む。必要なら「根拠を示してから結論を出して」と促す。
• わからないときは聞き返させる：不足情報を推測させず、質問させる。

具体例

「この資料を要約して」より、次のほうが安定します。

経営会議向けに、下の資料を300字以内で要約してください。結論を最初に書き、懸念点を最後に1つ挙げてください。

目的、読者、字数、構成が指定されているからです。

使うときの注意・よくある誤解

• 魔法の呪文はない：「深呼吸して」「あなたは世界一の専門家です」のような言い回しの効果は、モデルや課題で異なり、保証されません。明確さと具体性のほうが、ほとんどの場合で効きます。
• モデルが変わると効果も変わる：ある版で効いた書き方が、新しいモデルでは不要または逆効果になることがあります。
• 試して直す：一度で完成させず、評価用の入力を用意して、書き換えのたびに結果を比べます。この作業を自動化する評価の仕組みが、evals です。
• 重要な判断をAIの出力だけで済ませない。

関連する考え方

最近は、プロンプト文そのものより、検索結果、ツールの出力、会話履歴など、モデルに渡す情報全体を設計するコンテキストエンジニアリングという見方も広がっています。プロンプトは、その一部と位置づけられます。