2026-04-30·LLM·⏱ 約 4 分

プロンプトエンジニアリング基礎 ─ 出力を 10 倍良くする 7 つのコツ

ChatGPT・Claude を使いこなすためのプロンプト設計の基礎。Few-shot・Chain-of-Thought・Role 指定など、現場で効くテクニックを 7 つ。

LLM の力を引き出す プロンプト設計 は、AI エンジニアにとって新しい必須スキルです。コードの書き方を覚えるように、プロンプトの書き方も体系化されています。本記事では基礎 7 テクニックを紹介。

1. 明確な指示(Specificity)

❌ 『コードを書いて』 → ✅ 『Python で 1〜100 の素数を列挙する関数を書いて。型ヒント付き、docstring 必須。』

💡 良い指示の 4 要素

(1) 何を / (2) どんな入力で / (3) どんな出力形式で / (4) 制約(性能・スタイル)。

2. ロール指定(Role Prompting)

システムロールで人格を設定

messages=[
    {'role': 'system', 'content':
     'あなたは統計検定 1 級保持者の数理統計学者です。式変形は厳密に、自然言語の説明は丁寧に。'},
    {'role': 'user', 'content': '中心極限定理の数学的証明をお願いします'},
]

システムロールで 専門性・トーン・制約 を先に固定すると、出力が安定します。

3. Few-shot(例示)

やってほしいタスクの 入出力例を 2〜5 個 見せる。LLM はその場でパターンを学習します。

例: 感情分類

prompt = '''次のレビューを Positive / Negative に分類してください。

レビュー: 最高の体験でした
分類: Positive

レビュー: 期待外れだった
分類: Negative

レビュー: まあまあかな
分類:'''

4. Chain-of-Thought(段階的推論)

数学・論理問題で『ステップバイステップで考えてください』と指示すると正答率が大きく上がります。

数学問題の改善

❌ '36 個のリンゴを 4 人で平等に分けると?'
→ 即答えだけ

✅ '36 個のリンゴを 4 人で平等に分けます。
   ステップごとに考えてから最終的な答えを述べてください。'
→ 1) 全体は 36 個
   2) 4 人で割る → 36 / 4 = 9
   答え: 9 個ずつ

5. 出力形式の指定

JSON ・ Markdown 表・ XML タグなど、機械が読める形 を指定すると後段処理が楽。

JSON 出力例

prompt = '''次の文章から人物名と年齢を抽出してください。
出力は JSON のみ。説明文は不要。

文章: 田中さん(34 歳)と山田さん(28 歳)が会議に参加した。

出力スキーマ: {"persons": [{"name": str, "age": int}]}'''

6. Self-Consistency(複数サンプル + 多数決)

重要な推論問題は temperature を上げて 複数回サンプリング → 多数決。コストはかかるが精度が大きく上がる。

7. プロンプトの構造化

セクション分けでロバストに

prompt = '''# 役割
あなたはデータサイエンティストです。

# タスク
以下のデータから 5 つの示唆を抽出する。

# データ
```csv
{csv_content}
```

# 出力
- Markdown の箇条書き 5 項目
- 各項目は 1 文 50 字以内
- 数値根拠を併記'''

やってはいけない 3 つ

曖昧な指示: 『良い感じに書いて』は禁物
否定形だけ: 『〜しないで』より『〜してください』が効く
長すぎる文脈: 関係ない情報は削る(精度が落ちる)

学習リソース

[LLM 入門](/blog/llm-introduction)
[RAG 入門](/blog/rag-introduction)
[Transformer の数学](/blog/transformer-math)

プロンプトエンジニアリングは 書いて試す が一番。本記事のテクニックを ChatGPT / Claude で順番に試してみてください。