生成AIを使いこなすにはプロンプトエンジニアリングが重要だ。
プロンプトの質がそのまま出力結果に直結する。
今回はオライリーの『生成AIのプロンプトエンジニアリング』を読んだので、実務や個人開発ですぐに実践できるテクニックをまとめてみる。
生成AIに期待通りの回答を出してもらえず、結局自分でやった方が早いと諦めかけている人の参考になれば幸いです。
プロンプトの5つの原則
本書の第一章では、どのLLMにも共通して効く普遍的なベストプラクティスが紹介されている。
日々の開発で直面する意図しないコードの生成や曖昧な挙動を減らすための基礎となる部分だ。
- 方向性を示す: 意図が曖昧なのが生成AIが間違える最大の原因だ。背景や目的、制約をきちんと伝えるほど精度は上がる。
- 出力形式を指定する: JSONやコードブロックなど、出力形式を明示しないと要件と違う形で返ってくることが多い。
- 例を示す: LLMは例を最も理解しやすい 。例を示さないゼロショットよりも、例を示すワンショットやフューショットの方が精度が高くなるというデータもあるようだ。
- 品質を評価する: プロンプトの実行と確認を繰り返すブラインドプロンプティングを脱却し、評価システムを構築する。
- タスクを分解する: 複雑な機能を一気に投げると破綻しやすいため、段階的にプロンプトを分割した方が精度が安定します。
LLMによるテキスト生成の標準的な手法
第三章では、コンテキストを少し改良するだけでアウトプットの質が上がる実践的なテクニックが解説されている。
個人的に日常業務でダイレクトに効いてくると感じたものをいくつかピックアップします。
年齢を指定して説明させる 5歳児にもわかるように説明して と指示すると、専門的な内容を簡単な言葉に変換してくれる。ただビジネスの場では、中高生向けに説明して とした方が実用的で使いやすい印象を持っています。
コンテキストの要求 情報が不十分なまま質問すると質の悪い回答しか返ってこない。そこで、今の情報で判断できないなら必要な追加情報のリストを出して と指示し、モデル自らに不足情報を教えてもらう手法がかなり有効だ。
チャンク化 巨大なテキストは一度に扱わず、小さく管理しやすい単位に分割して処理させる。入出力のトークン制限を回避し、LLMの処理負荷軽減や応答時間の短縮が可能になる。
ロールプロンプティング LLMに特定の役割を与えて応答を生成させる手法だ。専門知識を引き出したい場合や、応答のトーンやスタイルを調整したい場合に役立ちます。
思考プロセスを明示させる Chain-of-Thought LLMは回答を一発で出そうとするため、段階的に考えてください や 答えに至るまでの中間推論ステップを明らかにして と一文を足して考える時間を与える。これだけで回答の精度が上がり、仮に間違えた場合でもどこで思考がズレたのかを確認しやすくなります。
LLM応答の自己評価 生成した出力をLLM本人にレビューさせる手法だ。一度作成したものをレビューし改善点を箇条書きで出力し、それを反映させた最終成果物を出力して と指示するだけで、情報などの見逃しを防ぎ品質を底上げしてくれます。
メタプロンプティング この目的のためにプロンプトを作って とLLMに依頼するテクニックだ。実現したいタスクや適用したいルールを渡して最適なプロンプトを作成させることで、自分で一から考えるよりも手戻りの少ない質の高い結果を得られる。プロンプト作りに苦手意識がある方は、まずこの手法から試してみるのがおすすめだ。
まとめ
プロンプトの原則を守り、いくつかのテクニックを組み合わせるだけで出力結果の水準は間違いなく保てるようになる。
ClaudeやOpenAIの公式ドキュメントでも類似の手法が紹介されているので、興味がある方はぜひそちらも覗いてみてほしいです。