プロンプトエンジニアリングの技法: ゼロショット、フューショット、思考の連鎖などの実践ガイド

プロンプトエンジニアリングの実践ガイド - 優れたプロンプトの構造、中核となる技法（ゼロショット、フューショット、思考の連鎖、ロールプロンプティング、区切り文字、出力フォーマット、タスク分解、ReAct）、出力を左右する推論設定、プロンプトのセキュリティリスク、そしてAIF-C01のような基礎的なAI試験が問う内容まで。

著者：CertLabPro TeamSeptember 17, 202617 min read

プロンプトエンジニアリングは、大規模言語モデルの振る舞いを変える最も安価で最も速い方法です。モデルではなく入力を変えるのです。訓練も、データパイプラインも、GPUの請求書もいりません - より明確な指示があるだけです。これはカスタマイズの階段の最初の段であり（階段全体についてはAIモデルはどのように訓練されるのかを参照）、AWS AI Practitioner (AIF-C01) からAzureやGoogle Cloudの相当試験まで、あらゆる基礎的なAIおよび生成AI試験で重点的に問われます。

このガイドはプロバイダーに依存しません - これらの技法は現代のあらゆるLLMで同じように機能します。優れたプロンプトの構造、それぞれをいつ使うかを含む中核技法、出力を左右する推論設定、そして知っておくべきセキュリティリスクを扱います。試験がある点を重視している箇所には「試験では。」というメモを添えています。セクションごとに拾い読みするリファレンスとして扱ってください。

プロンプトエンジニアリングとは何か（そして何ではないか）

それは何か。 モデルに与えるテキストを作り込み、洗練させて、望む出力を返させることです。モデルが事前学習中にすでに学んだことを引き出します。教えているのではなく、舵取りをしているのです。

なぜ重要か。 ほぼ無料で即座に行えます。RAGやファインチューニングに手を伸ばす前に - これらはデータ、費用、時間がかかります - プロンプティングを出し尽くすべきです。多くの場合、より良いプロンプトがギャップ全体を埋めます。

それは何ではないか。 モデルの重みを変えるものではありません。モデルに知識（あなたの非公開データ）や信頼できる振る舞いがそもそも欠けている場合、プロンプティングだけでは解決できません - そのときこそRAGやファインチューニングへ登る番です。プロンプトエンジニアリング（より良い指示を書くこと）と、プロンプトチューニング（「ソフトプロンプト」ベクトルを学習させる訓練手法）を混同しないでください。試験ではプロンプトエンジニアリングを再訓練なしの選択肢として扱います。

優れたプロンプトの構造

強力なプロンプトの多くは、最大で4つの部分から成ります。

指示 - タスク:「要約せよ」「分類せよ」「翻訳せよ」「抽出せよ」。
コンテキスト - モデルが必要とする背景: 対象読者、トーン、ドメイン、制約。
入力データ - 実際に処理する内容そのもの。
出力指定 - 答えの形式:「JSONを返せ」「一文で」「箇条書きで」。

各部分を機能させる原則:

具体的かつ曖昧さなく。「専門知識のない読者向けに3文の要約を書け」は「これを要約せよ」に勝ります。
肯定的な指示を優先する。 避けるべきことだけでなく、何をすべきかをモデルに伝えましょう。「カテゴリ名だけで答えよ」は、「するな」という規則の山よりも明確です（ただし否定的な制約にも役割があります - 後述）。
制約を与える。 長さ、トーン、読解レベル、フォーマット、除外すべきもの。
区切り文字を使う。 入力を明確な区切り - 三重引用符、XML風のタグ、markdownの見出し - で囲み、指示がどこで終わりデータがどこで始まるかをモデルに分からせましょう。これはユーザー提供のテキストが指示として読まれるリスクも下げます（プロンプトインジェクションを参照）。
出力の契約を指定する。 別のプログラムが出力を読む場合は、正確な形（これらのキーを持つ有効なJSON、周囲に散文を付けない）を明示しましょう。要求しない限り、モデルは構造を守りません。

中核となる技法

ゼロショットプロンプティング

内容。 例を一切与えず、モデルの事前学習済み知識だけに頼ってタスクを行わせます。

いつ。 モデルが明らかに以前に見たことのある、単純でありふれたタスク（基本的な分類、素直な要約、一般的な質問）。

リスク。 タスクが変わったものだったり、モデルの訓練から遠かったりすると、ゼロショットの結果は信頼できないことがあります - それが例を追加すべき合図です。

試験では。 ゼロショットとはプロンプトに例がないことを意味します。その名指しされたリスクは、タスクがモデルの学んだ内容から遠すぎるときに性能が低下することです。

ワンショットおよびフューショットプロンプティング（文脈内学習）

内容。 入力と望ましい出力を組み合わせた作例を1つ（ワンショット）または数個（フューショット）プロンプトに含め、モデルにパターンを推論させます。これは文脈内学習とも呼ばれます。モデルがパラメータの更新なしにプロンプトのコンテキストからタスクを「学ぶ」ためです。

いつ。 タスクに、一貫して一致させたい特定のフォーマット、ラベル集合、スタイルがある場合 - たとえばメッセージを自前のカテゴリに分類する、あるいは特定のトーンに合わせるなど。

方法。 ケースの範囲を網羅する、2つから5つのきれいで代表的な例を示し、それから新しい入力を与えます。例全体のフォーマットの一貫性は、数よりも重要です。

試験では。 フューショット学習と文脈内学習は同じ考え方です。プロンプト内の例、再訓練なし。「ファインチューニングなしで、モデルに特定のパターンやラベル方式に従わせる」に対する定番の答えです。

思考の連鎖 (Chain-of-thought、CoT) プロンプティング

内容。 最終的な答えに飛びつくのではなく、答えを出す前に段階を追って推論するようモデルに求めます。

いつ。 複数段階の問題: 算術、論理、計画立案、中間的な推論が役立つあらゆるもの。

方法。 推論を示す例を提供する（フューショットCoT）か、あるいは単に Let's think step by step のようなトリガーを付け加えて、例なしで推論を引き出します（ゼロショットCoT）。

試験では。 思考の連鎖は、複雑で複数段階の推論の性能を向上させる名指しの技法です。

自己一貫性

内容。 思考の連鎖を（多少のランダム性を持たせて）何度か実行し、複数の実行結果の中で最も頻繁に出てくる答えを採用します。

いつ。 単一の連鎖では誤りやすい、重大な推論。複数をサンプリングして多数決を取ることで信頼性が上がります。

ロール（ペルソナ）およびシステムプロンプティング

内容。 モデルに誰であるかを伝えます -「あなたはシニア税務アドバイザーです」「あなたは簡潔なコードレビュアーです」。チャットモデルでは、これはしばしば持続的な振る舞いを設定する別個のシステムプロンプトに置かれます。

いつ。 会話全体を通じてトーン、専門性のレベル、視点を固定するため。

方法。 ロール、対象読者、制約を最初に述べます。システムプロンプトは安定させ、ユーザープロンプトを変化させます。

区切り文字と構造

内容。 明示的なマーカーを使って、プロンプトの各部分（指示、データ、例）を分離します。

なぜ。 各セクションへのモデルの遵守度を高め、重要なことに、信頼できない入力が指示として解釈されるのを防ぐのに役立ちます。

出力フォーマット

内容。 正確な出力の形を指定し、可能であれば答えをタグで囲む、または厳密なJSONを返すようモデルに求めます。

なぜ。 出力が別のプログラムやモデルに渡される場合には不可欠です。明示的な出力の契約は、当てにならないパースを信頼できるパイプラインに変えます。

プロンプトテンプレート

内容。 実行時に埋めるプレースホルダーを持つ、再利用可能でパラメータ化されたプロンプト構造。

なぜ。 一貫性と保守性 - アプリは入力だけを変えて、毎回同じ十分にテストされたプロンプトを生成します。マネージドプラットフォームは、まさにこのためにプロンプトテンプレートやプロンプト管理の機能を提供していることがよくあります。

タスク分解とプロンプトチェイニング

内容。 複雑な仕事をより小さなプロンプトに分割し、各ステップの出力を次に渡します。

いつ。 タスクが1つのプロンプトには大きすぎる、または複数段階にわたる場合（抽出し、次に分析し、次に草稿を書く）。チェイニングは一度にすべてを求めるよりも信頼でき、各ステップはテストしやすくなります。

ReAct（推論 + 行動）

内容。 モデルが推論と行動 - ツールの呼び出し、検索、データの照会 - を交互に行い、その結果を観察して続けるパターン。エージェントの背後にあるプロンプティングの考え方です。

いつ。 モデルが外部情報を必要とする、または記憶から答えるだけでなく世界で行動を取らなければならない場合。（これはプロンプトエンジニアリングをエージェントフレームワークに結び付けます。）

ネガティブプロンプティング

内容。 除外または回避すべきものを明示的に述べます -「個人的な意見を含めるな」「いかなるコードも除外せよ」、あるいは画像モデルでは、望まない要素を列挙します。

いつ。 既知の失敗モードを排除するため。プロンプト全体としてではなく、肯定的な指示への的を絞った補足として使いましょう。

出力を左右する推論設定

プロンプトのテキストは物語の半分に過ぎません。以下の生成パラメータは、プロンプトを一言も変えずに出力を変えます。

Temperature（温度） - ランダム性。低い（0に近い）と決定的で再現性があり焦点の絞られた答えになり、高いと創造的で多様な答えになります。
Top-p（核サンプリング） と top-k - モデルがサンプリングできる次のトークンの候補プールを制限する、多様性に対するもう1つのレバー。
最大トークン数 - 応答の長さに上限を設けます。
停止シーケンス - モデルに生成の停止を指示する文字列。

試験では。「答えをより一貫させる、または再現できるようにする」とは、温度を下げることを意味します。温度とtop-p/top-kがランダム性と多様性を制御し、プロンプトのテキストに焼き込まれるのではなく推論時に設定されることを知っておきましょう。

プロンプティングがRAGやファインチューニングに対してどこに位置するか

プロンプトエンジニアリングは最初に試すべきものですが、限界があります。カスタマイズの階段を、安価な順に:

プロンプトエンジニアリング - 指示を形作る。新しい知識も再訓練もなし。
RAG（検索拡張生成） - クエリ時に自前の最新データをプロンプトに注入する。モデルが訓練されたことのない事実を必要とする場合、または知識が頻繁に変わる場合に使います。
ファインチューニング - ラベル付きの例で再訓練し、ある振る舞いやスタイルを焼き込む。プロンプティングとRAGでもまだ十分に一貫しない場合に使います。

試験では。 シナリオが非公開または最新の事実を必要とするなら、プロンプティングだけでは不十分です - それはRAGです。信頼できて繰り返される振る舞いやドメインのスタイルを必要とするなら、それはファインチューニングです。プロンプティングは、モデルがすでにタスクを行えて、より明確な舵取りだけを必要とする場合の答えです。

プロンプトのセキュリティと責任ある利用

プロンプトは攻撃対象領域です。基礎的な試験は、責任あるAIとセキュリティの下でこれらを問います。

プロンプトインジェクション - 攻撃者がユーザー提供の入力（またはモデルが読む文書）に指示を隠し、あなたのシステムプロンプトを上書きして、モデルの振る舞いや下流のアクションを乗っ取ります。
ジェイルブレイク - モデルの安全ガードレールを回避して、制限された、または有害な出力を生成させるよう作り込まれたプロンプト。
プロンプトリーク - モデルを言いくるめて、自身の隠されたシステムプロンプトや機密のコンテキストを明かさせること。
敵対的プロンプティング 全般 - これらの操作技法を包括する用語。

知っておくべき緩和策:

信頼できる指示を、信頼できないユーザー入力から分離し、明確に区切ります。決してそれらを無造作に連結しないこと。
入力を検証・サニタイズします。モデルが出力してよいもの、行ってよいことを制約します。
入力と出力の両方に、ガードレール／コンテンツフィルターとPIIの秘匿化を適用します。
モデルおよび接続されたあらゆるツールに最小権限のアクセスを与え、インジェクションが成功しても大したことができないようにします。
重大なアクションについては、人間を判断のループに残します。

プロンプティングは ハルシネーション への対処にも役立ちます。検索された事実でモデルを根拠付け（RAG）、出典を引用するよう求め、「分かりません」を明示的に許可して、答えをでっち上げるのをやめさせます。温度を下げて根拠付けを加えることで、自信たっぷりのでたらめを減らせます。

ベストプラクティスのチェックリスト

シンプルに始める。複雑さ（例、推論、チェイニング）は、シンプルなプロンプトが失敗したときにだけ加える。
具体的に: タスク、対象読者、制約、正確な出力フォーマットを述べる。
区切り文字を使って指示をデータから分離する。
特定のパターンが必要なときは例（フューショット）を加え、推論が必要なときは Let's think step by step を加える。
実際の入力で反復・テストする。わずかな言い回しの変更が効いてくる。
一貫性のためには温度を下げ、創造性のためには上げる。
ユーザー入力を信頼できないものとして扱う。区切り、検証し、出力を守る。

30秒の意思決定ガイド

単純で慣れたタスク -> ゼロショット
特定のフォーマットやラベル方式が必要 -> フューショット（文脈内学習）
複数段階の推論 -> 思考の連鎖（Let's think step by step を加える）
難しい推論でより高い信頼性が必要 -> 自己一貫性（サンプリングして多数決）
チャット全体でトーンや専門性を固定 -> ロール／システムプロンプト
出力が別のプログラムに渡される -> 厳密な出力フォーマット（JSON、タグ）を指定する
タスクが1つのプロンプトには大きすぎる -> 分解してチェイニングする
モデルがツールやライブデータを必要とする -> ReAct／エージェント
非公開または最新の事実が必要 -> プロンプティングではなくRAG
一貫して繰り返される振る舞いが必要 -> プロンプティングではなくファインチューニング
出力を決定的にする -> 温度を下げる

この分野の学び方

試験に向けては、シナリオを技法に対応付ける練習をし、人がつまずく境界線を押さえましょう: ゼロショット対フューショット、推論のツールとしての思考の連鎖、一貫性のレバーとしての温度、そして - 最重要のもの - プロンプティング対RAG対ファインチューニング（舵取り対事実の追加対振る舞いの変更）。実務では、プロンプトを具体的で、区切られ、テストされたものに保ち、ユーザー提供のあらゆる文字列を信頼できないものとして扱いましょう。30秒の意思決定ガイドを開いたまま練習問題を解き、間違えたときは、その境界線が鋭くなるまでここでその技法を読み返してください。

出典: AWS Certified AI Practitioner (AIF-C01) の試験ガイドと出題ドメイン、および標準的なプロンプトエンジニアリングの参考資料。2026年9月時点。