生成AIを使っていて、こんなことを感じたことはないでしょうか。
- 回答がふわっとしている
- ほしい形式で出てこない
- 毎回出力の品質が安定しない
- 同じモデルなのに、質問の仕方で結果がかなり変わる
こうした違いを生む大きな要因の1つが、Prompt Engineering（プロンプトエンジニアリング） です。
AWS AI Practitioner でも、この分野はかなり重要です。
特に、
- Zero-shot
- Few-shot
- Chain-of-thought
- 良い prompt の書き方
は、試験でも実務でもそのまま役立つテーマです。
本記事では、これらを初心者向けに整理しつつ、すぐに使える形でまとめます。
🎯 対象読者
- AWS AI Practitioner を勉強中の方
- Prompt Engineering の基本を理解したい方
- 生成AIをもっと実用的に使いたい方
- Zero-shot / Few-shot / Chain-of-thought の違いを整理したい方
🧩 Prompt Engineering とは？
Prompt Engineering とは、
LLM からより望ましい回答を引き出すために、入力文（prompt）を工夫・最適化すること です。
同じモデルでも、prompt の書き方が変わるだけで、
- 出力の正確さ
- 形式の整い方
- 読みやすさ
- 安定性
が大きく変わります。
つまり、Prompt Engineering は
生成AIをうまく使いこなすための基本技術 だと考えると分かりやすいです。
💡 なぜ Prompt Engineering が重要なのか？
生成AIは非常に強力ですが、
こちらの意図を曖昧に伝えると、結果も曖昧になりやすいです。
例えば、
要約して
だけだと、
- どのくらいの長さで要約するのか
- 誰向けに書くのか
- 箇条書きか文章か
- 重要な観点は何か
がモデルに十分伝わりません。
一方で、
以下の文章を、初心者向けに日本語で3行に要約してください。
専門用語はなるべく避け、箇条書きで出力してください。
と書けば、かなり意図に近い出力になりやすくなります。
1️⃣ Zero-shot とは？
Zero-shot は、
例を見せずに、そのまま指示だけを与える方法 です。
例
以下の文章の感情を、ポジティブ / ネガティブ / 中立 のいずれかで分類してください。
文章: この製品は使いやすいですが、価格が少し高いです。
このように、
「何をしてほしいか」を直接伝えるのが Zero-shot です。
✅ Zero-shot の特徴
メリット
- prompt が短くてシンプル
- すぐ試せる
- 多くの基本タスクで使いやすい
デメリット
- 出力形式がぶれやすい
- 微妙なニュアンス調整が難しい
- モデルによっては意図が十分伝わらないことがある
📌 Zero-shot が向いている場面
- 単純な要約
- 一般的な質問応答
- 軽い分類
- 翻訳
- 簡単な文章生成
👉 まず最初は Zero-shot から試す、という考え方は実務でもよく使えます。
2️⃣ Few-shot とは？
Few-shot は、
いくつかの入出力例を prompt の中に含めて、モデルに期待する形式やパターンを示す方法 です。
例
以下の文章の感情を分類してください。
例1:
文章: この商品はとても便利で満足しています。
分類: ポジティブ
例2:
文章: 対応が遅く、かなり不満です。
分類: ネガティブ
文章: デザインは良いですが、少し重いです。
分類:
このように、
「こういう入力にはこう返してほしい」という例を見せてから本題を出します。
✅ Few-shot の特徴
メリット
- 出力形式が安定しやすい
- ニュアンスを伝えやすい
- モデルが期待値をつかみやすい
デメリット
- prompt が長くなる
- 毎回例を入れる必要がある
- トークン消費が増えやすい
📌 Few-shot が向いている場面
- 出力形式を揃えたい
- 特定の口調で書かせたい
- ラベル分類を安定させたい
- 独自ルールを守らせたい
- フォーマットを固定したい
👉 試験では、
Zero-shot は例なし、Few-shot は例あり
この違いを確実に押さえておくことが大切です。
⚖ Zero-shot と Few-shot の違い
| 項目 | Zero-shot | Few-shot |
|---|---|---|
| 例の有無 | なし | あり |
| prompt の長さ | 短い | 長くなりやすい |
| 出力の安定性 | ぶれやすいことがある | 比較的安定しやすい |
| 向いている場面 | シンプルな指示 | 形式やニュアンスを揃えたい場面 |
3️⃣ Chain-of-thought とは？
Chain-of-thought は、
複雑な問題に対して、段階的に考えさせるための prompt 手法 です。
例えば、
- 数学問題
- 論理問題
- 多段階の判断
- 条件が多い分析
のようなケースでは、
いきなり答えだけを求めるより、
順を追って考えさせた方が精度が上がることがあります。
💡 Chain-of-thought のイメージ
例えば、単に
この問題を解いてください。
と書くよりも、
この問題を順を追って整理し、必要な条件を確認したうえで結論を出してください。
のように書いた方が、複雑な問題では安定しやすいことがあります。
📌 Chain-of-thought のポイント
試験対策として大切なのは、
Chain-of-thought は 複雑なタスクを小さなステップに分けて考えさせる発想 だということです。
向いている場面
- 多段階の分析
- 複数条件の比較
- 数学や論理問題
- 複雑な判断を伴う質問
注意点
- 何でも使えば良いわけではない
- 単純なタスクには冗長になることがある
- 出力が長くなりやすい
👉 つまり、
複雑な問題に強いが、用途を選ぶ手法 と覚えると分かりやすいです。
🛠 良い prompt の書き方
ここからは、実務でもすぐ使える形で
良い prompt の基本原則 を整理します。
1. 目的を明確に書く
まず重要なのは、
何をしてほしいのかを明確にすること です。
悪い例
これ見てまとめて
良い例
以下の文章を、初心者向けに日本語で3点の箇条書きにまとめてください。
2. 対象読者を入れる
誰向けの出力かを書くと、
説明の深さや用語レベルが安定しやすくなります。
例
- 初心者向けに説明してください
- エンジニア向けに説明してください
- 小学生にも分かるように説明してください
- ビジネスメール向けに丁寧な日本語で書いてください
3. 出力形式を指定する
生成AIは、形式指定をしないと出力がぶれやすいです。
例
- 箇条書きで
- 表形式で
- 3行で
- 見出し付きで
- JSON 形式で
- Markdown 形式で
例文
以下の内容を、Markdown 形式で、見出しと箇条書きを使って整理してください。
4. 条件や制約を書く
どこまで許容するか、何を避けるかを書くと精度が上がりやすいです。
例
- 専門用語はできるだけ避けてください
- 300文字以内でまとめてください
- 結論から先に書いてください
- 断定しすぎず、必要なら注意点も書いてください
5. 例を入れる（Few-shot）
出力を安定させたいときは、
例を見せるのがかなり有効です。
例
以下の形式で出力してください。
入力: AWS Bedrock とは？
出力: 生成AIアプリケーションを構築するためのAWSサービスです。
入力: Amazon Lex とは？
出力:
6. 区切りを使う
長い入力を扱うときは、
区切り記号を使うと構造が伝わりやすくなります。
例
以下の文章を要約してください。
###
ここに本文
###
7. いきなり完璧を狙わず改善する
Prompt Engineering は、一発で完成することもありますが、
多くの場合は 試して、直して、また試す の繰り返しです。
例えば、
- 出力が長すぎる → 文字数制限を入れる
- 口調が硬すぎる → 読者層を指定する
- 形式がずれる → 出力フォーマットを明示する
- 内容が浅い → 観点を追加する
といったように、少しずつ調整していくのが基本です。
🚀 実務で使いやすい prompt テンプレート
ここでは、実際に使いやすい形のテンプレートをいくつか載せます。
テンプレート 1：要約
以下の文章を、初心者向けに日本語で要約してください。
条件:
- 3点の箇条書き
- 専門用語はできるだけ避ける
- 重要な結論を先に書く
文章:
###
ここに本文
###
テンプレート 2：比較
以下の2つを比較してください。
観点:
- 目的
- 特徴
- 向いている用途
出力形式:
表形式で簡潔にまとめてください。
テンプレート 3：記事作成
あなたは技術ブログの執筆者です。
以下のテーマについて、初心者向けに分かりやすく説明してください。
条件:
- 見出しを付ける
- 箇条書きを使う
- 実務目線の補足を入れる
- 丁寧で自然な日本語にする
テーマ:
###
ここにテーマ
###
テンプレート 4：分類（Few-shot）
以下の問い合わせを分類してください。
分類カテゴリ:
- 技術的な質問
- 料金に関する質問
- 手続きに関する質問
例:
問い合わせ: ログインできません
分類: 技術的な質問
問い合わせ: 月額料金はいくらですか
分類: 料金に関する質問
問い合わせ: 契約変更の方法を教えてください
分類:
🧠 ここは特に覚えたいポイント
覚え方 1
- Zero-shot = 例なしで指示する
- Few-shot = 例ありで誘導する
- Chain-of-thought = 段階的に考えさせる
覚え方 2
- 単純なタスク → Zero-shot でも十分
- 形式を安定させたい → Few-shot
- 複雑な推論 → Chain-of-thought が有効なことがある
覚え方 3
良い prompt の基本は、
- 目的を書く
- 対象を書く
- 形式を書く
- 条件を書く
- 必要なら例を入れる
この5つを意識するとかなり改善しやすいです。
💼 実務目線の補足
実務で生成AIを使うとき、
モデル選定も大事ですが、実は prompt の設計でかなり結果が変わります。
同じモデルでも、
- 指示が曖昧だと微妙な回答になる
- フォーマットを明示すると安定する
- Few-shot を入れると急に使いやすくなる
- 複雑な分析では段階的な指示が効く
ということは本当によくあります。
そのため、Prompt Engineering は
「ちょっとしたテクニック」ではなく、
生成AI活用の基本スキル と考えた方が実務的です。
✅ まとめ
今回整理したポイントは以下の通りです。
- Prompt Engineering は、より良い回答を得るために prompt を工夫すること
- Zero-shot は例なし、Few-shot は例あり
- Chain-of-thought は複雑な問題を段階的に考えさせる手法
- 良い prompt には、目的・対象読者・出力形式・条件・例が重要
- 実務では prompt の改善だけで品質が大きく上がることがある
AWS AI Practitioner では、このあたりの基本を理解しておくことがかなり重要です。
また、試験対策だけでなく、実際に生成AIを使う場面でもそのまま役立つ知識です。
📌 次回予告
次回は、AWS AI Practitioner の学習や受験に向けて、
試験対策のコツや勉強の進め方 を整理していきます。
例えば、
- どこが頻出なのか
- どう覚えると効率がよいか
- どの順番で勉強すると理解しやすいか
といった観点でまとめる予定です。