プロンプト

シンプルな質問でも答えは得られるが、「質の良い答え」を得るために
人も「いい質問」を工夫するといいでしょう。

良い質問とはモデルに答えに必要な情報を渡して、より良い結果を得るよう
個人的には必須とオプションがあると思います。

項目	説明	必要 or 不要	備考（理由）
指示	質問の意図	必須	会話が山に行くので
情報	あった方がいい	あった方がいい	効率がいい
文脈	あった方がいい	あった方がいい	効率がいい
詳細	＋＠のdetail	不要かと	結局、話し合いながら詰めていく
出力指示子	出力のタイプや形式のこと	必要な場合	csv,yaml,JSONなど

例えば次の何の「さくら」というシンプルすぎる質問を投げると
何かしら結果は得られるが、意図したものではない可能性が高い

例）
意図

花見でみた桜の種類について調べたい

プロンプト

さくら

出力

桜が満開の季節、公園には人々が花見をしながら・・・

⇒桜を素材に短い文を書いてもらえました笑

ここで足りないのは指示と情報かと思いいます。
例えば

プロンプト

私が花見でみた桜は何でしょうか。白い花と葉っぱがありました。

出力

花見で花と葉っぱが同時に見えた場合、おそらく見た桜の品種は「ヤマザクラ（山桜）」である可能性が高いです。・・・理由とヤマザクラへの説明が続く

どうでしょう？どのような桜なのか聞く（指示）また、葉っぱがあるという（必要な情報）を渡すことで意図通りだと思う可能性が高い回答が得られました。このように、タスクを実行するために最適なプロンプトを設計するアプローチをプロンプトエンジニアリングと呼びます。

よく言われる zero-shot？ few-shot？とは

最初から質問をするパタン。これは文字通り一発芸みたいなものです。
質問するから答えて、LLMモデルは色は引き出し中一つを出します。
（直前の質問履歴と関連する可能性が高い）

Q: <質問>?
A:

いくつかの質問と答えをベースに答えるパタン

Q: <質問>?
A: <答え>
Q: <質問>?
A: <答え>
Q: <質問>?
A: <答え>

プロンプト:

リンゴ // 赤
バナナ // 黄色
ブルーベリー // 青
この場合、壁の色は
この壁はブルーベリーのようだ //

出力:

文脈から青色とみえますね。

few-shot promptingにより、文脈に沿った学習が可能になります。
言語モデルがタスクを学習するために、わずかなサンプルを提供することができます。

いかがでしょうか。難しく思うかもしれませんが、
日常で行われる人とのコミュニケーションと同じだと思いませんか。
私はよく 「zero-shot prompting」 で妻に質問をしてしまうので 「は？」 って顔で見られたりします。それに比べたら、LLMはなんて優しいんだ💛

要は

これでよき答えを得るようにしましょう。

参考
<プロンプトの基礎>
https://www.promptingguide.ai/jp/introduction/basics