計算や多段の判断を依頼したとき、答えだけ返されて「なぜその結論になったのか」確認できないと、採用に踏み切れません。Chain-of-Thought（CoT）は、途中の推論過程を書いてから結論を出させる書き方で、Learn Prompting の解説では推論の精度を上げる技法として紹介されています。導入手順と、効果が出にくい場面を整理します。
ステップ1：直接答えさせる書き方で精度不足を確認する
CoT を入れる前に、現在の依頼文でどれほど外れているかを確認します。確認は「答えが合うか」だけでなく「過程を検証できるか」でも行います。直接答える書き方では、間違ったときに誤りの箇所を特定できないのが弱点です。
ステップ2：過程を書くよう指示に加える
依頼文に「途中の過程を書いてから、結論を出す」ことを加えます。Learn Prompting の解説は、CoT が推論の段階を依頼文の中に組み込み、モデルが段階的に考えるよう導く手法だと説明しています。指示は1行で十分で、書く順序（過程、結論）を明確にします。
ステップ3：見本に推論の例を添える
効果を安定させるには、例の中で「過程の書き方」を見せるのが実用的です。同解説は、例示の中に推論過程を明示した形の例を使うと、モデルが過程を書く応答を学習すると説明しています。見本の過程は、自分が検証できる粒度で書きます。
| 書き方 | 特徴 |
|---|---|
| 答えだけを求める | 速い。ただし間違いの原因が特定できない |
| 過程＋結論を求める | 検証できる。応答は長くなる |
| 例で過程を見せる | 書き方の揺れが減る。依頼文は長くなる |
ステップ4：問題を小さく分けてから答えさせる
問題が大きい場合は、依頼文の側で分けます。同解説は、CoT が複雑な問題を扱いやすい小さな段階に分解するよう導くと説明しています。例として、金額の計算なら「合計の算出」「割引の適用」「最終値の算出」に分ける、といった切り方です。分けた段ごとの答えが見えると、どの段で外れたかが分かります。
ステップ5：効果と手間を見比べて運用を決める
CoT は万能ではありません。Learn Prompting の解説は、大きなモデルで効果が大きく、小さなモデルでは成績が下がる場合があると注意しています。導入後は、精度の向上と応答の長さ（確認の手間）を比べ、判断が軽い処理には通常の書き方を残す、という使い分けを決めます。
つまずきポイント
- 過程の書き方を指定しない：書き方が揺れて確認しづらくなります。見本で揃えます。
- 全処理に適用する：判断が軽い処理では手間だけ増えます。効果のある処理に絞ります。
- 小さなモデルで効果を疑う前に設定を確認する：効果の出にくさはモデルの大きさにも依存します。
FAQ
Q. どんな問題に効きますか？
A. 計算問題、常識推論、記号操作のような多段の推論を要する問題が Learn Prompting の解説に挙げられています。
Q. モデルの大きさは関係ありますか？
A. 関係します。同解説は、大きなモデルで効果が大きく、小さなモデルでは逆に成績が下がる場合があると説明しています。
あわせて使いたいツール
推論の書き方は、使っている AI ツールの対話画面で比較できます。料金と提供条件は各サービスの公式情報で確認してください。
出典
出典：Learn Prompting「Chain-of-Thought プロンプティング」（原題 Chain-of-Thought Prompting、2024年10月1日）。CoT の定義、多段推論への効果、モデルの大きさとの関係の記述は同記事に基づきます。
関連ガイド
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。