社内FAQをそのままチャットボットに読ませれば、質問になんでも答えてくれる。そう考えて作り始めると、たいてい答えの精度で行き詰まります。Learn Promptingの解説は、意図と資料の結びつけ方から設計することを勧めています。

手順1:現行の応答方式を確認する
従来型のチャットボットは、意図(インテント)という単位で動きます。1つの意図には、複数の質問例と、それに対応する1つの回答が入っています。利用者の質問は、質問例と最も近い意図に振り分けられ、用意された回答が返ります。
この方式は、答えが固定されている問い合わせには強いです。弱点は、似た質問でも言い回しごとに意図を足していく必要がある点です。Learn Promptingは、ログインに関する3つの言い回しに3つの意図が必要になる例を挙げています。
手順2:意図を「話題」の粒度に組み直す
LLMを使う場合は、意図を細かい質問単位ではなく、話題の単位で切ります。ログインのトラブル、申し込み方法、請求の確認といった具合です。意図の数が減り、管理する対象が絞られます。
手順3:意図に資料を1本ずつ結びつける
各意図には、回答文ではなく資料を紐づけます。利用者から質問が来たら、その意図の資料をモデルに渡し、資料の内容から回答を作らせます。資料に書かれていないことは答えない、という指示も一緒に渡します。
資料の中に複数の手順が含まれている場合、モデル側から確認の質問を返せます。Learn Promptingは、Web版とアプリ版のログイン方法が同じ資料にあるとき、どちらかを尋ねてから答える動きを例に挙げています。
手順4:検索と生成を2段に分ける
資料全体を1回の入力で渡すことはできません。入力の長さには上限があり、計算量も増えるためです。そこで処理を2段に分けます。質問に合う意図と資料を選ぶ段階と、選んだ資料から回答を作る段階です。
| 段階 | やること | 失敗したときの症状 |
|---|---|---|
| 1段目 | 質問に合う資料を選ぶ | 見当違いの回答、または「分かりません」ばかり |
| 2段目 | 資料をもとに回答文を作る | 資料にない情報の追加、手順の順序の入れ替え |
1段目を外すと、2段目がどれだけ賢くても正解には届きません。検索側の精度を測ることが先決です。仕組みの詳細はRAGとチャンキングのページで扱っています。
手順5:答えられない条件を先に決める
資料にない質問、社外に出せない情報、個別の契約に関わる質問は、答えずに人へ渡す線を引きます。Learn Promptingは、回答を生成する方式には、資料にない内容を補ってしまう危険があると指摘しています。逃げ道を設計に入れておくと、誤回答の被害を抑えられます。
運用が始まったら、答えられなかった質問を週次で集め、資料の不足を埋めます。この循環がないと、同じ「分かりません」が増え続けます。
FAQ
Q. 質問の言い回しが違うと答えられませんか?
A. 従来型では弱い部分です。Learn Promptingは「ログインできない」「パスワードを忘れた」「ログインエラー」のように似た質問でも別々の意図が必要になると指摘しています。資料を渡す方式なら、言い回しの差をモデル側が吸収できます。
Q. 資料をそのまま全部読ませれば済みませんか?
A. 済みません。同サイトは、モデルが一度に受け取れる入力の長さに上限があり、ナレッジベース全体を渡すのは現実的でないと説明しています。必要な資料を選んでから渡す設計が必要です。
あわせて使いたいツール
社内資料を扱う場合は、保存場所と権限の設計も同時に決まります。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「ナレッジベースを活用したチャットボット開発をLLMで強化する」(2026年11月16日閲覧)。意図ベースの仕組み、意図に資料を結びつける設計、2段階の処理、入力長の制約は同記事の記載に基づきます。
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。
