プロンプトエンジニアリングPrompt Engineering　—　読み：ぷろんぷとえんじにありんぐ

プロンプトエンジニアリングは、AI の出力品質を意図的に高めるためにプロンプトを設計・評価・改善する手法です。「うまくいったらラッキー」ではなく、繰り返し可能な型と検証を作ることが目的です。

① 目標を検証可能な形で定義する

「良い出力」を、文字数・必須項目・判断基準として書き下します。検証基準が無いと、改善の効果測定ができません。

② 技法を選んで設計する

例を示す Few-shot、段階的に考えさせる Chain-of-thought、役割を与える Role など、タスクの性質に合わせて定型技法を組み合わせます。

③ 実行して評価し、1 点だけ直す

同じ入力で複数回実行し、ばらつきと弱点を記録します。改善は一度に 1 箇所だけ変えて、どの変更が効いたかを特定できるようにします。

「プロンプト（入力文）の設計」そのものは 2020 年の GPT-3 論文が示した few-shot プロンプティングに端を発し、2021 年のプロンプトベース学習のサーベイ論文で体系的に整理され、2022 年以降の対話型 AI の普及とともに職種・スキルとして一般化しました。

• Liu et al., "Pre-train, Prompt, and Predict"（2021 / arXiv:2107.13586）
• Brown et al. (2020) GPT-3 — arXiv:2005.14165
• my-best.ai 用語辞典「プロンプトエンジニアリング」

• プロンプト
• LLM（大規模言語モデル）
• ファインチューニング
• RAG（検索拡張生成）
• ハルシネーション（AI 幻覚）
• コンテキストウィンドウ
• トークン
• チュートリアル：改善サイクルを 1 周回してみる（20 分） →

用語同士は相互リンクされています。未掲載の用語は用語一覧の該当項目へリンクします。

実務でそのまま使えるプロンプト例です。コピーして〔　〕内を置き換えてください。同じカードはプロンプト集にも掲載されています。

「（タスク：例＝商品説明文の作成）」の品質を評価する基準を 5 項目作ってください。
各項目に 0〜5 点の採点基準と、5 点／3 点／1 点の出力例を添えてください。

以下の例に倣って処理してください。例に無い入力も同じ形式で出力してください。
入力1：（例）→ 出力1：（例）
入力2：（例）→ 出力2：（例）
入力3：（例）→ 出力3：（例）

【新しい入力】
（処理したいテキスト）

以下の問題を解いてください。手順：
1. 前提条件を列挙する
2. 判断基準を明示する
3. 各選択肢を基準で評価する
4. 結論と理由を述べる
各ステップを見える化してください。最終結論は最後に 1 行で。

（問題文）

あなたの前回出力：
（出力）

この出力を、基準（文字数／必須項目／文体）で自己採点し、不足があれば改善版を出力してください。採点表と改善版のみを出力してください。

以下は「入力 → 出力 → 期待値」の記録です。失敗パターンを 3 種類に分類し、各パターンの原因仮説と、プロンプト側の対策案を 1 行ずつ提案してください。

（ケース一覧を貼り付け）

プロンプト A：
（現行版）

プロンプト B：
（修正版）

両者の違いを表にまとめ（観点：役割／条件／出力形式／長さ）、どの差分がどの出力変化に効いているか仮説を立ててください。

• Liu et al. (2021) Pre-train, Prompt, and Predict — arXiv:2107.13586
• Brown et al. (2020) Language Models are Few-Shot Learners — arXiv:2005.14165
• my-best.ai 用語辞典「プロンプトエンジニアリング」

定義・出典の記述は一次資料に基づきます。リンク先の内容は公開時点のものです。

プロンプトエンジニアリングは「設計→実行→評価→改善」の循環で、出力を意図通りに近づける工程です。魔法の言葉ではなく、基準とテストの積み重ねが本体です。

• 評価基準を先に用意してから改善に入る
• 変更は 1 度に 1 箇所だけにして効果を切り分ける
• うまくいった型と失敗記録の両方を保存する