「書き方が毎回違う」「形式が揃わない」という出力の揺れは、依頼文を長くするだけでは解決しないことがあります。Learn Prompting の解説によれば、依頼文に見本を添えて示す手法があり、これは In-Context Learning（ICL）と呼ばれます。例の数を段階的に増やしながら、形式の揃った出力を狙う手順を整理します。
ステップ1：指示だけで試して崩れ方を確認する
見本を添える前に、指示だけ（ゼロショット）で実行します。Learn Prompting の解説は、ゼロショットはモデルが訓練で得た知識だけに頼る書き方だと説明しています。ここでの目的は、崩れ方の型を記録することです。形式が崩れるか、文体が揺れるか、抜ける項目があるかを3〜5件の入力で確認します。
崩れ方が記録できていないと、ステップ4の例の作り込みがあいまいになります。最初に揺れの実測をしておくのが土台です。
ステップ2：見本を1個作る（ワンショット）
実データから、もっとも標準的なパターンの入力と出力を1組選びます。Learn Prompting の解説によれば、例を1個示すのがワンショット、2個以上がフューショットと呼ばれます。この1組は「形式の見本」として、入力と出力を明確に区切って書きます。
区切りは依頼文の中で一貫させてください。例の形式が例ごとに変わると、出力も揺れます。
ステップ3：例を2〜3個に増やし、バリエーションを被せる
2個目以降は、1個目と微妙に違うパターンを選びます。例が同じ形ばかりだと、モデルは「例の表面」だけを学習します。粒度の違う入力、名前の並びが違う入力など、実データの揺れを小さく先取りするのが例の選び方です。
| 例の数 | 狙い |
|---|---|
| 1個（ワンショット） | 出力の形式を1つに固定する |
| 2〜3個（フューショット） | 入力の揺れに対する対応の幅を見せる |
| それ以上 | 複雑な規則や例外が多い場合に検討する |
ステップ4：例の中に「例外の対応」を1つ混ぜる
実データには、標準パターンから外れる入力が必ず混ざります。略称、旧表記、空欄の項目など、崩れ方の型として記録したものを、例として1つ示します。学習の対象は例に書いた対応の仕方です。例外を文章で説明するより、対応例を見せるほうが再現されやすい傾向があります。
ステップ5：新しい入力で検証し、崩れたら例を差し替える
例を整えた依頼文を、ステップ1とは別の入力（できれば直近の実データ）で検証します。崩れが再発したら、原因に近い形の例を1個差し替えるか追加します。Learn Prompting の解説は、例を増やすほど出力が安定する傾向を示していますが、依頼文の長さには上限があるため、差し替えと追加を往復するのが実際的な運用です。
つまずきポイント
- 例の形式が例ごとに違う：出力の揺れの直接原因になります。区切りと順序を統一します。
- 完璧な例だけを見せる：実データの崩れに対応できません。例外の例を1つ混ぜます。
- 検証を最初の入力だけで済ませる：直近の実データで再検証してから運用に入ります。
FAQ
Q. 例は多いほど良いのですか？
A. Learn Prompting の解説は、例を増やすほど出力が安定する傾向を示しつつ、依頼文の長さとのバランスが実務の判断点になると整理できます。
Q. 例外パターンは例に含めるべきですか？
A. 含めることを推奨します。実データにしかない崩れを、例の側で先に示しておくと出力の再発が減ります。
あわせて使いたいツール
例の作り込みは、普段使う AI ツールの対話画面で試すと回転が速くなります。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「プロンプト内の例示：ゼロショットからフューショットへ」（原題 Examples in Prompts: From Zero-Shot to Few-Shot、2025年3月6日）。ゼロショット・ワンショット・フューショットの定義、In-Context Learning の説明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。