プロンプトエンジニアリングのベストプラクティス
Claude を支えるチームのプロンプトエンジニアリング手法で、より良い AI 結果を実現しましょう。
コンテキストエンジニアリングは LLM を活用する上で重要な要素として浮上しており、プロンプトエンジニアリングはその不可欠な基盤となっています。
プロンプトエンジニアリングは AI モデルからより良い出力を得るために命令を構造化する手法です。目標達成のためのクエリの表現方法、スタイルの指定方法、コンテキストの提供方法、モデルの挙動の誘導方法などです。
曖昧な指示と上手く作られたプロンプトとの違いは、汎用的な出力とまさに必要なものとの間にあるギャップを意味します。構造が不十分なプロンプトでは意図を明確にするために何度もやり取りを繰り返す必要がある場合がありますが、上手く設計されたプロンプトでは一発で目的を達成できます。
すぐに利用開始できるよう、チームのベストプラクティスをいくつかまとめました。これにはすぐに成果を向上させるための実践的なメソッドが含まれています。今日からできるシンプルな習慣から始め、複雑なプロジェクト向けの高度なメソッドへと段階的に進めていきます。
プロンプトエンジニアリングの使い方
最も基本的なレベルでいうと、プロンプトエンジニアリングは単に LLM を通過したクエリを修正します。実際のリクエストを行う前に単にクエリに情報を追加するだけの場合が多いですが、どの情報を共有するのが適切かを見極めることが、効果的なプロンプトを構築するための鍵です。
コアテクノロジー
これらのプロンプトエンジニアリング手法は、効果的な AI インタラクションの基盤を形成します。一貫して使用することで、応答品質の即時の改善が見られます。
明示的かつ明確に
最新の AI モデルは、明確で明示的な指示に非常によく反応します。モデルがお客様の要望を推測してくれるとは考えずに、直接言明してください。曖昧でなく、望むことを正確に伝える簡単な言葉を使用しましょう。
主な原則は、「何を見たいかをモデルに正確に伝えること」です。包括的な出力を望む場合は、それをリクエストします。特定の機能を希望する場合は、それを列挙します。Claude のような最新のモデルは特に、明示的な指示の恩恵を受けます。
例：分析ダッシュボードの作成
曖昧：「分析ダッシュボードを作成してください。」
明示的：「分析ダッシュボードを作成してください。できるだけ多くの関連機能とインタラクションを含めます。基本的な作業にとどまらず、フル機能の実装を作成します。」
2つ目は包括的な機能を明示的に要求し、モデルに最低限以上のことを求めていることを示しています。
ベストプラクティス：
- 「書く」、「分析」、「生成」、「作成」など直接的な動作動詞で始める
- 前置きは省いてすぐにリクエストを提示する
- 作業内容だけでなく、出力に何を含めたいかを述べる
- 品質と深度の期待値を具体的に示す
コンテキストと動機付けを提供
なぜ重要なのかを説明することで、AI モデルはお客様の目標をより深く理解し、よりターゲットを絞った応答をできるようになります。これは、基本的な目的について推論できる新しいモデルで特に効果的です。
例：書式設定
あまり効果的でない：「箇条書きは使用しないでください。」
より効果的：「流れるような文は読みやすく会話調に感じられるため、箇条書きではなく自然な段落形式の応答を好みます。私のカジュアルな学習スタイルでは、箇条書きは堅苦しくリストのように感じられます。」
2つ目は、モデルがルールの背後にある推論を理解するのに役立ちます。これにより、関連する書式設定の選択についてより良い判断を下すことができます。
コンテキストを提供するタイミング：
- 出力の目的または対象者について説明する
- 特定の制約が存在する理由を明確にする
- 出力結果がどのように使用されるかを説明する
- 解決しようとしている問題が何であるかを示す
具体的に説明
プロンプトエンジニアリングにおける具体性とは、明確なガイドラインと要件で指示を構造化することを意味します。望むものについて具体的に説明するほど、結果は良くなります。
例：食事計画
曖昧：「地中海式食生活の食事計画を作成してください。」
具体的：「前糖尿病管理のために地中海式食事計画を作成してください。1 日 1,800kcal、低 GI 食品を重点的に取り入れてください。朝食、昼食、夕食、おやつ 1 回を、栄養成分をすべて含めて列挙してください。」
プロンプトを十分に具体的なものにするにはどうすればよいですか？
以下を含めてください。
- 明確な制約事項（文字数、形式、タイムライン）
- 関連するコンテキスト（対象は誰か？目標は何か？）
- 希望する出力構造（表、リスト、段落）
- 要件や制限事項（食事制限、予算制限、技術的制約）
事例の活用
必ずしも例示が必要なわけではありませんが、概念を説明したり特定の形式を示したりする際に効果を発揮します。One-Shot または Few-Shot プロンプティングとも呼ばれる事例は、説明というよりも示すものであり、記述だけでは表現が難しい微妙な要件を明確にします。
最新モデルに関する重要な注意事項：Claude 4.x および同様の高度なモデルは、例の詳細に非常に注意を払います。例が奨励したい行動と一致していることを確認し、避けたいパターンを最小限に抑えます。
例：記事の要約
例なし：「この記事を要約してください。」
例を使用するタイミング：
- 希望する形式は説明するよりも示す方が簡単
- 特定の雰囲気やスタイルが必要
- タスクに微妙なパターンや規則が含まれている
- 単純な指示では一貫した結果が得られない
プロのヒント：まず 1 つの例（One-Shot）から始めます。出力内容が要望に合っていない場合にのみ、その他の例（Few-Shot）を追加します。
Claude に不確定要素を示すことを許可
推測ではなく不確定要素を示すことについて、AI に明示的に許可します。これにより幻覚を減らして信頼性を高めます。
例：「この財務データを分析し、トレンドを特定してください。データが不十分で結論を導き出すことができない場合は、推測するのではなく、その旨をお伝えください。」
この一文を追加してモデルが制限を認識できるようにすることで、応答の信頼性が向上します。
Claude でこれらを試す
高度なプロンプトエンジニアリング手法
これらのコアな習慣はかなり役立ちますが、より洗練されたアプローチが必要な状況に直面する可能性があります。高度なプロンプトエンジニアリング手法は、エージェント型ソリューションの構築、複雑なデータ構造の操作、多段階の問題を分析する必要がある場合に有効です。
AI の応答を事前入力
プレフィリングによって、AI の応答を開始する際、形式、トーン、構造などを指示できます。この手法は特に出力フォーマットを強制したりプリアンブルをスキップしたりする場合に強力です。
プレフィリングを使用するタイミング：
- JSON、XML、その他の構造化形式を出力するために AI が必要
- 会話のプリアンブルをスキップして直接コンテンツに移動したい
- 特定の声やキャラクターを維持する必要がある
- AI による応答の開始を制御したい
例：JSON 出力の強制実行
プレフィリングなしの場合、Claude は「こちらががリクエストした JSON です：{...}」と言う可能性があります。
プレフィリング使用時（API 使用状況）：
AI は左中括弧から続いて、有効な JSON のみを出力します。
注：チャットインターフェイスでは、非常に明示的に記述することでこれを近似的に示すことができます。（「プリアンブルなしで有効な JSON のみを出力してください。左中括弧から応答を開始してください。」）
Chain-Of-Thought プロンプティング
Chain-Of-Thought（CoT）プロンプティングでは、回答する前に段階的な推論を要求します。この手法は、構造化思考の恩恵を受ける複雑な分析タスクに役立ちます。
最新のアプローチ：Claude は構造化推論を自動化する拡張思考機能を提供します。利用可能な場合には、一般的には手動による Chain-Of-Thought プロンプティングよりも、拡張思考の方が望ましいです。ただし、拡張思考が利用できない状況や透明性のある推論が必要な場合においては、手動 CoT を理解することが依然として重要です。
Chain-Of-Thought を使用するタイミング：
- 拡張思考が利用できない（無料の Claude.ai プラン）
- 透明性のある、後から確認できる推論が必要
- タスクに複数の分析ステップが必要
- AI に特定の要因を考慮させたい
Chain-Of-Thought の一般的な実装方法には、次の 3 つがあります。
基本の Chain-Of-Thought
指示に「段階的に考える」と追加するだけです。
ガイド付きの Chain-Of-Thought
プロンプトを構造化して具体的な推論ステージを指定します。
構造化された Chain-Of-Thought
タグを使用して推論と最終的な応答を分離します。
注：拡張思考が可能な場合でも、明示的な CoT プロンプティングを活用することは複雑なタスクにおいても有益な場合があります。この 2 つのアプローチは互いに排他的なものではなく、補完的な関係にあります。
出力形式を制御
最新の AI モデルでは、応答形式を制御する効果的な方法がいくつかあります。
1. AI に「すべきでないこと」ではなく「すべきこと」を伝える
「応答にマークダウンを使用しないでください」ではなく「応答はスムーズに流れる散文型の段落で構成してください」と記述します。
2. プロンプトスタイルを希望の出力に一致させる
プロンプトで使用される形式のスタイルが AI の応答スタイルに影響を与える可能性があります。マークダウンを最小限に抑える場合は、プロンプトでマークダウンを減らします。
3. 形式設定を明確に示す
形式に関する制御の詳細：
プロンプトチェーニング
前の手法とは異なり、プロンプトチェーンを単一のプロンプトで実装することはできません。チェーニングは、複雑なタスクを個別のプロンプトを持つ小さな連続したステップに分割します。各プロンプトは 1 つのステージを処理し、出力は次の命令に入力されます。
このアプローチは、個々のタスクを容易にすることで、レイテンシーと引き換えに精度を向上させます。通常、この手法はワークフローまたはプログラムで実装されますが、応答を受け取った後に手動でプロンプトを指定することもできます。
例：研究の概要
- 最初のプロンプト：「方法論、結果、臨床的意味合いについてのこの医学論文を要約してください。」
- 2 番目のプロンプト：「上記の要約で正確性、明確性、完全性を確認してください。段階的なフィードバックを提供してください。」
- 3 番目のプロンプト：「次のフィードバックに基づいて要約を改善してください：[ステップ 2 のフィードバック]」
各段階では、焦点を絞った指示によってより洗練されます。
プロンプトチェーニングを使用するタイミング：
- 段階ごとに細分化すべき複雑なリクエストがある
- 反復的な微調整が必要
- 段階的分析を行っている
- 中間検証で付加価値を高める
- 単一プロンプトで一貫した結果が生じる
トレードオフ：チェーニングはレイテンシーを増加させます（複数回の API 呼び出し）が、多くの場合、複雑なタスクでの精度と信頼性を劇的に向上させます。
認知度の高い手法
以前の AI モデルで人気があったプロンプトエンジニアリング手法の一部は、Claude などのモデルではそれほど必要ありません。ただし、古いドキュメントでもこのようなことがあったり、特定の状況で役に立つと感じたりする可能性があります。
構造用の XML タグ
XML タグは、特に大量のデータを組み込む場合など、かつてはプロンプトに構造や明確さを加えるために推奨されていた方法でした。最新のモデルは XML タグなしでも構造を理解する能力に長けていますが、特定の状況では依然として有用な場合があります。
例：
XML タグが役に立つ場合：
- 複数のタイプのコンテンツを混在させた非常に複雑なプロンプトで作業している
- コンテンツの境界を明確に把握する必要がある
- 古いモデルバージョンで作業している
最新の代替手段：ほとんどのユースケースでは、明確な見出し、余白、明示的な表現（「以下のアスリート情報を活用してください...」）が、オーバーヘッドを抑えながら同様に機能します。
ロールプロンプティング
ロールプロンプティングは、クエリの表現方法で専門的なペルソナと視点を定義します。これは効果的ですが、最新のモデルは十分に洗練されており、過剰なロールプロンプティングは不要な場合が多くあります。
例：「あなたはファイナンシャルアドバイザーです。この投資ポートフォリオを分析してください...」
重要な注意点：役割を過度に制限しないでください。「あなたは頼りになるアシスタントです」という表現は、「あなたは技術的な専門用語しか話さず、決してミスを犯さない、世界的に有名な専門家です」という表現よりも良いです。役割が具体的すぎる場合、AI の有用性が制限される可能性があります。
ロールプロンプティングが役に立つ場合：
- 多くの出力で一貫したトーンが必要
- 特定のペルソナを必要とするアプリケーションを構築している
- 複雑なトピックについてドメインの専門知識を活用したい
最新の代替手段：多くの場合、役割を割り当てるのではなく、「リスク許容度と長期的な成長の可能性に焦点を当ててこの投資ポートフォリオを分析してください」など、希望する視点を明確に示す方が効果的です。
Claudeでお試しください。
すべてをまとめる
ここまでは個々の手法を個別に見てきましたが、戦略的に組み合わせたときにこそその真の力は現れます。プロンプトエンジニアリングのアプローチでは、利用可能なすべての手法を使用するのではなく、特定のニーズに合わせて適切な組み合わせを選択します。
複数の手法を組み合わせた例：
このプロンプトは以下を組み合わせています。
- 明示的な指示（抽出するものを明確に）
- コンテキスト（形式が重要な理由）
- 構造の例（形式を表示）
- 不確定要素を示す権限（不確定な場合は null を使用）
- 形式コントロール（左中括弧から開始）
適切な手法の選択
すべてのプロンプトですべての手法が必要なわけではありません。意思決定フレームワークを以下に示します。
ここから開始：
- リクエストは明確かつ明示的ですか？ いいえの場合は、まず明確にします。
- タスクは簡単ですか？コアテクニックのみを使用します（具体的、明確、コンテキストを指定）。
- タスクに特定の形式が必要ですか？ 例やプレフィリングを使用します。
- そのタスクは複雑ですか？分解を検討します（チェーニング）。
- 推論が必要ですか？拡張思考（可能な場合）または Chain-Of-Thought を使用します。
手法選択ガイド：
| 必要とするもの | 使用するもの |
|---|---|
| 特定の出力形式 | 例、プレフィリング、または明示的な形式指示 |
| 段階的な推論 | 拡張思考（Claude 4.x）または Chain-Of-Thought |
| 複雑な多段階タスク | プロンプトチェーニング |
| 透過性のある推論 | 構造化された出力を伴う Chain-Of-Thought |
| 幻覚の防止 | 「分かりません」と言う権限 |
一般的なプロンプトの問題のトラブルシューティング
善意のプロンプトでさえ、予期しない結果を生むことがあります。一般的な問題とその修正方法を以下に示します。
- 問題：応答が一般的すぎる → 解決策：具体的な内容や例、包括的な出力を求める明示的なリクエストを追加します。AI に「基本的なこと以上のことを」求めます。
- 問題：応答がトピックを逸脱している、または要点から外れている → 解決策：実際の目標を明確に示します。なぜこの質問をしているのかについてのコンテキストを記述します。
- 問題：応答形式が一貫していない → 解決策：例を追加するか（Few-Shot）プレフィリングを使用して応答の開始を制御します。
- 問題：タスクが複雑すぎる、結果が信頼できない → 解決策：複数のプロンプトに分割します（チェーニング）。各プロンプトは 1 つのことをうまく実行する必要があります。
- 問題：AI に不要なプリアンブルが含まれている → 解決策：プレフィリングを使用するか、「プリアンブルをスキップして直接応答してください」のように明示的にリクエストします。
- 問題：AI が情報を追加している → 解決策：不確かな場合に「分かりません」と明示的に伝えることを許可します。
- 問題：実装を希望する際に、AI が変更を提案する → 解決策：「変更を提案いていただけますか？」ではなく「この機能を変更してください」のようにアクションを明確に示します。
プロのヒント：開始はシンプルに、必要な場合にのみ複雑さを加えます。各追加項目をテストして、実際に結果が改善するかどうかを確認します。
避けるべきよくある間違い
以下のよくある落とし穴から学習し、時間を節約してプロンプトを改善します。
- オーバーエンジニアリングを避ける：長くて複雑なプロンプトが良いというわけではありません。
- 基本を無視しない：コアプロンプトが不明確または曖昧な場合に、高度な手法は役に立ちません。
- AI が心を読んでくれていると思わない：具体的に何をしたいかを明確にします。曖昧な状態のままにしておくと、AI が誤解する可能性があります。
- すべての手法を一度に使用しない：特定の課題に対処する手法を選択します。
- 反復を忘れない：最初のプロンプトが完璧に機能することはまれです。テストと改良を行いましょう。
- 時代遅れの手法に頼らない：最新のモデルでは、XML タグや過剰なロールプロンプティングは必要ありません。明示的かつ明確な指示から始めましょう。
プロンプトエンジニアリングの考慮事項
長いコンテンツの操作
高度なプロンプトエンジニアリングを実装する際の課題の 1 つは、追加のトークン使用によってコンテキストのオーバーヘッドを増やすことです。例、複数のプロンプト、詳細な手順など、すべてトークンを消費します。コンテキスト管理はそれ自体がスキルです。
妥当かつその使用が正当である場合には、必ずプロンプトエンジニアリングの手法を使用してください。コンテキストを効果的に管理するための包括的なガイダンスについては、コンテキストエンジニアリングに関するブログ投稿をご覧ください。
コンテキスト認識の改善：Claude 4.x をはじめとする最新の AI モデルでは、コンテキスト認識機能が大幅に改善されており、長いコンテキストのすべての部分に等しく対応するのに苦労していた従来の「Lost in the Middle」現象の解決に貢献しています。
タスク分割が有用な理由：これらの改善を行っても、大きなタスクをより小さな個々のチャンクに分割することは依然として有用な手法です。これはコンテキスト制限のためではなく、非常に限定された要件や範囲でモデルが最善の成果を出せるよう支援するためです。境界を明確に設定することで焦点が絞られたタスクは、1 つのプロンプトで複数の目標を達成しようとする場合よりも、一貫して高品質な結果を生み出します。
戦略：長いコンテキストで作業する場合は、最初または最後に最も重要な詳細を記述して情報を明確に構造化します。複雑なタスクを処理する際、それらを焦点の絞ったサブタスクに分割することで、各コンポーネントの品質と信頼性が向上するかどうかを検討します。
良いプロンプトとは
プロンプトエンジニアリングはスキルであり、習得するまでに数回の試行が必要になります。正しく実行できているかどうかを知る唯一の方法は、テストして確認することです。最初のステップは自分で試すことです。ここで説明したプロンプティング手法を使用したクエリと使用しなかったクエリの違いがすぐにわかります。
プロンプトエンジニアリングスキルを真に磨くには、プロンプトの有効性を客観的に測定する必要があります。良いニュースは、まさに anthropic.skilljar.com のプロンプトエンジニアリングコースで取り扱っている内容です。
簡易評価のヒント：
- 出力は特定の要件に一致していますか？
- 1 回の試行で結果を得ましたか？それとも複数回の反復が必要でしたか？
- 複数の試行で形式は一貫していますか？
- 上記のよくある間違いを避けていますか？
最終的なアドバイス
プロンプトエンジニアリングとは最終的にはコミュニケーションです。AI がユーザーの意図を最も明確に理解するのに役立つ言語を話します。まず、このガイドの前半で説明したコアテクニックから始めましょう。自然なものになるまで一貫して使用します。特定の問題を解決する際に高度な手法を重ねるだけです。
最高のプロンプトは最も長いプロンプトでも最も複雑なプロンプトでもありません。これは、必要な最小限の構造で確実に目標を達成するためのものです。練習するにつれて、どの手法がどの状況に適しているかを直感的に把握できるようになります。
コンテキストエンジニアリングへの移行によって、プロンプトエンジニアリングの重要性が低下するわけではありません。実際、プロンプトエンジニアリングはコンテキストエンジニアリングの基本的な構成要素です。適切に作成されたプロンプトはすべて、会話履歴、添付ファイル、システム指示など、AI の動作を形成するより大きなコンテキストの一部となり、より良い結果を生み出します。
今すぐ Claude でプロンプトを開始しましょう。