LLMプロンプトエンジニアリング実践テクニック：Few-shot、Chain-of-Thought、System Prompt設計パターン完全ガイド

LLM（大規模言語モデル）の性能を最大限に引き出すためには、適切なプロンプトエンジニアリングが不可欠です。本記事では、実務で即活用できる3つの核心的な手法を詳しく解説します：Few-shotプロンプトによる具体例の提示、Chain-of-Thoughtによる推論過程の明示、System Promptによる役割・制約の定義。これらの設計パターンを理解し適切に組み合わせることで、LLMからより正確で一貫性のある回答を得られるようになります。

Few-shotプロンプト：具体例による学習誘導

Few-shotプロンプトは、期待する出力形式や処理パターンを具体例で示すテクニックです。人間が新しいタスクを学ぶときに例を見て理解するのと同様に、LLMも例示によってタスクの理解度が向上します。

基本的な設計パターン

効果的なFew-shotプロンプトの構成要素は以下の通りです：

• タスク説明：何をすべきかの明確な定義
• 入力例：処理対象となるデータの例
• 出力例：期待される結果の具体的な形式
• 実際の入力：処理してほしいデータ

タスク：以下の文章を要約してください。

例1：
入力：今日は天気が良かったので、友人と公園でピクニックをしました。美味しいサンドイッチを食べながら、久しぶりにゆっくりとした時間を過ごせて良かったです。
出力：友人と公園でピクニックを楽しみ、リラックスした時間を過ごした。

例2：
入力：新しいプロジェクトの企画書を作成するため、マーケティングチームと技術チームで会議を行いました。競合分析と技術的な実現可能性について議論し、来月から開発を開始することになりました。
出力：新プロジェクトについて関係部署と会議を実施し、来月から開発開始を決定した。

実際の入力：
[ここに要約したい文章を挿入]

Few-shot設計のベストプラクティス

• 多様性を持たせる：異なるパターンの例を2-5個程度提示
• 品質重視：完璧な例のみを使用し、曖昧な例は避ける
• 順序を意識：簡単な例から複雑な例へと段階的に提示

Chain-of-Thought：推論過程の可視化

Chain-of-Thought（CoT）は、LLMに推論の過程を段階的に示させることで、より正確で論理的な回答を得る手法です。特に複雑な問題解決や多段階の推論が必要な場面で威力を発揮します。

基本的なCoTプロンプトパターン

問題：レストランで8人のグループが食事をしました。1人あたりの食事代が2,500円、飲み物代が800円でした。さらに10%のサービス料がかかります。合計金額を計算してください。

推論過程を含めて答えてください：

ステップ1：1人あたりの合計を計算
食事代2,500円 + 飲み物代800円 = 3,300円

ステップ2：8人分の小計を計算
3,300円 × 8人 = 26,400円

ステップ3：サービス料を計算
26,400円 × 10% = 2,640円

ステップ4：最終的な合計を計算
26,400円 + 2,640円 = 29,040円

答え：29,040円

CoTの応用パターン

CoTは様々な形で応用可能です：

• 分析型CoT：問題を要素に分解して段階的に解決
• 比較型CoT：複数の選択肢を評価軸ごとに比較検討
• 検証型CoT：結論に至るまでの論理的妥当性を確認

System Prompt：役割と制約の定義

System Promptは、LLMの振る舞いや応答パターンを根本的に制御する重要な要素です。適切に設計することで、一貫性のある高品質な出力を実現できます。

効果的なSystem Promptの構成要素

役割定義
あなたは経験豊富なデータサイエンティストです。技術的な正確性を重視し、実務で活用できる具体的なアドバイスを提供してください。

出力形式
回答は以下の構造で提供してください： 1. 概要（2-3行） 2. 具体的な手順 3. 注意点 4. 参考資料（可能な場合）

制約事項
- 不確実な情報は推測で答えず、「不明」と明記 - 技術用語には簡潔な説明を併記 - コード例は実行可能な形で提示

System Prompt設計のポイント

• 明確性：曖昧な指示は避け、具体的で測定可能な指標を使用
• 一貫性：複数のやり取りで一貫した振る舞いを維持
• 適応性：想定外の質問に対しても適切に対応できる柔軟性

3つの手法の効果的な組み合わせ

実際のプロダクション環境では、これらの手法を組み合わせて使用することが重要です。例えば、System Promptで基本的な役割を定義し、Few-shotで具体的なタスクパターンを示し、複雑な推論が必要な場合にCoTを適用するという段階的なアプローチが効果的です。

統合プロンプトの設計例

# System Prompt
あなたは技術文書の品質改善を専門とする編集者です。

# Few-shot Examples
例：
原文：このAPIを使うことで簡単にデータが取得できる。
改善版：このAPIを使用することで、効率的にデータ取得が可能になります。具体的には、従来の方法と比較して処理時間を約30%短縮できます。

# Chain-of-Thought
改善時は以下の観点で評価してください：
1. 具体性：曖昧な表現を具体的な情報に置き換え
2. 根拠：主張には可能な限り定量的な根拠を追加
3. 読みやすさ：文章構造と論理的な流れを改善

これらのプロンプトエンジニアリング手法を適切に活用することで、LLMの潜在能力を最大限に引き出し、実務において価値の高い結果を得ることができます。継続的な実験と改善により、さらに効果的なプロンプト設計が可能になるでしょう。