プロンプトエンジニアリング

LLMなどの生成AIに対して、望ましい出力を得るために入力（プロンプト）を工夫・設計する技術。指示の明確化、文脈の提示、出力形式の指定などの手法がある。

AIモデルに対して適切な指示文（プロンプト）を設計し、望ましい出力を得るための技法。質問の仕方や文脈の与え方を工夫することで、生成AIの出力品質を向上させる。

生成AIへの指示文を工夫し、目的に沿った出力を安定して得るための技術。前提条件や出力形式、役割を明示することで精度と再現性を高める。

生成AIから目的に合った出力を引き出すために、指示文（プロンプト）の内容や構成を設計・改善する技術。役割や前提条件、出力の形式を明示する、回答例を示すfew-shotプロンプティング、段階的に考えさせるChain of Thoughtなどの手法がある。

大規模言語モデルが、パラメータを更新することなく、プロンプトの中に示された指示や入出力の例だけから課題のやり方を読み取って実行する能力。例を示さないゼロショット、少数の例を示すフューショットの形で使う。追加学習なしに新しい課題に対応できるが、例の選び方や並べ方で結果が変わり、コンテキストウィンドウの長さの制約も受ける。

その課題やクラスの学習例を1つも与えずに、課題を解かせること。大規模言語モデルでは、プロンプトで指示だけを与え、回答例を示さずに分類や要約などを行わせる使い方を指す。従来の機械学習では、属性の説明などの補助情報を手がかりに、学習時に見たことのないクラスを認識する手法を指す。

少数（数件程度）の例だけを与えて、課題を解けるようにすること。大規模言語モデルでは、プロンプトの中に入力と望ましい出力の例を数件示して、形式や判断の基準をまねさせる使い方を指し、例が1件ならワンショットという。例を示すことでゼロショットより出力が安定しやすいが、例の偏りが結果に影響する。

大規模言語モデルが1回の処理で入力と出力を合わせて扱えるトークン数の上限。プロンプト、会話の履歴、参照させる文書などはこの範囲に収める必要があり、超えた部分はモデルが参照できない。大きいほど長い文書を扱えるが、計算量と費用が増え、長い入力の中ほどの情報を見落としやすくなることもある。

利用者自身がLLMへの入力に「これまでの指示を無視せよ」といった悪意のある指示を直接書き込み、システムプロンプトの制約を破らせたり、内部の情報を出力させたりする攻撃。入力の検証、出力の監視、LLMに与える権限の最小化などで対策する。