CyberpediaBrain

AIに例を示し、作業を分けて頼む方法

AIアシスタントに2、3個の例を示し、作業を段階に分けて一つずつ確認しながら進める方法を、データを漏らさない注意点とあわせて解説します。

このページの内容
  1. 130秒でわかる要点
  2. 2概要
  3. 3よくある質問
  4. 4仕組み
  5. 5あなたがすること
  6. 6落とし穴
  7. 7実際の事例
  8. 8出典
  9. 9この記事を引用する

30秒でわかる要点

どこで起きるか
決まった形式の出力(要約、仕分け、定型文の作成)や、複数の段階が要る問題をAIアシスタントに頼むあらゆる場面です。
得られるもの
例を選び、各段階を読み返すことを条件に、望みに近い答えが得られます。
とっさの行動
架空または匿名化した例を2、3個示し、作業を段階に分け、次へ進む前に各段階を確認してください。
すでにやってしまった場合
例に顧客名、社内の数字、契約書の抜粋が入っていたら、セキュリティ担当者に知らせ、その例を再利用しないでください。

概要

AIアシスタントは、求める内容を言葉で説明するだけの場合より、実際に見せた場合のほうが良い答えを返します。望む結果の例を2、3個示すことを「few-shot」(少数の例からの学習)と呼びます。複雑な問題を小さな段階に分け、一つずつ確認しながら進めるのも、もう一つの使い方です。

どちらの技法も答えを改善しますが、信頼できる答えになるとは限りません。この記事では、仕事でどう使うか、そして例の中に決して入れてはいけないものを説明します。

よくある質問

few-shotとは何ですか。

依頼文に、望む動作の例を「入力と期待する結果」の組として一つ以上添えることです。Microsoftによると、モデルは恒久的に変わるという意味で学習するわけではなく、例は今回の応答に向けてモデルの状態を整えるだけです[1]。例を付けない依頼は「zero-shot」と呼ばれます[1]。

この考え方は研究に由来します。GPT-3に関する2020年の論文は、再学習なしで、課題とデモンストレーションを「purely via text interaction with the model」与える方法を説明しています[2]。

なぜ例が役に立つのですか。

Microsoftの例では、報道記事の見出しにカテゴリを付けるよう頼まれたモデルは、何を求められているのか推測しているように見えます。例があると形式を理解し、「basketball」というラベルを含む例が一つもなくても、求められるラベルの種類まで推測できます[1]。

作業を段階に分けるとはどういうことですか。

Microsoftは、作業を小さな段階に分けると言語モデルの結果が良くなることが多いと述べています。その例では、まず有用な事実を抽出させ、そのあとで初めて、それを検証するための検索クエリを作らせます[1]。短い文章では差は小さいものの、主張が多い文章では差がはっきりします[1]。

AIに推論過程を示すよう頼むべきですか。

これは一つの変形です。Microsoftは、一歩ずつ進めてすべての段階を示すよう求める指示を紹介しています。ドキュメントによると、これで不正確になる可能性が下がり、答えの評価もしやすくなります[1]。Microsoftは、この技法が推論型でないモデルにだけ当てはまり、こうした技法は「aren't recommended for reasoning models like gpt-5 and o-series models」であると明記しています[1]。

筋が通って見える推論は信用できますか。

いいえ。整って見える段階そのものは、何も証明しません。Microsoftは、提供した文章に情報がなければ「not found」と答えさせるなど、モデルに「逃げ道」を与えることを勧めています[1]。また、答えはモデルやバージョンによっても変わります[6]。

仕組み

言語モデルは、受け取った文章に続く最も確からしい言葉の並びを生成します[1]。適切に選んだ例は、その並びを望む形式へ導きます。

複数の段階が要る問題について、研究はいくつかの方法を示してきました。「連鎖的思考(chain of thought)」に関する2022年の論文は、途中の推論段階を含むデモンストレーションをいくつか与えると、算術、常識、記号推論の課題で結果が良くなることを示しています[3]。2022年の別の論文は、例を一切付けなくても「Let's think step by step」という一文を加えるだけで結果が良くなることを示しています[4]。三つ目の「最小から最大へ」と呼ばれる方法は、問題を小問題に分け、順番に解かせます。それぞれの答えが次の問題を解く助けになります[5]。

これらの結果は、標準的なベンチマーク問題での試験から得られたもので、職場の状況で得られたものではありません。この方法が役に立つ可能性は示していますが、正しい答えを保証するものではありません。

あなたがすること

  • 入力と期待する出力をそのまま示す、短くて多様な例を2、3個書いてください。
  • 実在のデータはすべて作り話に置き換えてください。架空の名前、案件と無関係な丸めた金額、書き直した文章などです。
  • 指示ははっきり置いてください。順序は影響します。Microsoftは、例を含め、情報の順序によって出力が変わりうると述べています[1]。
  • 作業を分けてください。まず最初の段階を頼み、読み返して直し、確認済みの段階を土台に次へ進みます。
  • 逃げ道を用意してください。分からない、または情報が足りないと答えてよいとAIに伝えます[1]。
  • 重要な事実(数字、日付、名前)は、使う前に信頼できる情報源で確認してください。

二段階で頼む依頼文の例を、説明のために示します。

抜粋
説明用の架空の文章です。
ステップ1: [下の文章から、検証できる主張を一覧にする。]
ステップ2: [私が読み返したあと、各主張の確認方法を提案する。]
情報が足りない場合は「見つからない」と答える。

落とし穴

  • 偏った例。モデルは見せられたものをまねます。Microsoftは順序への敏感さと、直近の内容に引きずられる偏り(recency bias)を指摘しており、依頼文の終わりにあるものがより強く効くことがあります[1]。例に変化をつけ、答えが例の形をなぞっていないか考えながら読み返してください。
  • でっち上げられた段階。もっともらしい段階が誤っていることがあります。結論だけを読み返すのでは足りません。
  • 過信。研究で測られた改善は、特定のテストセットでのものです[3][4]。あなたの案件については何も語りません。
  • 指示からの漏えい。指示と例は依頼の一部です。OWASPは、機密情報の開示と、システム指示に関する情報の露出をリスクに挙げています[8]。Microsoftは、システムメッセージはモデルに影響を与えるものの、規則が守られることを保証しないと述べています[6]。「何も明かすな」という指示を頼りに、例の中に置いた秘密を守ろうとしてはいけません。
  • 依頼文に貼る第三者の文章。外部から来た文書(履歴書、メール、ウェブページ)を貼ると、そこに隠された指示が含まれていることがあります。英国のNCSCは、それまでの指示を無視して応募書類を承認するよう求める隠し文章を含む履歴書という(仮定の)例を挙げています[7]。さらに、現在のモデルは指示とデータの間に安全上の境界を設けていないとも述べています[7]。元の文章があなたのものでないときは、出力を慎重に読み返してください。

実際の事例

2020年5月: 例を使ったGPT-3の試験

1,750億パラメータのモデルであるGPT-3の著者たちは、モデルを更新せず、課題と例をテキストだけで与えて試験しました。多くのデータセットで良い結果を報告している一方、少数の例からの学習がうまくいかないデータセットもあったと述べています[2]。

2022年5月: 算術テストで一文が効いた

研究者たちは、「Let's think step by step」を加えると、モデルtext-davinci-002で正解率がMultiArithで17.7%から78.7%に、GSM8Kで10.4%から40.7%に上がることを示しました[4]。この数字によれば、改善後でもMultiArithでは5回に1回以上、GSM8Kでは2回に1回以上、答えが誤ったままです[4]。

2022年5月: 最小から最大への分割

「最小から最大へ」の方法の著者たちは、モデルcode-davinci-002と14個の例で、SCANテストにおいて99%以上の正解率に達し、連鎖的思考の16%を上回ったと報告しています[5]。また、連鎖的思考は、示された例より難しい問題ではうまくいきにくい傾向があるとも述べています[5]。

出典

  1. Microsoft, 「Prompt engineering techniques - Microsoft Foundry」. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (2026年11月3日閲覧)
  2. arXiv, 「Language Models are Few-Shot Learners」, 2020年5月28日. https://arxiv.org/abs/2005.14165 (2026年11月3日閲覧)
  3. arXiv, 「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」, 2022年1月28日. https://arxiv.org/abs/2201.11903 (2026年11月3日閲覧)
  4. arXiv, 「Large Language Models are Zero-Shot Reasoners」, 2022年5月24日. https://arxiv.org/abs/2205.11916 (2026年11月3日閲覧)
  5. arXiv, 「Least-to-Most Prompting Enables Complex Reasoning in Large Language Models」, 2022年5月21日. https://arxiv.org/abs/2205.10625 (2026年11月3日閲覧)
  6. Microsoft, 「System message design for Azure OpenAI - Microsoft Foundry」. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (2026年11月3日閲覧)
  7. NCSC (Royaume-Uni), 「Prompt injection is not SQL injection (it may be worse)」, 2025年12月8日. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (2026年11月3日閲覧)
  8. OWASP, 「LLM01:2025 Prompt Injection」. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (2026年11月3日閲覧)