AI専門家はChatGPTにこう質問する - 一般人とは異なる11のパターン

これからの人生で、私たちは何回AIに質問をするでしょうか？質問する能力がかつてないほど重要な時代に私たちは生きています。

しかし興味深いことに、コンピュータの知識がある人とそうでない人の間には、質問をする能力に差が現れます。コンピュータに慣れ親しんだ人たちは、無意識にコンピュータに親和的な形式の質問をします。一方、そうでない人たちは何を入力すべきか分からず、冗長で曖昧な質問をする場合をよく見かけます。

それでは、どうすればAIの観点から良い質問ができるでしょうか？プロンプトに関する情報を検索しても、断片的なティップ中心の情報が散らばっており、体系的に整理されていないため、むしろ初心者の立場では混乱を招く可能性があります。

この記事は「どうすればAI 目線的な考え方ができるか？」という疑問から始まりました。プロンプトエンジニアリング分野で役立つ（機関が作成した文書、多く引用されている論文など）を参考にして、今後AIを活用する瞬間にに使える方法を11のパターンにまとめました。

人間に良い指示事項 = AIに良い指示事項

多くの人がAIとコミュニケーションを取る際、特別な技術や複雑な方法が必要だと考えます。しかし、最も重要な原則は意外にもシンプルです。

これを明確に説明したのが、まさにプロンプトデザインという表現を提案したCursor共同創業者のArvidです。

しかし、漠然と「人に良いものが良い」という言葉を聞いても、ピンとこないかもしれません。Google's Prompting Guide 101文書で提示された4つの観点から、これをもう少し具体的に見てみましょう。

効果的なプロンプトの4つの核心要素

1. ペルソナ（Persona）: AIがどのような役割をすべきかを明確に定義

2. タスク（Task）: 具体的に何をすべきかを明示

3. コンテキスト（Context）: 必要な背景情報と状況を提供

4. フォーマット（Format）: 望む結果物の形態と構造を指定

(ペルソナ)
あなたは初心者向けの料理講師です。

(タスク)
今夜一人で食べる簡単なパスタ料理のレシピを教えてください。 

(コンテキスト)
料理初心者で、家にある基本的な材料（麺、オリーブオイル、にんにく、玉ねぎ）だけを使いたいです。
調理時間は30分以内に制限されています。 

(フォーマット)
以下の形式で回答してください：
- 必要な材料リスト
- ステップ別調理法（各ステップは2-3文）
- 料理のコツ一つ

本当によく使われる？

GitHubの'leaked-system-prompts'リポジトリには、Claude、GPT、Cursorなど有名なAIサービスの流出したシステムプロンプトが収集されています。興味深いことに、このように流出したプロンプトを分析してみると、先ほど言及した4つの観点（ペルソナ、タスク、コンテキスト、フォーマット）のうち最低1つは必ず含まれているという点を発見できます。実際にこの記事で紹介する11のパターンを身につけた後、該当リポジトリのプロンプトを見てみると、流出したプロンプトでもこれらのパターンが活用されていることを確認できるでしょう。

（流出したプロンプトが公式に正しいと認められることはないので、この部分は面白半分で見ていただければ幸いです！）

11のパターン

11のパターンを4つのタイプに整理しました。

プロンプト自動最適化

プロンプトを作成することは時間がかかる作業です。特にドメインが専門的であるほど（金融、科学など）、問題を解決するためには作成者の専門的な知識が必須です。また、このように作成したプロンプトが効果的かテストする段階も容易ではありません。以下で紹介する方法は、AIが直接プロンプトを作成、評価しながら最適なプロンプトを見つけていく技法です。

推論向上 - 複雑度

解決すべき問題自体の段階が多く複雑で、どうすれば複雑な段階をAIが実行できるかを考案した技法です。

推論向上 - 正確度

推論過程中、間違った情報で推論したり、計算エラー、ハルシネーション現象を最小化してより正確な推論ができるよう考案した技法です。

Fine-tuning最小化

Fine-tuningは、すでに訓練されたAIモデルを特定の作業やドメインに合わせて追加学習させる技法です。 モデルの性能を高める最も確実な方法ですが、良質のデータセット、AIに対する専門的な知識、リソースがなければ、現実的に試してみるのは難しい方法です。 以下の手法は、ファインチューニングの使用が現実的に難しい場合に効果的な方法です。

資料参考基準

この記事を作成する際、以下の基準を適用しました

• 信頼できる機関の資料: Google、OpenAIなど公信力のある機関の公式文書活用

• 高い引用頻度: 論文の場合、最低100回以上引用された研究を優先参考（参考にした論文は通常平均500〜1000回が最も多いです）

• モデル中立性: 実験自体を様々なモデルで実験した論文を参考にして、GPT、Claudeなど様々なモデルでも動作できる方法のみを参照しました。

参考論文

• Finetuned Language Models Are Zero-Shot Learners

• Scaling Laws for Neural Language Models

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

• Reflexion: Language Agents with Verbal Reinforcement Learning

• ReAct: Synergizing Reasoning and Acting in Language Models

• Meta Prompting for AI Systems

• Language Models are Few-Shot Learners

• Large Language Models Are Human-Level Prompt Engineers

• ART: Automatic multi-step reasoning and tool-use for large language models

• Active Prompting with Chain-of-Thought for Large Language Models

• Guiding Large Language Models via Directional Stimulus Prompting

• Generated Knowledge Prompting for Commonsense Reasoning

• PAL: Program-aided Language Models

参考資料

https://services.google.com/fh/files/misc/gemini-for-google-workspace-prompting-guide-101.pdf

主要参考サイト

資料を作成する際に役立ったサイトです。

この記事は下記のマガジンにも投稿されています。 マガジンのフォローもしていただけると嬉しいです