システムプロンプト
システムプロンプトとは、大規模言語モデル（LLM）に対してAIの役割、応答のトーン、出力形式、遵守すべきルールなどをあらかじめ定義するための指示文です。ユーザープロンプトに先立って評価されることで、AIの一貫した振る舞いや安全性を確保し、プロンプトエンジニアリングにおいて基盤となる重要な役割を果たします。
プロンプトエンジニアリングのAI用語一覧
32件プロンプトエンジニアリングに関するAI用語を32件掲載しています。意味や使い方、関連用語を一覧から確認できます。
ユーザープロンプト
ユーザープロンプトとは、生成AIや大規模言語モデル（LLM）に対してユーザーが直接入力する命令や質問のテキストのことです。AIから希望する回答や成果物を引き出すためのインプットであり、プロンプトエンジニアリングの基本要素となります。システムプロンプトと組み合わせることで出力の精度や対話の方向性を調整できます。
思考鎖
思考鎖（Chain of Thought）とは、大規模言語モデルが複雑な問題に対して段階的な推論プロセスを明示的に生成することで、出力の精度や論理性を向上させるプロンプト手法およびモデルの特性です。
Markdown
Markdown（マークダウン）とは、シンプルな記法で文書構造や装飾を表現できる軽量マークアップ言語です。特別な知識がなくても見出しや箇条書きを簡単に作成でき、テキストの視認性を高められます。AI分野では大型言語モデル（LLM）へのプロンプト記述や指示、AIによる回答文の出力フォーマットとして標準的に活用されています。
ゼロショットプロンプティング
ゼロショットプロンプティングとは、AIに対して事前に解答例（例示）を与えず、指示文（プロンプト）のみを入力してタスクを実行させる手法です。大規模言語モデル（LLM）の持つ事前知識と推論能力を活用し、事前の調整や追加データなしで多様な問題に対応できます。プロンプトエンジニアリングの最も基本的な手法の一つです。
プレイブック
プレイブックとは、AIの導入や活用、プロンプト設計などの運用プロセスを標準化し、再現性の高い結果を得るためにまとめた手順書やガイドラインのことです。AIモデルやエージェントの操作手順、ベストプラクティスを定型化することで、組織全体で効率的にAIを活用し、品質のばらつきを防ぐ役割を果たします。
ワンショットプロンプト
ワンショットプロンプトとは、大規模言語モデルに対して1つの具体例だけを提示し、希望する出力形式やタスクを理解させる手法です。ゼロショットプロンプトよりも指示の意図が明確に伝わりやすく、フューショットプロンプトよりもプロンプトの文字数を抑えられるため、コストや効率の面でバランスの取れたプロンプトエンジニアリング技術です。
思考の連鎖
思考の連鎖とは、大規模言語モデルが複雑な問題解決や論理的推論を行う際、答えに至るまでの推論のプロセスを段階的な文章として出力させる手法です。これにより、単発の回答よりも正確で信頼性の高い結果を引き出すことが可能になります。
フューショットプロンプト
フューショットプロンプト（Few-Shot Prompting）とは、大規模言語モデルに対して、指示文の中に少数の「入力と出力の具体例」を含めて提示するプロンプトエンジニアリング手法です。解かせたいタスクのパターンやフォーマットを事前に例示することで、追加のファインチューニングを行うことなく、生成される回答の精度や出力形式を劇的に向上させることができます。
Chain of Thought
Chain of Thought（CoT、思考の連鎖）とは、大規模言語モデルに対して問題の解決手順や推論ステップを段階的に出力させるプロンプトエンジニアリングの手法です。単に最終的な答えを求めるのではなく、途中の思考プロセスを明示させることで、算術問題や論理的推論における回答精度を大幅に向上させます。
プロンプトチェーン
プロンプトチェーンとは、大規模言語モデルへの指示を複数のステップに分割し、一つの出力結果を次の入力として連鎖的に処理させる手法です。複雑なタスクを段階的に実行することで、精度の高い回答を得ることができます。
ゼロショットプロンプト
ゼロショットプロンプトとは、AIモデルに対して事前のお手本（例示）を一切与えずに、指示文だけで目的のタスクを実行させるプロンプトエンジニアリングの手法です。大規模言語モデルが持つ高度な自然言語処理能力を活用することで、事前の追加学習や例示なしで柔軟な回答を得ることができます。
インコンテキストラーニング
インコンテキストラーニングとは、大規模言語モデルが学習時のパラメータを更新することなく、プロンプト内に提示された事例や文脈を読み取るだけで、新たなタスクをその場で学習して実行する仕組みのことです。
メタプロンプト
メタプロンプトとは、AI（大規模言語モデル）自身に最適なプロンプトを生成・改善・管理させるための、一段高い次元の指示や設計図のことです。プロンプトエンジニアリングにおける高度な手法であり、AIが自律的に高精度なプロンプトを設計・実行することで、ユーザーが細かな指示を与えなくても一貫して高品質な回答を引き出すことができます。
フューショットプロンプティング
フューショットプロンプティングとは、AIモデルに入力するプロンプトの中にいくつかの具体例（手本）を提示することで、期待する出力の精度や形式を向上させる技術です。追加の学習を行わずに性能を引き出せる手法として広く活用されています。
少ショット・プロンプティング
大規模言語モデル（LLM）に対して、指示文の中にいくつかの具体的な「実行例（デモ）」を提示することで、出力の精度やフォーマットの整合性を高めるプロンプトエンジニアリングの手法。事前学習データの追加更新を行うことなく、出力の傾向やタスクのルールを文脈内学習によって理解させることが可能です。
Few-Shotプロンプト
Few-Shotプロンプトとは、大規模言語モデル（LLM）に対して、出力を求める命令文の中に数個の具体例（デモ）を含めて指示を与えるプロンプトエンジニアリングの手法です。事前学習されたモデルのパラメータを更新することなく、例を示すだけでタスクの形式や出力パターンをLLMに理解させ、回答精度を向上させることができます。
Zero-Shotプロンプティング
Zero-Shotプロンプティングとは、AIに対して具体例を一切提示せず、指示文のみを与えて回答を生成させる手法です。大規模言語モデルが持つ事前学習の知識を活用し、手本となる例文なしで即座にタスクを実行できます。
One-Shotプロンプト
One-Shotプロンプトとは、AIに対して望む出力の具体例を1件だけ提示した上でタスクを実行させる手法です。指示文のみのZero-Shotよりも正確性が高まり、複数の例を示すFew-Shotよりも手軽に文脈を伝えられるため、指示の精度を向上させる有効なアプローチとして広く活用されています。
Chain-of-Thought
Chain-of-Thought（思考の連鎖）とは、大規模言語モデルに複雑な問題を解かせる際、最終的な答えに至る中間的な推論過程を順を追って出力させる手法です。段階的な思考プロセスを経ることで、論理パズルや数学の文章題など、複雑なタスクにおけるモデルの回答精度や推論能力が大幅に向上します。
Zero-Shotプロンプト
Zero-Shotプロンプトとは、事前に具体例（ショット）を与えずに、AIモデルに直接タスクの指示を出して実行させる手法です。追加の学習や例示なしで汎用的な指示理解力のみを用いて回答を得るため、手軽に様々なタスクを試すことができます。
Few-Shotプロンプティング
Few-Shotプロンプティングは、大規模言語モデル（LLM）に対して、指示文の中に少数の具体例（入出力のペア）を提示することで、望ましい出力形式や回答パターンを模倣させるプロンプト手法です。ファインチューニングをせず、モデルの文脈理解能力を活用して高精度な出力を得られるため実用性に優れています。
自動プロンプトエンジニアリング
自動プロンプトエンジニアリングとは、AIモデルに入力する最適なプロンプトを人間ではなくプログラムやAI自身によって自動的に生成・最適化する技術です。試行錯誤の手間を削減し、大規模言語モデルの性能を効率的に引き出す手法として注目されています。
フューショット・プロンプティング
フューショット・プロンプティングとは、大規模言語モデルに対して事前に数件の入力と出力の具体例を提示し、モデルの精度や出力の質を向上させるプロンプトエンジニアリングの手法です。