会社員向けFew-Shotプロンプト設計4つの基準

ChatGPTやClaudeに指示を出しても、期待した形式で返ってこない、毎回微妙にフォーマットが崩れるといった経験は業務利用の現場で頻繁に起きます。原因の多くは指示文そのものではなく、AIに「どんな出力が正解か」を示す事例が不足していることにあります。この記事では、Few-Shotプロンプト（指示文に具体例を添える手法）を設計する際に押さえるべき基準と、業務での使い分け方を整理します。

（筆者注：私自身もClaude・ChatGPTをIT実務で日常的に活用しており、この記事はその経験をもとに執筆しています。）

Few-Shotプロンプトとは何か

Few-Shotプロンプトとは、AIに対して「こういう入力にはこういう出力を返してほしい」という具体例を複数提示したうえで指示を出す手法です。事例を示さずに指示だけを出すZero-Shotに比べ、出力形式のブレを抑えやすいという特徴があります。

Zero-Shotとの構造の違い

Zero-Shotは「〇〇を要約してください」のように指示文のみで完結します。一方Few-Shotは、指示文の前後に「入力例→出力例」のペアを2〜4組程度添える構成になります。AIは事例のパターンを参照しながら出力形式を推測するため、フォーマットの再現性が高まりやすい構造です。

業務で使う際の基本前提

Few-Shotの効果は、事例の質と量、そして業務内容の再現性の高さに左右されます。毎回まったく異なる文脈を扱う業務では効果が薄れる場合があり、逆に定型フォーマットが多い業務では効果を実感しやすい傾向があります。この前提を踏まえたうえで、次の設計基準を確認することが重要です。

Few-Shotプロンプトを設計する4つの基準

Few-Shotプロンプトの精度は、闇雲に事例を増やせば上がるものではありません。以下の4つの基準を軸に設計すると、出力の安定度を判断しやすくなります。

基準1：目的に対する事例数の目安

一般的には2〜4例程度が扱いやすい範囲とされています。事例が1つだけだとパターンとして認識されにくく、逆に事例が多すぎるとトークン消費が増え、執筆時点では利用条件やプランによって処理できる文字数の上限が異なります。まずは3例前後から試し、出力のブレ具合を見ながら増減させる進め方が現実的です。

基準2：事例の質と多様性のバランス

似たパターンの事例ばかりを並べると、AIは狭い条件でしかパターンを認識できません。逆に事例同士の傾向がバラバラすぎると、AIがどのパターンを優先すべきか判断しづらくなります。実務でよく使う「典型パターン」と「例外に近いパターン」を1つずつ混ぜる設計が、判断の分かれ目になりやすい部分です。

基準3：出力フォーマットの明示

事例を示すだけでなく、見出しの有無・箇条書きか文章か・文字数の目安などをあわせて明示すると、再現性が高まりやすくなります。フォーマット指定を省略すると、事例と微妙に異なる形式で返ってくるケースが一定数発生します。

基準4：反例・除外条件の提示

「こうしてほしくない」という反例を1つ添えることも有効です。例えば議事録要約であれば「発言者名は省略せず記載する」といった除外条件を明示すると、事例だけでは伝わりにくい細部の指示が補完されます。ハルシネーションを防ぐ方法と考え方は近く、AIに判断の余地を残しすぎない設計が精度を左右します。

業務シーン別の活用比較

Few-Shotプロンプトが効果を発揮しやすい業務と、そうでない業務には傾向差があります。以下の比較を目安に、自分の業務に当てはめて判断してください。

表のとおり、フォーマットの再現性を重視する業務ほどFew-Shotの恩恵を受けやすい傾向があります。Excel関数をAIに聞く際の活用基準のように、定型化しやすい質問形式でも同様の考え方が応用できます。

Few-Shotプロンプトが機能しないケース・注意点

Few-Shotプロンプトは万能ではありません。設計を工夫しても効果が出にくい条件があるため、事前に把握しておくことが重要です。

事例同士が矛盾しているケース

複数の事例が異なるルールに基づいている場合、AIはどちらを優先すべきか判断できず、出力が不安定になる場合があります。事例を追加する際は、既存の事例と矛盾していないか確認する作業が欠かせません。

トークン量が業務に対して不足するケース

事例を増やすほど入力全体のトークン量が増加します。執筆時点では利用プランやモデルによって扱えるトークン量の上限が異なり、長文の事例を複数入れると本来の指示文や出力枠が圧迫されるリスクがあります。事例は簡潔にまとめ、冗長な説明を避ける工夫が必要です。

専門性が高く事例化しにくい分野

法律相談や医療的判断のように、事例ごとに前提条件が大きく異なる分野では、少数の事例だけでパターンを一般化することが難しく、Few-Shotの効果が限定的になります。こうした分野では、事例提示よりも一次情報の確認や専門家への相談を優先する判断が必要です。

Zero-Shot・One-Shotとの使い分け

Few-Shotが常に最適とは限りません。状況に応じてZero-ShotやOne-Shotと使い分ける判断も必要です。

Zero-Shotが向いているケース

単発の質問や、事例を用意する時間がない場合はZero-Shotで十分なことが多いです。指示文自体を具体的に書けば、事例なしでもある程度の精度は確保できます。

One-Shotで様子を見るケース

事例を1つだけ添えるOne-Shotは、Few-Shotほど手間をかけずに出力形式を示したい場合に使いやすい方法です。事例作成の負担と精度向上のバランスを見ながら、Zero-Shot→One-Shot→Few-Shotの順に試す進め方が現実的です。作成したテンプレートはチャット履歴の管理術とあわせて保存しておくと、再利用時の手間を減らしやすくなります。

よくある質問

Few-Shotの事例は何個用意すればよいですか

一般的には2〜4例が扱いやすい範囲です。業務の複雑さによって最適な数は変わるため、まず3例程度で試し、出力のブレが大きければ事例を追加するか質を見直す判断が必要です。

Few-Shotで精度が上がらない場合はどうすればよいですか

事例同士に矛盾がないか、フォーマット指定が明確かを確認することが次の確認事項になります。それでも改善しない場合は、事例の質を見直すか、Zero-Shotで指示文自体を具体化する方法も検討してください。

事例に社内の機密情報を含めても問題ありませんか

利用するAIツールの規約や自社の情報管理ルールによって判断基準が異なります。機密性の高い情報を含める場合は、事前に社内のセキュリティ規定や利用中のAIツールのプライバシーポリシーを確認することが前提条件になります。

Few-ShotとRAG（検索拡張生成）はどちらを使うべきですか

単発の出力形式を安定させたい場合はFew-Shotが手軽ですが、参照すべき情報量が多く更新頻度が高い業務ではRAGのような仕組みの方が適している場合があります。業務データの更新頻度と事例化のしやすさを基準に選ぶとよいでしょう。

まとめと次のステップ

Few-Shotプロンプトの設計で押さえるべき点は次の3つに整理できます。

• 事例数は2〜4例を目安にし、業務の複雑さに応じて調整する
• 事例は典型パターンと例外パターンを混在させ、矛盾がないか確認する
• フォーマット指定と反例の提示を組み合わせ、AIの判断の余地を狭める

まずは自分の定型業務の中から1つを選び、3例程度のFew-Shotプロンプトを作成して出力の再現性を確認することから始めると判断しやすくなります。効果が薄い場合は事例の矛盾やトークン量の圧迫を見直し、それでも改善しなければZero-ShotやRAGなど別の手法との比較を検討してください。

よくある質問

※本記事の情報は執筆時点のものです。サービス料金・制度の内容は変更される場合があります。最新情報は各公式サイトをご確認ください。収益・投資の効果は個人の状況によって異なります。本記事の内容は特定の商品・サービスへの加入を推奨するものではありません。