精度を上げるプロンプトの書き方 — 出力形式・文脈・具体例の与え方

精度が落ちるプロンプトに共通するパターン

「レポートをまとめて」「メールの文面を考えて」といった依頼だけを投げると、AIアシスタントは出力の長さも、対象読者も、フォーマットも自分で推測することになります。推測の余地が大きいほど、期待と異なる出力が返ってくる確率も上がります。精度の低いプロンプトに共通するのは、目的（何のために）、対象（誰に向けて）、形式（どんな形で）のいずれか、あるいは全部が省略されている点です。

この3点を毎回書くだけでも出力のばらつきは大きく減りますが、より安定させるには、これから説明する「役割」「出力形式」「具体例」「制約条件」の4要素を組み合わせます。1つずつ順番に見ていきます。

役割（ロール）を与えて出力の視点を絞る

プロンプトの冒頭で「あなたは〜の専門家として」と役割を与えると、モデルはその立場に沿った語彙や重点の置き方を選びやすくなります。

Before: この契約書のリスクを教えて
After: あなたはSaaS企業の法務担当者です。以下の契約書について、当社（サービス提供側）にとって不利になりうる条項を、重要度が高い順に3つ挙げてください。

役割を与えると、同じ契約書でも「利用者側の弁護士」と「提供側の法務担当」では指摘するリスクの種類が変わります。誰の立場で読ませたいかを明示することが、視点のずれを防ぐ最初の一歩です。

出力形式を1行で指定する

「わかりやすくまとめて」だけでは、箇条書きになるか、表になるか、見出し付きの文章になるかはモデル任せです。出力形式を1行で書き添えるだけで再現性は大きく上がります。

Before: 競合3社の違いをわかりやすく整理して
After: 競合3社（A社・B社・C社）の違いを、価格・対応言語・サポート体制の3項目で、Markdownの表形式でまとめてください。

比較対象の数、比較軸、出力フォーマットを指定すると、後工程（資料への貼り付けや別ツールへの取り込み）での手戻りも減ります。

具体例（Few-shot）で期待値をそろえる

トーンや粒度は言葉で説明するより、望ましい出力例を1〜2件見せたほうが正確に伝わることが多くあります。これはFew-shotプロンプティングと呼ばれる手法で、Anthropicの公開ドキュメントでも精度向上策の一つとして紹介されています。

例えば「カジュアルすぎず堅すぎない文体で」と言葉で指定する代わりに、実際に書いてほしいトーンの文章を1段落サンプルとして貼り付け、「このトーンに合わせて以下も書いてください」と依頼すると、抽象的な形容詞よりも安定した結果が得られます。

制約条件で誤りと逸脱を減らす

「〜しないでください」という否定形の制約条件も有効です。文字数の上限、使ってほしくない表現、含めてはいけない情報（未確認の数値や個人名など）をあらかじめ書いておくと、生成後の修正作業が減ります。

一方で、制約を詰め込みすぎると、モデルが矛盾した指示のどちらを優先すべきか判断できず、かえって不安定な出力になることがあります。制約は「今回の出力で本当に守られてほしい3〜4点」に絞るのが実務上のバランスです。

プロンプトを「テストする」という発想

役割・形式・具体例・制約条件を揃えても、一度で完璧な出力が返るとは限りません。同じプロンプトを複数回実行して出力のばらつきを確認したり、少し表現を変えて結果を比較したりする「テスト」の発想を持つと、業務で繰り返し使うプロンプトの品質が安定します。AIアシスタントの基本的な仕組みで触れたとおり、出力は確率的に生成されるため、同じ入力でも毎回まったく同じ答えが返るとは限りません。

長い資料やファイルを根拠にした依頼をする場合は、プロンプトの工夫だけでなく、コンテキストとファイルを正しく渡す方法を併せて確認すると、精度改善の効果がさらに安定します。