プロンプトエンジニアリング入門：第5章を確実な得点源にする

シラバス第5章「テキスト生成AIのプロンプト制作と実例」は、暗記量が比較的少なく、日常的にChatGPTなどを使っている人なら最も得点源にしやすい章です。その一方で、用語の定義を正確に問われると意外と落としやすい章でもあります。頻出ポイントを整理しておきましょう。

プロンプトの4つの構成要素

質の高いプロンプトは、次の4要素で構成されると整理されています。名称と役割の対応は頻出です。

• Instruction（指示）：AIにやってほしいタスクの指定（例：「以下の文章を要約して」）
• Context（文脈）：前提条件や背景情報（例：「あなたはプロの編集者です」）
• Input Data（入力データ）：処理対象となるデータ（例：要約したい文章そのもの）
• Output Indicator（出力形式の指定）：出力の形式・トーンの指定（例：「箇条書き3点で」）

Zero-ShotとFew-Shot：例示の数がポイント

Zero-Shotプロンプティングは例を示さずにいきなりタスクを指示する方法、Few-Shotプロンプティングはいくつかの例（お手本）を示してから本題を指示する方法です。「Few-Shotの方が出力の形式や質が安定しやすい」という特徴とあわせて覚えましょう。試験では「例を1つも与えない手法はどれか」といった形で問われます。

TemperatureとTop-p：出力のランダム性を操るパラメータ

LLMの出力の多様性を制御するハイパーパラメータとして、次の2つが出題されます。

• Temperature：値を上げるほど出力がランダムで創造的になり、下げるほど決まりきった堅実な出力になる
• Top-p：出現確率の高い単語から累積して上位p%の候補だけからサンプリングする方式（核サンプリング）

「創造的な文章を書かせたいときはTemperatureを上げる」という方向感覚を持っておけば、応用問題にも対応できます。

テキスト生成AIの「不得意なこと」も出る

第5章では、生成AIが得意なことだけでなく不得意なことも明確に出題範囲です。

• 正確な文字数の指定：「ちょうど100文字で」のような指定は苦手
• 計算：言語モデルは計算機ではないため、複雑な計算は間違えやすい
• 最新の情報：学習データの範囲外の出来事は答えられない（この弱点を補う技術がRAGや検索連携です）
• 芸術の批評：主観的な価値判断を伴う批評は本質的に不得意

ビジネス応用（メール作成・要約・翻訳・ブレインストーミングなど）の実例も具体的な場面とセットで問われます。普段から生成AIを使いながら「これは4要素のどれを工夫しているのか」と意識すると、実務力と試験対策が同時に伸びていきます。