Prompt (language models) — プロンプト
プロンプト（英語の prompt —「指示」または「テキスト入力」）は、大規模言語モデル（LLM）の文脈において、ユーザーがモデルに目的の応答を生成させるために提供する入力テキストまたは指示です[1]。プロンプトは、必要な条件、コンテキスト、例を含め、モデルに対するタスクを定式化します。モデルの性能は、作成されたプロンプトの品質に大きく依存します。
テキスト入力の開発と最適化の手法を研究する学問分野は、プロンプトエンジニアリング（prompt engineering）と呼ばれます。その目的は、AIモデルから最大限に関連性が高く、正確で安全な応答を得ることです[2]。適切に作成されたプロンプトは、モデルにタスク実行の「道筋」を示し、必要なコンテキストと望ましい結果を明確にするのに役立ちます[1]。
アプローチの発展史
テキストプロンプトを用いてLLMの振る舞いを制御するという考え方は、モデル自体の能力の向上とともに発展してきました。
初期段階（GPT-2）
2019年には既に、OpenAIの研究者たちが、GPT-2のような大規模な事前学習済み言語モデルが、タスクをテキスト形式で記述すれば、追加の学習なしで新しいタスクを解決できることを実証しました。論文「Language Models are Unsupervised Multitask Learners」は、根本的な転換を示しました。つまり、各タスクごとにモデルをファインチューニングする代わりに、入力として分かりやすい指示を記述するだけで十分になったのです[3]。
GPT-3と文脈内学習によるブレークスルー
真のブレークスルーは、2020年のGPT-3モデルの登場によってもたらされました。1750億のパラメータを持つGPT-3は、文脈内学習（in-context learning）の能力を実証しました。これは、プロンプト内で直接提供されたいくつかの例から、新しいタスクを「その場で」学習する能力です[3]。この動作モードはフューショット学習（few-shot learning、「少数例学習」）と名付けられ、モデルの規模を拡大することが、重みの調整なしでNLPタスクの高品質な実行につながることを示しました。
思考の連鎖（CoT）の登場
2022年のさらなる発展は、モデルの複雑な論理的推論能力の向上に関連していました。思考の連鎖（chain-of-thought prompting）形式の特別なプロンプトが提案されました。このようなプロンプトでは、モデルは質問だけでなく、回答に至るまでの一貫した段階的な推論の例も受け取ります。これにより、算術問題や論理問題における解答の精度が著しく向上しました[2]。Kojimaらの研究では、プロンプトの最後に「ステップバイステップで考えよう」という一文を追加するだけで、例がなくても（zero-shot）モデルに推論を促せることが示されました[2]。
マルチモーダルプロンプト
プロンプトの概念はテキストの枠を超えました。2022年にDALL-E 2やStable Diffusionのようなモデルが登場すると、自然言語によるユーザーの要求は、画像の生成、そして後には音楽や動画の生成のための普遍的なインターフェースとなりました。
プロンプトの種類とテクニック
いくつかの主要なプロンプトの種類とテクニックが存在し、これらはしばしば組み合わせて使用されます。
ゼロショットプロンプティング
モデルは一切の例なしで、指示または質問のみを受け取ります。このモードでは、LLMは事前学習で得た一般的な知識に依存します。翻訳やテキストの要約のような単純なタスクに適しています[1]。
フューショットプロンプティング
指示に加えて、プロンプトには入力と期待される出力の1つまたは複数の例が含まれます。モデルはこれらのサンプルから「その場で学習」し、学んだ論理を新しい要求に適用します。このin-context learningを実現する手法は、特定の形式やスタイルが重要なタスクにおいて精度を大幅に向上させます[1]。
思考の連鎖（CoT）
複雑な推論（数学、論理）を必要とするタスクのための特殊なプロンプトです。プロンプトには、最終的な回答の前に、段階的な分析や解決計画が含まれます。これにより、モデルは推論プロセスを明示的に構造化することを強いられ、結果の質が大幅に向上します[2]。
プロンプトチューニング
手動でプロンプトを作成する代わりに、自動的に最適化されたプロンプトを使用する技術です。プロンプトは、ユーザーの要求に追加される特殊な学習可能なトークン（連続的なベクトル）のセットとして表現されます。この小さなベクトルプロンプトのみを学習させることで、大規模な「凍結された」モデルを最小限の計算コストで新しいタスクに適応させることができます[2]。
学問分野としてのプロンプトエンジニアリング
専門職の登場
LLMの能力向上により、新たな専門職であるプロンプトエンジニアが生まれました。これらの専門家は、AIから望ましい振る舞いを引き出すためのテキストプロンプトを開発・調整します。プロンプトエンジニアは、言語学、論理学、心理学の知識を活用し、入力データを最も効果的な方法で構造化します[2]。2022年から2023年にかけて、この職種の求人が初めて現れ、AIシステムとの効果的な対話スキルの高い需要を反映しています。
専門職の未来と自動化
この分野は急速に発展しており、その未来は議論の的となっています。例えば、2024年のVMwareによる研究では、AI自体が試行錯誤と最適化を通じて、しばしば人間が作成するものを上回る効果的なプロンプトの表現を見つけ出せることが示されました[4]。これにより、手動のプロンプトエンジニアリングは一時的な現象であり、将来的にはプロンプトを自動選択するツールが標準になるという見方が生まれました。しかし、2025年現在、プロンプトエンジニアリングの専門知識は依然として需要があります。
応用分野
- 自然言語処理: 文書の自動要約、機械翻訳、質疑応答、情報抽出といった古典的なNLPタスク。
- チャットボットと仮想アシスタント: プロンプトは役割、対話スタイル、回答形式を設定するのに役立ち、対話システムをより一貫性があり有用なものにします。
- コード生成: OpenAI Codexのようなモデルは、自然言語による記述に基づいてプログラムコードを作成でき、開発を加速させます。
- データ分析: プロンプトを使用して、非構造化テキストレポートからインサイトを抽出したり、仮説を生成したりするようモデルを設定できます。
- 教育: 学習者の習熟度に応じて課題を生成し、複雑な概念を説明し、回答をチェックするインテリジェントな家庭教師を作成します。
- クリエイティブ産業: 詳細な記述に基づいて、テキスト、芸術的な画像、音楽、シナリオを生成します。
悪用と脆弱性
LLMインターフェースの開放性は、プロンプトインジェクション（prompt injection）という新しいクラスの攻撃を生み出しました。攻撃者は、モデルが当初の指示に違反したり、隠された情報を漏洩させたりするような、特別に細工された悪意のあるプロンプトを作成します[2]。専門家はこれを、コードの代わりに巧妙なテキスト指示がシステムに「注入」される、一種のコードインジェクション攻撃と見なしています。
攻撃の種類
- ジェイルブレイク: モデルが課せられた制約（例：モデレーションポリシー）の枠から「脱獄」し、禁止されたコンテンツを生成できるようにする攻撃。有名な例として、ChatGPTに検閲なしで応答させたDANプロンプト（Do Anything Now）があります。
- プロンプトリーキング: 特殊なプロンプトにより、モデルにその隠されたシステムプロンプトの断片を漏洩させます。
- トークンスマグリング: 悪意のある指示をプロンプトの無害な部分（例：コードの断片）に偽装し、フィルタを回避して望ましくない振る舞いを引き起こします。
これらの攻撃は、従来のサイバーセキュリティ手法が自然言語の解釈に関連する脅威にうまく対応できないため、深刻な問題となっています。
参考文献
- Radford A. et al. (2019). Language Models are Unsupervised Multitask Learners. PDF.
- Brown T. B. et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165.
- Wei J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
- Wang X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
- Kojima T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
- Li X. L., Liang P. (2021). Prefix-Tuning: Optimizing Continuous Prompts for Generation. arXiv:2101.00190.
- Liu Y. et al. (2021). Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. arXiv:2104.08786.
- Chang K. et al. (2024). Efficient Prompting Methods for Large Language Models: A Survey. arXiv:2404.01077.
- Li Z. et al. (2024). Prompt Compression for Large Language Models: A Survey. arXiv:2410.12388.
- Genkina D. (2024). "AI Prompt Engineering Is Dead". IEEE Spectrum. [5].
- Li W. et al. (2025). A Survey of Automatic Prompt Engineering: An Optimization Perspective. arXiv:2502.11560.
- Wu Z. et al. (2025). "The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models". EMNLP 2025. PDF.