目的に合う指示をどう組み立てるか

材料にある事実と、まだ分からないことを分ける

材料は、今回の作業の基になる文章や数値などです。背景は、何の場面で使うかを理解するための事情です。必要な材料を示し、「次の資料にある事実を使う」と、指示と資料の範囲を分けます。資料の見出しと本文を区切る方法も役立ちますが、特定の記号を使っただけで正確さが保証されるわけではありません。

確定は、その事項が決まっていること、未定は、まだ決まっていないことです。未確認は、正しいかどうかをまだ確かめていないことです。参加費など必要な事実が資料になければ、もっともらしい値を作って埋めさせず、「未確認と示す」「不足事項を質問する」など、今回の扱いを指定します。未定であると確認できた事項は「未定」と表示します。架空の練習例を作る目的なら創作してよい部分を別に指定しますが、実際の案内の事実へ混ぜません。

役割は視点、読み手は説明を届ける相手

役割設定は、「初めて使う人に説明する案内係として」など、作業の立場や観点を指定することです。役割と読み手を組み合わせると、何に注意して書いてほしいかを伝えやすくなります。役割名だけで、必要な材料や相手の知識、説明する内容まで伝わったとは考えません。

「専門家として」と頼むことは、その出力が本物の専門家の確認を受けたという事実ではありません。「案内係として」も、実際に施設から権限を与えられた証拠にはなりません。役割名で事実や権限を作らず、今回の作業と読み手へ合う観点として使います。難しい言葉が残る場合は、役割を強そうな名前に変えるだけでなく、どの言葉を誰に分かる表現へ直すかを伝えます。

条件と出力形式を、目的に必要なだけ具体化する

条件は、出力が満たすべき約束や制限です。出力形式は、番号付きの手順、箇条書き、表など、結果の並べ方です。「初心者向け」だけで足りなければ、「道具名は日常語で説明し、作業順に三つの番号を付ける」と具体化します。具体度は、何をどこまで詳しく決めるかという細かさです。形式だけ合っていても、必要な内容を落としたり、資料にない手続を追加したりすれば目的を満たしません。

細かい指定を増やせばいつもよくなるわけではありません。目的に関係しない条件は減らし、守れない組合せがないか見ます。「必要な六事項を全部記す」と「十文字以内」の両立が難しいなら、何を優先し、何を調整してよいかを決めます。AIが勝手に必要事項を削る形で解決するのではなく、人が依頼の条件を整理します。

一まとまりの依頼を作り、使う材料も点検する

例えば、植物観察会の確定資料が「日曜9時30分、南門集合、歩きやすい靴」、雨天時の扱いは未定とします。依頼は「初参加者が準備できる確認用の案内を作る。案内を編集する立場で、次の資料にある事実だけを使う。集合・時刻・持ち物を箇条書きにし、雨天時は未定と表示。主催者への確認事項は本文と分ける」と組み立てられます。これは架空の条件による依頼例です。

入力を具体的にする前に、その材料をそのAIへ渡してよいかも確かめます。個人情報や非公開の情報を、便利だからという理由で足しません。必要な情報、利用目的、送信先の取扱いなどはGA403の基本へ戻ります。依頼を整えた後も、返った文が資料や目的と合うかはGA410の方法で確かめます。

Few-Shotでは、基準に合う少数の入出力例を示す

Few-Shot（フューショット）プロンプティングは、少数の入出力例を添えて、作業の進め方や形式の手掛かりにする方法です。例えば「ペーパータオルを補充して→作業」「次の納品日はいつ？→質問」のように、入力の文と分類結果を組にします。分類名は、ここでは結果を入れる区分の名前です。何という区分に、何を入れるかを基準と一緒に示します。

例は、数だけでなく中身を確かめます。同じ基準のはずなのに、質問するだけの文を「作業」とする見本が混ざれば、指示と見本が食い違います。まず誤った見本を直し、基準と同じ判断になっているかを見ます。誤った例を複製したり、見本に合わせて基準を無断で変えたりして、件数の多さで矛盾を隠しません。

内容や出力の形が異なる、代表的な例を選びます。「どちらか分からない文は要確認」と決めるなら、その扱いも基準と見本へそろえます。同じ例の大量の繰返しや、無関係な文章の追加より、今回の区別が伝わるかを見ます。Few-Shotにすれば常にZero-Shotより正確になる、ある例数にすれば必ず成功する、という保証ではありません。

文脈内学習は、重みの更新や永久の記憶と別

In-Context Learning（インコンテキスト・ラーニング、文脈内学習）は、今回の入力に含めた指示や例を手掛かりに、作業へ合わせて応答することです。コンテキストは、その回答を作るために渡される文脈です。重みは、学習で調整されるモデル内部の数値です。追加学習は、既に学習したモデルへ学習処理を加えることです。通常のFew-Shotとして入力に見本を添えること自体は、追加学習で重みを更新する処理と同じではありません。

入力にある記号の対応に合わせて返答が変わっても、それだけでモデルの重みが変わったとはいえません。会話を保存し後で取り出す機能とも分けます。次の依頼が以前の会話を受け取らないなら、必要な基準と見本を改めて渡します。一方、提供者による保存や後日の学習利用は、契約や設定などの別の条件です。「文脈内学習だから保存も学習利用もない」とは判断しません。

別の文で試して、見本が役立つか確かめる

試すときは、見本として見せた文だけでなく、別の文も用意します。例えば「洗剤の残りを知りたい」は質問、「洗剤を棚へ運んで」は作業という、基準から自分で確かめられる例を使います。見本をそのまま繰り返せたことと、新しい文でも区別できたことを分けます。

同じ作業と評価基準で、まず例なしで試し、必要なら基準に合う少数の例を加えて比べる方法があります。何が改善し、何がまだ誤るかを見ます。出力の形だけでなく、判断の基準が合っているかを確かめ、必要な見本を選び直します。これは今回の依頼を改善する試行であり、モデルを再学習したという記録にはしません。

確かめられる説明と、非公開の内部思考を分ける

ここで必要なのは、人が条件・資料・式を照合できる説明です。AIが出力した説明文を、モデル内部で起きた処理の全記録と同じものとは考えません。CoTという手法を使うことは、利用サービスが公開していない内部思考を全て引き出せるという意味でもありません。公開された説明の形と、内部での計算や判断の仕組みは分けます。

説明が長い、接続語が多い、自信のある文体だというだけでは、事実や計算は証明されません。もっともらしい説明でも誤った結論につながる場合があります。必要な条件と短い式、使った資料などを求め、元資料や別の計算で確かめます。分からない条件が残れば、その条件を確認し、納得しやすい文章を足すだけで結論を固定しません。

対話的な改善は、直す点と保つ条件を具体的に伝える

対話的な改善は、返ってきた結果を見て、足りない点や直したい箇所を伝え、やり取りしながら依頼と成果物をよくすることです。フィードバックは、結果のどこが目的と合うか、どこをどう変えたいかを返す情報です。「もっとよくして」だけでなく、「最初の二文を初参加者に分かる日常語へ直す」のように、対象と望む変化を示します。

修正では、変える点と維持する条件を分けます。事実と案数と文字数が合い、語調だけが難しいなら、資料の事実・案数・文字数を保ち、語調を直すと伝えます。語調は、丁寧、親しみやすいなど文章から受ける調子です。別の読み手に変える、必要な情報を削る、文字数を大きく変えるという依頼は、今回の修正目的とは別の変更になります。

新しい条件を足すと以前の条件とぶつかることもあります。変更の意図を整理し、どの条件を置き換えるのか、どれを保つのかを明記します。会話が長くなった場合や別の依頼へ移す場合は、今使う目的・確定材料・必要な条件をまとめ直します。どの会話履歴が実際に渡るかは仕組みによるため、前に話した内容がいつでも全て使われるとは決めません。

直した依頼でも、結果をもう一度確かめる

名札の例で、合計を19枚と確かめた後に準備リストを頼むなら、「人数分14枚と予備5枚、合計19枚という条件を保ち、二つの項目と合計の短いリストにする」と直せます。計算の説明を延ばすことと、準備しやすい形式へ直すことは別の工夫です。目的に合わせて、必要な中間手順と最終形式を選びます。

返った結果は、修正対象が直ったかに加え、残すはずの事実や条件が変わっていないかも読みます。必要なら別の入力でも試し、改善を続けます。指示・例・手順を工夫したこと自体を正しさの証拠にはせず、目的と影響に応じた採用や修正の判断をGA410へつなげます。