プロンプトエンジニアリングとは、書いたプロンプトを改善し、より信頼性が高く質の高い出力を得るための取り組みです。このプロセスには反復的な改良が含まれます。基本的なプロンプトから始め、そのパフォーマンスを評価し、その後エンジニアリング手法を体系的に適用して改善していきます。

反復的改善プロセス
このアプローチは、望む結果が得られるまで繰り返せる明確なサイクルに従います。

- 目標を設定する - プロンプトに達成させたいことを定義する
- 初期プロンプトを書く - 基本的な最初の試作を作成する
- プロンプトを評価する - 基準に照らしてテストする
- プロンプトエンジニアリング手法を適用する - 特定の手法を使ってパフォーマンスを改善する
- 再評価する - 変更によって実際に結果が改善されたかを確認する
最後の2つのステップを、パフォーマンスに満足するまで繰り返します。各反復では、評価スコアに測定可能な改善が見られるはずです。
例: アスリート向け食事プラン
実践的な例を通して見ていきましょう。目標は、アスリートの身体特性や要件に基づいて1日分の食事プランを生成するプロンプトを作成することです。

このプロンプトはこれらの入力を受け取り、総カロリー、マクロ栄養素の内訳、分量とタイミングを含む具体的な食事の詳細を含む包括的な食事プランを生成する必要があります。
評価フレームワークの構築
改善を体系的に測定するには、堅牢な評価の仕組みが必要です。このフレームワークには以下が含まれます。
- データセット生成 - 現実世界のシナリオを表すテストケースを作成する
- 自動スコアリング - 一貫した基準を用いて出力を評価する
- パフォーマンス追跡 - 反復ごとの改善を監視する
評価ツールを構築する際は、APIのレート制限に注意してください。まずは低い並行数(同時リクエスト1〜3件程度)から始め、レート制限エラーが発生しない場合にのみ増やしていきます。
初期プロンプトの作成
たとえあまり良くないとわかっていても、シンプルなものから始めましょう。以下は基本的な最初の試作の例です。
What should this person eat?
- Height: {prompt_inputs["height"]}
- Weight: {prompt_inputs["weight"]}
- Goal: {prompt_inputs["goal"]}
- Dietary restrictions: {prompt_inputs["restrictions"]}このプロンプトは意図的に基本的なものであり、おそらく良くない結果を生むでしょう。それこそが望ましい状態です。改善の出発点となる明確なベースラインになります。
評価基準の確立
プロンプトが満たすべき具体的な基準を定義します。食事プランの例では、良い出力には以下が含まれるべきです。
- 1日の総カロリー
- マクロ栄養素の内訳
- 正確な食材、分量、タイミングを含む食事内容
これらの基準は、評価モデルが出力を一貫して採点するのに役立ち、改善のための明確な目標を与えてくれます。
ベースラインパフォーマンスの測定
初期プロンプトを評価フレームワークにかけてみましょう。スコアが低くてもがっかりする必要はありません。10点中2.3点というスコアは、出発点としてはむしろ理想的です。そこから改善を示すための十分な余地があるということです。

結果の分析
ほとんどの評価フレームワークは、各テストケースのパフォーマンスを示す詳細なレポートを生成します。これらのレポートには通常、以下が含まれます。

- 個別のテストケース結果 - モデルが実際に何を生成したかを確認できる
- スコアの内訳 - 特定の出力がなぜ低評価になったのかを理解できる
- 根拠 - 不足している点や誤っている点についてフィードバックを得られる
この詳細なフィードバックを使って、プロンプトを改善すべき具体的な箇所を特定しましょう。単発の問題ではなく、体系的な問題を理解するために、複数のテストケースにまたがるパターンを探しましょう。
次のステップ
ベースラインが確立され、評価フレームワークが整ったら、いよいよ具体的なプロンプトエンジニアリング手法を適用していく準備が整います。適用する各手法は、評価スコアに測定可能な改善をもたらし、理想とする出力品質へと近づけていくはずです。
重要なのは、一度に1つずつ変更を加え、その影響を評価し、その変更を維持するか別のアプローチを試すかを判断することです。この体系的なプロセスによって、どの手法が自分の具体的なユースケースに最も効果的かを理解できるようになります。