README.md

プロンプトエンジニアリング基礎

はじめに

本モジュールでは、生成AIモデルで効果的なプロンプトを作成するための基本概念と手法を扱います。LLMにプロンプトを書く方法も重要です。注意深く作られたプロンプトはより質の高い応答を得ることができます。しかし、_プロンプト_や_プロンプトエンジニアリング_という用語は具体的に何を意味するのでしょうか？また、LLMに送るプロンプトの_input_をどのように改善すればよいのでしょうか？これらの質問にこの章と次章で答えようとします。

_生成AI_は、ユーザーのリクエストに応じて新しいコンテンツ（例：テキスト、画像、音声、コードなど）を作成できます。これは、自然言語とコードの使用を学習したOpenAIのGPT（「Generative Pre-trained Transformer」）シリーズのような_Large Language Models_を用いて達成されます。

ユーザーは今や、チャットのような馴染みのある形式でこれらのモデルと対話でき、専門的な技術や訓練は不要です。モデルは_プロンプトベース_で、ユーザーはテキスト入力（プロンプト）を送り、AIの応答（補完）を受け取ります。その後、期待する応答になるまでプロンプトを修正しながら、多回の会話でAIと「チャット」できます。

「プロンプト」は、生成AIアプリケーションの主要な_プログラミングインターフェース_となり、モデルに何をすべきか指示し、返される応答の質に影響を与えます。「プロンプトエンジニアリング」は、スケールで一貫性のある質の高い応答を提供するために、プロンプトの_設計と最適化_に焦点を当てた急成長中の研究分野です。

学習目標

本レッスンでは、プロンプトエンジニアリングとは何か、なぜ重要かを学び、特定のモデルおよびアプリケーションの目的に合った効果的なプロンプトの作り方を理解します。コア概念とベストプラクティスを理解し、実際の例に適用できる対話型Jupyterノートブックの「サンドボックス」環境も紹介します。

レッスン終了時には、以下が可能になります：

1. プロンプトエンジニアリングとは何か、なぜ重要なのか説明できる。
2. プロンプトの構成要素とその使われ方を説明できる。
3. プロンプトエンジニアリングのベストプラクティスと手法を学べる。
4. OpenAIエンドポイントを使い、学んだ手法を実際の例に適用できる。

重要用語

プロンプトエンジニアリング: AIモデルが望ましい出力を生成するように導く入力を設計・洗練する実践。 トークナイゼーション: モデルが理解・処理可能な小さな単位（トークン）にテキストを変換する過程。 指示調整済みLLM: 特定の指示で微調整され、応答の正確性と関連性が向上した大規模言語モデル（LLM）。

学習サンドボックス

プロンプトエンジニアリングは現在、科学というよりもアートに近いです。直感を養う最善の方法は、_繰り返し練習_し、適用ドメインの専門知識と推奨手法、モデル固有の最適化を組み合わせた試行錯誤的アプローチを採用することです。

本レッスンに付随するJupyterノートブックは、学んだことを実際に試せる_サンドボックス_環境を提供します。演習を実行するために必要なものは以下です：

1. Azure OpenAI APIキー - デプロイされたLLMのサービスエンドポイント。
2. Pythonランタイム - ノートブックを実行するための環境。
3. ローカル環境変数 - SETUP手順を完了して準備してください。

ノートブックは_スターター_演習付きですが、より多くの例やアイデアを試すために自分で_マークダウン_（説明）や_コード_（プロンプト要求）セクションを追加し、プロンプト設計の直感を深めることが推奨されています。

イラスト付きガイド

本格的に始める前に、このレッスンの全体像が知りたいですか？こちらのイラスト付きガイドでは、扱う主なトピックと考慮すべき重要なポイントが視覚的に示されています。レッスンのロードマップは、コア概念と課題の理解から関連するプロンプトエンジニアリングの技法とベストプラクティスの適用までを導きます。このガイドの「高度な技術」セクションは、このカリキュラムの_次章_で扱う内容を指しています。

私たちのスタートアップ

さて、_このトピック_が教育にAI革新をもたらすミッションにどう関連するか話しましょう。AI革新を教育にもたらす 私たちはパーソナライズされた学習のAI駆動アプリを構築したいと思っています。そこで、アプリケーションの異なるユーザーがどのようにプロンプトを「設計」するかを考えてみましょう：

• 管理者はAIに対して_カリキュラムデータを分析し、カバーされていない部分を特定する_よう依頼するかもしれません。AIは結果を要約したり、コードで可視化したりできます。
• 教育者はAIに対して_対象の受講者とトピックに応じたレッスンプランを生成する_よう依頼するかもしれません。AIは指定されたフォーマットでパーソナライズされたプランを作成します。
• 学生はAIに対して_難しい教科の指導を受ける_よう依頼するかもしれません。AIは今では、その学生のレベルに合わせたレッスンやヒント、例を案内できます。

これは氷山の一角にすぎません。Prompts For Education という教育専門家によるオープンソースのプロンプトライブラリをチェックして、より広い可能性を探ってみてください！それらのプロンプトをサンドボックスやOpenAI Playgroundで試してみて、どんな結果が得られるか見てみましょう！

プロンプトエンジニアリングとは何か？

本レッスンは、プロンプトエンジニアリングを、特定のアプリケーション目的とモデルに対して一貫した質の高い応答（補完）を提供するため、テキスト入力（プロンプト）を_設計し最適化する_プロセスとして定義しました。これを2段階のプロセスと考えられます：

• 特定のモデルと目的に対して初期プロンプトを_設計_する
• 応答の質を改善するためにプロンプトを反復的に_洗練_する

これは最適な結果を得るためにユーザーの直感と努力が必要な試行錯誤のプロセスです。では、なぜ重要なのでしょうか？その答えにはまず、3つの概念を理解する必要があります：

• トークナイゼーション = モデルがプロンプトを「どのように見るか」
• 基礎LLM = 基礎モデルがプロンプトを「どのように処理するか」
• 指示調整済みLLM = モデルが「タスク」として認識できる仕組み

トークナイゼーション

LLMはプロンプトを_トークンの並び_として見ますが、モデルやモデルのバージョンによって同じプロンプトが異なる方法でトークン化されます。LLMはトークン単位（生テキストではなく）で学習しているため、プロンプトのトークン化方法は生成される応答の質に直接影響します。

トークナイゼーションの感覚を掴むために、下記のようなOpenAI Tokenizerのツールを使ってみてください。プロンプトをコピーし、どのようにトークンに変換されるのか、空白や句読点の扱いに注目してください。この例は古いLLM（GPT-3）を示しているので、新しいモデルで試すと異なる結果が出るかもしれません。

概念：基礎モデル

プロンプトがトークン化された後、"基礎LLM"（または基礎モデル）の主な機能は、その列のトークンを予測することです。LLMは巨大なテキストデータセットで訓練されているため、トークン間の統計的関係を把握しており、その予測をある程度の確信を持って行えます。彼らはプロンプトやトークンの_意味_を理解しているわけではなく、次に来るトークンを「補完」するパターンを見ているだけです。その予測をユーザーの操作や事前の条件で終了するまで続けます。

プロンプトベースの補完動作を見たいですか？上記のプロンプトをMicrosoft Foundry playgroundのデフォルト設定で入力してみてください。システムはプロンプトを情報要求として扱う設定なので、この文脈が満たされた補完が得られるでしょう。

しかし、もしユーザーが特定の基準やタスク目的を満たす結果を見たい場合はどうなるでしょうか？ここで_指示調整済み_LLMが登場します。

概念：指示調整済みLLM

指示調整済みLLMは、基礎モデルをスタート地点として、明確な指示を含む例や入出力ペア（例：多段階「メッセージ」）で微調整されます。AIの応答はその指示に従おうとします。

これは、人間のフィードバックを用いた強化学習（RLHF）などの技術を用い、モデルが_指示に従い_、_フィードバックから学習_するように訓練することで、実用的なアプリケーションに適した、ユーザーの目的により関連した応答を生成するためのものです。

試してみましょう。上記のプロンプトに戻り、_システムメッセージ_を以下の指示に変更してください：

提供された内容を小学校2年生向けに要約してください。結果は1段落で、3～5の箇条書きにまとめてください。

結果が望ましい目的とフォーマットを反映して調整されているのがわかりますか？教育者はこの応答をそのままクラスのスライドで使うことができます。

なぜプロンプトエンジニアリングが必要か？

プロンプトがLLMでどのように処理されるかを知ったところで、なぜプロンプトエンジニアリングが必要なのか説明しましょう。その答えは、現行のLLMが抱える様々な課題にあります。これらの課題により、プロンプトの構成と最適化に努力を注がなければ、_信頼でき一貫した補完_を得ることが難しくなっています。例を挙げると：

1. モデルの応答は確率的。 同じプロンプトでも異なるモデルやバージョンで異なる応答を生成する可能性があります。また、_同じモデル_でも異なる時に異なる結果を出すことがあります。プロンプトエンジニアリング手法はこれらの変動を最小化するためのより良いガードレールを提供します。

2. モデルは誤情報を作り出すことがある。 モデルは_大規模だが有限な_データセットで事前訓練されているため、その訓練範囲外の概念を知らないことがあります。その結果、不正確だったり、架空だったり、既知の事実と矛盾する補完を生成することがあります。プロンプトエンジニアリングの手法は、AIに出典や推論を求めるなどの方法で、こうした誤情報の特定と軽減を促します。

3. モデルの能力は異なる。 新しいモデルや世代はより多彩な能力を持ちますが、コストや複雑さの面で独自の特性やトレードオフも伴います。プロンプトエンジニアリングは、差異を抽象化し、モデル特有の要件に適応するベストプラクティスとワークフローの構築を助けます。

OpenAIまたはAzure OpenAI Playgroundでこれを試してみましょう：

• 同じプロンプトを異なるLLMデプロイメント（例：OpenAI、Azure OpenAI、Hugging Face）で使い比べると変動は見られましたか？
• 同じプロンプトを_同じ_LLMデプロイメント（例：Azure OpenAI playground）で繰り返し使った場合の変動はどう違いましたか？

誤情報の例

本コースでは、LLMが訓練やその他の制約によって時折事実と異なる情報を生成する現象を「誤情報」と呼んでいます。一般的な記事や研究論文ではこれが_「幻覚」と呼ばれることもありますが、人間の性質を機械の結果に誤って付与しないために、「誤情報」_という用語の使用を強く推奨します。これはResponsible AIガイドラインの用語面での遵守にもなり、文脈によっては攻撃的または非包括的に見なされる語の排除に寄与します。

誤情報の働きを理解したいですか？存在しないトピックのコンテンツ生成をAIに指示するプロンプトを考えてみてください（訓練データセットに存在しないことを保証するため）。例えば、私は次のプロンプトを試しました：

プロンプト: 2076年の火星戦争に関するレッスンプランを作成してください。

ウェブ検索では火星戦争を題材にしたフィクション（テレビシリーズや書籍など）はありましたが、2076年に関するものはありませんでした。また、常識的に2076年は_未来_であるため、実際の出来事とは結びつきません。

では、このプロンプトを異なるLLMプロバイダーで実行するとどうなるでしょうか？

回答 1: OpenAI Playground (GPT-35)

回答 2: Azure OpenAI Playground (GPT-35)

回答 3: : Hugging Face Chat Playground (LLama-2)

予想通り、各モデル（またはモデルバージョン）は確率的な挙動やモデルの能力差により、わずかに異なる回答を生成します。例えば、あるモデルは中学2年生を対象とし、もう一方は高校生を想定しています。しかし、3つのモデルすべてが、情報を持たないユーザーにその出来事が本当だと納得させる回答を生成しました。

_メタプロンプティング_や_温度設定_などのプロンプトエンジニアリング技術により、モデルの虚偽生成はある程度抑えられる可能性があります。新しいプロンプトエンジニアリングの_アーキテクチャ_は、新しいツールや技術をプロンプトフローにシームレスに組み込み、これらの影響を緩和または軽減します。

ケーススタディ：GitHub Copilot

ここでこのセクションを締めくくるために、実際のソリューションでプロンプトエンジニアリングがどのように使われているかを理解するために、1つのケーススタディ：GitHub Copilotを見てみましょう。

GitHub Copilotは「AIペアプログラマー」で、テキストプロンプトをコード補完に変換し、開発環境（例：Visual Studio Code）に統合されてシームレスなユーザー体験を提供します。以下のブログシリーズに記録されているように、最初のバージョンはOpenAI Codexモデルに基づいており、エンジニアは素早くモデルのファインチューニングとより良いプロンプトエンジニアリング技術の開発の必要性を認識し、コード品質の向上を図りました。今年7月には、さらに高速な提案を実現するためにCodexを超えた改良AIモデルを発表しました。

学習の過程を追うために、投稿を順番にお読みください。

• 2023年5月 | GitHub Copilotがあなたのコード理解を向上させている方法
• 2023年5月 | GitHub内部：GitHub Copilotの背後にいるLLMについて
• 2023年6月 | GitHub Copilotのためのより良いプロンプトを書く方法
• 2023年7月 | GitHub Copilotが改良AIモデルでCodexを超える
• 2023年7月 | 開発者向けプロンプトエンジニアリングとLLMのガイド
• 2023年9月 | エンタープライズLLMアプリの構築方法：GitHub Copilotからの教訓

これらのモデルと技術が実際のアプリケーションにどのように_活用_されているかを示す、このような投稿も Engineeringブログ でご覧いただけます。

---

プロンプト構成

プロンプトエンジニアリングが重要な理由は見てきました。次に、プロンプトがどのように_構成_されるかを理解し、効果的なプロンプト設計のための異なる技術を評価しましょう。

基本的なプロンプト

まず基本的なプロンプトから始めます。これは他のコンテキストなしにモデルに送るテキスト入力です。例として、米国国歌の最初の数語をOpenAIのCompletion APIに送ると、次の数行を即座に_補完_して返します。これは基本的な予測動作を示しています。

プロンプト（入力）	補完（出力）
Oh say can you see	これは「星条旗」の歌詞の始まりのようです。米国の国歌です。全文は...

複雑なプロンプト

次に、基本プロンプトにコンテキストと指示を追加します。Chat Completion APIでは、複雑なプロンプトを_メッセージ_の集合として構成できます：

• ユーザー入力とアシスタント応答を反映した入出力ペア。
• アシスタントの振る舞いまたは人格を設定するシステムメッセージ。

リクエストは以下の形式となり、_トークン化_はコンテキストや会話の関連情報を効果的に捉えています。このようにシステムコンテキストの変更は、提供されるユーザー入力と同様に補完の質に大きく影響します。

response = client.responses.create(
    model="gpt-5-mini",
    input=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who won the world series in 2020?"},
        {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
        {"role": "user", "content": "Where was it played?"}
    ]
)

指示プロンプト

上記の例では、ユーザープロンプトは単純なテキストクエリで情報を求める要求として解釈できます。_指示_プロンプトでは、そのテキストを使ってタスクをより詳しく指定し、AIにより良いガイダンスを与えられます。例を示します：

プロンプト（入力）	補完（出力）	指示タイプ
Write a description of the Civil War	シンプルな段落を返す	単純
Write a description of the Civil War. Provide key dates and events and describe their significance	段落と主要な出来事のリストを返す	複雑
Write a description of the Civil War in 1 paragraph. Provide 3 bullet points with key dates and their significance. Provide 3 more bullet points with key historical figures and their contributions. Return the output as a JSON file	より詳細なJSON形式で返す（テキストボックスに表示され、コピーしてファイルに保存・検証可能）	複雑。フォーマット済み

主たるコンテンツ

上記の例では、プロンプトはまだかなり自由形式で、LLMがどの部分の事前学習データセットが関連するかを決められました。_主たるコンテンツ_デザインパターンでは、入力テキストを2つの部分に分けます：

• 指示（アクション）
• アクションに影響を与える関連コンテンツ

たとえば、ここでは「これを2文で要約せよ」という指示があります。

プロンプト（入力）	補完（出力）
木星は太陽から5番目の惑星で、太陽系で最大の惑星です。ガスジャイアントで質量は太陽の千分の一ですが、太陽系の他の全惑星の合計の2.5倍です。木星は肉眼で見える最も明るい天体の一つであり、古代文明にも知られてきました。ローマ神話の木星に因んだ名前です。[19] 地球から見ると、反射光が影を落とすほど明るく、[20] 平均して月と金星に次ぐ夜空で3番目に明るい自然天体です。 2文で要約してください	木星は太陽から5番目の惑星で、太陽系で最大の惑星であり、夜空で最も明るい天体の一つです。ローマ神話の神にちなんで名付けられたこのガスジャイアントの質量は、他の全惑星の合計の2.5倍です。

主たるコンテンツのセグメントは、より効果的な指示を与えるために様々な方法で使えます：

• 例 - 明確な指示ではなく、何をすべきかの例を与え、パターンを推測させる。
• キュー - 指示の後に、補完を促す「キュー」を与え、より関連性の高い応答に導く。
• テンプレート - 変数をデータでカスタマイズできる、繰り返し使えるプロンプトの「レシピ」。

これらを実際に見ていきましょう。

例を使う方法

これは主たるコンテンツに、ある指示に対する望ましい出力の例をモデルに「与え」、望む出力のパターンを推測させるアプローチです。例の数によってゼロショット、ワンショット、フューショットプロンプティングがあります。

プロンプトは以下の3つの要素で構成されます：

• タスクの説明
• 望ましい出力のいくつかの例
• 新しい例の開始（暗黙のタスク説明となる）

学習タイプ	プロンプト（入力）	補完（出力）
ゼロショット	"The Sun is Shining". スペイン語に翻訳	"El Sol está brillando".
ワンショット	"The Sun is Shining" => ""El Sol está brillando". "It's a Cold and Windy Day" =>	"Es un día frío y ventoso".
フューショット	The player ran the bases => Baseball The player hit an ace => Tennis The player hit a six => Cricket The player made a slam-dunk =>	Basketball

ゼロショットプロンプティングでは明示的な指示（「スペイン語に翻訳」）を与える必要がありますが、ワンショットの例ではそれが推測されることに注目してください。フューショットの例では、例を増やすことで指示なしにより正確な推論が可能になります。

プロンプトキュー

主たるコンテンツを使うもう一つの技術は、例ではなく_キュー_を与える方法です。この場合、望ましい応答形式のスニペットを_提示して_モデルに方向性を示し、モデルは「キューを受け取って」その形式で続けます。

キューの数	プロンプト（入力）	補完（出力）
0	木星は太陽から5番目の惑星で、太陽系で最大の惑星です。ガスジャイアントで質量は太陽の千分の一ですが、太陽系の他の全惑星の合計の2.5倍です。木星は肉眼で見える最も明るい天体の一つで、古代文明にも知られてきました。 要約してください	木星は太陽系で最大の惑星で太陽から5番目の惑星です。ガスジャイアントで質量は太陽の千分の一ですが、他の全惑星の合計より重いです。古代文明も木星を知っていて、夜空で容易に見えます。
1	木星は太陽から5番目の惑星で、太陽系で最大の惑星です。ガスジャイアントで質量は太陽の千分の一ですが、太陽系の他の全惑星の合計の2.5倍です。木星は肉眼で見える最も明るい天体の一つで、古代文明にも知られてきました。 要約してください 私たちが学んだのは、木星は	太陽から5番目の惑星で、太陽系最大の惑星です。ガスジャイアントで太陽の千分の一の質量ですが、他の惑星の合計の2.5倍です。肉眼で容易に見え、古代から知られています。
2	木星は太陽から5番目の惑星であり、太陽系で最大の惑星です。木星は太陽の質量の千分の一の質量を持つガス巨大惑星ですが、太陽系の他のすべての惑星の合計の2.5倍の質量を持っています。木星は肉眼で見える最も明るい天体の一つであり、記録された歴史以前から古代文明に知られていました。 まとめ 私たちが学んだトップ3の事実：	1. 木星は太陽から5番目の惑星であり、太陽系で最大の惑星です。 2. ガス巨大惑星で、太陽の質量の千分の一ですが... 3. 木星は古代から肉眼で見えていました ...

プロンプトテンプレート

プロンプトテンプレートは、必要に応じて保存し再利用できる_事前定義されたプロンプトのレシピ_であり、大規模に一貫したユーザー体験を促進します。最も単純な形では、OpenAIのこちらの例のように、対話型のプロンプト構成（ユーザーとシステムメッセージ）とAPI駆動のリクエストフォーマットの両方を提供する一連のプロンプト例のコレクションです。

より複雑な形態としては、LangChainのこの例のように、_プレースホルダー_を含み、これをユーザー入力、システムコンテキスト、外部データソースなど、さまざまなソースのデータで置き換え、動的にプロンプトを生成します。これにより、プログラム的に一貫したユーザー体験を大規模に促進できる再利用可能なプロンプトのライブラリーを作成できます。

最後に、テンプレートの本当の価値は、縦断的なアプリケーションドメイン向けに_プロンプトライブラリー_を作成・公開できる点にあります。ここでプロンプトテンプレートは、アプリケーション固有のコンテキストや例を反映するよう_最適化_され、対象ユーザー向けにより関連性が高く正確な応答を生成します。Prompts For Eduリポジトリは、このアプローチの優れた例であり、レッスンプラン作成、カリキュラム設計、学生指導などの主要目的に焦点を当てた教育領域向けのプロンプトのライブラリをキュレーションしています。

補助コンテンツ

プロンプト構築を指示（タスク）と対象（主要コンテンツ）を持つと考えると、_副次的コンテンツ_は出力を何らかの方法で影響させるための追加コンテキストのようなものです。チューニングパラメータ、フォーマット指示、トピック分類などがこれに該当し、モデルが応答を望ましいユーザー目標や期待に合わせて_調整_するのに役立ちます。

例えば：カリキュラム内の利用可能なすべてのコースについて、名前、説明、レベル、メタデータタグ、講師などの詳細なメタデータを含むコースカタログがあるとします。

• 「2023年秋学期のコースカタログを要約せよ」という指示を定義できます。
• 主要コンテンツを使い、望ましい出力の例をいくつか提示できます。
• 副次的コンテンツを使い、関心のある上位5つの「タグ」を特定できます。

これでモデルは、いくつかの例で示した形式で要約を提供できますが、結果に複数のタグがある場合、副次的コンテンツで特定された5つのタグを優先できます。

---

プロンプティングのベストプラクティス

プロンプトの_構築_方法が分かったので、今度はベストプラクティスを反映するように_設計_することを考えましょう。これには、大きく分けて適切な_マインドセット_を持つことと、適切な_技術_を適用することの2つがあります。

プロンプトエンジニアリングのマインドセット

プロンプトエンジニアリングは試行錯誤のプロセスなので、以下の3つの広範な指針を心に留めてください：

1. ドメイン理解が重要です。 応答の正確性と関連性は、そのアプリケーションやユーザーが活動する_ドメイン_の影響を受けます。直感やドメイン専門知識を活用して技術をさらにカスタマイズしてください。例えば、システムプロンプトに_ドメイン固有のパーソナリティ_を定義したり、ユーザープロンプトに_ドメイン固有のテンプレート_を使ったりします。副次的コンテンツにドメイン固有のコンテキストを反映させたり、_ドメイン固有の合図や例_を使ってモデルを馴染みのある利用パターンへ導きます。

2. モデル理解が重要です。 モデルは本質的に確率的であることは知られていますが、トレーニングデータセット（事前学習知識）、提供される機能（APIやSDK経由など）、最適化されているコンテンツタイプ（コード、画像、テキストなど）は実装により異なります。使用しているモデルの強みや制限を理解し、その知識を活用して_タスクの優先順位付け_やモデルの能力に最適化された_カスタマイズテンプレート_を作成してください。

3. 反復と検証が重要です。 モデルもプロンプトエンジニアリング技術も急速に進化しています。ドメイン専門家として、あなたにはコミュニティ全体には当てはまらない独自の文脈や基準があるかもしれません。プロンプトエンジニアリングのツールや技術を使って「素早く」プロンプト構築を始め、その後、自身の直感やドメイン知識で結果を反復・検証してください。洞察を記録し、他の人が将来的により速く反復できるように知識ベース（例：プロンプトライブラリ）を作成しましょう。

ベストプラクティス

ここでは、OpenAIやAzure OpenAIの実務者が推奨する一般的なベストプラクティスを見てみましょう。

何をするか	なぜ
最新モデルを評価する	新しいモデル世代は特徴や品質が向上している可能性がありますが、コスト面で高くなることもあります。影響を評価し、移行判断を行いましょう。
指示とコンテキストを分ける	モデルやプロバイダーが_区切り_を定義しているか確認し、指示、主要コンテンツ、副次的コンテンツをより明確に区別しましょう。これによりモデルはトークンにより適切な重みを割り当てやすくなります。
具体的かつ明確にする	望ましいコンテキスト、結果、長さ、形式、スタイルについて詳細を与えましょう。これにより応答の品質と一貫性が向上します。レシピは再利用可能なテンプレートにまとめましょう。
説明的にし、例を使う	モデルは「見せて説明する」アプローチにより良く反応する場合があります。はじめはゼロショットで指示のみ（例なし）で試し、その後少数ショットで望ましい出力の例を数件提供して微調整しましょう。類推も活用してください。
合図を使って開始を促す	応答の開始点となる先行する単語やフレーズを与えることで、モデルを望ましい結果へ促しましょう。
繰り返し強調する	モデルには繰り返し指示を与える必要があることもあります。主要コンテンツの前後に指示を置く、一つは指示でもう一つは合図にするなど、何が効果的か反復検証してください。
順序が重要	学習例での最近性バイアスにより、情報の提示順が出力に影響を与えることがあります。異なる方法を試して、最適なものを探しましょう。
モデルに「逃げ道」を与える	モデルが何らかの理由でタスクを完了できない場合に返せる_フォールバック_応答を用意すると、誤情報や捏造回答の発生を減らせます。

どのベストプラクティスでも、_ケースバイケース_であることを忘れないでください。モデル、タスク、ドメインにより異なります。これらを出発点として活用し、あなたに最適な方法を探し反復してください。新しいモデルやツールが登場するたびに、プロンプトエンジニアリングのプロセスのスケーラビリティと応答品質に焦点を当てながら再評価しましょう。

課題

おめでとうございます！レッスンの最後までたどり着きました！ここからは、学んだ概念や技術を実際の例で試す時間です！

課題では、インタラクティブに演習できるJupyter Notebookを使います。ノートブックを自身のMarkdownやコードセルで拡張し、自分でアイデアや技法を探求しても構いません。

始めに、リポジトリをフォークし、

• （推奨）GitHub Codespacesを起動
• （または）リポジトリをローカルにクローンしDocker Desktopで使用
• （または）お好みのNotebook実行環境でノートブックを開く

次に、環境変数を設定

• リポジトリルートの.env.copyファイルを.envにコピーし、AZURE_OPENAI_API_KEY、AZURE_OPENAI_ENDPOINT、AZURE_OPENAI_DEPLOYMENTの値を設定してください。Learning Sandboxセクションで設定方法を学べます。

次に、Jupyter Notebookを開く

• 実行カーネルを選択します。方法1または2を使用している場合、開発コンテナーで提供されるPython 3.10.xのデフォルトカーネルを選択してください。

これで演習を実行する準備が整いました。ここには正解や不正解はありません。試行錯誤しながらモデルやアプリケーションドメインで何が機能するかを直感的に理解していきます。

このため、このレッスンにはコード解答セグメントはありません。代わりに、ノートブックには「My Solution:」というタイトルのMarkdownセルがあり、参考のための一つの例の出力を示しています。

知識チェック

次のうち、妥当なベストプラクティスに従った良いプロンプトはどれですか？

1. 赤い車の画像を見せて
2. 赤い車でボルボのXC90モデルが崖のそばに停まっていて、夕日が沈んでいる画像を見せて
3. 赤い車でボルボのXC90モデルの画像を見せて

A: 2が最良のプロンプトで、「何を」示すか詳細に説明し（単なる車ではなく特定のメーカーとモデル）、全体の状況も描写しています。3は次に良く、これも多くの説明が含まれています。

🚀 チャレンジ

「赤い車でボルボのXC90モデルの画像を見せて」という文の途中で「Show me an image of red car of make Volvo and 」句を完結させるために「合図」技術を使えないか試してみてください。どんな応答が返ってきましたか？どう改善しますか？

素晴らしい！学習を続けましょう

プロンプトエンジニアリングのさまざまな概念をもっと学びたいですか？継続学習ページにアクセスして、このトピックの他の優れたリソースを見つけましょう。

次のレッスン5では高度なプロンプティング技術を学びます！

---

免責事項： 本書類は AI 翻訳サービス Co-op Translator を使用して翻訳されています。正確性を期していますが、自動翻訳には誤りや不正確な部分が含まれる可能性があることをご承知おきください。原文の原語版が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。本翻訳の利用により生じたいかなる誤解や解釈違いについても、当方は責任を負いかねます。