「プロンプトエンジニアリング」という言葉を見かけて、「プロンプトを上手に書くことと何が違うの?」「最近は『もう古い』『終わった』とも聞くけれど、学ぶ意味はあるの?」と迷っている方も多いのではないでしょうか。
結論から言うと、プロンプトエンジニアリングは、生成AIに望む答えを安定して出してもらうために、指示(プロンプト)を設計し、試しては直していく作業です。AIの性能が上がって細かな言い回しのコツは要らなくなってきましたが、「何を、どんな材料と一緒に渡すか」を考える仕事はむしろ広がっており、今は「コンテキストエンジニアリング」という言葉で語られることも増えています。
この記事では、OpenAI・Google・Anthropic・AWS・Microsoftの公式の解説や、元になった論文をもとに、次のことを整理します(2026年11月4日時点で確かめた内容です)。
- プロンプトエンジニアリングの意味と、ただプロンプトを書くこととの違い
- ゼロショット・フューショット・思考の連鎖など、代表的な手法と例
- 「古い」「終わり」と言われる理由と、実際に変わったこと
- コンテキストエンジニアリングとの違い
- 資格と、無料で学べる公式の教材、学ぶ順番
プロンプトエンジニアリングとは|意味をわかりやすく
まず、言葉の意味と、ふだんAIに質問するときとの違いを確かめます。
プロンプトエンジニアリングの意味:AIへの指示を設計して改善すること
プロンプトは、生成AIに入力する指示や質問のことです。Google Cloud の解説は、プロンプトエンジニアリングを、AIモデル(特にLLM)が望ましい回答を生成するようにプロンプトを設計し、最適化するための技術と説明しています。コンテキスト(背景の情報)、指示、例をモデルに渡し、意図を理解してもらうための工夫だとしています。プロンプトという言葉の意味や語源、コマンドプロンプトとの違いは、プロンプトの意味の解説で整理しています。
OpenAI の開発者向けガイドも、要件を満たす内容を「一貫して」生成するように、モデルへの効果的な指示を書く過程だと定義しています。1回うまくいけばよいのではなく、何度使っても同じ水準の答えが返ることを目指す点が、この言葉の中心です。
AWS の解説は、形式・言い回し・語句・記号を選んで、AIがユーザーと有意義にやり取りできるよう導く作業だとしています。どの会社の説明も、「AIへの頼み方を、目的に合わせて組み立てる技術」という点で共通しています。
なぜ同じAIでも、頼み方で答えが変わるのか
ChatGPTなどの対話型AIの中心にあるのは、LLM(大規模言語モデル)です。LLMは、渡された文章の続きとして、ありそうな言葉を予測しながら答えを作ります。仕組みの全体は、LLM(大規模言語モデル)の意味と仕組みをまとめた記事で詳しく整理しています。
OpenAI のガイドは、モデルが生成する内容は毎回同じとは限らない(非決定的である)ため、望む出力を得るための指示は「技術と科学の組み合わせ」だと書いています。同じ質問でも、背景の情報や答えの形を伝えるかどうかで、返ってくる内容は大きく変わります。
AWS の解説には、わかりやすい例があります。チャットボットに、利用者が「シャツを購入できる場所」とだけ入力したとします。アプリの内部では「あなたは衣料品会社の営業アシスタントです」と役割を与え、利用者の住む地域や「在庫のある最寄りの3店舗を答える」という条件を足して、AIに渡しています。利用者が書いた短い言葉を、AIが正しく答えられる形に組み立て直すのが、プロンプトエンジニアリングの役目です。
「プロンプトを書くこと」との違い:試して、測って、直す
ふだんChatGPTに質問を書くことも、広い意味ではプロンプトを作ることです。プロンプトエンジニアリングと呼ぶときは、それに「試して直す」流れが加わります。
AWS の解説は、プロンプトエンジニアリングを反復的な過程だとし、さまざまな案を試して結果を確かめ、何度も直すことが欠かせないとしています。Google の Gemini API のプロンプト設計ガイドも、冒頭で「プロンプトエンジニアリングは反復的なもの」と注意を書き、ガイドの型は出発点にすぎないとしています。
Anthropic の Claude の開発者向け文書(プロンプトエンジニアリングの概要)は、さらに具体的です。始める前に、次の3つがそろっていることを前提にしています。
- 何ができたら成功かという基準が、はっきり決まっている
- その基準に照らして、結果を試す方法がある
- 直したい最初の下書きのプロンプトがある
つまり、思いつきで言い回しを変えるのではなく、「良い答え」の基準を決め、試し、比べて直すところまでを含めて、プロンプトエンジニアリングと呼ぶのが公式の考え方です。
プロンプトエンジニアという仕事:利用者とAIの間をつなぐ
プロンプトエンジニアリングを専門に行う人を、プロンプトエンジニアと呼ぶことがあります。AWS の解説は、プロンプトエンジニアは利用者と大規模言語モデルの間の溝を埋める役目だとしています。利用者が自分で直して使える型(テンプレート)を用意したり、いろいろな入力を試して、ほかの開発者が使い回せるプロンプトの集まり(プロンプトライブラリ)を作ったりするとしています。
ただし、こうした作業は専門の職種だけのものではありません。社内でよく使う頼みごとを型にして共有する、答えの良し悪しを決める基準を作る、といった仕事は、AIを使う部署の担当者が受け持つことも多いでしょう。OpenAI のガイドも、業務で使うプロンプトは使い捨てにせず、アプリのコードの中で版を管理し、変える前に試験をするよう勧めています。
プロンプトエンジニアリングで解決しないこと
プロンプトを工夫すれば何でもできる、というわけではありません。Anthropic の文書は、すべての課題がプロンプトエンジニアリングで最もよく解決されるわけではないとし、答えが返るまでの時間(レイテンシ)や費用は、別のモデルを選ぶほうが改善しやすい場合があると書いています。
Microsoft の Azure OpenAI のプロンプト エンジニアリングの解説も、プロンプト エンジニアリングを効果的に使っても、モデルが生成した応答は検証が必要だと注意しています。ある場面でうまく働いたプロンプトが、ほかの場面でも同じように働くとは限らないとも書いています。
AIの答えを良くする方法には、プロンプトの工夫のほかに、社内の資料を検索して渡す方法や、モデルを追加で学習させる方法もあります。どれを選ぶかの考え方は、生成AI開発の作り方の選び方(プロンプト・RAG・追加学習)で整理しています。
| 困っていること | まず試すこと | プロンプトの工夫だけでは難しい理由 |
|---|---|---|
| 答えの形がばらばら | 出力の形式・例を指定する | (プロンプトで直しやすい) |
| 社内の情報を知らない | 資料を一緒に渡す(RAGなど) | AIが学習していない情報は、指示だけでは補えない |
| 答えが遅い・費用が高い | 小さいモデル・速いモデルを選ぶ | Anthropic の文書は、モデル選びのほうが改善しやすい場合があるとしている |
| 内容がまちがうことがある | 人が確かめる手順を決める | Microsoft の解説は、プロンプトを工夫しても検証が必要としている |
プロンプトエンジニアリングの代表的な手法と例
次に、よく名前が出る手法を、元になった論文や公式の解説とあわせて見ていきます。名前は難しく聞こえますが、中身は「例を見せる」「考える順番を示す」「役割や形を決める」の組み合わせです。
ゼロショットとフューショット:例を見せるかどうか
いちばん基本になるのが、プロンプトの中に「お手本の例」を入れるかどうかの違いです。
ゼロショット:例を付けずに直接頼む
ゼロショットは、例を付けずに、指示や質問だけを渡すやり方です。Google Cloud の解説は、アイデア出しや要約・翻訳などを例に挙げ、コンテキストや例を足さずにモデルへ直接指示する方法と説明しています。ふだんの「この文章を要約して」は、ゼロショットにあたります。
フューショット:入力と答えの例をいくつか見せる
フューショット(少数ショット)は、入力とその答えの組を1つ以上見せてから、本番の質問をするやり方です。2020年に発表された GPT-3 の論文 「Language Models are Few-Shot Learners」 は、モデルを大きくすると、少数の例を見せるだけで多くの課題をこなせるようになることを示しました。この論文では、モデルを追加で学習させず、例も文章でやり取りするだけで課題を指定しています。
Microsoft の解説は、見出しの文から話題の分類(野球・サッカーなど)を答えさせる例で、例がないとモデルは望む動き方を推測するしかないが、例があると動き方がはっきり伝わると説明しています。また、この方法でモデルそのものが書き換わるわけではなく、その回の答え方が例に沿うだけだとも書いています。
例:問い合わせの分類をフューショットで頼む場合
- 入力「請求書の宛名を変えたい」→ 分類「経理」
- 入力「ログインできない」→ 分類「システム」
- 入力「納品日を早めたい」→ 分類「?」(ここをAIに答えてもらう)
思考の連鎖(Chain-of-Thought):考える途中を書かせる
計算や推理のように、途中の手順が要る問題で使われてきたのが「思考の連鎖」です。
思考の連鎖プロンプト:途中の考え方の例を見せる
2022年の論文 「Chain-of-Thought Prompting Elicits Reasoning in Large Language Models」 は、答えだけでなく、途中の推論の手順を含む例をいくつか見せる方法を試しました。その結果、十分に大きな言語モデルで、算数・常識・記号の推論の成績が上がることを示しています。論文の要旨では、540B(パラメーターの数)の大きなモデルに8つの例を見せただけで、算数の文章題の評価(GSM8K)で当時の最高の正解率に達したとしています。
ゼロショットの思考の連鎖:「段階的に考えましょう」と添える
同じ2022年の論文 「Large Language Models are Zero-Shot Reasoners」(Takeshi Kojima 氏らによる)は、例を作らない方法を試しました。答えの前に「Let’s think step by step(段階的に考えましょう)」と添えるだけで、推論の成績が上がることを示しています。要旨では、算数の問題集 MultiArith で正解率が17.7%から78.7%に、GSM8K で10.4%から40.7%に上がったとしています。これは、当時の InstructGPT のモデル(text-davinci-002)での結果です。
この「一言添えるだけで変わる」という発見が、プロンプトの言い回しのコツが広く注目されるきっかけの1つになりました。ただし、後で見るとおり、今の推論モデルではこの一言が要らない場合があります。
役割・出力の形・区切りを決める
例や考え方の順番のほかに、指示の「組み立て方」も手法の1つです。
OpenAI のガイドは、アプリの作り手が書く指示(developer メッセージ)と、利用者が書く指示(user メッセージ)を分け、作り手の指示を優先させるしくみを説明しています。作り手の指示は「関数の定義」、利用者の入力は「関数に渡す値」のようなものだとたとえています。
同じガイドは、作り手の指示に、ふつうは次の順で4つの部分を入れるとしています。
- Identity(役割):AIの目的、話し方、大きな目標
- Instructions(指示):守るルール、してよいこと・してはいけないこと
- Examples(例):入力と、望む答えの例
- Context(背景の情報):学習データにない社内の情報など。ふつうは最後のほうに置く
さらに、見出しや箇条書き(Markdown)と、XMLのタグ(〈資料〉〜〈/資料〉のような、始まりと終わりの印)を使うと、指示と資料の境目がモデルに伝わりやすいとしています。
そのほかの手法:分けて解く・自分で見直す
AWS の解説は、ほかにも次のような手法を紹介しています。
- 思考ツリー:考えられる次の一手を複数出させ、それぞれを掘り下げる
- 知識生成:先に関係する事実を書き出させてから、本題に答えさせる
- Least-to-most(小さい問題から):問題を小さく分けて、順に解かせる
- 自己改良:答えを書かせたあと、自分で批評させ、直させる
Anthropic の文書は、明確さ・例示・XMLによる構造化・ロールプロンプティング(役割の指定)・思考・プロンプトチェーン(作業をいくつかのプロンプトに分けてつなぐこと)までを、プロンプトの技法としてまとめています。
代表的な手法の比較表
| 手法 | やること | 向いている場面 | 注意点 |
|---|---|---|---|
| ゼロショット | 例を付けずに頼む | 要約・翻訳・アイデア出し | 答えの形がばらつきやすい |
| フューショット | 入力と答えの例を見せる | 分類・決まった書式の出力 | 例に引っぱられる。例と指示を食い違わせない |
| 思考の連鎖 | 途中の考え方を書かせる | 計算・推理・手順のある問題 | 推論モデルでは要らない場合がある |
| 役割・形式の指定 | 役割・ルール・出力の形を決める | 業務で毎回同じ形がほしいとき | 長く細かくしすぎると守りにくくなる |
| 分けて解く・見直す | 小分け・自己批評・つなぐ | 長い文書・複雑な作業 | 手順が増え、時間と費用がかかる |
プロンプトエンジニアリングの例:会議メモの要約を3段階で直す
ここでは、手法の組み合わせ方を、会議メモの要約を例に示します(説明のための例で、特定のAIでの結果を示すものではありません)。
- 最初の指示:「この会議メモを要約して」(ゼロショット)
- 1回目の見直し:「あなたは総務の担当者です。次の会議メモを、決まったこと・担当者・期限の3つに分けて、箇条書きで要約してください」(役割と出力の形を指定)
- 2回目の見直し:以前のメモと「良い要約」の組を1つ見せ、メモと指示を〈会議メモ〉のタグで分ける(フューショットと区切り)
大事なのは、言い回しの工夫そのものより、「決まったこと・担当者・期限がそろっているか」という成功の基準を先に決め、それに照らして直していくことです。指示の書き方のコツや、仕事の場面ごとの例文は、別の記事で扱う予定です。
生成AIのプロンプトエンジニアリングは古い?「終わり」と言われる理由
「プロンプトエンジニアリングはもう古い」「終わった」という声には、もっともな理由があります。公式の文書を見ると、変わったのは「細かな言い回しのコツ」の価値で、指示を設計する仕事そのものではありません。
理由1:推論モデルには「段階的に考えて」が要らない
最近のAIには、答える前に内部で考える時間をとる「推論モデル」があります。OpenAI の推論モデルの使い方のガイドは、推論モデルは単純な指示で最もよく働くとし、「段階的に考えて」のような技法は成績を上げないことがあり、かえって下げることもあると書いています。
同じガイドは、推論モデルへの頼み方として、次のように勧めています。
- 指示は短く、はっきり、まっすぐに書く
- 推論はモデルの中で行われるので、「段階的に考えて」「理由を説明して」と頼む必要はない
- 指示と資料の境目は、見出しやXMLのタグで示す
- まず例なし(ゼロショット)で試し、必要なら例を足す
論文で大きな効果が示された一言が、今のモデルでは要らなくなった。これが「古い」と言われる理由の1つです。
理由2:モデルごと・版ごとに効く頼み方が違う
OpenAI のガイドは、推論モデルとGPTモデルでは最適な頼み方が違うことがあり、同じ系統のモデルでも版(スナップショット)が違えば結果が変わりうるとしています。そのため、業務で使うアプリでは使うモデルの版を固定し、プロンプトの効き方を測る試験(評価)を作っておくことを強く勧めています。
会社によって勧め方が違うこともあります。例の扱いを比べると、次のとおりです。
| 公式の文書 | 例(フューショット)の扱い |
|---|---|
| OpenAI(推論モデルのガイド) | 推論モデルは例なしで良い結果を出すことが多い。まず例なしで試す |
| Google(Gemini API のプロンプト設計ガイド) | プロンプトには常に少数の例を入れることを勧める。例がないプロンプトは効果が下がりやすい |
Google の Gemini API のガイドは、例が十分にはっきりしていれば、指示を削ってもよいとまで書いています。どちらが正しいというより、モデルが違えば効く頼み方も違うということです。ネットで見かけた「魔法の書き方」が、自分の使うAIでも同じように効くとは限りません。
理由3:重心が「コンテキストエンジニアリング」に移った
3つめの理由は、関心の中心が、指示文の書き方から、AIに渡す情報全体の設計へ移ったことです。Claude を開発する Anthropic は、2025年9月29日の技術記事 「Effective context engineering for AI agents」 を公開しました。数年にわたってプロンプトエンジニアリングが注目されたあと、「コンテキストエンジニアリング」という新しい言葉が目立ってきたと書いています。
同じ記事は、言語モデルを使ったシステムづくりは、プロンプトにぴったりの言葉や言い回しを探すことから、「どんな情報の組み合わせを渡せば、望む動きになりやすいか」という広い問いに答えることへ変わりつつあるとしています。
結論:なくなったのではなく、やることが変わった
ここまでをまとめると、次のように整理できます。
- 「段階的に考えて」のような、特定の言い回しで成績を上げるコツは、新しいモデルでは効き目が小さくなった
- 一方で、目的と成功の基準を決め、指示・例・資料の組み立てを試して直す仕事は、AIを業務に組み込むほど大事になっている
- 生成AIの基礎知識を問う試験の新しい出題範囲にも、プロンプトエンジニアリングとコンテキストエンジニアリングの両方が入っている(後の章で説明します)
プロンプトエンジニアリングのよくある誤解
誤解1:特別な「魔法の言葉」を知れば答えが良くなる
上で見たとおり、効く言い回しはモデルや版で変わります。OpenAI も Google も、ガイドは出発点であり、自分の使い方で試して直すことを勧めています。言葉の知識より、試して比べる習慣のほうが長く役に立ちます。
誤解2:指示は長く詳しいほどよい
AWS の解説は、単純すぎるプロンプトは情報が足りず、複雑すぎるプロンプトはAIを混乱させるおそれがあるとして、簡潔さと詳しさのバランスをとるよう勧めています。Anthropic の記事も、細かな条件を詰め込みすぎた指示はもろく、直すのが大変になると書いています。
誤解3:うまく書けば、答えは正しくなる
プロンプトの工夫で答えの形や的確さは変わりますが、内容の正しさを保証するものではありません。Microsoft の解説は、答えが見つからないときは「見つかりません」と答えるよう逃げ道を指示しておくと、誤った答えを減らす助けになるとしています。それでも、生成された応答は人が確かめる前提で使います。
プロンプトエンジニアリングとコンテキストエンジニアリングの違い
関連してよく検索される「コンテキストエンジニアリング」との違いを、もう少し詳しく見ます。
コンテキストエンジニアリングとは:AIに渡す情報全体を整えること
コンテキストは、AIが答えを作るときに受け取っている情報のすべてです。Anthropic の記事は、プロンプトエンジニアリングを「最適な結果のためにLLMへの指示を書き、整理する方法」としています。一方、コンテキストエンジニアリングは「推論のあいだ、指示の外から入ってくる情報も含めて、最適な情報の組み合わせを選び、保ち続けるための方法」だと分けています。
同じ記事によると、LLMを使い始めたころは、日常のチャット以外の多くの用途で、分類や文章づくりのために1回分のプロンプトを最適にすることが仕事の中心でした。今は、何度もやり取りを重ねて長く動く「AIエージェント」が増え、指示のほか、使える道具、外部のデータ、それまでの会話の記録まで、全体を管理する必要が出てきたとしています。
2つの違いを表で比べる
| 比べる点 | プロンプトエンジニアリング | コンテキストエンジニアリング |
|---|---|---|
| 主な対象 | 指示文(特にシステムプロンプト) | 指示・道具・外部のデータ・会話の記録など、渡す情報の全体 |
| 作業の形 | 1つのプロンプトを書いて直す | AIに渡すたびに、何を入れるかを選び直す(Anthropic は「反復的」と説明) |
| よく使う場面 | 要約・分類・文章づくりなど1回のやり取り | 長く動くAIエージェント、社内資料を使う仕組み |
| 関係 | コンテキストエンジニアリングの一部 | プロンプトエンジニアリングを含む、より広い考え方 |
Anthropic は、プロンプトを書くことが区切りのある作業なのに対し、コンテキストエンジニアリングは、モデルに何を渡すかを決めるたびに選び直す、くり返しの作業だとしています。
情報は多ければよいわけではない
「それなら、関係しそうな情報を全部渡せばよい」と思うかもしれません。ところが Anthropic の記事は、渡す情報(トークン)が増えるほど、その中から正しく思い出す力が下がる現象を「コンテキストの劣化(context rot)」と呼んでいます。程度の差はあっても、どのモデルにも見られると書いています。
そのうえで、人の作業記憶に限りがあるように、LLMにも「注意の予算」があり、情報が1つ増えるたびにそれを使ってしまうと説明しています。だからこそ、望む結果につながる、密度の高い情報をできるだけ少なく選ぶことが大事だとしています。
システムに入れる指示についても、同じ記事は「ちょうどよい高さ」で書くよう勧めています。細かな条件を詰め込みすぎるともろくなり、逆にあいまいすぎると、AIが何を求められているかつかめないからです。
RAGは、コンテキストエンジニアリングの代表例
社内の規程や商品資料など、AIが学習していない情報を使いたいときに使われるのが、RAG(検索拡張生成)です。OpenAI のガイドは、モデルが学習していない社内のデータなどを答えに使わせるため、関係する情報をプロンプトに足す方法を、RAGと呼ぶことがあると説明しています。
「質問に合わせて、どの資料のどの部分を渡すか」を決めるRAGは、まさにコンテキストエンジニアリングの考え方です。仕組みや向いている使い方は、RAG(検索拡張生成)の仕組みと注意点で詳しく解説しています。
プロンプトエンジニアリングの資格と、無料で学べる公式の教材
最後に、資格と学び方を整理します。
プロンプトエンジニアリングの資格は民間の試験が中心
この記事で調べた範囲では、プロンプトエンジニアリングだけを対象にした国家資格は見つかりませんでした。「プロンプトエンジニア」の名前が付いた検定は、民間の団体や会社が実施しています。
民間の試験は、内容や難しさ、更新の仕組みがそれぞれ違います。受ける前に、運営する団体の公式サイトで、出題範囲・受験料・合格後の更新の有無を確かめてください。資格を取ることより、仕事で使えるかどうかを重視するなら、次に紹介する公式の教材で手を動かすほうが近道になることもあります。
生成AIパスポートの新しい出題範囲に入った
生成AIの基礎知識を問う民間の試験「生成AIパスポート」(生成AI活用普及協会〔GUGA〕が実施)は、2027年2月試験から使う新しいシラバス(出題範囲)の第5章に「プロンプトエンジニアリング」を置いています。学ぶ項目として、次の語が並んでいます。
- ゼロショット・フューショットのプロンプティング
- Chain-of-Thought(思考の連鎖)
- In-Context Learning(文脈内学習。例を見せてその場で答え方を合わせること)
- 役割設定・出力形式の指定、具体度のコントロール
同じシラバスでは、AIエージェントの章に「コンテキストエンジニアリング」も入りました。シラバスの改訂の説明では、プロンプトの書き方を知るだけでなく、目的に応じてAIをどう使うかを考え、出力を確かめながら使う力が大事になっていると書いています。試験日や申し込み方法は、生成AIパスポートの試験日・申し込み・受験方法でまとめています。
無料で学べる公式の教材
AIを作る会社は、プロンプトの解説を無料で公開しています。OpenAI と Google の開発者向けガイドは英語のページですが、ブラウザの翻訳機能を使えば日本語で読めます。
| 教材 | 内容 | 向いている人 |
|---|---|---|
| OpenAI のプロンプトエンジニアリングのガイド | 役割の分け方、Markdown・XMLでの区切り、例の見せ方、評価 | ChatGPTやAPIで業務の仕組みを作る人 |
| Anthropic の Claude のプロンプトエンジニアリングの概要(日本語) | 成功基準の決め方、技法の一覧、練習用の教材への案内 | 試して直す進め方から学びたい人 |
| Google の Gemini API のプロンプト設計ガイド | 指示・例・制約の書き方、例ありと例なしの違い | Gemini を使う人 |
| AWS の「プロンプトエンジニアリングとは」(日本語) | 意味、使いどころ、手法の一覧 | まず全体を日本語でつかみたい人 |
Anthropic の文書には、例の多い練習用の教材(GitHub のチュートリアル)への案内もあります。ただ、この教材は Claude 3 のモデル向けに書かれているため、今のモデルと違う点は最新のベストプラクティスに従うよう注意が添えられています。
プロンプトエンジニアリングを学ぶ順番のチェックリスト
- プロンプト・LLM・トークン(AIが文章を区切る単位)の意味を説明できる
- ゼロショットとフューショットの違いを、例を挙げて説明できる
- 思考の連鎖が何のための手法か、推論モデルでは要らない場合があることを知っている
- 役割・ルール・例・資料を分けて指示を組み立てられる
- 「何ができたら成功か」を先に決め、2つのプロンプトを同じ材料で比べたことがある
- AIの答えを、元の資料や公式の情報で確かめる手順を決めている
- 社内の資料を渡すとき、入れてよい情報かどうかを社内のルールで確かめている
プロンプトエンジニアリングについてよくある質問
プロンプトエンジニアリングとは、ひと言で言うと何ですか?
生成AIに望む答えを安定して出してもらうために、指示(プロンプト)を設計し、試しては直していく作業です。Google Cloud や OpenAI は、指示・背景の情報・例をどう渡すかを組み立てる技術として説明しています。
プロンプトエンジニアリングは、もう古い・終わりなのですか?
特定の言い回しで成績を上げるコツは、推論モデルの登場で効き目が小さくなりました。一方で、渡す情報全体を設計する「コンテキストエンジニアリング」として、仕事の範囲は広がっています。なくなったのではなく、重心が移ったと考えるのが実態に近いでしょう。
プロンプトエンジニアリングとコンテキストエンジニアリングの違いは何ですか?
プロンプトエンジニアリングは指示文の書き方と整え方が中心です。コンテキストエンジニアリングは、指示のほか、道具・外部のデータ・会話の記録まで、AIに渡す情報全体を選び続けることを指し、プロンプトエンジニアリングを含む広い考え方です。
プロンプトエンジニアリングの例を教えてください。
たとえば、会議メモの要約を頼むとき、最初は「要約して」だけで試し、次に「決まったこと・担当者・期限に分けて」と形を指定し、さらに良い要約の例を1つ見せる、というように直していく流れが典型です。
プロンプトエンジニアリングの資格はありますか?
この記事で調べた範囲では、プロンプトエンジニアリングだけを対象にした国家資格は見つかりませんでした。民間の検定があり、生成AIパスポートは新しい出題範囲(シラバス)にプロンプトエンジニアリングを含めています。
プログラミングができなくても、プロンプトエンジニアリングは学べますか?
学べます。ChatGPT などの画面で、指示の形や例を変えて答えを比べるだけでも、手法の多くは試せます。業務の仕組みに組み込む段階になると、APIや評価の考え方も必要になります。
まとめ|プロンプトエンジニアリングは「試して直す設計」
要点をまとめます。
- プロンプトエンジニアリングは、AIに望む答えを安定して出してもらうために、指示を設計し、試して直す作業
- 代表的な手法は、ゼロショット・フューショット・思考の連鎖・役割や形式の指定・作業の分け方
- 推論モデルでは「段階的に考えて」が要らない場合があるなど、効く頼み方はモデルや版で変わる
- 関心の中心は、渡す情報全体を整える「コンテキストエンジニアリング」へ広がっている
- 資格は民間の試験が中心。公式の教材は無料で読める
読者のタイプ別に、次にすることを挙げます。
- ChatGPTなどを使い始めたばかりの人:同じ頼みごとを、例なし・形式の指定あり・例ありの3通りで試し、答えを比べてみる
- 仕事でAIを使っている人:よく使う頼みごとについて「良い答え」の条件を書き出し、指示を固定して、担当者で使い回せる形にする
- AIの仕組みを作る人:使うモデルの版を固定し、OpenAI のガイドが勧めるように、プロンプトの効き方を測る評価を先に作る
さらに理解を深めるために、次の点を確かめておくと安心です。
- 自分が使うAIは推論モデルか、それ以外か(効く頼み方が変わる)
- 使っているモデルの会社が出している、最新のプロンプトの解説
- 社内の資料をAIに渡すときの社内のルール



