RAG、CO-STAR、Few-shot Promptingは、どれも生成AIの回答品質を高めるために使われますが、役割は同じではありません。
結論から言うと、RAGは「外部の知識を補う」、CO-STARは「指示を構造化する」、Few-shot Promptingは「例を見せて出力の型を寄せる」ための方法です。
生成AIに期待どおりの回答をしてもらえないとき、「知識が足りないのか」「指示が曖昧なのか」「望む出力例が伝わっていないのか」を切り分けると、どの方法を使うべきか判断しやすくなります。
この記事では、RAG・CO-STAR・Few-shot Promptingの役割の違いを整理し、仕事の場面ごとにどれを選ぶとよいかを解説します。
3つの違いを一言で整理すると
最初に、役割を簡単に整理します。
- RAG:外部の文書やデータを検索・参照して回答に使う
- CO-STAR:目的や条件を整理して、プロンプトを構造化する
- Few-shot Prompting:見本となる入出力例を与え、出力傾向を合わせる
3つは競合するものではありません。
たとえば、社内規程を参照しながら、決められた形式の回答を生成したい場合、RAGで規程を取得し、CO-STARで指示を整理し、Few-shot Promptingで回答例を見せる、といった組み合わせもできます。
RAGは「知識を補う」
RAGはRetrieval-Augmented Generationの略で、生成AIが外部情報を検索し、その内容を参照しながら回答を作る仕組みです。
生成AIだけでは、自社独自の情報、最新の規程、顧客別データなどを知らないことがあります。
RAGを使うと、必要な文書やデータを検索し、その情報を回答材料として渡せます。
たとえば、
- 社内規程を参照した問い合わせ回答
- 商品マニュアルを使ったサポート
- 最新の業界資料を使った要約
- 社内ナレッジを検索するAI
などに向いています。
RAGの基本的な意味や仕組みは、RAGとは?で詳しく解説しています。
CO-STARは「指示を構造化する」
CO-STARは、生成AIへの指示をいくつかの要素に分けて整理するプロンプト設計のフレームワークです。
代表的には、次のような観点を使います。
- Context:背景
- Objective:目的
- Style:文体・スタイル
- Tone:トーン
- Audience:読み手
- Response:出力形式
生成AIへの依頼が曖昧だと、「何を目的に」「誰向けに」「どの形式で」答えるべきかが伝わりません。
CO-STARを使うと、これらを分けて考えられるため、指示の抜けを減らしやすくなります。
たとえば、「この文章を要約して」だけではなく、
- 背景:役員会議で使う
- 目的:意思決定に必要な論点を短く整理する
- 読み手:経営陣
- トーン:簡潔で客観的
- 出力:300字以内、箇条書き3点
というように整理できます。
CO-STARの基本的な使い方は、CO-STARとは?で詳しく解説しています。
Few-shot Promptingは「例で出力を寄せる」
Few-shot Promptingは、生成AIに複数の見本を提示し、そのパターンに沿った回答を作ってもらう方法です。
たとえば、顧客問い合わせを「要望」「不満」「質問」の3分類に分けたい場合、数件の入力と正解例を見せます。
例:
- 入力:「解約方法を知りたい」→ 出力:「質問」
- 入力:「配送が遅すぎる」→ 出力:「不満」
- 入力:「請求書をPDFでほしい」→ 出力:「要望」
このような例を与えることで、分類ルールを文章だけで説明するより、意図が伝わりやすくなることがあります。
Few-shot Promptingは、
- 出力形式をそろえたい
- 独自分類を覚えさせたい
- 文体や表現を寄せたい
- 判断例を示したい
といった場面に向いています。
基本的な考え方は、Few-shot Promptingとは?で詳しく解説しています。
目的で選ぶと迷いにくい
3つを使い分けるときは、「何が足りないのか」で考えるとわかりやすくなります。
必要な情報がAIの中にないならRAG
生成AIが必要な知識を持っていない、または最新ではない場合はRAGが向いています。
たとえば、
- 今日更新された社内規程
- 顧客ごとの契約内容
- 自社製品の詳細仕様
- 社内で蓄積した独自ノウハウ
などです。
この場合、プロンプトを工夫しても、元となる情報がなければ正確な回答は作れません。
まず外部情報へアクセスできる仕組みが必要です。
依頼内容が曖昧ならCO-STAR
必要な情報はあるものの、回答が毎回ずれる場合は、指示の構造に問題がある可能性があります。
たとえば、
- 誰向けに書くのか決まっていない
- 目的が曖昧
- 文章の長さを指定していない
- トーンが決まっていない
- 出力形式が不明確
といった状態です。
この場合はCO-STARで依頼内容を分解し、必要な条件を明示すると改善しやすくなります。
出力の型や判断基準を合わせたいならFew-shot Prompting
指示は明確でも、細かい表現や分類基準が思った通りにならない場合は、Few-shot Promptingが向いています。
「こういう入力なら、こう答えてほしい」という例を示すことで、出力傾向を寄せやすくなります。
3つの違いを仕事の場面で比較
社内問い合わせAIを作る
この場合はRAGが中心です。
社内規程やマニュアルを検索し、その内容をもとに回答する必要があるからです。
さらに、回答形式を「結論→根拠→参照文書」にそろえたいなら、CO-STARで出力条件を整理できます。
回答例を数件見せて表現を統一したいなら、Few-shot Promptingも追加できます。
メール作成を安定させる
この場合はCO-STARとFew-shot Promptingが使いやすいでしょう。
CO-STARで、
- 相手
- 目的
- トーン
- 長さ
- 出力形式
を指定します。
さらに、「自社ではこういう書き方をする」という見本メールを与えれば、Few-shot Promptingで表現を寄せられます。
社内の過去メールを検索して使う必要があるなら、RAGも選択肢になります。
顧客の問い合わせを分類する
Few-shot Promptingが有効な場面です。
分類基準を文章だけで説明するのではなく、複数の正解例を示すことで、独自ルールを伝えやすくなります。
分類ルールが社内文書に頻繁に更新されるなら、その文書をRAGで取得し、Few-shotの例と組み合わせることもできます。
社内資料を要約する
資料そのものを検索・取得する必要があるならRAGが中心です。
そのうえで、CO-STARを使って「部長向け」「300字」「意思決定論点を3点」などと指定すると、要約の方向性をそろえられます。
さらに理想的な要約例を示せば、Few-shot Promptingで出力形式を安定させられます。
RAGとCO-STARの違い
RAGとCO-STARは、扱うレイヤーが異なります。
RAGは「回答材料となる情報をどう取得するか」の仕組みです。
一方、CO-STARは「取得した情報を使って、何をどう答えてほしいか」を伝えるための整理方法です。
たとえばRAGで最新の営業マニュアルを取得しても、「誰向けに、どこまで詳しく、どんな形式で回答するか」が曖昧なら、期待どおりの回答にならないことがあります。
このため、両方を組み合わせる価値があります。
CO-STARとFew-shot Promptingの違い
CO-STARは、指示を言語化して整理します。
Few-shot Promptingは、見本を見せて伝えます。
たとえば「簡潔で丁寧な営業メールを書いて」とCO-STARで条件を整理しても、自社独自の言い回しまでは伝わらないことがあります。
そこで、自社らしいメール例を数件示すと、出力を寄せやすくなります。
つまり、
- CO-STAR:ルールを言葉で伝える
- Few-shot Prompting:ルールを例で伝える
という違いです。
RAGとFew-shot Promptingの違い
RAGは、外部情報を「知識」として与えます。
Few-shot Promptingは、入出力の例を「見本」として与えます。
たとえば契約書から回答するAIなら、契約条文そのものはRAGで取得します。
一方、「契約条文を読んだあと、どのような形式で回答するか」を数件の見本で示すのはFew-shot Promptingです。
どちらも追加情報を与える点では似ていますが、用途が異なります。
3つを組み合わせる具体例
例として、社内ヘルプデスクAIを考えます。
ユーザーが「在宅勤務の申請方法を教えて」と質問したとします。
RAGで必要な規程を取得する
まず、最新の在宅勤務規程や申請マニュアルを検索します。
ここで、回答に必要な事実を補います。
CO-STARで回答条件を決める
次に、
- 対象:一般社員
- 目的:申請方法を迷わず理解できるようにする
- トーン:簡潔で丁寧
- 出力:手順を3〜5ステップで表示
といった条件を整理します。
Few-shot Promptingで表現をそろえる
最後に、過去の良い回答例を数件見せ、
「結論→手順→注意点」
という形式に合わせます。
このように、3つは役割分担しながら併用できます。
よくある使い分けの失敗
情報不足なのにプロンプトだけ工夫する
AIが必要な情報を持っていない場合、CO-STARやFew-shot Promptingだけでは解決できません。
まずRAGなどで必要な情報を渡せる状態にする必要があります。
指示が曖昧なままRAGだけ導入する
正しい文書を取得できても、依頼の目的や出力形式が曖昧なら、回答品質は安定しません。
RAG導入後も、プロンプト設計は必要です。
Few-shotの例を増やしすぎる
例を大量に入れると、プロンプトが長くなり、管理もしにくくなります。
代表的な例、迷いやすい例、境界ケースなどに絞る方が扱いやすくなります。
3つを毎回すべて使う
単純な文章作成ならCO-STARだけで十分なこともあります。
必要な方法だけを選ぶ方が、システムも運用も複雑になりません。
迷わないための選択基準
最後に、選び方を簡単にまとめます。
「必要な知識が足りない?」
YesならRAGです。
社内文書、最新情報、独自データなどを回答に使いたい場面に向いています。
「指示が曖昧?」
YesならCO-STARです。
目的、読み手、トーン、出力形式などを整理し、プロンプトの抜けを減らします。
「望む出力例を見せた方が早い?」
YesならFew-shot Promptingです。
分類基準、文体、フォーマットなどを、見本から学ばせたい場面に向いています。
「全部必要?」
複雑な業務では組み合わせます。
RAGで知識を補い、CO-STARで指示を整理し、Few-shot Promptingで出力例を示すと、それぞれの弱点を補えます。
まとめ
RAG・CO-STAR・Few-shot Promptingは、生成AIの品質を高めるために使えますが、役割が異なります。
RAGは外部知識を補う仕組み、CO-STARは指示を構造化するフレームワーク、Few-shot Promptingは例を示して出力傾向を合わせる方法です。
使い分けるときは、
- 知識不足ならRAG
- 指示の曖昧さならCO-STAR
- 出力例の不足ならFew-shot Prompting
という基準で考えると整理しやすくなります。
また、3つは二者択一ではありません。社内AIや業務支援AIのように、正しい情報、明確な指示、安定した出力のすべてが必要な場面では、組み合わせることで実務で使いやすい仕組みに近づけられます。