Prompt Chainingは、1つの大きな依頼を複数の小さなプロンプトへ分け、前の出力を次の入力としてつなぎながら処理する方法です。
生成AIへ複雑な仕事を一度に頼むと、前提の取り違え、重要論点の抜け、出力形式の崩れが起こりやすくなります。そこで、作業をいくつかの工程に分解し、「この工程では何を入力し、何を出力するか」を固定すると、途中で確認や修正を入れやすくなります。
この記事では、Prompt Chainingを実務で使う手順を、「最終成果物を決める→処理を分解する→各ステップの入力・出力を決める→前段の結果を次へ渡す→途中確認を入れる→最終統合する」の順で解説します。
基本的な意味や構造から確認したい場合は、Prompt Chainingとは?を参照してください。
Prompt Chainingの全体像
実務では、次の流れで設計すると扱いやすくなります。
- 最終成果物を決める
- 大きな仕事を小さな処理へ分解する
- 各ステップの入力と出力を固定する
- 前の出力を次の入力へ渡す
- 途中で人の確認や修正を入れる
- 最後に全体を統合する
- 失敗したステップだけ改善する
重要なのは、単にプロンプトを何個も並べることではありません。各ステップの役割を重複させず、「前段の出力が次段でそのまま使える」状態を作ることです。
ステップ1|最終成果物を決める
最初に、何を完成させたいかを明確にします。
たとえば、営業企画で「既存顧客向けの提案資料を作る」とします。
入力
- 対象業務
- 最終成果物
- 読み手
- 制約
- 期限
例
最終成果物:既存顧客A社向けの提案資料たたき台
条件:
- 6ページ以内
- 現状課題、提案内容、期待効果、次アクションを含む
- 未確認の数値は追加しない
- 社内確認前の価格条件は書かない
出力
完成形の定義。
判断基準
「何ができれば作業終了か」を一文で説明できるか確認します。
ステップ2|大きな仕事を小さな処理へ分解する
次に、最終成果物を作るまでの仕事を分解します。
提案資料なら、たとえば次のようにできます。
- 顧客情報と案件情報を整理する
- 現状課題を抽出する
- 課題と提案を対応づける
- 提案資料の構成案を作る
- 各ページの本文を作る
- 全体をレビューする
入力
最終成果物と、現在持っている情報。
行動
「1回の出力で1つの役割」を目安に分けます。
出力
処理ステップ一覧。
判断基準
各ステップが、別の目的を持っているかを確認します。
「課題抽出」と「提案作成」を同じステップにすると、AIが課題を推測しながら提案まで作る可能性があります。分けることで、課題の正しさを確認してから次へ進めます。
ステップ3|各ステップの入力と出力を固定する
Prompt Chainingでは、前段の出力が次段で使いやすい形式になっていることが重要です。
例|ステップ1 顧客情報整理
入力:
- 顧客名
- 現在利用しているサービス
- 契約期間
- 利用状況
- 担当者からのヒアリングメモ
出力:
- 確定事実
- 顧客の要望
- 未確認事項
例|ステップ2 課題抽出
入力:
ステップ1の「確定事実」と「顧客の要望」
出力:
- 課題候補
- 根拠となる事実
- 未確認点
判断基準
次のステップが、前の出力を読み替えずに使えるかを確認します。
ステップ4|前段の結果を次段へ渡す
Prompt Chainingの中心は、前の結果を次へ渡すことです。
ただし、前段の出力を丸ごとコピペするだけでは、不要情報まで蓄積していきます。
そこで、「次段で必要な項目だけ」を渡します。
プロンプト例
次の確定事実と顧客要望だけを使って、顧客課題を整理してください。
確定事実:
- 月次レポート作成に毎月8時間かかっている
- データは3つのシステムから手作業で集計している
- 集計後に担当者がExcelで加工している
顧客要望:
- 月次レポート作成時間を短縮したい
- 手作業の転記を減らしたい
条件:
- 与えていない課題を推測しない
- 各課題に根拠となる事実を1つ以上付ける
- 不明点は未確認として分ける
期待する出力
- 課題1:集計作業に時間がかかっている
- 根拠:3システムから手作業で集計している
- 課題2:転記・加工作業が多い
- 根拠:集計後にExcelで加工している
- 未確認:月次レポートの承認工程に時間がかかっているか
判断基準
前段にない事実を次段で勝手に増やしていないかを確認します。
ステップ5|途中確認を入れる
Prompt Chainingは、最後まで自動で流す必要はありません。
むしろ、誤りの影響が大きいところで人の確認を入れると実務で使いやすくなります。
提案資料の場合、
- 顧客情報の確定
- 課題の確定
- 提案内容の妥当性
- 数値や価格条件
は人が確認するポイントです。
例
AIが課題候補として、
月次レポートの承認に時間がかかっている
と出したとします。
しかし、元データにその事実がなければ、その課題は採用しません。
人が、
- 確定事実に根拠があるか
- 未確認事項を事実扱いしていないか
- 次段へ渡してよいか
を確認します。
判断基準
誤ったまま次段へ渡すと後工程の出力すべてへ影響する情報ほど、途中確認を入れます。
ステップ6|課題と提案を対応づける
課題が確認できたら、次に提案案を作ります。
入力
- 確定した課題
- 利用可能な製品・機能
- 制約
プロンプト例
次の課題と利用可能機能を対応づけて、提案案を作ってください。
課題:
- 3システムから手作業で集計している
- 集計後にExcelで加工している
利用可能機能:
- CSV自動取り込み
- 定型レポート生成
- スケジュール実行
条件:
- 利用可能機能以外を提案しない
- 各提案がどの課題に対応するか示す
- 導入効果の数値は推測しない
出力例
- 提案1:CSV自動取り込み
- 対応課題:3システムからの手作業集計
- 提案2:定型レポート生成
- 対応課題:Excelでの加工
- 提案3:スケジュール実行
- 対応課題:毎月の定型処理
判断基準
提案が、確認済み課題と利用可能機能の範囲内にあるかを見ます。
ステップ7|資料構成を作る
次に、確認済みの課題と提案から資料構成を作ります。
入力
- 顧客の現状
- 課題
- 提案内容
- 読み手
- ページ数制約
プロンプト例
以下の情報だけを使って、6ページ以内の提案資料構成を作ってください。
必須ページ:
- 現状
- 課題
- 提案内容
- 期待効果
- 次アクション
条件:
- 未確認の数値を追加しない
- 価格条件は入れない
- 各ページに「このページで伝えること」を1文で付ける
出力
たとえば、
- 表紙・提案概要
- 現状整理
- 課題
- 提案内容
- 期待効果
- 次アクション
という構成になります。
ステップ8|各ページの本文を作る
構成が決まったら、各ページの本文を作ります。
ここでも、ページごとにプロンプトを分けると修正しやすくなります。
例|課題ページ
入力:
- 確定課題2件
- 根拠事実
出力:
- 見出し
- 要点3つ以内
- 根拠
例|提案ページ
入力:
- 提案3件
- 各提案が対応する課題
出力:
- 見出し
- 提案内容
- 対応課題
判断基準
1ページに複数の目的を詰め込まず、「何を伝えるページか」が明確か確認します。
ステップ9|最後に全体を統合レビューする
各ページを作ったら、最後に全体レビューを行います。
プロンプト例
以下の提案資料案をレビューしてください。
確認観点:
- 現状→課題→提案のつながりがあるか
- 同じ内容を重複していないか
- 未確認の数値や事実が混ざっていないか
- 提案が課題に対応しているか
- 次アクションが明確か
修正文を勝手に確定せず、問題点と修正候補を分けて出してください。
出力の使い方
問題点を見て、人が必要なページだけ修正します。
通し例|既存顧客A社向け提案資料をPrompt Chainingで作る
営業企画の佐藤さんは、既存顧客A社向けに業務効率化提案資料を作ることになりました。
最初は、生成AIへ、
A社向けの業務効率化提案資料を6ページで作ってください。
と一度に依頼しました。
すると、AIは見栄えのよい構成を作りましたが、
- 「年間300時間削減」と未確認の数値を追加
- A社が使っていない機能を提案
- 課題と提案の対応が曖昧
という問題がありました。
そこで、Prompt Chainingへ切り替えました。
チェーン1|情報整理
入力したのは、
- 月次レポート作成に8時間
- 3システムから手作業で集計
- Excelで加工
- 手作業を減らしたいという顧客要望
です。
AIには、確定事実、要望、未確認事項へ分けさせました。
人が確認し、「年間工数」「エラー件数」は未確認のため次へ渡しませんでした。
チェーン2|課題抽出
確認済み情報だけを入力し、
- 手作業集計に時間がかかる
- Excel加工が多い
という2課題を抽出しました。
人が根拠を確認して採用しました。
チェーン3|提案対応づけ
利用可能機能として、
- CSV自動取り込み
- 定型レポート生成
- スケジュール実行
だけを入力しました。
AIには、課題ごとに対応する機能だけを割り当てさせました。
チェーン4|資料構成
現状、課題、提案、期待効果、次アクションという6ページ構成を作りました。
期待効果では未確認数値を禁止し、
- 手作業工程の削減が期待できる
- 定型レポート作成を標準化しやすい
という定性的な表現にしました。
チェーン5|本文作成
各ページを別々に作り、最後に全体レビューを行いました。
すると、「現状」と「課題」で同じ説明が重複していたため、現状ページは事実、課題ページは問題の整理に役割を分けました。
改善後
最終的な資料は、
- 未確認の数値を使わない
- 利用可能機能の範囲だけで提案
- 課題と提案を1対1で確認できる
- ページごとの役割が明確
という状態になりました。
ここで重要なのは、AIに一度で完成品を作らせなかったことです。
情報整理、課題抽出、提案対応づけ、構成、本文、レビューへ分けたことで、誤りが起きた工程だけを直せるようになりました。
そのまま使える設計フォーマットが必要なら、Prompt Chainingテンプレートが役立ちます。業務への適用をケースで追いたい場合は、Prompt Chainingの具体例も参照してください。よくある失敗を先に確認したい場合は、Prompt Chainingで失敗しやすいポイントも参考になります。
生成AIを補助的に使ってチェーン設計や途中レビューを効率化する方法は、生成AIでPrompt Chainingを使う方法で確認できます。
Prompt Chainingでつまずきやすいポイント
ステップを細かく分けすぎる
処理を細かくしすぎると、受け渡しの手間が増えます。人が確認したい境界や、役割が変わるところで分けます。
前段の誤りをそのまま次へ渡す
Prompt Chainingは、前の誤りも次へ引き継ぎます。重要情報は途中確認します。
出力形式を決めない
前段が自由文、次段が構造化入力を前提としていると、毎回整形が必要になります。
不要情報を全部渡す
チェーンが進むほど情報量が増えます。次段で必要な項目だけ渡します。
最後だけレビューする
初期情報や課題が間違っていると、最後の修正コストが大きくなります。前提が固まる地点で人の確認を入れます。
実務で使うためのチェックリスト
- 最終成果物を一文で説明できるか
- 大きな仕事を役割別に分けたか
- 各ステップの入力を決めたか
- 各ステップの出力形式を決めたか
- 前段にない事実を次段で追加していないか
- 次段に不要な情報まで渡していないか
- 重要な前提で途中確認を入れたか
- 課題と提案が対応しているか
- 未確認の数値や条件を使っていないか
- 失敗した工程だけ修正できる設計か
- 最後に全体の一貫性を確認したか
まとめ
Prompt Chainingを実務で使うときは、最終成果物を決めたうえで、仕事を複数の小さな処理へ分けます。
そのうえで、各ステップの入力と出力を固定し、前の出力のうち次で必要なものだけを渡し、重要な前提では人の確認を入れます。最後に全体を統合レビューします。
Prompt Chainingの価値は、プロンプトを長くすることではありません。複雑な仕事を「情報整理」「判断」「構成」「生成」「レビュー」のように分け、途中で誤りを止め、問題が出た工程だけを改善できることにあります。