Few-shot Promptingとは、生成AIへ指示を出すときに、望ましい入力例と出力例をいくつか示し、そのパターンを参考に回答してもらうプロンプト設計の方法です。「どんな答えがほしいか」を文章だけで説明するのではなく、具体例を見せることで、形式・粒度・表現・判断基準を伝えやすくなります。
たとえば「顧客問い合わせを3分類して」と指示するだけでは、AIがどの基準で分類するかは曖昧です。そこで、2〜3件の問い合わせと正しい分類例を先に示すと、AIはそのパターンを参考に新しい問い合わせも同じ基準で分類しやすくなります。
この記事では、Few-shot Promptingの意味、基本構造、使い方、具体例、向いている場面、注意点、他の生成AIフレームワークとの違いまでを順に解説します。
Few-shot Promptingとは
Few-shot Promptingは、生成AIへ少数の例を与えて、望む回答パターンを示す方法です。
基本的な構造はシンプルです。
- タスクの説明
- 入力例1 → 出力例1
- 入力例2 → 出力例2
- 必要なら入力例3 → 出力例3
- 実際に処理したい新しい入力
AIは、例に共通する形式や判断パターンを参考にして新しい入力へ回答します。
重要なのは、例を多く入れることではありません。「良い回答の基準が伝わる、代表的な例」を選ぶことです。
Zero-shot Promptingとの違い
例を示さず、指示だけで回答してもらう方法はZero-shot Promptingと呼ばれます。
たとえば、「次の文章を要約してください。200字以内、結論を先に書いてください」という指示だけならZero-shotです。
Few-shotでは、実際の文章と望ましい要約の例をいくつか示してから、新しい文章を要約してもらいます。
タスクが単純で出力形式も明確ならZero-shotで十分なことがあります。一方、文章の雰囲気、分類基準、独自フォーマットなどを細かく伝えたい場合はFew-shotが有効です。
Few-shot Promptingを使う目的
出力形式をそろえる
例を示すことで、見出し、箇条書き、表現順序、項目数などを説明しやすくなります。
判断基準を伝える
分類や評価では、言葉だけの説明より、実際の例を見せたほうが基準が伝わりやすい場合があります。
文体やトーンを安定させる
メール、説明文、要約などで、望む文体の例を示すと出力のばらつきを抑えやすくなります。
社内独自の型を再現する
社内報告、問い合わせ分類、レビューコメントなど、一般的ではない独自フォーマットをAIへ伝えるときに役立ちます。
Few-shot Promptingの基本的な使い方
1. まずタスクを一文で定義する
「顧客の問い合わせをカテゴリ分類する」「議事録から決定事項を抽出する」など、AIに何をしてほしいかを明確にします。
2. 良い例を2〜5件ほど選ぶ
同じパターンばかりではなく、判断の違いが伝わる例を選びます。
3. 入力と出力を同じ形式でそろえる
例ごとに書き方が違うと、AIがどこを真似すべきか分かりにくくなります。見出しや項目順を統一します。
4. 境界ケースを入れる
判断に迷いやすいケースがあるなら、代表例として1件入れると分類基準が伝わりやすくなります。
5. 実際の入力を最後に置く
例の後に、今回処理したい入力を示します。
6. 出力を確認して例を改善する
期待と違う回答が出たら、指示を長くする前に「例が適切か」「境界例が不足していないか」を確認します。
より詳しい実践手順は、Few-shot Promptingのやり方で整理しています。
Few-shot Promptingの具体例
例として、顧客から届く問い合わせを「料金」「不具合」「使い方」の3カテゴリへ分類する場面を考えます。
プロンプト内で次のような例を示します。
- 入力:「月額料金はいくらですか?」 → 出力:「料金」
- 入力:「ログインするとエラーが出ます」 → 出力:「不具合」
- 入力:「CSVを出力する方法を教えてください」 → 出力:「使い方」
そのうえで、「無料期間が終わった後はいくらかかりますか?」という新しい入力を与えます。
AIは例を参考に「料金」と分類しやすくなります。
さらに、境界ケースとして「請求画面が開けません → 不具合」のような例を加えると、「請求」という単語だけで料金に分類しないことも伝えられます。
別の活用イメージは、Few-shot Promptingの具体例で確認できます。
Few-shot Promptingが向いている場面
- 独自の分類ルールをAIへ伝えたい
- 出力形式を毎回そろえたい
- 文体やトーンを安定させたい
- 社内固有の報告形式を再現したい
- 指示だけでは判断基準が伝わりにくい
- 定型業務を繰り返しAIへ依頼したい
特に、「正しい答えを説明するより、見本を見せたほうが早い」業務と相性があります。
例の選び方
正しい例を使う
当然ですが、例そのものに誤りがあると、その誤りをAIが再現する可能性があります。
代表性を持たせる
特殊なケースだけではなく、通常よく起きるケースを含めます。
違いが分かる例を選ぶ
3分類なら、それぞれのカテゴリがどう違うか分かる例を入れます。
長すぎる例を避ける
例が長すぎると、プロンプトが複雑になり、重要な特徴が埋もれることがあります。
Few-shot Promptingで失敗しやすいポイント
例同士のルールが矛盾している
同じような入力なのに異なる出力を示すと、AIは基準を読み取りにくくなります。
良い例だけを並べる
境界ケースがないと、実務で迷いやすい入力に弱くなることがあります。
例の形式がばらばら
1件目は箇条書き、2件目は表形式など、形式が揃っていないと出力も不安定になりやすくなります。
例を増やしすぎる
多くの例を入れれば必ず良くなるわけではありません。重複した例を増やすより、代表例を選びます。
AIの出力を検証しない
例を示しても、常に正しい回答になるとは限りません。重要な業務では人の確認を残します。
よくある失敗と改善策は、Few-shot Promptingで失敗しやすいポイントで詳しく整理しています。
Few-shot Promptingをすぐに使いたいとき
タスク説明、入力例、出力例、実入力、出力条件をそのまま埋められる型は、Few-shot Promptingテンプレートで確認できます。
生成AIでFew-shot Promptingを補助する
生成AI自身に、「この分類ルールを学習させるための代表例を3つ作って」と依頼し、Few-shotのたたき台を作ることもできます。
ただし、AIが作った例には誤りや偏りが含まれる可能性があります。人が実際の業務ルールと照合し、正しい例だけを採用します。
具体的な使い方は、生成AIでFew-shot Promptingを使う方法で整理しています。
他の生成AIフレームワークとの違い
Few-shot Promptingは「例を示して出力パターンを伝える」ことに強みがあります。一方、生成AI活用には、外部情報を参照する方法や、指示そのものを構造化する方法もあります。
外部知識を検索・参照して回答へ反映するRAGとの違いは、RAGとFew-shot Promptingの違いで比較しています。
背景・目的・文体・読者・出力形式を整理するCO-STARとの違いは、CO-STARとFew-shot Promptingの違いで確認できます。
RAG・CO-STAR・Few-shot Promptingをまとめて使い分けたい場合は、3つの使い分けも判断材料になります。
Few-shot Promptingを使うときの注意点
機密情報を例に使わない
社内情報や個人情報を例として入力する場合は、利用するAIサービスと組織の情報管理ルールを確認します。
例を正解そのものと考えない
過去の例が今後も最適とは限りません。ルール変更や業務変更があれば例も更新します。
判断が重要な業務は人が確認する
法務、医療、財務、採用など重要な判断に関わる場合は、Few-shotで出力をそろえても最終確認を人が行います。
指示と例の両方を整える
例だけに頼るより、「何をするタスクか」「何を出力してほしいか」も簡潔に明示すると安定しやすくなります。
まとめ
Few-shot Promptingは、生成AIへ少数の入力例と出力例を示し、そのパターンを参考に新しい入力へ回答してもらうプロンプト設計方法です。
ポイントは、例の数ではありません。業務ルールが伝わる代表例を選び、形式をそろえ、必要なら境界ケースを加えることです。
まずは、普段AIへ依頼している定型業務を一つ選び、過去の「良い入力と良い出力」を2〜3件だけプロンプトへ追加してみてください。指示だけの場合と比べると、Few-shot Promptingが向いているかを確認しやすくなります。