すべてのプロンプトに必要な5つの構成要素

プロンプトに必要な5つの構成要素は、役割とコンテキスト・タスク／指示・入力と例・制約・出力形式です。 この5つのコンポーネントは、信頼性が高く再現可能なプロンプトと、一貫性のない結果を生む漠然とした質問を分ける最小限の構造です。

各ブロックは異なる障害モードを解決します。役割とコンテキストはモデルに自分が誰で、どんな状況にいるかを伝えます。タスク／指示は正確に何をすべきかを伝えます。入力と例は素材と教示シグナルを提供します。制約はルールを設定します。出力形式は回答の形を指定します。合わせることで、モデルが推測すべきことを残しません。

これら5つのブロックは、大規模言語モデルがどのように命令を処理するかに基づいています。構造がなぜ重要なのかについての基礎的な説明については、What Is Prompt Engineering?を参照してください。

5ブロックモデルは、Prompt Engineeringにおける収束した研究を反映しています。Schulhoff et al.、「The Prompt Report」（arXiv:2406.06608）では、本番のAIシステムで使用される58以上の個別のテクニックがカタログ化されました——これらすべてはこの5つのブロックの構造化された組み合わせで、異なる構成で適用されています。Brown et al.、2020年、「Language Models are Few-Shot Learners」（arXiv:2005.14165）は、最初に、例（ブロック3）がモデル出力を新しいタスクで劇的に改善できることを示しました——モデルの再トレーニングなしで。

ビジネスケースは明確です。役割とコンテキストがなければ、書き直しが必要な一般的な回答が返ってきます。制約がなければ、ハルシネーションのリスクとブランドに合わない出力が増加します。出力形式がなければ、解析やコピーペーストが直接できない結果になります。5ブロックモデルは3つの障害モードすべてを一度に対処し、GPT-4クラスのモデル・Claude・Gemini・ローカルLLMに等しく適用されます。

役割はモデルが採用するペルソナや専門知識を伝えます。コンテキストはモデルが動いている状況・ドメイン・対象者を伝えます。この2つはペアとして機能するためグループ化されています — 役割はモデルが誰であるかであり、コンテキストはそのタスクで「良い」とは何かを形作る環境です。

役割とコンテキストを省略すると、モデルは誰にも特別に役立たない一般的な視点から回答します。それらがあると、同じモデルが、VATの申告について質問に答えるシニア税務アドバイザー・19歳向けに書くジュニアコピーライター・四半期報告書を要約するデータアナリストになります。出力は実際の状況に合わせて調整されます。

モデルが指示に従う能力が向上するにつれて役割プロンプティングがどのように進化したかを理解するには、From GPT-2 to Today: How Prompt Engineering Evolved を参照してください。

タスク／指示ブロックは、モデルに何をしてほしいかを明示的に述べたものです。 これは最も重要なブロックです — 他のすべてのブロックがこれを支えます。明確で具体的かつテスト可能な指示は、曖昧さをほぼゼロに低減します。漠然とした指示は、すべてのモデルとユースケースにわたってAI出力が悪くなる最大の単一の原因です。

現在のベストプラクティスガイダンスは、タスクを実行可能で観察可能にすることを強調しています：動詞を使い・成果物を述べ・可能であれば成功基準を説明してください。「要約を書く」はタスクです。「以下の記事を3つの箇条書きでまとめてください。各20語以内」はテスト可能な出力を持つタスクです。出力品質の違いは顕著です。

指示は例を提供するかどうかと直接関係します — どちらのアプローチが最も効果的かについては Zero-Shot vs. Few-Shot: Which Approach Gets Better Results? を参照してください。

入力はモデルが処理する必要がある実際のデータ・テキスト・素材です。例は正しいレスポンスがどのように見えるかを示すサンプルの入出力ペアです。これらは別々の関心事です：入力は現在のタスクの生素材であり、例はモデルがタスクをどのように実行するかを形作る教示シグナルです。

1〜3の例（フューショットプロンプティング）を含めることは、出力形式とトーンを固定するための最も信頼できる単一のテクニックです。良い回答がどのようなものかをモデルに示すと、モデルはタスクの説明から推測するのではなく、そのパターンに合わせます。これは特殊な形式・一貫したトーン・精度が求められる構造化された出力にとって最も重要です。

例を使用するタイミングと省略するタイミングの完全な解説については Zero-Shot vs. Few-Shot: Which Approach Gets Better Results? を参照してください。

制約はモデルが従うべきルールです：行うべきことと行うべきでないこと。 文字数制限・禁止トピックやフレーズ・必要な情報源・ブランドボイスのルール・安全上の境界・形式の制約などが含まれます。制約は最もよく省略されるブロックであり、その欠如がハルシネーションした事実・ブランドに合わない言語・間違った形式での出力の主な原因です。

適切にスコープされた制約を一つ追加することは、既存のプロンプトに対して最もレバレッジの高い変更であることが多いです。「統計を作り上げないでください」はハルシネーションのリスクを大幅に削減します。「100語を超えないでください」は簡潔さを強制します。「提供されたテキストの情報のみ使用してください」は出力をソース素材に根拠付け、そのタスクの捏造を完全に排除します。

除外を使って出力を形作るテクニックについては Negative Prompting: Tell the AI What NOT to Do を参照してください。制約のないプロンプトがなぜより多くハルシネーションを起こすかについては AI Hallucinations: Why AI Makes Things Up — and How to Stop Them を参照してください。

出力形式はモデルが生成すべき回答の正確な形を指定します。 これは出力が直接使えるものか、役立つ前に再フォーマットが必要かを決定するブロックです。自動化されたパイプラインにとって、指定されていない出力形式はもろく一貫性のない解析を意味します。GEOにとって、構造化された出力はAI検索エンジンによってそのまま引用される可能性が高く、構造化された回答はプログラム的に抽出しやすいためです。

出力形式ブロックはファイル形式（JSON・Markdown・CSV）・構造（テーブル・箇条書き・番号付きステップ）・長さ・セクションのラベリングを指定できます。より正確に指定するほど、出力に必要な編集が減ります。

異なるモデルにわたるJSONモードと構造化出力の完全なガイドについては Structured Output & JSON Mode: Get AI to Return Usable Data を参照してください。

以下のテンプレートは、単一のドメイン中立なタスクのために5つのブロックが順番に組み立てられたものを示しています。各部分にはラベルが付いており、各ブロックがどこで始まりどこで終わるかが正確にわかります。各セクションの内容を置き換えて、任意のドメインに適応させてください。

このテンプレートはGPT-4o・Claude・Gemini・OllamaやLM Studio経由のローカルLLMで機能します。ブロックの順序は推奨であり、厳格なルールではありません — ただし、役割とコンテキストを最初に、出力形式を最後に配置することが、すべての主要モデルで最も一般的で信頼性の高い配置です。同じプロンプト構造はヨーロッパと中国のオープンソースモデルにも適用されます — Mistral AI、Alibaba Qwen、DeepSeekはすべてこの5ブロック構造に対応しますが、ローカルモデルはローカルモデルに異なる指示フォロー動作があるため、調整された出力形式仕様が必要な場合があります。

PromptQuorumは同じタスク — 「この四半期報告書を要約してください」 — をGPT-4o、Claude 4.6 Sonnet、Gemini 1.5 Proに2つのバージョンで送信しました：1つは非構造化（タスクのみ、ブロックなし）、もう1つは上記の完全な5ブロックテンプレートです。3つのモデル全てで、構造化プロンプトは編集が不要な回答を生成しました。非構造化プロンプトはモデル間で矛盾した結果を生成しました — 異なる長さ、異なる構造、各ケースで異なる詳細レベル。

実験は5ブロックモデルの主な値を示しています：単一のモデルをより賢くするのではなく、異なるモデル間で、および同じモデルの異なる実行全体で、予測可能で一貫性のある出力を提供することです。

人気のあるプロンプトエンジニアリングフレームワークは、異なる名称と異なる順序で、同じ5つの構成要素を配置する独自のアプローチです。CRAFT・CO-STAR・SPECSはすべて、この5ブロックモデルに直接マッピングされます。最初にブロックを理解することで、特定の用語を最初から暗記しなくても、任意のフレームワークを適用できます。

以下の表は、各構成要素が広く使われている3つのフレームワークの対応するフィールドにどのようにマッピングされるかを示しています：

PromptQuorumには、タスクタイプに応じて異なる設定でこれらのブロックを事前入力する9つの組み込みフレームワークが含まれています。フレームワーク固有のガイドについては Which Prompt Framework Should You Use?、CRAFT Framework、CO-STAR Framework を参照してください。