LLM
Few-shot プロンプトとは？
別名: Few-shot Learning
プロンプトに「例」を数個入れて精度を上げるテク。
⚡ 30秒でわかる
Few-shot プロンプト の主なポイント
- 1 Few-shot プロンプトとは、答えのお手本（例）を数個プロンプトに入れて、AIの出力精度や形式を安定させる手法
- 2 例が0個なら Zero-shot、1個なら One-shot、数個なら Few-shot と、見せる例の数で呼び名が変わる
- 3 モデルの重みは書き換えず、文脈だけで一時的に賢くする In-context Learning の一種で、ファインチューニングとは別物
- 4 出力フォーマットや分類ラベルをきっちりそろえたいタスクで特に効果が出やすい
- 5 高性能モデルでは Zero-shot でも十分なことが増え、Few-shot の出番は以前より減っている
📖 詳しく
Few-shot プロンプト とは
Few-shot（フューショット）プロンプトとは、AIに「こういう入力にはこう答えてほしい」というお手本（例）を数個だけプロンプトの中に書いて見せ、出力の精度や形式を安定させるテクニックです。AIは見せられた例のパターンをその場で読み取って真似するため、欲しい答えの『型』を言葉で細かく説明しなくても伝えやすくなります。たとえば「映画レビューを ポジティブ/ネガティブ で分類して」と頼むとき、正解例を2〜3個添えるだけで、出力のブレや表記ゆれがぐっと減ります。例を1個だけ見せるのが One-shot、1個も見せないのが Zero-shot で、見せる例の数で呼び名が変わります。この仕組みはモデルの中身（重み）を書き換えずに、対話の文脈だけで賢くなる In-context Learning（文脈内学習）と呼ばれ、データで再訓練するファインチューニングとは別物です。近年は Zero-shot でも高精度なモデルが増えたため出番は減りましたが、出力フォーマットを厳密にそろえたいときมには今も有効な定番テクです。
❓ FAQ
よくある質問
- Q. Few-shot プロンプトとは何ですか？
- A. AIに「こういう入力にはこう答える」というお手本を数個プロンプト内に書いて見せ、出力を安定させるテクニックです。AIはその例のパターンをその場で真似するので、欲しい答えの形式や基準を言葉で細かく説明しなくても伝わりやすくなります。分類や定型フォーマットの生成で特に役立ちます。
- Q. Few-shot と Zero-shot・One-shot の違いは？
- A. 違いは「プロンプトに見せる例の数」だけです。例が0個なら Zero-shot、1個なら One-shot、2個以上なら Few-shot と呼びます。例が多いほど狙った出力に寄せやすい一方、プロンプトが長くなりトークン消費も増えるため、必要な数だけ載せるのがコツです。
- Q. Few-shot とファインチューニングはどう違う？
- A. Few-shot はモデルの中身を変えず、プロンプトに例を書くだけでその場限り賢くさせる方法です。一方ファインチューニングは追加データでモデル自体を再訓練し、知識や挙動を恒久的に書き換えます。手軽に試せるのが Few-shot、大量タスクを安定運用したいときに向くのがファインチューニング、と覚えると分かりやすいです。
- Q. 初心者が Few-shot を使うときの注意点は？
- A. まずは Zero-shot で試し、出力がブレたり形式が崩れたときに良い例を2〜3個足す、という順番がおすすめです。例の品質と一貫性が結果を大きく左右するので、表記や形式をそろえた『理想の答え』を載せましょう。例を入れすぎるとプロンプトが冗長になり費用も増えるため、必要最小限にとどめるのが安全です。