2026.07.22

プロンプトの書き方の基本 — 非エンジニアのための実践ガイド

「AIに頼んでみたけれど、思っていたのと違う答えが返ってきた」——生成AIを触りはじめた方から、いちばんよく聞く悩みです。その多くは、AIの性能ではなく指示（プロンプト）の出し方で解決できます。

このページでは、プログラミングの知識がない方でも今日から使える「プロンプトの書き方の基本」を、業務の具体例で解説します。

プロンプトとは — AIへの「指示書」

プロンプト（Prompt）とは、AIに与える指示や質問のことです。そして、期待どおりの結果を引き出すために指示を設計する技術をプロンプトエンジニアリング（Prompt Engineering）と呼びます。

料理に例えるなら、AIは腕の良いシェフです。「何かおいしいもの作って」と言っても期待通りの料理は出てきません。「鶏もも肉を使った和風の煮込み、4人分、30分以内で」と伝えるほど、期待に合う結果が返ってきます。

覚えておきたい考え方：「背景を何も知らない同僚にそのプロンプトを見せて、相手が混乱するなら、AIも混乱する」。AIを「優秀だが事情を知らない新入社員」だと思って指示すると、ちょうど良い具体度になります。

原則1：明確かつ直接的に

指示は具体的であるほど良い結果につながります。曖昧さを排除し、「何を・どんな形式で・どこまで」してほしいかを伝えましょう。

原則2：背景（なぜ）を伝える

「なぜその指示を出しているのか」を添えると、AIはより適切な判断ができます。

例えば「省略記号（…）を使わないで」とだけ言うのではなく、「この文章は音声読み上げソフトで再生されるため、省略記号は読み上げできません。文を完結させてください」と伝えると、AIは意図を理解した上で、指示していない細部まで適切に対応してくれます。

原則3：「やるな」ではなく「代わりにこうして」

否定形の指示は意外と伝わりにくいものです。「専門用語を使うな」より「中学生にも分かる言葉で説明してください」の方が、AIは正確に従えます。禁止したいことがあるときは、望ましい行動に言い換えるのがコツです。

役割を与える（ロールプロンプティング）

AIに特定の役割を与えることで、回答のトーンや専門性を制御するテクニックをロールプロンプティング（Role Prompting）と呼びます。「あなたは金融アナリストです」と最初に設定するだけで、AIはその専門家の視点で回答するようになります。一文だけでも効果があります。

指示とデータを区切る（XMLタグ構造化）

プロンプトが長くなると、AIが「どこが指示で、どこが読ませたい資料か」を混同することがあります。そこで役立つのがXMLタグ構造化（XML Tag Structuring）です。書類にタブ（見出しラベル）を付けて整理するイメージで、要素を明確に区切ります。

よく使うタグは <instructions>（指示）、<context>（背景情報）、<example>（例）、<documents>（参照資料）などです。

<documents>
  <document>
    <source>四半期報告書.pdf</source>
    <document_content>
      （ここに資料の本文）
    </document_content>
  </document>
</documents>

<instructions>
上記の四半期報告書を分析し、売上の傾向を3つ挙げてください。
各傾向は1文で簡潔に。
</instructions>

タグの名前は自由に決められます。大切なのは「指示と資料を、機械的に区別できる形で分けること」です。

例を見せる（Few-shotプロンプティング）

「百聞は一見にしかず」はAIにも当てはまります。Few-shotプロンプティング（Few-Shot Prompting）は、望む入出力の例を2〜5個見せることで、出力の形式やトーンを揃える、最も信頼性の高い手法のひとつです。

良い例の3条件は次のとおりです。

• 関連性（Relevance）：実際のユースケースに近い例を選ぶ
• 多様性（Diversity）：判断に迷う境界例も含め、偏った学習を防ぐ
• 構造化：<example> タグで囲み、指示本文と区別する

以下の製品レビューの感情を分析してください。

<examples>
  <example>
    <input>「この商品は最高です！毎日使っています」</input>
    <output>感情: ポジティブ / 信頼度: 高</output>
  </example>
  <example>
    <input>「まあまあかな。期待したほどではない」</input>
    <output>感情: 中立〜やや否定 / 信頼度: 中</output>
  </example>
</examples>

<input>「デザインは好きだけど、すぐ壊れた」</input>

長い資料を読ませるときの順番

数十ページの資料をAIに読ませる場合は、データ（資料）を先に、指示・質問を後に置くと精度が上がります。この配置で最大30%の品質向上が確認されたと報告されています。

イメージとしては、まず資料を机に広げてから（上＝データ）、「この中から要点を見つけて」と頼む（下＝質問）流れです。

さらに、資料に基づいて回答させる際は、まず関連箇所を引用（Quote）させてから答えさせると正確性が大きく向上します。これをグラウンディング（Grounding）と呼び、AIが事実にない内容をもっともらしく書いてしまうハルシネーション（Hallucination）の防止に最も有効な手法です。

段階的に考えさせる（Chain-of-Thought）

複雑な判断をさせるとき、「ステップバイステップで考えてください」と促して推論の過程を出力させる手法を思考の連鎖（Chain-of-Thought）と呼びます。かつては万能のコツとして知られましたが、最近のAIは内部で自動的に深く考える機能（thinking）を備えているため、現在この一文は「thinkingを使わない場面での補助」という位置づけです。単純な作業にまで常用すると、回答が遅く・冗長になることがあります。

実務で安定するのは、手順を唱えさせることより、判断基準を先に示し、回答の前にその基準と照合させる書き方です。推論の過程を確認したい場合は、「考える過程」と「最終的な答え」をタグで分けて出力させる方法もあります。

大きな仕事は分割する（プロンプトチェーニング）

ひとつの大きなタスクを複数の小さなステップに分割し、前のステップの出力を次のステップの入力にする手法をプロンプトチェーニング（Prompt Chaining）と呼びます。工場の組立ラインのように、各工程で品質チェックができるのが利点です。

最もよく使うパターンが「自己修正」です。

1. まずドラフト（下書き）を作らせる
2. 基準に照らしてレビューさせる
3. レビュー結果に基づいて改善させる

一発で完璧な成果物を求めるより、この3段階を回すほうが安定して質が上がります。

どのテクニックをいつ使うか

用語集

※2026年7月時点の情報です。