プロンプト・LLM活用

不具合修正とコード改善を同時に頼むと、差分が広がり原因確認が難しくなります。再現ケース、最小修正、テスト、必要なら別コミットでリファクタリングする実務フローを整理します。

{ "template_version": "2.0.1", "optimization_strategy": , "target_llm": "Gemini 1.5 Pro / GPT-4o", "focus": "Prompts to ...

本記事は、LLM時代のデータエンジニアリング手法についてまとめた解説記事です。LLM時代の高精度・高速データパイプライン：自動化フレームワーク「DataFlow」の全貌【要点サマリ】LLMの性能を決定づけるデータ準備を宣言的プログラムとして...

未整理メモから要件定義書を作るとき、事実抽出、要確認事項、ドラフト生成、人間レビューを分けて捏造を減らす実務手順を整理します。

{ "model": "gemini-1.5-pro-002", "style": "technical_report", "topic": "GPT-5.3-Codex-Release-Analysis", "tags": }本記事はGe...

本記事はGeminiの出力をプロンプト工学で整理した業務ドラフト（未検証）です。複雑な論理推論を制する：CoTと構造化出力を組み合わせた高精度プロンプト設計【ユースケース定義と課題】複雑な契約条項やビジネスルールの整合性チェック。複数の条件...

Establish a high-authority technical tone. Use precise terminology (PEFT, Rank-collapse, RAG-Fusion) while ensuring acce...

複雑な課題では、複数候補を出したあと、共通の評価軸と外部根拠で比較します。候補を増やすこと自体を品質保証にせず、再試行条件と小規模テストまで含めて設計します。

本記事はGeminiの出力をプロンプト工学で整理した業務ドラフト（未検証）です。LLMデータ運用のパラダイムシフト：動的グラフ構造による自動化フレームワーク「DataFlow」【要点サマリ】LLM開発のボトルネックであるデータ準備を、静的パ...

{ "version": "1.1", "technique": , "target_models": , "context": "Professional prompt engineering for automated quality ...