プロンプト・LLM活用 難解なバグは『状態の観測』から始める ― LLMデバッグで再現ログとテストを使う
複雑な状態遷移バグでは、LLMに説明を長くさせるより、再現ログ・変数状態・期待値との差分を観測し、修正後に実テストを走らせる方が有効です。デバッグ依頼の実務フローを整理します。
プロンプト・LLM活用
プロンプト・LLM活用 プロンプト・LLM活用 LLM-as-a-Judgeの精度を最大化する：ルーブリック型プロンプト設計ガイド
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-as-a-Judgeの精度を最大化する：ルーブリック型プロンプト設計ガイド【ユースケース定義と課題】AIチャットボットの回答品質を多角的に定量評価したい...
プロンプト・LLM活用 複数案を比較するLLM設計 ― 候補生成・独立評価・再試行を分ける
複雑な課題で1案だけに賭けるのではなく、複数候補を生成し、別の評価工程で比較し、必要なら再試行する設計を整理します。特定の高度なプロンプト名に依存しない実務向けの方法です。
プロンプト・LLM活用 LLMエージェントの自律性を最大化する：PromptWizardとAgent Lightningの統合最適化アプローチ
{ "expert_role": "LLM Prompt Engineering Expert", "technique_focus": , "target_model": , "version": "1.0"}本記事はGeminiの出力を...
プロンプト・LLM活用 LLMによる自動評価（LLM-as-a-judge）の精度を最大化する「ルーブリック型プロンプト」の設計
{ "version": "1.0", "technique": , "model_optimization": "Gemini 1.5 Pro / GPT-4o", "focus": "LLM-as-a-Judge Reliability...
プロンプト・LLM活用 「プロンプト」から「コンテキスト」へ：情報の構造化による高精度LLM環境の構築手法
{ "focus": "Context Engineering & Information Design", "target_audience": "AI Engineers / Business Process Architects", ...
プロンプト・LLM活用 OpenAIが次世代コード生成モデル「GPT-5.3-Codex」を公開：推論速度25%向上とSWE-bench ProでのSOTA達成
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。OpenAIが次世代コード生成モデル「GPT-5.3-Codex」を公開：推論速度25%向上とSWE-bench ProでのSOTA達成【要点サマリ】GPT-5...
プロンプト・LLM活用 高度な推論を誘発する「思考フレームワーク型」プロンプトの実装ガイド
{ "template_type": "prompt_engineering_guide", "focus": "advanced_reasoning_lateral_thinking", "techniques": , "target_m...
プロンプト・LLM活用 複雑な要件定義を壊さない ― 要件台帳・未確定事項・機械検証で段階化する
長い要件を一度に生成せず、要件ID・根拠・未確定事項・検証ルールを中間成果物として残す実務フローを整理します。
プロンプト・LLM活用 論理バグ修正を再現可能にする ― 再現ケース・最小差分・テストの3点セット
LLMにバグ修正を頼むときは、長い説明を求めるより、再現条件・期待値・実際値・変更範囲・テストを明確にする方が実務で扱いやすくなります。論理バグを安全に直す依頼の型を整理します。