プロンプト・LLM活用 LLM-as-a-Judgeの精度を最大化する「評価用ルーブリック＋フォーム回答型」プロンプト設計
{"design_pattern": "LLM-as-a-judge-optimization", "techniques": , "target_model": "Gemini 1.5 Pro / GPT-4o", "version": ...
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ワークフローを『連鎖』からグラフへ ― Dataflow Synthesisと状態管理の考え方
Microsoft Semantic MachinesのDataflow Synthesisを起点に、LLM/エージェントの複雑なワークフローで状態・依存関係・再実行をグラフとして扱う利点を整理します。
プロンプト・LLM活用 RAG精度を最大化する「コンテキストエンジニアリング」：情報密度の最適化によるLLMの思考深度向上
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。RAG精度を最大化する「コンテキストエンジニアリング」：情報密度の最適化によるLLMの思考深度向上【ユースケース定義と課題】膨大な社内規定や技術仕様書をLLMに...
プロンプト・LLM活用 OpenAI GPT-5.3-Codex：推論の「高速化」と「自律性」を両立したソフトウェア開発特化型LLMの全貌
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 GPT-5.3-Codex：推論の「高速化」と「自律性」を両立したソフトウェア開発特化型LLMの全貌【要点サマリ】OpenAIが発表したGPT-5...
プロンプト・LLM活用 Chain-of-Thoughtを用いた多段階推論タスクの精度最適化プロンプト設計
本回答は、Chain-of-Thought（CoT）プロンプトの設計において、多段階の推論プロセスを構造化し、検証ステップを組み込むことで精度を最大化するアプローチをまとめています。推論の連鎖（Chain）を明示的に指示し、自己評価ルールを...
プロンプト・LLM活用 LLMで論理バグを直す頼み方 ― 再現条件・最小差分・テストで検証する
コード修正で重要なのは、長い思考過程ではなく、再現条件、期待動作、変更範囲、テスト方法を渡すことです。論理バグを最小差分で直し、テストで確認する実務的な依頼方法を整理します。
プロンプト・LLM活用 Co-RedTeamとは何か ― LLMエージェントによる脆弱性探索研究を安全側から読む
2026年に公開されたCo-RedTeam論文を基に、複数LLMエージェントが脆弱性の発見と検証を協調する研究の位置づけと、防御側が押さえるべき実務ポイントを整理します。
プロンプト・LLM活用 複数案を出すだけでは足りない ― 候補生成・独立評価・再試行を分ける
ToTやSelf-Refineの名前を重ねるより、候補を複数作り、別基準で評価し、必要なら再試行するという処理の分離でLLMタスクを設計する方法を整理します。
プロンプト・LLM活用 AIボット専用SNS「Moltbook」に潜む影：プロンプト攻撃による高額請求と認証盗難のリスク
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。AIボット専用SNS「Moltbook」に潜む影：プロンプト攻撃による高額請求と認証盗難のリスク2024年6月に登場したAI専用SNS「Moltbook」。自律...
プロンプト・LLM活用 長文資料をホワイトペーパーに変える ― 抽出→構成→執筆→検証の4段階パイプライン
議事録、調査メモ、要件定義書などの長文を1回で完成原稿にしようとすると、抜け・混同・矛盾が起きやすくなります。元資料を証拠ID付きで抽出し、構成、執筆、検証に分ける4段階の実務パイプラインを紹介します。