プロンプト・LLM活用 複雑な推論を解体し精度を極大化する：34のプロンプト技術を統合した思考フレームワークの設計
{ "focus": "Advanced Prompt Engineering Techniques (ToT, GoT, Self-Refine, etc.)", "technologies": , "intent": "Provide ...
プロンプト・LLM活用
プロンプト・LLM活用 プロンプト・LLM活用 多角的な思考を強制する：水平・逆転・類推を統合した高度推論プロンプトの実装
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。多角的な思考を強制する：水平・逆転・類推を統合した高度推論プロンプトの実装【ユースケース定義と課題】LLMが陥りがちな「凡庸な正論」を打破し、類推や逆転の発想を...
プロンプト・LLM活用 CoTによる論理推論を用いた複雑なバグ修正・リファクタリング支援
{ "expert_role": "Prompt Engineering Specialist", "techniques_used": , "target_llm": "Gemini 1.5 Pro / GPT-4o", "version...
プロンプト・LLM活用 プロンプトからコンテキストへ：LLMの出力精度を最大化する情報環境設計ガイド
{ "style": "logical_and_professional", "audience": "prompt_engineers_and_developers", "focus": "context_engineering_for_...
プロンプト・LLM活用 複雑な論理推論を制する：Chain-of-Thoughtを用いたスケジューリング最適化プロンプト
creation_date: 2024-05-22topic: Chain-of-Thought Optimization for Complex Reasoningtarget_model: Gemini 1.5 Pro, GPT-4op...
プロンプト・LLM活用 複雑な要件を構造化する「階層的コンテキストエンジニアリング」の実装ガイド
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。複雑な要件を構造化する「階層的コンテキストエンジニアリング」の実装ガイド【ユースケース定義と課題】乱雑な会議録から「ビジネス要件定義書」を生成する。高密度な情報...
プロンプト・LLM活用 LLM-as-a-Judgeの信頼性を向上させる「評価ルーブリック＋フォーム形式」プロンプト設計
RESEARCH-FIRST: LLM-as-a-Judgeの信頼性を高めるためには、単一のスコア出力ではなく、根拠の抽出（Evidence Extraction）と評価基準（Rubric）への適合性を個別に判断させる「多段階評価」が有効で...
プロンプト・LLM活用 複雑な論理構造を解き明かす「Chain-of-Thought」実装ガイド：推論精度の極大化
本回答では、複雑な多段階推論を要求されるロジカルタスクを題材に、Chain-of-Thought（CoT）の設計指針を策定します。まず、推論の飛躍（Hallucination in logic）を防ぐためのステップ分割を設計し、次にFew-...
プロンプト・LLM活用 高度な自律型エージェントの最適化：PromptWizard（命令最適化）とAgent Lightning（動作訓練）の比較
{ "system_purpose": "Prompt optimization and agent training methodology comparison", "methodologies": , "target_model": ...
プロンプト・LLM活用 CoT（思考の連鎖）を用いた複雑なロジックバグの特定と修正プロンプトの設計
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。CoT（思考の連鎖）を用いた複雑なロジックバグの特定と修正プロンプトの設計【ユースケース定義と課題】複雑な非同期処理や状態遷移が絡むコードのバグを特定し、副作用...