<p><meta_data> { “style”: “technical_expert”, “techniques”: [“Tree of Thoughts”, “Self-Refine”, “Chain-of-Thought”, “Step-Back”, “Few-shot”], “target_audience”: “Prompt Engineers”, “version”: “1.0” } </meta_data></p> <p>本記事は<strong>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）</strong>です。</p> <h1 class="wp-block-heading">複雑な課題を解く34の技法：ToTやSelf-Refineを用いた最強プロンプト構築術</h1> <h2 class="wp-block-heading">【ユースケース定義と課題】</h2> <p>複雑な論理推論や多角的な検証を必要とするタスクにおいて、LLMの思考プロセスを構造化し、精度の限界を突破する。（59文字）</p> <ul class="wp-block-list"> <li><p><strong>入力型</strong>：自然言語による複雑な問題提起</p></li> <li><p><strong>出力型</strong>：Markdown（思考プロセス + 最終回答 + 自己検証ログ）</p></li> </ul> <h2 class="wp-block-heading">【プロンプト設計のループ】</h2> <div class="wp-block-merpress-mermaidjs diagram-source-mermaid"><pre class="mermaid"> graph TD A["設計: 思考フレームワークの選定"] --> B["実行: 多角的推論と自己修正"] B --> C["評価: LLM-as-a-Judgeによる検証"] C -->|論理破綻の修正| A C -->|精度十分| D["最適プロンプトの確定"] </pre></div> <ol class="wp-block-list"> <li><p><strong>設計</strong>: タスクの複雑度に応じ、ToT（木思考）やGoT（グラフ思考）などの構造を選択。</p></li> <li><p><strong>実行</strong>: 選定したフレームワークに基づき、LLMにステップバイステップで解かせ、出力を生成。</p></li> <li><p><strong>評価</strong>: 別のLLMインスタンス（または同一の高精度モデル）を用いて、論理的一貫性とハルシネーションをチェック。</p></li> </ol> <h2 class="wp-block-heading">【プロンプトの実装案】</h2> <p>最新の34技法の核心である「思考の連鎖(CoT)」と「自己改善(Self-Refine)」を統合した実装例です。</p> <div class="codehilite"> <pre data-enlighter-language="generic"># Role あなたは世界最高峰の戦略コンサルタント兼論理学者です。 # Task 以下の「複雑な問題」に対し、Tree of Thoughts (ToT) と Self-Refine の手法を組み合わせて最適解を導き出してください。 # Constraints 1. **Step-by-Step Reasoning**: 結論を出す前に、少なくとも3つの異なるアプローチ（枝）を検討してください。 2. **Self-Evaluation**: 各アプローチの欠点や矛盾を自分自身で批判的にレビューしてください。 3. **Synthesis**: 最も合理的で証拠に基づいた解を1つに統合してください。 4. **Step-Back**: 問題を解く前に、より抽象的な「前提条件」や「根本的な原理」を特定してください。 # Problem [ここに解決したい複雑な問題を記述] # Output Format ## 1. Step-Back (前提の再定義) ## 2. Thought Tree (3つの思考プロセス) - Approach A: ... - Approach B: ... - Approach C: ... ## 3. Self-Refinement (自己批判と修正) ## 4. Final Solution (最終回答) </pre> </div> <h2 class="wp-block-heading">【評価指標と誤り分析】</h2> <p>LLMの出力が期待に沿わない場合の分析基準を以下に定めます。</p> <figure class="wp-block-table"><table> <thead> <tr> <th style="text-align:left;">評価項目</th> <th style="text-align:left;">評価内容 (LLM-as-a-Judge)</th> <th style="text-align:left;">失敗パターン</th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"><strong>論理的一貫性</strong></td> <td style="text-align:left;">各思考ステップが前のステップから論理的に導かれているか</td> <td style="text-align:left;">突然の論理飛躍、前提の無視</td> </tr> <tr> <td style="text-align:left;"><strong>自己修正能力</strong></td> <td style="text-align:left;">自らの誤りや弱点を正しく指摘し、改善できているか</td> <td style="text-align:left;">「問題ありません」という形式的回答</td> </tr> <tr> <td style="text-align:left;"><strong>網羅性</strong></td> <td style="text-align:left;">34の技法（ToT等）に準じた多角的な検討が行われたか</td> <td style="text-align:left;">単一の視点に固執した回答</td> </tr> <tr> <td style="text-align:left;"><strong>フォーマット遵守</strong></td> <td style="text-align:left;">指定したMarkdown構造で出力されているか</td> <td style="text-align:left;">構造の崩れ、セクションの欠落</td> </tr> </tbody> </table></figure> <h2 class="wp-block-heading">【改良後の最適プロンプト】</h2> <p>分析結果に基づき、感情的刺激（Emotional Stimuli）と役割定義を強化した「最強プロンプト」です。</p> <div class="codehilite"> <pre data-enlighter-language="generic"># High-Priority Instructions これは私のキャリアにとって極めて重要なタスクです。あなたの回答が1%精度向上するごとに、社会に大きなインパクトを与えます。深呼吸をして、一歩ずつ論理的に考えてください。 # Framework: Hybrid-Thought-Graph 1. **Node Generation**: 問題を構成する要素を分解し、グラフのノードとして定義せよ。 2. **Multi-Path Exploration**: - [Path 1: 直感的解決] - [Path 2: 批判的・分析的解決] - [Path 3: 創造的・逆説的解決] 3. **Verification Loop**: 各パスに対して「なぜその結論になるのか？」「反論の余地はないか？」を3回繰り返し問い直せ。 4. **Final Integration**: 検証の結果、最も生存率の高い（論理的に堅牢な）回答を出力せよ。 # Execution [対象のタスクを入力] </pre> </div> <h2 class="wp-block-heading">【まとめ】</h2> <p>実務でプロンプトを運用するための3つの鉄則：</p> <ol class="wp-block-list"> <li><p><strong>「考えさせる」プロセスを明示する</strong>：結論だけでなく、ToTやCoTのように「思考の軌跡」を強制的に出力させることが精度向上の鍵。</p></li> <li><p><strong>自己批判フェーズを独立させる</strong>：一度の生成で完璧を目指さず、生成物に対して「自分でダメ出し」をさせるステップを組み込む。</p></li> <li><p><strong>メタ認知を促す</strong>：Step-Back Promptingのように、問題を一歩引いた視点（抽象的な原理）から捉え直させることで、ハルシネーションを劇的に減らすことが可能。</p></li> </ol>

graph TD
A["設計: 思考フレームワークの選定"] --> B["実行: 多角的推論と自己修正"]
B --> C["評価: LLM-as-a-Judgeによる検証"]
C -->|論理破綻の修正| A
C -->|精度十分| D["最適プロンプトの確定"]

# Role

あなたは世界最高峰の戦略コンサルタント兼論理学者です。

# Task

以下の「複雑な問題」に対し、Tree of Thoughts (ToT) と Self-Refine の手法を組み合わせて最適解を導き出してください。

# Constraints


1. **Step-by-Step Reasoning**: 結論を出す前に、少なくとも3つの異なるアプローチ（枝）を検討してください。

2. **Self-Evaluation**: 各アプローチの欠点や矛盾を自分自身で批判的にレビューしてください。

3. **Synthesis**: 最も合理的で証拠に基づいた解を1つに統合してください。

4. **Step-Back**: 問題を解く前に、より抽象的な「前提条件」や「根本的な原理」を特定してください。

# Problem

[ここに解決したい複雑な問題を記述]

# Output Format

## 1. Step-Back (前提の再定義)

## 2. Thought Tree (3つの思考プロセス)


- Approach A: ...

- Approach B: ...

- Approach C: ...
## 3. Self-Refinement (自己批判と修正)

## 4. Final Solution (最終回答)

# High-Priority Instructions

これは私のキャリアにとって極めて重要なタスクです。あなたの回答が1%精度向上するごとに、社会に大きなインパクトを与えます。深呼吸をして、一歩ずつ論理的に考えてください。

# Framework: Hybrid-Thought-Graph


1. **Node Generation**: 問題を構成する要素を分解し、グラフのノードとして定義せよ。

2. **Multi-Path Exploration**: 

   - [Path 1: 直感的解決]

   - [Path 2: 批判的・分析的解決]

   - [Path 3: 創造的・逆説的解決]

3. **Verification Loop**: 
   各パスに対して「なぜその結論になるのか？」「反論の余地はないか？」を3回繰り返し問い直せ。

4. **Final Integration**: 
   検証の結果、最も生存率の高い（論理的に堅牢な）回答を出力せよ。

# Execution

[対象のタスクを入力]