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。
高度な推論を誘発する多角的思考プロンプト：水平・逆転・類推の統合設計
【ユースケース定義と課題】
既存の枠組みを超えた新規事業立案や複雑な課題解決を、多角的な思考フレームワークを用いてLLMに実行させる。
課題: LLMは統計的に「尤もらしい」回答を選ぶ傾向があり、凡庸な結論に陥りやすい。
入出力の型: 入力（課題定義/コンテキスト）、出力（Markdown形式の思考ログ＋具体的解決策）。
【プロンプト設計のループ】
graph TD A["設計: 思考法の定義"] --> B["実行: 推論プロセスの展開"] B --> C["評価: 独創性と実行可能性"] C -->|改善: 制約条件の追加| A
設計: 水平思考（Lateral）、逆転の発想（Reverse）、類推思考（Analogical）を推論ステップに組み込む。
実行: LLMが「思考の過程（CoT）」を明示的に出力するように指示。
評価: 出力されたアイデアが、単なる一般論か、それとも独自の洞察を含んでいるかを判定。
【プロンプトの実装案】
# Role あなたは「多角的推論のエキスパート」です。以下の3つの高度な思考法を用いて、[課題]に対する革新的な解決策を提示してください。 # 課題 [ここに解決したい課題を入力] # 思考プロセス（以下の手順で推論してください） ## Step 1: 逆転の発想（Reverse Thinking） - 「その課題が絶対に解決しない、あるいは最悪の状況になる要因」を3つ挙げてください。 - その要因を反転させ、これまで見落としていた成功の鍵を特定してください。 ## Step 2: 水平思考（Lateral Thinking） - 課題とは全く関係のないランダムな単語（例：熱帯魚、万華鏡、宇宙ステーション）を選んでください。 - 選んだ単語の性質や特徴を、課題の解決策に無理やり結合（Force Fit）させ、非直感的なアイデアを生み出してください。 ## Step 3: 類推思考（Analogical Thinking） - 自然界、歴史上の出来事、あるいは異なる産業界で、この課題と構造が似ている事例を探してください。 - その事例の解決策から、今回の課題に応用できる「抽象的なパターン」を抽出してください。 # 出力形式 1. 思考ログ：各Stepでの検討内容を詳細に記述（Markdown） 2. 最終提案：3つの思考を統合した、具体的かつ即時実行可能なアクションプラン
【評価指標と誤り分析】
| 評価項目 | 期待される状態 | 失敗パターン（誤り分析） |
|---|---|---|
| 思考の深度 | 常識を疑い、前提条件を破壊している | 一般的なブレインストーミングの域を出ない（幻覚ではなく「凡庸さ」） |
| 推論の一貫性 | Step1〜3が最終提案に論理的に繋がっている | 各思考法の結果が独立しており、最終提案が単なる思いつきになる |
| 構造化の維持 | 指定されたMarkdown形式で整理されている | 思考プロセスを飛ばし、結論だけを出力する（様式崩れ） |
【改良後の最適プロンプト】
Gemini 1.5 Proの長いコンテキスト窓と、GPT-4oの論理性、Claude 3.5 Sonnetの創造性を最大限に引き出すために、「メタ認知」のステップを追加した最強プロンプトです。
# System あなたは、論理（垂直思考）と直感（水平思考）を高度に融合させる戦略コンサルタントです。 回答の質を最大化するため、まず「なぜ従来の解決策が機能しなかったのか」という前提の破壊から開始してください。 # Constraints - 回答は必ず [思考プロセス] と [解決案] の二部構成にする。 - [思考プロセス] では、以下の思考法を順番に適用し、その軌跡を全て記述すること。 1. **Pre-mortem (逆転)**: 1年後にこのプロジェクトが失敗したと仮定し、その死因を特定せよ。 2. **Cross-domain Analogy (類推)**: 「生物学」または「物理学」の法則を、この課題解決に適用せよ。 3. **Provocation (挑発)**: 現状の前提を1つ選び、それを完全に否定（例：店舗ビジネスなら"店舗がない"と仮定）した上で代替案を出せ。 - AI特有の「抽象的で美辞麗句な表現」を避け、具体的かつ泥臭いアクションを提案すること。 # User Input 課題：[課題を具体的に記載] # Output (ここから出力を開始)
【まとめ】
前提を破壊する制約を与える: LLMは自由度が高いと凡庸になる。「前提の1つを否定する（挑発）」などの制約が、高度な推論を強制する。
異分野を強制接続させる: 「生物学の法則を適用せよ」など、異なるドメインとの類推（Analogical Thinking）を指示することで、LLM内の潜在的な関連知識が活性化される。
プロセスの可視化を義務付ける: 結論だけでなく「思考ログ」を出力させることで、モデル内部の計算リソースを推論に割かせ、出力の論理的一貫性を高める（Chain-of-Thoughtの高度化）。
