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
【ユースケース定義と課題】
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）
入力型：自然言語による複雑な問題提起
出力型：Markdown（思考プロセス + 最終回答 + 自己検証ログ）
【プロンプト設計のループ】
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"]
設計: 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。
実行: 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。
評価: 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。
【プロンプトの実装案】
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。
# 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)
【評価指標と誤り分析】
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。
| 評価項目 | 評価内容 (LLM-as-a-Judge) | 失敗パターン |
|---|---|---|
| 論理的一貫性 | 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 | 突然の論理飛躍、前提の無視 |
| 自己修正能力 | 自らの誤りや弱点を正しく指摘し、改善できているか | 「問題ありません」という形式的回答 |
| 網羅性 | 34の技法（ToT等）に準じた多角的な検討が行われたか | 単一の視点に固執した回答 |
| フォーマット遵守 | 指定したMarkdown構造で出力されているか | 構造の崩れ、セクションの欠落 |
【改良後の最適プロンプト】
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。
# 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]
【まとめ】
実務でプロンプトを運用するための3つの鉄則：
「考えさせる」プロセスを明示する：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。
自己批判フェーズを独立させる：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。
メタ認知を促す：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。
