「思考の木」と「自己修正」を統合した、LLM出力精度を極限まで高めるプロンプト設計

プロンプト・LLM活用
2026.04.25

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。

「思考の木」と「自己修正」を統合した、LLM出力精度を極限まで高めるプロンプト設計

【ユースケース定義と課題】

複雑な論理推論や多角的な問題解決において、LLMの論理破綻を防ぎ、実行可能な最適解をMarkdownおよびJSON形式で構造化して出力させる。

【プロンプト設計のループ】

graph TD
A["設計: 思考プロセス指定"] --> B["実行: 複数案の生成と検証"]
B --> C["評価: 自己批判と修正"]
C -->|改善| A

  1. 設計: Tree of Thoughts (ToT) をベースに、複数の思考経路を定義します。

  2. 実行: 各経路で推論を行い、中間結果を生成します。

  3. 評価: Self-Refineの手法を用い、生成された回答の矛盾や誤りをLLM自身にチェックさせ、修正案を出します。

【プロンプトの実装案】

Tree of Thoughts (ToT) と Self-Refine の要素を組み合わせた、高度な推論を要求するプロンプト例です。

# 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[課題]に対し、Tree of Thoughts（思考の木）とSelf-Refine（自己修正）を組み合わせて、最も精度の高い解決策を提示してください。

# 課題

[ここに具体的な課題を記述：例：新規事業の収益シミュレーションにおけるリスク要因の特定と対策]

# Step-by-Step Instructions


1. **Generate Thoughts (ToT)**:
   この課題に対して、少なくとも3つの異なるアプローチ（思考の枝）を提案してください。各アプローチは独立した論理展開を持ってください。

2. **Evaluate Thoughts**:
   各アプローチのメリット、デメリット、および実現可能性を客観的に評価してください。

3. **Select & Synthesize**:
   最も有望なアプローチを選択するか、複数のアプローチを統合して、暫定的な回答を作成してください。

4. **Self-Refine**:
   暫定的な回答に対し、「論理的な飛躍はないか？」「ハルシネーション（事実誤認）はないか？」「制約条件を満たしているか？」という観点から自己批判を行い、改善点を3つ挙げてください。

5. **Final Output**:
   改善点を反映した最終的な回答を、以下の[Format]に従って出力してください。

# Format

## 1. 採用した思考プロセス

## 2. 自己修正による改善内容

## 3. 最終解決策

## 4. 実行時リスク（JSON形式）

```json
{
  "risk_factors": [{"factor": "...", "impact": "..."}]
}

### 【評価指標と誤り分析】

LLMの出力が期待に沿わない場合、以下の観点で分析・評価（LLM-as-a-Judge）を行います。

| 評価項目 | 評価基準 (1-5) | 失敗パターン（例） |
| :--- | :--- | :--- |
| **論理性 (Logic)** | 思考のステップに矛盾や飛躍がないか | 前提条件を無視した結論が出力される |
| **具体性 (Concreteness)** | 抽象的な表現に逃げず、具体的数値や手法があるか | 「最善を尽くす」「効率化する」等の曖昧な言葉 |
| **形式遵守 (Format)** | 指定したJSONやMarkdown形式が正しいか | JSONの閉じカッコ不足、スキーマ違反 |
| **自己修正能力 (Refinement)** | 自身の誤りを正しく指摘し、改善できているか | 批判内容が的外れ、または批判しても修正されない |

### 【改良後の最適プロンプト】

上記分析を踏まえ、Graph of Thoughts (GoT) の「思考の統合・ループ」の概念を追加した、さらに強固なプロンプトです。

```text

# 厳格な思考プロトコル

[思考開始]

1. 課題を複数のサブタスクに分解する。

2. 各サブタスクに対して独立した3つの推論スレッド(Chain-of-Thought)を走らせる。

3. 各スレッド間で情報を交換し、矛盾を解消する(Graph of Thoughts的アプローチ)。

4. 最終回答案を作成後、あえて「反対の立場」からその案を論破しようと試みる。

5. 論破された弱点を補強するように回答を再構築する。
[思考終了]

# 出力形式


- 思考ログ（隠しタグまたは詳細セクション）

- 最終結論（Markdown）

- 構造化データ（JSON）

【まとめ】

実務でプロンプトの精度を維持・向上させるための3つの鉄則：

  1. 「思考の道筋」を明示的に強制する: 単に「考えて」ではなく、ToTやCoTのように「Aを評価し、Bと比較し、Cを選択せよ」とプロセスを指定する。

  2. 自己批判フェーズを組み込む: 生成した回答を一度疑わせるプロセス（Self-Refine）を入れるだけで、ハルシネーションは劇的に減少する。

  3. 評価を自動化する: 定量的な評価テーブル（LLM-as-a-Judge）を用い、どのプロンプトテクニックが自社のタスクに有効かをデータで判断する。

ライセンス：本記事のテキスト/コードは特記なき限り CC BY 4.0 です。引用の際は出典URL（本ページ）を明記してください。
利用ポリシー もご参照ください。
タイトルとURLをコピーしました