[META] { “style”: “logical_and_professional”, “audience”: “prompt_engineers_and_developers”, “focus”: “context_engineering_for_llms”, “tone”: “authoritative_practical” } [/META]
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。
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
【ユースケース定義と課題】
定義： 膨大な社内資料や多層構造のデータをLLMに読み込ませ、特定業務に特化した高度な推論と構造化出力を実行させる。 課題： 命令文のみの改善では、長文コンテキストにおける情報の埋没、ハルシネーション、出力形式の逸脱を制御しきれない。 型（入出力形式）：
入力：Markdown形式のコンテキスト（背景知識、ルール、制約）
出力：JSON形式（推論過程と思考ログを含む構造化データ）
【プロンプト設計のループ】
graph TD A["設計"] --> B["実行"] B --> C["評価"] C -->|改善| A
設計（Design）： 役割（Role）、制約（Constraints）、参照データ（Context）を明確に分離した構造を定義。
実行（Execution）： Gemini 1.5 Pro等の長文コンテキスト耐性の高いモデルで実行。
評価（Evaluation）： 期待されるJSONスキーマとの一致率、推論の妥当性を定量的・定性的に検証。
【プロンプトの実装案】
# Role
あなたは情報環境設計（コンテキストエンジニアリング）のエキスパートです。
与えられた[Context]に基づき、論理的推論を行い、[Output Schema]に従って回答を生成してください。
# Context
<background_knowledge>
{{社内規定や技術仕様などのMarkdownテキスト}}
</background_knowledge>
<specific_rules>
- 事実に基づかない回答は厳禁。不明な点は「情報不足」と明記すること。
- 専門用語は、[background_knowledge]内の定義を最優先すること。
</specific_rules>
# Task
[Context]を参照し、以下の質問に対する解決策を提示してください。
質問：{{ユーザーからの具体的な問い}}
# Thinking Process (Chain-of-Thought)
回答を生成する前に、以下のステップで思考してください。
1. 質問の意図を解釈する。
2. 必要な情報を[Context]から抽出する。
3. 抽出した情報に矛盾がないか確認する。
4. [Output Schema]に沿って構造化する。
# Output Schema
```json
{
"thinking": "ステップ1〜4の思考プロセス",
"answer": "最終的な回答内容",
"confidence_score": 0.0 to 1.0,
"sources": ["参照したセクション名"]
}
## 【評価指標と誤り分析】
| 評価項目 | 失敗パターン | 評価基準 (LLM-as-a-Judge) |
| :--- | :--- | :--- |
| **形式遵守 (Format)** | JSONが壊れる、キーが足りない | スキーマに完全一致するか (0/1) |
| **根拠性 (Faithfulness)** | Contextにない情報を捏造する | Context内の記述だけで構成されているか (1-5) |
| **推論精度 (Reasoning)** | CoTが飛躍している、論理が破綻 | 思考プロセスに矛盾がないか (1-5) |
| **情報の網羅性 (Recall)** | 重要な制約事項を見落とす | 必須の制約がすべて適用されているか (1-5) |
**誤り分析：**
- **ハルシネーション：** コンテキストが構造化されていない（ただのベタ貼り）場合に発生。
- **様式崩れ：** 命令がコンテキストの末尾に配置されていない（Recency Biasの影響）場合に発生。
## 【改良後の最適プロンプト】
```text
## [SYSTEM_INSTRUCTION]
You are a highly logical reasoning engine. Process the provided information blocks tagged with XML-like delimiters.
## [CONTEXT_BLOCK]
<rules>
1. Always output in JSON format.
2. Use the <thinking> field for step-by-step logic.
3. If the context is insufficient, set "certainty" to "low" and explain why.
</rules>
<knowledge_base>
{{STRUCTURED_MARKDOWN_DATA}}
</knowledge_base>
## [INPUT_QUERY]
{{USER_INPUT}}
## [RESPONSE_GUIDELINE]
Generate your response by strictly following the schema below. Ensure all string values are properly escaped for JSON compliance.
{
"thinking": "String (Your Chain-of-Thought reasoning)",
"analysis": {
"key_points": ["Point 1", "Point 2"],
"limitations": "String"
},
"final_response": "String",
"certainty": "high/medium/low"
}
【まとめ】
実務でコンテキストエンジニアリングを運用するための3つの鉄則：
タグによる構造化：
<knowledge>や<rules>などのタグを用い、LLMに情報の役割（セマンティクス）を明示的に伝える。思考の分離（CoT）：
thinkingフィールドを設け、推論プロセスを強制的に出力させることで、最終的な回答の精度を飛躍的に高める。スキーマの厳格化： 出力形式をJSON Schemaなどで固定し、後続のシステム処理や自動評価を容易にする「機械に優しい」設計を行う。
