{ “expert_role”: “Prompt Design Expert”, “focus”: “Context Engineering & LLM Optimization”, “target_models”: [“Gemini 1.5 Pro”, “GPT-4o”, “Claude 3.5 Sonnet”], “content_type”: “Technical Framework & Practical Prompt” }
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。
「指示」から「環境」へ：コンテキストエンジニアリングによるLLM回答精度の極大化手法
【ユースケース定義と課題】
社内文書を基に、技術的な意思決定を支援するための根拠に基づいた技術選定レポートをMarkdown形式で生成する。
入力の型: 複数の技術ドキュメント（PDF/テキスト）、比較要件
出力の型: Markdown（背景、比較表、推奨案、リスク、根拠URLの構成）
課題: 文脈の欠落による「一般的な一般論」への着地、および参照情報の混同（幻覚）。
【プロンプト設計のループ】
graph TD
A["コンテキスト構造化設計"] --> B["構造化インプット実行"]
B --> C["事実整合性 & 形式評価"]
C -->|情報の重み付け不足| A
C -->|形式不備| B
C -->|合格| D["本番運用"]
設計: LLMが「何を優先すべきか」を判断できる情報階層（重要度）を定義。
実行: 役割、制約、参照データ、思考プロセス（CoT）を分離して流し込む。
評価: 提示された根拠が一次ソースに存在するか、出力形式がパース可能かを検証。
【プロンプトの実装案】
# Role あなたは上級ITアーキテクトです。提供された[Reference Data]のみを根拠に、客観的な技術比較レポートを作成してください。 # Constraints - 外部知識を使用せず、提供されたデータに記載がない場合は「不明」と明記すること。 - 回答は必ず指定の[Format]に従うこと。 - 意思決定のバイアスを避けるため、各オプションのメリット・デメリットを同量書くこと。 # Reference Data <doc_1> (ここに技術仕様Aの内容) </doc_1> <doc_2> (ここに技術仕様Bの内容) </doc_2> # Thought Process (Chain-of-Thought) 以下の手順で思考してください： 1. 各ドキュメントから「コスト」「スケーラビリティ」「セキュリティ」の3点を抽出する。 2. 抽出したデータを基に比較表を作成する。 3. プロジェクト要件（[Requirement]）に照らし合わせ、最適な案を論理的に導き出す。 # Format ## 1. 概要 ## 2. 技術比較表 | 項目 | A | B | |---|---|---|... ## 3. 推奨案とその理由 ## 4. 残存リスクと対策 ## 5. 参照ソース（ドキュメント名） # Output
【評価指標と誤り分析】
| 評価項目 | 評価指標 (LLM-as-a-Judge) | 失敗パターン（分析） | 対策 |
|---|---|---|---|
| 事実整合性 | 根拠がReference内に存在するか (1-5) | 外部知識による補完（ハルシネーション） | 「外部知識禁止」の強調とXMLタグ分離 |
| 構造遵守 | 指定のMarkdownの見出しがあるか (0/1) | 表組みの崩れ、セクションの欠落 | フォーマット例のFew-shot追加 |
| 論理的妥当性 | 推奨案が比較結果と矛盾していないか (1-5) | 結論が先にありきで、比較が形骸化 | 思考プロセス(CoT)の強制出力を指示 |
【改良後の最適プロンプト】
# 役割
プロフェッショナル・テクニカル・ライター
# ミッション
以下の<context>セクションの情報のみを用いて、要件に合致する技術評価レポートを作成せよ。
# コンテキストエンジニアリング（情報構造）
<context>
<constraints>
- 根拠：<source_data>タグ内の情報のみを使用。
- 禁止事項：一般的知識の混入、推測によるデータ補完。
- 言語：日本語。
</constraints>
<source_data>
{{SOURCE_TEXT_HERE}}
</source_data>
<user_requirements>
{{USER_REQUIREMENTS_HERE}}
</user_requirements>
</context>
# 実行指示
1. ステップバイステップで分析：
- まず、<source_data>から要件に関連する事実を箇条書きで抜き出してください。
- 次に、抜き出した事実に基づき、要件に対する適合スコアを算定してください。
2. 最終回答の生成：
- 以下の[OUTPUT_STRUCTURE]に従って出力してください。
# [OUTPUT_STRUCTURE]
（ここに厳密なMarkdownテンプレートを記述）
# 思考の開始：
まずは提供されたデータから事実を抽出することから始めます。
【まとめ】
タグによる情報の隔離:
<tags>を使用して、指示、制約、参照データを明確に分離する。LLM（特にGemini 1.5 Pro）は構造化されたコンテキストをより正確に処理できる。プロセスの外部化: 「まず事実を抽出せよ」といった中間ステップを明示することで、直接回答させるよりも推論精度が飛躍的に向上する。
「知らない」を許容する: 「データにない場合は不明と書く」という逃げ道（Safety Exit）を設けることが、ハルシネーション防止の最大の防御策となる。
