AIプロンプトに例文は入れるべきか？最適な数と効果的な使い方

はい、適切な例文をプロンプトに含めること（Few-shotプロンプティング）は、AIの出力品質を向上させる最も効果的なテクニックの一つです。 Few-shotプロンプティングは、プロンプト内にデモンストレーション（例文）を提供し、モデルの性能を引き出し、応答を条件付ける手法です 。最適な例文数は一般的に2〜5個とされており、研究やガイドラインでは、例文を増やしすぎると効果が減少する、あるいはマイナスになる可能性があると指摘されています 。

主な研究結果

• 例文は精度を劇的に向上させる。 例えば、Claude 3 Haikuは例文なしで11%だった正答率が、3つの例文で75%まで向上し、これははるかに大規模なモデルのZero-shot性能に匹敵します 。
• 2〜5個が研究で裏付けられた最適数。 プロンプティングガイドでは、Few-shotプロンプティングは2〜5個の例文を使用すると説明されており、この範囲が最適とされています 。
• 多ければ良いとは限らない。 arXivの研究では、「過剰プロンプティング（over-prompting）」問題が指摘され、例文が多すぎるとモデルの性能が低下する可能性があることが示されています 。
• 例文の質が量より重要。 多様で高品質、適切に層別化された例文は、単に例文を追加するよりも効果的です。逆に、一貫性のない例文はモデルに矛盾したパターンを学習させる可能性があります 。
• 推論タスクでは、まずZero-shotを検討する。 常に例文が必要とは限りません。Zero-shotとFew-shotを比較し、過剰プロンプティングによる性能低下を避けましょう 。

実践的な推奨事項

シナリオ	推奨アプローチ
フォーマットが重要なタスク（JSON、ラベル、トーン指定など）	2〜5個のクリーンで多様な例文を使用。例文はフォーマットやトーン、ラベルを固定するのに役立ちます 。
標準的なテキスト生成・分類	まず2〜3個の高品質な例文から開始。Few-shotのデモンストレーションはモデルの性能を引き出します 。
推論が中心のタスク	まずZero-shotから開始。フォーマット制御が必要な場合のみ1〜2個の例文を追加し、効果を検証します 。
複雑な抽出タスク	タスクを正確に反映した代表的な例文を少数使用します 。
迷った場合	まず3個の例文から始め、テストしながら調整します。2〜5個の範囲が一般的に推奨されており、多すぎると過剰プロンプティングの原因になります 。

結論: 例文を使用し、その数を2〜5個に抑え、量よりも質と多様性を重視しましょう 。特に推論タスクでは、Few-shotとZero-shotのどちらが効果的か、実際にテストして判断することが重要です 。