トピック

高度なプロンプト

推論プロンプト、再利用可能なライブラリ、コンテキスト設計、本番向けプロンプト層。

13件のコンテンツ (記事5件 · 動画8件)

ここから開始

一覧を見る前に、まずおすすめのコンテンツをいくつかご覧ください。

このトピックの他の記事

12 分の読書
記事

プロンプティング、RAG、ファインチューニングの選び方(および組み合わせるべき場面)

プロンプティング、RAG、ファインチューニングは、LLMを課題に適応させるための3つの大きな手段です。それぞれに適した課題と適さない課題があります。選択のためのフレームワーク、各手法の現実的なコスト、そして組み合わせることで効果を発揮する本番パターンを解説します。

上級者
12 分の読書
記事

本番環境向けプロンプトの設計:system、developer、userの各層

信頼された指示、実行時データ、ユーザー入力を分離し、リスクに応じてプロンプトのバージョン管理、評価、配備、観測を行うためのガバナンスパターンです。

上級者
7 分の読書
記事

タスクに適したモデルの選び方:2026年版クイック判断ガイド

タスクの種類に応じたモデルの選び方を解説します。GPT、Claude、Gemini、推論モデル、オープンウェイトモデルを、固定的な順位ではなく、2026年半ばの例と判断基準で整理します。

初心者
3 分
動画

OpenAI o1の開発

OpenAI. OpenAIチームがo1の公開時にどのように説明したかを記録した3分間の第一者動画です。この分野の歴史を理解するには有用ですが、現在のモデル内部の仕組みや、別の提供元またはタスクで最適なプロンプト方法を立証するものではありません。

中級者
28 分
動画

o1では何が起きているのか:第3のモデルパラダイムである理由と、知られていない10項目

AI Explained. 初期のo1の位置付けと、プロンプトへの影響を独自に解説しています。歴史的背景としては有用ですが、o1に関する主張を後のOpenAIモデル、R1、Claudeのthinking mode、ほかの提供元へ自動的に拡張してはいけません。

中級者
9 分
動画

RAGとファインチューニングの比較

IBM Technology. チームが最も混同しやすい2つの手法に、より焦点を絞っています。データの鮮度、出典の帰属、ファインチューニングによる推論時の速度向上を詳しく説明します。不要なファインチューニングのプロジェクトに反対する根拠を示したい場合に、視聴する価値があります。

上級者
13 分
動画

RAG・ファインチューニング・プロンプト技術:AIモデルを最適化する

IBM Technology. 3つの手法と、それぞれのコストをホワイトボードで明快に説明します。検索のレイテンシー、学習の計算コストと破滅的忘却、プロンプトだけによる解決策の限界に加え、本番環境で実際に有効な組み合わせを扱います。最後に紹介される3つすべてを使用した法務AIシステムの例は、記事の「組み合わせるタイミング」という主張とほぼ完全に一致します。

上級者
77 分
動画

AIプロンプト技術を徹底解説

Anthropic. 研究、アラインメント、応用、開発者向け広報を担当するAnthropicの4人のプロンプトエンジニアが、日々の実務について詳しく語ります。切迫した状況でプロンプトをどう修正するか、指示の「正直さ」をどう考えるか、XMLによる足場作りが役立つ場合と役立たない場合などを扱います。記事のレイヤーモデルは、登壇者が説明する実務にきれいに対応しています。そのメンタルモデルを当事者の言葉で理解する最良の方法です。

上級者
25 分
動画

プロンプト入門|Code with Claude

Anthropic. AnthropicのApplied AIチームが保険金請求用プロンプトをライブで構築するセッションです。曖昧な指示から始めて、開発者が実際に提供できる形まで反復改善し、記事で説明しているシステムレイヤーと開発者レイヤーの修正を実演します。記事にある例、出力構造、拒否の処理に関するチェックリストを読み直す前に視聴してください。

上級者
10 分
動画

2か月かけて磨いた、プロンプトを作るための最高のChatGPTプロンプト

Lawton Learns. C.R.A.F.T.メタプロンプト(Context、Role、Action、Format、Target audience)を実演しています。プロンプトを生成するプロンプトの動作を試す候補としては有用ですが、出力の一貫性、正確性、チームの用途への適合性は保証されません。

中級者
20 分
動画

Googleの9時間のAIプロンプト技術講座を20分で学ぶ

Tina Huang. Tinaは、タスク、コンテキスト、参考情報、評価、反復改善から成る5要素の枠組みと、名前の付いた4つの改善手法を紹介します。候補となるスキーマの下書きには役立ちますが、エージェントと思考の連鎖の例は講座が作られた時点の状況を反映しています。抽出したパターンを承認済みライブラリに追加する前に、代表的な事例でテストしてください。

中級者