6バンド・プロンプト分解：完全な技術ガイド
Mario Alexandre
2026年3月21日
sinc-LLM
プロンプトエンジニアリング
6バンド分解とは？
6バンド・プロンプト分解は、sinc-LLMフレームワークの中核となる技術です。あらゆるLLMプロンプトを、エイリアシング（幻覚）を避けるためにすべてサンプリングすべき6つの周波数バンドから構成される「仕様信号」として扱います。
x(t) = Σ x(nT) · sinc((t - nT) / T)
6つのバンドは、多様なタスクを行う11の自律エージェントにおける275件の実運用プロンプト-応答ペアから、経験的に特定されました。ドメインに関係なく、すべての有効なプロンプトは、これら6つの仕様次元を正確にサンプリングします。
バンド0：PERSONA（誰が答えるか）
品質重み： 約5%推奨配分： 1〜2文*役割：* 専門性の文脈と推論フレームワークを設定する
PERSONAは、モデルが採用すべき役割、専門性、視点を定義します。LLMは汎用的なPERSONAでも有能な出力を生成できるため、このバンドの重みは最小です。しかし、特定のPERSONAは領域の正確さを高めます。
有効：「あなたは、イベント駆動アーキテクチャで10年の経験を持つシニア分散システムエンジニアです。」
無効：「役に立つAIアシスタントです。」（これは仕様情報を追加しません。）
バンド1-2：CONTEXT と DATA（事実）
CONTEXTの品質重み： 約12% | DATAの品質重み： 約8%合算配分： 非CONSTRAINTSトークンの約40%
CONTEXT は状況の背景を提供します。つまり「どのプロジェクトか」「どの環境か」「何が試されたか」「世界にどんな制約があるか（出力内ではなく）」。CONTEXTは「状況は何か？」に答えます。
DATA は具体的な入力を提供します。レビューすべきコード、分析する数値、要約するドキュメント、参考にすべき例です。DATAは「入力は何か？」に答えます。
この区別が重要なのは、CONTEXTは関連するプロンプト間で再利用できる一方（同じプロジェクト、同じ環境）、DATAは依頼ごとに変わるからです。これにより、CONTEXTバンドの効率的なキャッシュが可能になります。
バンド3：CONSTRAINTS（支配的なバンド：42.7%）
品質重み： 42.7%推奨配分： 総プロンプトトークンの40〜50%*役割：* あなたの仕様に合わせて出力空間を絞り込む
CONSTRAINTSは最も重要なバンドです。出力品質の重みのほぼ半分を担います。この結果は、コード実行からコンテンツ評価、メモリ管理まで、分析対象の11のエージェントすべてにおいて一貫していました。
なぜCONSTRAINTSが支配的なのでしょうか？ LLMは生成モデルなので、与えられたコンテキストに基づいて最も起こりやすい完了（completion）を生成します。制約がないと、「最も起こりやすい」とは「最も汎用的」です。制約は、分布を汎用的なものから特定のものへ、モデルのデフォルトからあなたの実際の要求へとシフトさせます。
有効な制約の種類：
否定的制約：「Xを含めないで」（トークンあたり最も情報量が多い）
定量的な上限：「最大N語／アイテム／ステップ」
条件付きルール：「XならY、そうでなければZ」
品質ゲート：「確信度がしきい値を超える場合のみ含める」
スコープの境界：「Xのみを扱う。YまたはZについては議論しない」
バンド4-5：FORMAT と TASK
FORMATの品質重み： 26.3% | TASKの品質重み： 約6%
FORMAT は、出力の正確な構造を指定します。JSONスキーマ、マークダウンの見出し、表の形式、コードのスタイル、セクションの順序です。FORMATが2番目に重要なバンドであるのは、出力が後処理なしでそのまま使えるかどうかを直接左右するためです。
TASK は実際の指示です。バンド0〜4が十分に明確になっている時点ではTASKは強く制約されるため、品質重みはわずか約6%しかありません。「データを分析して」という指示は、人格（persona）、コンテキスト、データ、制約、フォーマットがすべて明示されていれば曖昧さが消えます。
11のエージェントすべてで収束した配分：
CONSTRAINTS + FORMAT：トークンの約50%（品質重みの69%）
CONTEXT + DATA：トークンの約40%
PERSONA + TASK：トークンの約10%
プロンプトを自動的に分解するには、sinc-LLMトランスフォーマーを使用してください。出典はGitHub。完全な論文はDOI: 10.5281/zenodo.19152668です。
任意のプロンプトを、6つのナイキスト準拠バンドに変換する
関連記事
実際の sinc-LLM プロンプト例
以下は、sinc-LLMが使用する正確なJSON形式です。tokencalc.proに任意の生のプロンプトを貼り付ければ、自動的に1つ生成されます。
{インストール：
"formula": "x(t) = Σ x(nT) · sinc((t - nT) / T)",
"T": "specification-axis",
"fragments": [
{
"n": 0,
"t": "PERSONA",
"x": "You are a Signal processing engineer applying DSP to NLP. You provide precise, evidence-based analysis with exact numbers and no hedging."
},
{
"n": 1,
"t": "CONTEXT",
"x": "This analysis is part of a production system where accuracy determines revenue. The sinc-LLM framework identifies 6 specification bands with measured importance weights."
},
{
"n": 2,
"t": "DATA",
"x": "Fragment importance: CONSTRAINTS=42.7%, FORMAT=26.3%, PERSONA=7.0%, CONTEXT=6.3%, DATA=3.8%, TASK=2.8%. SNR formula: 0.588 + 0.267 * G(Z1) * H(Z2) * R(Z3) * G(Z4). Production data: 275 observations, 51 agents."
},
{
"n": 3,
"t": "CONSTRAINTS",
"x": "State facts directly. Never hedge with 'I think' or 'probably'. Use exact numbers for every claim. Do not suggest generic solutions. Every recommendation must be specific and verifiable. Include at least 3 MUST/NEVER rules specific to this task."
},
{
"n": 4,
"t": "FORMAT",
"x": "Lead with the definitive answer. Use structured headers. Tables for comparisons. Numbered lists for sequences. Code blocks for implementations. No trailing summaries."
},
{
"n": 5,
"t": "TASK",
"x": "Decompose the raw prompt 'Help me plan a marketing campaign' into all 6 specification bands with importance weighting"
}
]
}pip install sinc-llm | GitHub | 論文
もともと tokencalc.pro に公開
sinc-LLM は LLM プロンプトに対してナイキスト＝シャノンのサンプリング定理を適用します。仕様を読む | pip install sinc-prompt | npm install sinc-prompt
