生成AIの話題にはプロンプト・RAG・ファインチューニング・エージェントといった用語が次々に出てきます。難しそうに見えますが、4つとも「AIにどう働いてもらうか」を表す手段の名前です。本記事では、それぞれを「ひとことの定義」「具体例」「使いどころ」の順で、初めての人でも読めるように整理します。最後に、現場で迷ったときの選び方もまとめます。
How They Fit Together
まず全体像です。この4つは対立する選択肢ではなく、下の段から順に積み上げる関係にあります。多くのチームは「まずプロンプトで試す → 足りなければ社内データをRAGで足す → 出力の型を固めたいときだけファインチューニング → 複数手順を自動実行したいときにエージェント」という順で進みます。
FIG.1 下ほど基本・上ほど高機能。上の段は下の段を土台にして成り立つ
01プロンプト ― AIへの「お願い文」
プロンプトとは、生成AIに「何をどうしてほしいか」を伝える指示文のことです。AIにとっての入力（input）であり、書き方しだいで成果物の質が大きく変わります。2026年の実務では、単発の指示文を磨く狭い意味の「プロンプトエンジニアリング」から、参照資料・履歴・ツール情報まで含めてAIに渡す情報全体を設計する「コンテキストエンジニアリング」へと関心が移っています。
具体例：3つの要素で指示は強くなる
よく効く定番の型は「役割・制約・例」の3点セットです。
- 役割：「あなたはBtoB SaaSのプロダクトマネージャーです」
- 制約：文字数・トーン・出力形式（箇条書き／表／JSON）を指定する
- 例：期待する出力サンプルや、良い例・悪い例を見せる
プロンプト例：「あなたはBtoB SaaSのPMです。新機能案を3つ、各案に〈狙い／対象ユーザー／測る指標〉を付けて箇条書きで出してください。専門用語には短い補足を付けて。」
使いどころ
文章を書く
メール、企画書、要約、議事録の整形など。最も手軽で、まず試すべき入口。
コードを書く
関数の作成、バグ修正、レビュー。意図と制約を具体的に書くほど精度が上がる。
整理・分類する
表の整形、データの分類・抽出。出力形式を指定すると後工程がラクになる。
注意点
「いい感じにして」のような曖昧な指示は、曖昧な回答を返します。前提（目的・対象読者・禁止事項）を具体的に書くのがコツです。また、プロンプトに入れた内容は処理のために送信されるため、機密情報を不用意に含めない運用配慮も必要です。長文を渡すときは、関連情報を前後に置くと精度が上がりやすいことも知られています（情報が真ん中に埋もれると見落とされやすい、いわゆる「迷子問題」）。
02RAG ― 検索で「根拠」を足す仕組み
RAG（Retrieval-Augmented Generation／検索拡張生成）は、AIが回答を作る前に社内文書やデータベースから関連情報を検索（Retrieval）し、その内容を根拠にして回答を生成（Generation）する仕組みです。たとえるなら「AIに社内ナレッジをカンニングさせてから答えさせる」イメージです。モデル自体を作り直さずに、自社固有の知識や最新情報を扱えるのが利点です。
