Few-shot（フューショット）と Chain-of-Thought（チェーン・オブ・ソート、思考の連鎖）は、追加学習なしで AI の回答精度を引き上げる二大プロンプト技法です。前者は「お手本を見せて出力の型をそろえる」、後者は「途中の考えを書かせて筋道立った答えを引き出す」もの。どちらも「指示の書き方」だけで効くので、コストもほぼかからず、今日からすぐ試せます。
FIG.1 Few-shot は「出力の型」を、CoT は「推論の筋道」を整える
01Few-shot：お手本で「型」を固定する
Few-shot プロンプティングは、本番の質問の前に「こう聞かれたら、こう答える」という例を数個並べる技法です。例を 0 個で頼むのが Zero-shot、1 個が One-shot、数個まとめて見せるのが Few-shot と呼び分けます。モデルは並べられた例から「期待されている答え方」を読み取り、同じ調子で続きを返します。
たとえばレビューの感情分類なら、次のように書きます。
以下のレビューを「ポジ／ネガ／ニュートラル」で分類:
レビュー: 「待ち時間が長くて疲れた」
分類: ネガ
レビュー: 「料理は美味しかったが値段は微妙」
分類: ニュートラル
レビュー: 「店員さんが親切で居心地良かった」
分類: ポジ
レビュー: 「[判定したいレビュー]」
分類:ポイントは、最後の行を「分類:」で止めて、モデルに続きを書かせること。例と同じ形式（ラベルだけ）で答えが返りやすくなります。
02例の選び方が成果を左右する
Few-shot は「とにかく例を入れれば良い」わけではありません。どんな例を、いくつ、どの順で入れるかで精度が変わります。次の 4 点を意識すると外しにくくなります。
- 多様性：似た例ばかり並べない。違うパターン（言い回し・長さ・難易度）を混ぜる。
- 境界例：判断が割れそうな中間ケースを 1 つ入れると、迷ったときの基準を伝えられる。
- 同じフォーマット：例の出力形式と、本番で欲しい形式を完全にそろえる。ここがずれると効果が激減する。
- 順序効果：直前に置いた例ほど結果に影響しやすい。一番効かせたい型は後ろに置く。
03例は何個が適切か
「多ければ多いほど良い」ではありません。複数の検証で、0 個から 1〜2 個に増やしたときの精度向上が最も大きく、4〜5 個を超えると伸びは頭打ちになる傾向が報告されています。例を増やすほどプロンプトが長くなり、コストと遅延も増えるため、欲張らないのが実務的です。
