生成AIの実践と活用事例
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)
プロンプトエンジニアリングは、モデルが要件を満たす出力を安定して出すよう指示を書く工程です。出力は毎回同じとは限らないので試して直すこと、指示を目的・役割(Identity)・ルール(Instructions)・例(Examples)・参考情報(Context)に分けること、出力形式の指定、モデルの種類に合わせた具体度を押さえると解けます。
要点 8件・基本問題 8問読む → 覚える → 解くまでこのページで完結

プロンプトエンジニアリングは、モデルが要件を満たす出力を安定して出すよう指示を書く工程です。出力は毎回同じとは限らないので試して直すこと、指示を目的・役割(Identity)・ルール(Instructions)・例(Examples)・参考情報(Context)に分けること、出力形式の指定、モデルの種類に合わせた具体度を押さえると解けます。
このサイトでの学習
学習優先度 A対応する一問一答 13問
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプトエンジニアリングとは
プロンプトエンジニアリングは、AI(モデル)が求める条件を満たす答えを安定して出せるように、効果的な指示(プロンプト)を書く工程である(OpenAI のガイド)。
比較して覚える
GPT モデルと推論モデル:指示の具体度の合わせ方
OpenAI のガイドが示す、GPT モデルと推論モデルへの指示の書き方の違いを並べます。どちらに具体的な指示が向き、どちらに大まかな目標を渡すのか、たとえ(新人とベテラン)の取り違えをこの表で切り分けます。
| 事由 | GPT モデル | 推論モデル |
|---|---|---|
| 向いている指示 | 手順や必要な情報まで明確に書いた具体的な指示 | 大まかな目標(ハイレベルな指示)を示し、細部は任せる |
| ガイドのたとえ | 新人の同僚(明確な指示で特定の成果物を作るのが得意) | 先輩の同僚(目標を伝えれば細部を詰めてくれる) |
| 得意なこと | 速く、費用を抑えて、明確な指示どおりに答える | 内部で思考の連鎖を生成し、複雑な課題や何段階もの計画をこなす |
| 速さと費用 | 一般に速く、費用も抑えられる | 一般に遅く、費用も高い |
向いている指示
- GPT モデル
- 手順や必要な情報まで明確に書いた具体的な指示
- 推論モデル
- 大まかな目標(ハイレベルな指示)を示し、細部は任せる
ガイドのたとえ
- GPT モデル
- 新人の同僚(明確な指示で特定の成果物を作るのが得意)
- 推論モデル
- 先輩の同僚(目標を伝えれば細部を詰めてくれる)
得意なこと
- GPT モデル
- 速く、費用を抑えて、明確な指示どおりに答える
- 推論モデル
- 内部で思考の連鎖を生成し、複雑な課題や何段階もの計画をこなす
速さと費用
- GPT モデル
- 一般に速く、費用も抑えられる
- 推論モデル
- 一般に遅く、費用も高い
この論点の用語
用語集をすべて見る →01プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)の重要暗記項目
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプトエンジニアリングとは
プロンプトエンジニアリングは、AI(モデル)が求める条件を満たす答えを安定して出せるように、効果的な指示(プロンプト)を書く工程である(OpenAI のガイド)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|出力は毎回同じとは限らない
AIが生成する内容は非決定的(同じ指示でも毎回同じ答えになるとは限らない)。だから技法やコツを使い、試して確かめながら、望む結果を安定して得られるようにする。
ひっかけ注意「生成AIが生成する内容は決定的であり、同じプロンプトを入力すれば常に同じ出力が得られる」は誤り。 誤り。OpenAI のガイドは、モデルが生成する内容は非決定的(non-deterministic)だとしている。非決定的とは、同じ入力でも出力が変わりうること。同じ質問を同僚に2回しても言い回しが少しずつ変わるのと似ている。そのため一度の結果で判断せず、何度か試して、ぶれても使える頼み方に直していく(対話的な改善)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|改善の前にそろえるもの
プロンプトを改善する前に、何をもって成功とするかの基準、その基準で実際に試して確かめる方法、直す元になる最初のプロンプトをそろえる(Anthropic のガイド)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプト以外の解決
すべての困りごとがプロンプトの工夫で一番よく解決するわけではない。応答の速さや費用は、別のモデルを選ぶほうが改善しやすい場合がある(Anthropic のガイド)。
ひっかけ注意「Anthropic のガイドによれば、応答の速さや費用の問題も含め、成功の基準を満たせないときは、プロンプトを書き直すことが常に最も効果的な解決策である」は誤り。 誤り。「常に書き直しが最善」ではない。Anthropic のガイドは、レイテンシー(応答が返るまでの待ち時間)や費用は、別のモデルを選ぶほうが容易に改善できる場合があるとしている。配送が遅いときに、伝票の書き方を何度直すより、速い配送業者に替えたほうが早い場面があるのと同じ。困りごとの種類で打ち手を選ぶ。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|業務アプリは評価して更新
業務の仕組みに組み込んだプロンプトは、使うモデルの版を固定し、出力を確かめるテスト(評価)を用意して、改善のたびやモデルを替えるときに性能の変化を見る(OpenAI のガイド)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|指示の4つの区分
システム側の指示は、一般に、目的・話し方(Identity)、守るルール(Instructions)、入力と望む答えの例(Examples)、答えに必要な追加の情報(Context)に分けて、おおむねこの順に書く(OpenAI のガイド)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|参考情報は後ろに
答えの参考にする追加の情報(Context。社内資料など)は、頼むたびに差し替えることがあるので、通常はプロンプトの終わりの近くに置くのがよい(OpenAI のガイド)。
ひっかけ注意「OpenAI のガイドは、回答の参考にする社内資料などの追加の情報(コンテキスト)は、生成のたびに差し替えることがあるため、プロンプトの冒頭に置くのが通常よいとしている」は誤り。 誤り。冒頭ではなく、終わりの近くに置くのが通常よいとしている。コンテキストとは、答えるときに参照させる資料や情報のこと。決まった定型文(役目やルール)を前に、毎回変わる資料を後ろに置くのは、申請書の様式は固定で、添付書類だけ毎回差し替えるのに似ている。くり返し使う部分を前にそろえると、処理の再利用(キャッシュ)も効きやすい。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|区切りを示す書き方
Markdown の見出しや箇条書きは指示の区分と階層を伝えるのに、XML タグ(<資料>…</資料> のような目印)は資料などの始まりと終わりを区切るのに役立つ(OpenAI のガイド)。
ひっかけ注意「OpenAI のガイドは、プロンプトの中で見出しや XML タグを使って区切ると、モデルが指示と参考資料の境目を読み違えやすくなるため、使わないよう勧めている」は誤り。 誤り。OpenAI のガイドは逆に、見出しや箇条書きは区分を伝えるのに、XML タグは資料の始まりと終わりを区切るのに役立つとしている。XML タグは、文章を「ここから」「ここまで」で挟む目印のこと。メールで「以下、お客様の原文」「以上」と線を引いて自分の指示と分けるのと同じで、指示と資料の取り違えを防ぐ。
覚える数字と、狙われる引っかけ
- ひっかけ「生成AIが生成する内容は決定的であり、同じプロンプトを入力すれば常に同じ出力が得られる」は誤り。誤り。OpenAI のガイドは、モデルが生成する内容は非決定的(non-deterministic)だとしている。非決定的とは、同じ入力でも出力が変わりうること。同じ質問を同僚に2回しても言い回しが少しずつ変わるのと似ている。そのため一度の結果で判断せず、何度か試して、ぶれても使える頼み方に直していく(対話的な改善)。
- ひっかけ「Anthropic のガイドによれば、応答の速さや費用の問題も含め、成功の基準を満たせないときは、プロンプトを書き直すことが常に最も効果的な解決策である」は誤り。誤り。「常に書き直しが最善」ではない。Anthropic のガイドは、レイテンシー(応答が返るまでの待ち時間)や費用は、別のモデルを選ぶほうが容易に改善できる場合があるとしている。配送が遅いときに、伝票の書き方を何度直すより、速い配送業者に替えたほうが早い場面があるのと同じ。困りごとの種類で打ち手を選ぶ。
- ひっかけ「OpenAI のガイドは、回答の参考にする社内資料などの追加の情報(コンテキスト)は、生成のたびに差し替えることがあるため、プロンプトの冒頭に置くのが通常よいとしている」は誤り。誤り。冒頭ではなく、終わりの近くに置くのが通常よいとしている。コンテキストとは、答えるときに参照させる資料や情報のこと。決まった定型文(役目やルール)を前に、毎回変わる資料を後ろに置くのは、申請書の様式は固定で、添付書類だけ毎回差し替えるのに似ている。くり返し使う部分を前にそろえると、処理の再利用(キャッシュ)も効きやすい。
- ひっかけ「OpenAI のガイドは、プロンプトの中で見出しや XML タグを使って区切ると、モデルが指示と参考資料の境目を読み違えやすくなるため、使わないよう勧めている」は誤り。誤り。OpenAI のガイドは逆に、見出しや箇条書きは区分を伝えるのに、XML タグは資料の始まりと終わりを区切るのに役立つとしている。XML タグは、文章を「ここから」「ここまで」で挟む目印のこと。メールで「以下、お客様の原文」「以上」と線を引いて自分の指示と分けるのと同じで、指示と資料の取り違えを防ぐ。
- ひっかけ「OpenAI のガイドは、推論モデルを「明確な指示があると最もよく働く新人の同僚」、GPT モデルを「目標だけ伝えれば細部を任せられるベテランの同僚」にたとえている」は誤り。誤り。たとえが逆である。OpenAI のガイドは、推論モデルを目標を伝えれば細部を詰めてくれる先輩の同僚(senior co-worker)、GPT モデルを明確な指示で特定の成果物を作るのが得意な新人の同僚(junior coworker)にたとえている。覚え方は「考えるモデル=任せられる先輩」「速いモデル=指示どおりに動く新人」。
02試験で正誤を分けるチェック順
- 1プロンプトエンジニアリングは、AI(モデル)が求める条件を満たす答えを安定して出せるように、効果的な指示(プロンプト)を書く工程である(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 2AIが生成する内容は非決定的(同じ指示でも毎回同じ答えになるとは限らない)。だから技法やコツを使い、試して確かめながら、望む結果を安定して得られるようにする。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 3プロンプトを改善する前に、何をもって成功とするかの基準、その基準で実際に試して確かめる方法、直す元になる最初のプロンプトをそろえる(Anthropic のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 4すべての困りごとがプロンプトの工夫で一番よく解決するわけではない。応答の速さや費用は、別のモデルを選ぶほうが改善しやすい場合がある(Anthropic のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 5業務の仕組みに組み込んだプロンプトは、使うモデルの版を固定し、出力を確かめるテスト(評価)を用意して、改善のたびやモデルを替えるときに性能の変化を見る(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 6システム側の指示は、一般に、目的・話し方(Identity)、守るルール(Instructions)、入力と望む答えの例(Examples)、答えに必要な追加の情報(Context)に分けて、おおむねこの順に書く(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 7答えの参考にする追加の情報(Context。社内資料など)は、頼むたびに差し替えることがあるので、通常はプロンプトの終わりの近くに置くのがよい(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 8Markdown の見出しや箇条書きは指示の区分と階層を伝えるのに、XML タグ(<資料>…</資料> のような目印)は資料などの始まりと終わりを区切るのに役立つ(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 9プロンプトの最初で、AIの目的・話し方・大きな目標を示すのが役割(Identity)の指定である。Anthropic のガイドも、技法の1つに役割の指定(role prompting)を挙げている。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 10答えを別のシステムや表計算で読み込みたいときは、出力形式を指定する。OpenAI の API には、出力を指定した JSON の形(JSON スキーマ)に合わせて返させる Structured Outputs という機能がある(2026年11月時点)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 11一般に、GPT モデルは手順や必要な情報まで明確に書いた具体的な指示でよく働き、推論モデルは大まかな目標を示して細部を任せるほうがよい結果になりやすい(OpenAI のガイド)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 12OpenAI のガイドは、推論モデルを「目標を伝えれば細部を任せられるベテランの同僚」、GPT モデルを「明確な指示があると最もよく働く新人の同僚」にたとえている。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
- 13仕事を任せるときは「資料を作って」とだけ書かず、必要な成果・使う資料・守る条件・よい出来の基準・確認や承認のために止める所を書くと、よい結果を得やすい(OpenAI の ChatGPT Work の案内)。
問題文の限定語を先に拾い、上の暗記項目と照合してから結論を出します。
03この論点の根拠
- 内容の基準日
- 2026-11-20
- 復習方法
- 要点を確認した後、○×一問一答で条件の違いを見分ける
法改正により扱いが変わる場合があります。試験日程や申込みに関する情報は、 必ず公式案内も確認してください。
問題演習
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)の○×一問一答
1/8問解答 0・正解 0
生成AIの実践と活用事例
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプトエンジニアリングとは
プロンプトエンジニアリングとは、モデルが求める要件を満たす出力を安定して生成するように、効果的な指示(プロンプト)を書く工程のことである。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)の○×一問一答13問|問題と解説
この論点で収録している13問を、正誤と解説つきで通して読めます。 上の演習で迷った問題を見直すときに使ってください。
問1
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプトエンジニアリングとはプロンプトエンジニアリングとは、モデルが求める要件を満たす出力を安定して生成するように、効果的な指示(プロンプト)を書く工程のことである。
答え:○(正しい)
解説
正しい。OpenAI のガイドは、プロンプトエンジニアリングを、モデルが要件を満たす内容を一貫して生成するよう効果的な指示を書く工程と説明している。プロンプトとはAIへの指示文のこと。たとえば新しく来た派遣社員に仕事を頼むとき、目的・締め切り・書式まで伝えると毎回ねらいどおりの書類が上がってくる。その「頼み方を工夫する作業」にあたる。 要点:プロンプトエンジニアリングは、AI(モデル)が求める条件を満たす答えを安定して出せるように、効果的な指示(プロンプト)を書く工程である(OpenAI のガイド)。
問2
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|出力は毎回同じとは限らない生成AIが生成する内容は決定的であり、同じプロンプトを入力すれば常に同じ出力が得られる。
答え:×(誤り)
解説
誤り。誤り。OpenAI のガイドは、モデルが生成する内容は非決定的(non-deterministic)だとしている。非決定的とは、同じ入力でも出力が変わりうること。同じ質問を同僚に2回しても言い回しが少しずつ変わるのと似ている。そのため一度の結果で判断せず、何度か試して、ぶれても使える頼み方に直していく(対話的な改善)。 要点:AIが生成する内容は非決定的(同じ指示でも毎回同じ答えになるとは限らない)。だから技法やコツを使い、試して確かめながら、望む結果を安定して得られるようにする。
問3
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|改善の前にそろえるものAnthropic のガイドは、プロンプトを改善する前に、何をもって成功とするかの基準と、その基準に照らして実際に試して確かめる方法を用意しておくことを前提としている。
答え:○(正しい)
解説
正しい。Anthropic のガイドは、改善の前提として、成功の基準がはっきりしていること、その基準で試す方法があること、最初のプロンプトがあることを挙げている。たとえば「議事録の要約が3行以内で、決定事項を必ず含む」と基準を決めておけば、指示を直したあとで、よくなったかを同じ物差しで比べられる。基準がないと、直した効果が分からない。 要点:プロンプトを改善する前に、何をもって成功とするかの基準、その基準で実際に試して確かめる方法、直す元になる最初のプロンプトをそろえる(Anthropic のガイド)。
問4
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|プロンプト以外の解決Anthropic のガイドによれば、応答の速さや費用の問題も含め、成功の基準を満たせないときは、プロンプトを書き直すことが常に最も効果的な解決策である。
答え:×(誤り)
解説
誤り。誤り。「常に書き直しが最善」ではない。Anthropic のガイドは、レイテンシー(応答が返るまでの待ち時間)や費用は、別のモデルを選ぶほうが容易に改善できる場合があるとしている。配送が遅いときに、伝票の書き方を何度直すより、速い配送業者に替えたほうが早い場面があるのと同じ。困りごとの種類で打ち手を選ぶ。 要点:すべての困りごとがプロンプトの工夫で一番よく解決するわけではない。応答の速さや費用は、別のモデルを選ぶほうが改善しやすい場合がある(Anthropic のガイド)。
問5
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|業務アプリは評価して更新社内の業務アプリに組み込んだプロンプトについて、使うモデルの版を上げる前に、代表的な入力で出力を評価するテストを用意して性能の変化を確かめるのは、OpenAI のガイドが勧める進め方に沿っている。
答え:○(正しい)
解説
正しい。OpenAI のガイドは、本番の仕組みは特定のモデルの版に固定し、プロンプトの振る舞いを測るテストを作って、改善やモデルの更新のたびに性能を見守るよう勧めている。同じ系統のモデルでも版が違うと結果が変わりうるためである。会計ソフトを新しい版にする前に、いつもの伝票で計算結果が変わらないか試すのと同じ考え方。 要点:業務の仕組みに組み込んだプロンプトは、使うモデルの版を固定し、出力を確かめるテスト(評価)を用意して、改善のたびやモデルを替えるときに性能の変化を見る(OpenAI のガイド)。
問6
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|指示の4つの区分OpenAI のガイドは、システム側の指示を、目的や話し方を示す部分、守るルールを示す部分、入力と望む出力の例、回答に必要な追加の情報(コンテキスト)に分けて組み立てる形を示している。
答え:○(正しい)
解説
正しい。OpenAI のガイドは、開発者が書く指示に Identity(目的・話し方)、Instructions(ルール、すべきこと・してはいけないこと)、Examples(例)、Context(追加の情報)を含めるとしている。仕事の引き継ぎ書を「あなたの役目」「守ること」「過去の対応例」「参考資料」の見出しで分けて書くと伝わりやすいのと同じ。最適な順序はモデルで変わりうる。 要点:システム側の指示は、一般に、目的・話し方(Identity)、守るルール(Instructions)、入力と望む答えの例(Examples)、答えに必要な追加の情報(Context)に分けて、おおむねこの順に書く(OpenAI のガイド)。
問7
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|参考情報は後ろにOpenAI のガイドは、回答の参考にする社内資料などの追加の情報(コンテキスト)は、生成のたびに差し替えることがあるため、プロンプトの冒頭に置くのが通常よいとしている。
答え:×(誤り)
解説
誤り。誤り。冒頭ではなく、終わりの近くに置くのが通常よいとしている。コンテキストとは、答えるときに参照させる資料や情報のこと。決まった定型文(役目やルール)を前に、毎回変わる資料を後ろに置くのは、申請書の様式は固定で、添付書類だけ毎回差し替えるのに似ている。くり返し使う部分を前にそろえると、処理の再利用(キャッシュ)も効きやすい。 要点:答えの参考にする追加の情報(Context。社内資料など)は、頼むたびに差し替えることがあるので、通常はプロンプトの終わりの近くに置くのがよい(OpenAI のガイド)。
問8
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|区切りを示す書き方OpenAI のガイドは、プロンプトの中で見出しや XML タグを使って区切ると、モデルが指示と参考資料の境目を読み違えやすくなるため、使わないよう勧めている。
答え:×(誤り)
解説
誤り。誤り。OpenAI のガイドは逆に、見出しや箇条書きは区分を伝えるのに、XML タグは資料の始まりと終わりを区切るのに役立つとしている。XML タグは、文章を「ここから」「ここまで」で挟む目印のこと。メールで「以下、お客様の原文」「以上」と線を引いて自分の指示と分けるのと同じで、指示と資料の取り違えを防ぐ。 要点:Markdown の見出しや箇条書きは指示の区分と階層を伝えるのに、XML タグ(<資料>…</資料> のような目印)は資料などの始まりと終わりを区切るのに役立つ(OpenAI のガイド)。
問9
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|役割の指定社内の問い合わせに答えるAIを作るとき、プロンプトの最初で「あなたは総務部の担当者として、社員の質問に丁寧な言葉で答えるアシスタントです」のように目的と話し方を示すのは、役割の指定にあたる。
答え:○(正しい)
解説
正しい。OpenAI のガイドで Identity は、アシスタントの目的・話し方・大きな目標を書く部分とされ、Anthropic のガイドも役割の指定(role prompting)を技法に挙げている。電話番を頼むとき「あなたは受付係として、丁寧に用件を聞いてください」と最初に伝えると、受け答えの調子がそろうのと同じ。役割を決めると、言葉づかいや答えの範囲が定まりやすい。 要点:プロンプトの最初で、AIの目的・話し方・大きな目標を示すのが役割(Identity)の指定である。Anthropic のガイドも、技法の1つに役割の指定(role prompting)を挙げている。
問10
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|出力形式の指定2026年11月時点で、OpenAI の API には、モデルの出力を指定した JSON スキーマに合う形で返させる Structured Outputs という機能がある。
答え:○(正しい)
解説
正しい。OpenAI のガイド(2026年11月時点)は、文章のほかに JSON 形式のデータを返させることができ、これを Structured Outputs と呼ぶとしている。JSON は「項目名:値」を決まった形で並べるデータの書き方で、JSON スキーマはその型紙。経費の申請を自由作文でなく決まった様式の欄に書いてもらうと、そのまま集計できるのと同じ。 要点:答えを別のシステムや表計算で読み込みたいときは、出力形式を指定する。OpenAI の API には、出力を指定した JSON の形(JSON スキーマ)に合わせて返させる Structured Outputs という機能がある(2026年11月時点)。
問11
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|モデルで変わる具体度OpenAI のガイドは、推論モデルには大まかな目標を示して細部を任せるほうがよい結果になりやすく、GPT モデルには手順や必要な情報まで明確に書いた具体的な指示が向いているとしている。
答え:○(正しい)
解説
正しい。OpenAI のガイドは、推論モデル(答える前に内部で考えを深めるモデル)は大まかな指示だけでもよい結果を出しやすく、GPT モデルは正確で明確な指示から恩恵を受けるとしている。具体度のコントロールとは、相手に合わせて指示の細かさを変えること。ベテランには「来週の会議の資料をお願い」で通じても、新人には構成や書式まで伝えるのと同じ。 要点:一般に、GPT モデルは手順や必要な情報まで明確に書いた具体的な指示でよく働き、推論モデルは大まかな目標を示して細部を任せるほうがよい結果になりやすい(OpenAI のガイド)。
問12
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|新人とベテランのたとえOpenAI のガイドは、推論モデルを「明確な指示があると最もよく働く新人の同僚」、GPT モデルを「目標だけ伝えれば細部を任せられるベテランの同僚」にたとえている。
答え:×(誤り)
解説
誤り。誤り。たとえが逆である。OpenAI のガイドは、推論モデルを目標を伝えれば細部を詰めてくれる先輩の同僚(senior co-worker)、GPT モデルを明確な指示で特定の成果物を作るのが得意な新人の同僚(junior coworker)にたとえている。覚え方は「考えるモデル=任せられる先輩」「速いモデル=指示どおりに動く新人」。 要点:OpenAI のガイドは、推論モデルを「目標を伝えれば細部を任せられるベテランの同僚」、GPT モデルを「明確な指示があると最もよく働く新人の同僚」にたとえている。
問13
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)|依頼に書く要素「顧客調査の資料を作って」とだけ頼むより、必要な成果・使う資料・守る条件・よい出来の基準・確認のために止める所を書いて頼むほうが、よい結果を得やすい。
答え:○(正しい)
解説
正しい。OpenAI の ChatGPT Work の案内(2026年11月時点)は、必要な成果、使う情報源、守る制約、よい出来の基準、確認や承認のために止める所を伝えるよう勧め、「顧客調査のプレゼンを作って」とだけ頼む例と比べている。外注先に「チラシを作って」とだけ言うより、目的・ターゲット・使う写真・予算・校正の段取りまで伝えるほうが、一度でねらいに近いものが届く。 要点:仕事を任せるときは「資料を作って」とだけ書かず、必要な成果・使う資料・守る条件・よい出来の基準・確認や承認のために止める所を書くと、よい結果を得やすい(OpenAI の ChatGPT Work の案内)。
プロンプトエンジニアリングと基本構成要素(役割・出力形式・具体度)の問題を続けて解く
この論点に対応する13問を絞り込んで出題します。