プロンプトエンジニアリングの概要
While these tips apply broadly to all Claude models, you can find prompting tips specific to extended thinking models here.
プロンプトエンジニアリングを始める前に
このガイドは、以下のことを前提としています：
- ユースケースの成功基準が明確に定義されていること
- それらの基準に対して実証的にテストする方法があること
- 改善したい最初のドラフトプロンプトがあること
もしこれらがない場合は、まずそれらを確立することに時間を費やすことを強くお勧めします。成功基準を定義すると強力な実証的評価を作成するでヒントとガイダンスをご確認ください。
プロンプトジェネレーター
最初のドラフトプロンプトをお持ちでない場合は、Anthropic Consoleのプロンプトジェネレーターをお試しください！
プロンプトエンジニアリングが必要な時
このガイドは、プロンプトエンジニアリングを通じてコントロール可能な成功基準に焦点を当てています。 すべての成功基準や失敗した評価がプロンプトエンジニアリングで最適に解決できるわけではありません。例えば、レイテンシーやコストは、異なるモデルを選択することでより簡単に改善できる場合があります。
プロンプティングvsファインチューニング
プロンプティングvsファインチューニング
プロンプトエンジニアリングは、ファインチューニングなどの他のモデル動作制御方法よりもはるかに高速で、より短時間で大幅なパフォーマンスの向上を実現できることがよくあります。プロンプトエンジニアリングをファインチューニングよりも検討すべき理由は以下の通りです：
- リソース効率: ファインチューニングには高性能GPUと大容量メモリが必要ですが、プロンプトエンジニアリングはテキスト入力のみで済むため、はるかにリソースフレンドリーです。
- コスト効率: クラウドベースのAIサービスでは、ファインチューニングには多大なコストがかかります。プロンプトエンジニアリングは通常より安価な基本モデルを使用します。
- モデルアップデートの維持: プロバイダーがモデルを更新した場合、ファインチューニングされたバージョンは再トレーニングが必要になる可能性があります。プロンプトは通常、変更なしでバージョン間で動作します。
- 時間の節約: ファインチューニングには数時間から数日かかる場合があります。対照的に、プロンプトエンジニアリングはほぼ即座に結果を提供し、迅速な問題解決を可能にします。
- 最小限のデータ要件: ファインチューニングには、タスク固有の大量のラベル付きデータが必要で、これは入手が困難または高価な場合があります。プロンプトエンジニアリングは少数ショットまたはゼロショット学習でも機能します。
- 柔軟性と迅速な反復: さまざまなアプローチを素早く試し、プロンプトを調整して、即座に結果を確認できます。このような迅速な実験はファインチューニングでは困難です。
- ドメイン適応: プロンプトでドメイン固有のコンテキストを提供することで、再トレーニングなしで新しいドメインにモデルを簡単に適応させることができます。
- 理解力の向上: プロンプトエンジニアリングは、検索された文書などの外部コンテンツの理解と活用においてファインチューニングよりもはるかに効果的です。
- 一般知識の保持: ファインチューニングには、モデルが一般知識を失う破滅的忘却のリスクがあります。プロンプトエンジニアリングはモデルの広範な能力を維持します。
- 透明性: プロンプトは人間が読めるため、モデルが受け取る情報を正確に示します。この透明性は理解とデバッグに役立ちます。
プロンプトエンジニアリングの方法
このセクションのプロンプトエンジニアリングページは、最も広く効果的な技術から、より専門的な技術まで体系的に整理されています。パフォーマンスのトラブルシューティングを行う際は、ユースケースによって各技術の実際の影響は異なりますが、これらの技術を順番に試すことをお勧めします。
- プロンプトジェネレーター
- 明確で直接的な表現を使用する
- 例を使用する（マルチショット）
- Claudeに考えさせる（思考の連鎖）
- XMLタグを使用する
- Claudeに役割を与える（システムプロンプト）
- Claudeの応答を事前に入力する
- 複雑なプロンプトを連鎖させる
- 長文コンテキストのヒント
プロンプトエンジニアリングチュートリアル
インタラクティブな学習を好む方は、代わりに対話型チュートリアルに取り組むことができます！