Few-shotプロンプトとは？精度を上げる例文と使わない基準

この記事の監修者

リスキルAIキャリア編集部

リスキルAIキャリアは、AI時代の学び直し・キャリア形成・副業・転職に役立つ情報を発信するWebメディアです。編集部では、生成AIスキルの身につけ方、AI関連スクール・講座の選び方、キャリアアップにつながる学習方法などを、実務目線でわかりやすくお届けしています。

Few-shotプロンプトは、指示文に「入力と出力の見本」を数個添えて、AIの回答形式と精度を安定させる手法です。分類やフォーマット固定の仕事に強く、逆に自由な発想を求める仕事では逆効果になります。結論として、Few-shotは「出力の型を毎回そろえたい仕事」でのみ使うのが正解です。

この記事では、Zero-shot・ワンショットとの違い、職種別のコピペ例文、例の最適な個数、そして技術系サイトが触れない「使わない基準」まで正直に線引きします。学習を検定や実務につなげたい人向けに、PEP検定での位置づけも示します。

Few-shotプロンプトとは？In-context learningで精度が上がる仕組み

Few-shotプロンプト（少数事例プロンプト）は、指示に加えて2〜5個の「お手本」を示す書き方です。few-shotは英語で「わずかな回数の提示」を意味します。AIはそのお手本から出力パターンを読み取り、同じ形式で回答します。

この現象はIn-context learning（文脈内学習）と呼ばれます。モデルの重みは変わらず、プロンプト内の例だけで一時的に振る舞いが変わる点が特徴です。Few-shotは学習し直しではなく、その場限りの「見本合わせ」だと理解すると誤用が減ります。

PEP検定の現行シラバス（2025年9月20日改定）でも、Few-shotはChain of Thought、Role Promptingと並ぶ「基本概念と技術」に明記されています。出典は日本プロンプトエンジニアリング協会の公式ページ（https://prompt.or.jp/pep）です。用語だけでなく、効く条件・効かない条件を押さえる必要があります。

Zero-shot・ワンショットプロンプトとの違いを比較表で整理

3手法は「例を何個入れるか」で分かれます。Zero-shotは0個、ワンショットは1個、Few-shotは2個以上です。例が増えるほど形式は安定しますが、トークン消費と入力の手間も増えます。

まずZero-shotで試し、形式が乱れる時だけワンショット、それでも不安定ならFew-shotへ、という順番が実務では効率的です。最初からFew-shotを組むのは、コストと手間の無駄になりがちです。

なお、出力が安定しない原因は例の不足とは限りません。指示の曖昧さが原因のことも多く、プロンプトが効かない原因5つ｜症状別診断と直し方【コピペ例付き】で症状別に切り分けると近道です。

Few-shotプロンプトの使い方｜仕事で使える職種別の例文

Few-shotの基本形は「指示→例1→例2→例3→本番入力」です。例は本番と同じ形式でそろえます。感情分類のサンプルだけでなく、社会人が毎日使う3タスクの例文を用意しました。

メール返信のトーンをそろえる例文

返信文の丁寧さと構成を固定したい時に有効です。以下をそのまま貼り付けて使えます。

• 指示：以下の例と同じ「お礼→回答→次のアクション」の3文構成で返信を書いてください。
• 例1｜受信「請求書は届きましたか」→返信「ご連絡ありがとうございます。本日15時に確認いたしました。差額分は明日ご案内します。」
• 例2｜受信「日程を再調整したい」→返信「ご調整のご連絡ありがとうございます。木曜午後で承ります。詳細は追って送付します。」
• 本番｜受信「見積もりの内訳を知りたい」→返信：

議事録を要約する例文

要約の粒度と項目を毎回そろえたい時に使います。「決定事項・宿題・期限」の3項目に固定すると読み手が迷いません。

• 指示：発言メモを「決定事項／宿題／期限」の3行に要約してください。
• 例1｜メモ「A案採用で合意。田中がデザイン修正。金曜まで」→出力「決定事項：A案採用／宿題：田中がデザイン修正／期限：金曜」
• 本番｜メモ「見積もりは再提示。佐藤が原価を再計算。来週水曜」→出力：

問い合わせを分類・タグ付けする例文

分類タスクはFew-shotが最も効く領域です。ラベルの表記ゆれを例で封じ込めます。

• 指示：問い合わせを「請求／技術／解約／その他」のいずれか1語で分類してください。
• 例1｜「ログインできない」→技術
• 例2｜「今月分の金額が違う」→請求
• 例3｜「もう使わないので止めたい」→解約
• 本番｜「パスワードを変えたい」→

Few-shotが効くのは「正解の形が1つに決まる仕事」です。分類・整形・抽出はその典型で、例を見せた瞬間に精度が跳ね上がります。型そのものを設計したい人はプロンプトのフレームワーク9選｜暗記より使い分けで成果を出すも併読すると設計が速くなります。

Few-shotの例文は何個が最適か｜精度の逓減と順序の落とし穴

例は多いほど良いわけではありません。多くの分類タスクでは3〜5個で精度が頭打ちになり、それ以上は伸びが鈍ります。10個入れても手間とトークンが増えるだけのことがあります。

まず2個から始め、外れる本番入力が出た時だけ1個ずつ追加する運用が現実的です。「例を足しても改善しない」と感じたら、それは指示文か例の質の問題です。

例の選び方と順序で結果が変わる理由

例の並び順は結果に影響します。最後に置いた例の形式に引きずられやすいrecency効果があり、また特定ラベルばかり並べると出力がそのラベルに偏ります。

• ラベルの数を均等にする（分類なら各ラベルを同数）
• 例の順番を固定せず、偏りが出たら並べ替える
• 本番で間違えたケースを例に昇格させる
• 珍しすぎる例は入れない（平均的な入力を選ぶ）

例が偏ると、AIは「その偏り」を正解と誤解します。これが例示バイアスです。感情分類でポジティブ例ばかり見せると、中立の文までポジティブに寄る、といった事故が起きます。

Few-shotプロンプトを使わない基準｜逆効果になる4つの条件

技術系の解説はFew-shotの利点に偏りがちですが、実務では「使わない判断」のほうが差を生みます。以下の4条件に当てはまる時は、Zero-shotのほうが結果が良くなります。

• 創造タスク（企画・キャッチコピー・アイデア出し）：例が発想の幅を狭め、似た案ばかり出る
• 長文入力を大量処理：例のトークンが毎回上乗せされ、コストと遅延が増える
• 正解の形が1つに決まらない相談・壁打ち：例が思考を型にはめて浅くなる
• 例を均等・良質に用意できない：偏った例が精度を下げる

Few-shotは「型を守らせる」技術であり、「発想を広げる」技術ではありません。ブレインストーミングでお手本を3個見せれば、AIはその3個の延長しか出しません。創造性が欲しい場面では、あえて例を入れない選択が正解です。

コスト面も無視できません。例を4個添えると入力トークンは数百単位で増え、大量バッチ処理では請求額に直結します。型の固定が不要なら、例を削るだけで費用が下がります。

Few-shot CoTとの併用とZero-shot→One-shot→Few-shotの使い分けフロー

Few-shotは思考の連鎖（Chain of Thought）と組み合わせられます。Few-shot CoTは、例の中に「途中の考え方」まで書いて見せる方法です。計算や条件分岐のある推論タスクで、答えだけでなく手順の型もそろえられます。

ただし推論の型を見せる分、例が長くなりトークンも増えます。単純な分類にCoTは不要です。CoTの使いどころと書かない基準は思考の連鎖プロンプトとは？2026年の使いどころと書かない基準で詳しく整理しています。

迷ったら使う判断フロー

手法選びは次の順で判断すると迷いません。上から試し、必要になった段階で止めます。

1. まずZero-shotで出力する
2. 形式が乱れる→ワンショット（例1個）
3. まだ不安定＆正解の形が1つ→Few-shot（例2〜5個）
4. 途中の推論もそろえたい→Few-shot CoT
5. 発想を広げたい・入力が長大→Few-shotを使わずZero-shotに戻す

「少ない手数で目的の型が出るか」を毎回の基準にすれば、過剰なFew-shotを避けられます。

Few-shotの学習はPEP検定・生成AIパスポートのどこに効くか

Few-shotは検定でも問われる基礎技術です。学習→検定→実務を一本の線でつなぐと、知識が仕事の成果に変わります。

PEP検定（Prompt Engineering Professional）は、シラバス第2項「プロンプトエンジニアリングの基本概念と技術」でFew-shot・Chain of Thought・Role Promptingを扱います。受験料は11,000円（税込）、60分100問、得点率70%以上で合格です（日本プロンプトエンジニアリング協会 https://prompt.or.jp/pep）。この記事の内容は、そのまま第2項の対策範囲に対応します。

生成AIパスポート試験（GUGA主催）は「実践的活用方法」を柱の1つに置き、一般11,000円・学生5,500円（税込）です。2026年4月試験の合格率は79.35%でした（https://guga.or.jp/2026-05-19-1100）。基礎知識の網羅に向きます。PEP検定の学習手順はPEP検定の勉強法を公式シラバスから逆算｜難易度・勉強時間・受験手順を解説で確認できます。

よくある質問

Few-shotの例は最低何個必要ですか？

2個からで十分です。ワンショット（1個）でも形式は伝わりますが、1個だとその例に偏りやすいため、分類なら各ラベル1個ずつ計2〜3個を推奨します。改善が止まったら追加をやめます。

Zero-shotとFew-shotはどちらが精度が高いですか？

タスク次第です。正解の形が1つに決まる分類・整形はFew-shotが有利です。企画やアイデア出しなど自由な発想が要る仕事は、例が枠を狭めるためZero-shotが勝ちます。

Few-shotを使うとコストは増えますか？

増えます。例の文章が毎回入力トークンに加算されるためです。1回あたりは数百トークンでも、大量処理では請求額に響きます。型の固定が不要なら例を削るのが節約になります。

例の順番は結果に影響しますか？

影響します。最後の例に引きずられるrecency効果があり、同じラベルを並べると出力がそのラベルに偏ります。ラベル数を均等にし、偏りが出たら並べ替えてください。

Few-shotとCoTは同時に使えますか？

使えます。例の中に途中の考え方まで書くFew-shot CoTが有効です。計算や条件分岐のある推論に向きますが、単純な分類には不要で、トークンが増えるだけになります。