知識生成プロンプトとは？RAGとの違いと使わない基準を実務で解説

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。

知識生成プロンプトは、答える前にモデル自身へ関連知識を書き出させ、その知識で回答させる2段階の手法です。英語ではGenerated Knowledge Prompting、略してGKPと呼びます。

結論、GKPは「出典が不要な一般知識を広げたい時」だけ使います。社内情報・求人情報・価格・法改正・統計の確認には使いません。これらはRAGか公式情報で調べます。

副業・転職では、提案文や職務経歴書の論点整理に使えます。ただし年収相場・案件単価・企業情報の確認には使えません。

30秒で判断する基準は次の3つです。

• 出典を聞かれて困る情報 → RAGまたは公式情報
• 一般的な論点を広げたいだけ → 知識生成プロンプト
• 数字・日付・制度・固有名詞が絡む → 知識生成プロンプト禁止

用途の向き不向きを比較表にまとめます。

迷ったら「その情報を後から出典付きで説明する必要があるか」で分けます。必要ならRAG、不要ならGKPです。以下は原論文『Generated Knowledge Prompting for Commonsense Reasoning』(arXiv:2110.08387)を一次情報にした整理です。本記事のプロンプト例と出力例は、ChatGPT・Claudeなどの汎用チャットモデル(2026年7月時点の一般提供版)で使う前提で作成しています。出力例は挙動を示すための例で、実際の文言はモデルや版で変わります。

知識生成プロンプト(Generated Knowledge Prompting)とは

知識生成プロンプトとは、質問に直接答えさせる前に関連知識を生成させ、その知識を回答の材料にする手法です。日本語では知識生成プロンプティングとも書きます。

提案元はUniversity of Washington等の研究チームです。論文はarXiv:2110.08387として2021年に公開されました。特徴は、外部データベースを使わず、モデル内部の知識だけで推論の土台を作る点です。

2段階(知識生成→知識統合)の仕組み

GKPは2段階で動きます。第1段階が知識生成、第2段階が知識統合です。

1. 知識生成フェーズ：質問に関連する事実や前提を複数個(論文では最大20個程度)書き出させる
2. 知識統合フェーズ：生成した知識を質問に添えて、あらためて回答させる

論文では各知識を個別に統合し、最も確信度の高い予測を採用します。実務では、生成した知識を1つにまとめて回答プロンプトへ渡す簡易版でも動きます。ただし誤った知識を混ぜると、回答全体が崩れます。

論文のベンチマーク要点と適用範囲

論文の検証対象は常識推論(Commonsense Reasoning)です。原論文はNumerSense・CommonsenseQA 2.0・QASCで、公開当時のSOTA(最高精度)を更新したと記載します。各タスクが測る能力は次の通りです。

改善幅の具体値(pt差)は原論文の結果表に記載があります。数値は必ず一次情報の表で照合してください。本記事では表の数値を創作しません。

この改善は常識推論での改善であり、業務文書検索・求人情報確認・最新情報確認の改善ではありません。ここを混同すると、後述するハルシネーション増幅の罠にはまります。

知識生成プロンプトとRAGの違いはどちらを選ぶか

最大の違いは知識の出どころです。GKPはモデル内部の知識を自己生成し、RAGは外部の文書やDBから取得します。この一点で向き不向きが分かれます。

RAGについては、以下のクラウド各社も生成AIアプリの代表的な構成として解説しています。

• Google Cloud：Retrieval-Augmented Generation の解説
• AWS：What is RAG? の解説
• Microsoft Learn：RAG concepts の解説

モデル内知識の自己生成 vs 外部からの取得

RAGの仕組みや始め方はRAGとは？仕組みから活用事例・始め方まで初心者にもわかる完全ガイドで解説しています。両者は競合ではなく、扱う知識の性質で使い分けます。

どちらを選ぶかの判断フロー

選び方は3つの質問で決まります。上から順に判定します。

1. 回答に「最新の事実」や「固有の社内情報」が必要か → 必要ならRAG
2. 誤りが許されず、出典の提示が求められるか → 求められるならRAG
3. 一般常識や推論の前提を補えば解けるか → 解けるなら知識生成プロンプト

迷ったら「その知識を後から裏取りする必要があるか」を基準にします。裏取りが必須ならRAG、モデルの一般知識で十分ならGKPです。

Few-shot・CoT・Self-Consistencyとの使い分け早見表

知識生成プロンプトは、他の技術と排他ではなく組み合わせて使えます。タスク別の使い分けを整理します。

Few-shotの使いどころはFew-shotプロンプトとは？精度を上げる例文と使わない基準、CoTの判断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解説しています。

「知識生成→CoTで推論→Few-shotで整形」の三段構えが実務では安定します。ただし段を増やすほどトークンとコストが増えます。

生成AIを副業・転職で使うなら、手法名の暗記より「どの場面で使わないか」の判断が問われます。PEP検定は、Zero-shot・Few-shot・CoT・RAGなどのプロンプト技術を、実務で使い分けられるかを確認する試験です。GKPとRAGの違いを説明できないなら、受検前に出題範囲でプロンプト技術の分類を押さえておくと安全です。

知識生成プロンプトを使わない基準

以下に1つでも当てはまるなら、知識生成プロンプトは使いません。

• 2024年以降の情報が必要
• 価格・単価・年収・求人数・合格率などの数字が必要
• 法律・規約・契約・社内規程が関係する
• 企業名・サービス名・求人票・商品名などの固有名詞が中心
• 回答に出典URLを付ける必要がある
• 間違えると金銭・信用・法務のリスクがある

この手法の落とし穴は、自己生成した知識が誤ると、その誤りを前提に回答が組み立てられる点です。最新の統計・価格・法改正など学習時点以降の事実、固有名詞や社内固有情報、桁が結論を左右する数値計算では、誤りがそのまま結論に波及します。

副業・転職での安全な使い方と危険な使い方

GKPは「考える材料」を出す道具であって、「事実を調べる道具」ではありません。副業・転職で金額や企業情報を扱う時点で、GKP単体の使用は禁止です。

ハルシネーションの原因と対策はハルシネーションとは？原因・事例・5つの対策を初心者にもわかりやすく解説で整理しています。生成された知識は、人間が事実確認してから統合フェーズへ渡します。

知識生成プロンプトの使い方(2段階のコピペ手順)

手順は再現できる形で示します。プロンプトを2回に分け、間で人間が知識を検査すると誤用を防げます。

悪いプロンプト例

Webマーケティング副業で月10万円稼ぐ方法を教えてください。

このプロンプトが悪い理由は3点です。

• 事実確認が必要な相場まで生成させてしまう
• 読者の経験・使える時間・営業手段が不明
• 結論だけ出させるため、前提の誤りを検査できない

フェーズ1：修正版(知識生成)

次のテーマについて、判断に必要な前提知識を7個挙げてください。
まだ結論は出さないでください。

テーマ：
未経験の会社員が、平日1時間・土日3時間でWebマーケティング副業を始める場合、
最初に選ぶべき案件タイプを判断したい。

条件：
- 広告運用経験なし
- SNS投稿の経験あり
- 初月の目標は月1万円
- 案件単価などの数値は推測せず、「要確認」と書く

この形式なら、事実確認が必要な数値を「要確認」に分離できます。明らかな誤りは、この段階で削除・修正します。

悪い出力例と修正後の出力例

数値の生成を禁止しないと、フェーズ1でこうした前提が混ざります。

悪い出力例です。

• Webマーケティング副業は初心者でも月5万円を狙いやすい
• SNS運用代行の相場は月3万〜10万円
• 広告運用は高単価なので最初に選ぶべき

問題点は3つです。単価を根拠なく生成し、初心者の経験条件を無視し、「高単価」という曖昧な評価で判断させています。

修正後の出力例です。

• SNS投稿経験があるため、投稿作成・簡易分析・運用補助は候補になる
• 広告運用は未経験のため、初回案件では実績不足を説明する必要がある
• 単価・案件数・競争率は外部サイトで要確認
• 初月目標が1万円なら、低リスクな小規模案件から検討する

「数字は生成させない」設計を守ると、GKPの弱点である事実の誤りを避けられます。

フェーズ2：統合プロンプトと回答例

以下の前提知識のうち、事実確認が必要なものを「要確認」として分けたうえで、
初心者が最初に取るべき行動を5ステップで提案してください。

前提知識：
〔チェック済みの知識を貼る〕

統合後の回答例です。数値は断定せず、確認先を示す形になります。

1. SNS投稿経験を棚卸しし、投稿作成・運用補助を軸に応募方針を決める
2. クラウドワークス等で小規模案件の単価・件数を確認する(要確認)
3. 広告運用系は初回では避け、実績を作ってから検討する
4. 提案文に「未経験だが投稿経験あり」を具体例で示す
5. 初月は1万円を目安に、低リスク案件で実績と評価を積む

副業・転職の実務に落とす完成プロンプト3本

提案文・職務経歴書・面接対策で使えます。そのまま貼って使えます。

副業提案文用のプロンプトです。

次の案件に応募する前に、提案文を書くための前提知識を8個整理してください。
まだ提案文は書かないでください。

案件概要：
〔案件文を貼る〕

整理する観点：
- 発注者が不安に感じそうな点
- 評価される実績・スキル
- 初心者が書くと危険な表現
- 事実確認が必要な情報

職務経歴書用のプロンプトです。

次の経験を、生成AI活用人材として職務経歴書に書く前に、
採用担当者が評価しそうな前提知識を7個挙げてください。

経験：
〔自分の業務経験を貼る〕

注意：
- 実績数値は捏造しない
- 不明な成果は「要確認」とする
- 生成AIスキル、業務改善、再現性の観点で整理する

面接対策用のプロンプトです。

次の求人に応募する場合、面接で問われやすい論点を前提知識として10個挙げてください。
まだ回答例は作らないでください。

求人票：
〔求人票を貼る〕

分類：
- 生成AIスキル
- 業務理解
- 倫理・情報管理
- 成果の説明
- 学習継続力

いずれも、この後にチェック済みの前提知識を使って回答文を作ります。金額相場や求人数などの数字は、GKPの生成に頼らず一次情報で裏取りします。

PEP検定での位置づけ

知識生成プロンプトは、単体の暗記項目ではなく、他の手法との使い分けで理解します。判断軸を表にまとめます。

PEP検定で落としやすいのは、「GKPは知識を増やすから正確になる」と誤解するパターンです。GKPは推論材料を増やすだけで、事実確認の保証はしません。

この違いを自分の言葉で説明できないなら、PEP検定の出題範囲でプロンプト技術の分類を押さえておくと安全です。手法名を暗記するだけでなく、「使わない場面」と「GKPとRAGの違い」を説明できる状態を目指します。

よくある質問

知識生成プロンプトとRAGは併用できますか

併用できます。RAGで外部の事実を取得し、それを前提にGKPで推論の土台を広げる構成が可能です。事実はRAG、推論の補強はGKPと役割を分けると安定します。

知識生成プロンプトはChatGPTの検索機能と同じですか

違います。知識生成プロンプトは、モデルが内部知識から前提を生成する手法です。ChatGPTの検索機能やRAGは、外部のWebページや文書を取得して回答に使います。

判断基準は出典です。出典URLを確認できるなら検索・RAG側、出典なしでモデルが書いた前提ならGKP側です。副業案件の単価、求人情報、企業情報、法改正はGKPで扱わず、検索・RAG・公式情報を使います。

どんなタスクで効果が出ませんか

最新の事実照会、固有情報の検索、厳密な数値計算では効きにくく、逆効果のリスクがあります。論文の検証範囲は常識推論であり、事実の正確性を保証する手法ではないためです。

知識を何個生成させるのが適切ですか

用途で分けます。目安は次の通りです。

多ければよいわけではありません。生成数を増やすほど、誤った前提の混入率と確認工数が増えます。

ChatGPTやClaudeでそのまま使えますか

使えます。ただし1回のプロンプトで「知識生成」と「回答」を同時にやらせない方が安全です。まず前提知識だけを出させ、人間が誤りを消します。その後、チェック済みの知識だけで回答させます。運用の注意は次の4点です。

• 数値は推測させない
• 固有名詞は出典を照合する
• 最新情報はRAGまたは外部検索を使う
• 仕事で使う文書は人間が最終確認する

初心者はどの手法から学ぶべきですか

Zero-shotとFew-shotで基礎を固め、次にCoT、その後にGKPとRAGへ進む順序が向いています。GKPは「知識の自己生成」という発想を理解してから使うと誤用を防げます。

原論文はどこで読めますか

『Generated Knowledge Prompting for Commonsense Reasoning』はarXiv:2110.08387として公開されています。検証タスク、評価指標、ベンチマークの数値表は、この一次情報で照合できます。