Graph of Thoughtsプロンプトとは？コピペ例・ToTとの違い・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。

Graph of Thoughts（GoT）プロンプトは、思考を「グラフ」として扱い、複数の推論を集約・再評価するフレームワークです。この記事では、チャットで試せるコピペ用テンプレを最初に示します。そのうえで、ToT・CoTとの違いと、副業・転職の実務で「使う/使わない」を分ける基準を用途別の表で解説します。

結論を先に言います。個人のキャリア用途では、GoTが過剰になる場面が大半です。まず通常プロンプト、プロンプトチェーン、ToTを使い分けられる方が、成果に直結します。

GoTは「整理されたプロンプト1発」ではありません。本来は、コントローラ、スコアリング、集約処理を組み合わせるフレームワークです。この誤解を正すことが、この記事の狙いです。

コピペ用：Graph of Thoughts風プロンプト

まず試したい人向けに、チャットで使えるテンプレを置きます。{ }の部分を自分のタスクに書き換えてください。GPT系・Claude系のどちらでも同じ流れで動きます。

以下のタスクを、Graph of Thoughts風に処理してください。

【タスク】
{ここに依頼内容を書く}

【進め方】
1. タスクを3〜5個の部分問題に分解する
2. 各部分問題について、独立した解決案を2案ずつ出す
3. 各案を以下の基準で10点満点評価する
   - 正確性
   - 実行しやすさ
   - 抜け漏れの少なさ
4. 高評価の案を統合し、1つの最終案にまとめる
5. 最終案の弱点を3つ挙げる
6. 弱点を反映して、最終案を1回だけ改善する

【出力形式】
- 分解した部分問題
- 各案と評価
- 統合案
- 弱点
- 改善後の最終回答

これはGoTの完全再現ではなく、チャット上での手動近似です。原論文のGoTは、思考の生成・評価・集約・改善をプログラムで制御するフレームワークです。チャット欄だけでは自動スコアリングやループ制御はできません。

Graph of Thoughtsプロンプトとは？結論から

GoTは、LLMの中間思考を「頂点（thought）」、思考どうしの依存関係を「辺（edge）」で表す推論手法です。CoTの直線、ToTの木を一般化し、複数の思考を合流（集約）させたり、ループさせたりできます。提唱したのはETH Zurichのグループで、論文名は「Graph of Thoughts: Solving Elaborate Problems with Large Language Models」です。

個人の副業・転職実務ではToT・分解で足りる場面が多い

日常の文章作成・要約・企画・コード修正では、GoTの本来の効果を出しづらいです。GoTが効くのは「分割した部分解を合流させると質が上がる」タスクに限られます。ソートや集合演算のように、部分結果を統合できる構造がある問題が典型です。

副業・転職の実務では、まずプロンプトチェーン（分解）とToTで足ります。GoTを検討するのは、それらで精度が頭打ちになってからで遅くありません。

Graph of Thoughtsプロンプト例：チャットでできる手動近似

チャットでGoTを完全再現はできませんが、部分的に近似はできます。使い方の要点は「分割→評価→集約→再評価」を明示的に指示することです。ここではチャットで再現できる範囲と、できない範囲を線引きします。

検証環境は2026年8月時点の一般的なチャット版LLM（GPT系・Claude系）を想定しています。以下は、手動で試す場合の手順です。

1. タスクを3〜5個の部分問題に分割させる（例：長文を段落ごとに要約）
2. 各部分解を個別に出力させる
3. 「各案を0〜10点で採点し、根拠を書け」と評価を指示する
4. 「上位案を統合して1つの解にまとめよ」と集約を指示する
5. 「統合結果を再採点し、弱点を1回だけ改善せよ」と再評価ループを1周入れる

手動GoTの肝は「集約」と「再評価」を1文ずつ明示することです。ここを省くと、ただのToTや箇条書き要約に戻ります。

実行例：副業案件の提案文を改善する

抽象的な手順だけでは転用しにくいので、副業タスクで具体化します。入力と出力の流れは以下のとおりです。

入力例：クラウドソーシングで、生成AIを使った記事構成作成の案件に応募します。提案文をGraph of Thoughts風に改善してください。

出力の流れは次のようになります。

1. 部分問題に分解：実績の見せ方／生成AIスキルの示し方／納期・作業範囲の明確化／発注者の不安解消
2. 各案を評価：実績訴求案は8点（信頼は上がるが実績が少ない人には使いにくい）、作業手順訴求案は9点（初心者でも再現しやすく発注者が判断しやすい）、低価格訴求案は4点（差別化にならず単価を下げるだけになりやすい）
3. 統合後の提案例：手順訴求案を軸に実績訴求を補足として組み込む

統合後の提案文の例は次のとおりです。「はじめまして。記事構成作成の案件に応募します。私は生成AIを使って、検索意図の整理、競合見出しの比較、構成案の作成まで対応できます。作業では、まず上位記事の見出しを確認し、読者の悩みを分類したうえで、H2・H3構成を作成します。納品物には、見出し案だけでなく、各見出しで書く内容の要点も付けます。初稿は〇日以内に提出可能です。」

この用途なら、GoTでなくプロンプトチェーンでも足ります。評価軸を置いて改善するだけで品質が出るからです。GoTは、部分解を統合して初めて質が上がる場面のための手法です。

Graph of Thoughtsの仕組みとCoT・ToTとの違い

GoTの核は「思考の構造」の違いです。CoTは1本の鎖、ToTは分岐する木、GoTは合流とループを許すグラフです。構造が自由になるほど、実装で管理すべき要素（生成・評価・集約・停止）が増えます。

CoT：一直線に考える
A → B → C → 結論

ToT：複数の枝を出して、よい枝を選ぶ
      B1
A →  B2  → 最良の枝を選ぶ
      B3

GoT：複数の枝を出し、途中で合流・再評価する
      B1 ┐
A →  B2 ├→ C（統合）→ D（再評価）→ 結論
      B3 ┘

ToTは「選ぶ」手法です。GoTは「統合する」手法です。この違いがあるため、GoTは単なるプロンプトではなく、生成結果を管理する仕組みが必要になります。

CoT/ToT/GoT/プロンプトチェーンの違い（比較表）

GoTだけが「複数の思考を1つに集約する」操作を正式に持ちます。ToTは枝を選ぶだけで、枝どうしを合成はしません。

GoTがフレームワークである理由

GoTは1回のプロンプトでは完結しません。論文の実装は、思考を管理するコントローラ、各思考を採点するスコアリング、思考を統合する集約処理を分けて持ちます。LLM呼び出しを何度も回し、その途中結果をプログラムで並べ替え・評価・合成する仕組みです。

この構造を理解すると、「チャット欄に一文貼れば本来のGoT」という説明が不正確だと分かります。チャットで書けるのは、手動近似だけです。GoTの自動集約と再評価ループは、外部の制御ロジックが前提になります。

API実装が必要な範囲

自動化と再現性を求めるなら、API実装が必要です。手動では回数や採点基準がぶれ、同じ品質を安定して出せません。次の要件が出たら、チャットでの近似ではなくコード実装に切り替えます。

• 数十件以上を同一手順で処理し、結果を再現したい
• スコアで自動的に枝を刈り、閾値で停止させたい
• 集約を10回以上ループし、コストを計測・最適化したい
• 部分解の依存関係が複雑で、人手で追えない

GoT実装の最小イメージ

実装で何をするかを疑似コードで示します。関数名はイメージであり、実在する自社実装ではありません。

thoughts = generate_sub_solutions(task)

scores = score(thoughts)

selected = select_top(thoughts, scores)

merged = aggregate(selected)

improved = refine(merged)

final_score = score(improved)

return improved

実際のGoTでは、この流れをタスクに応じて複数回回します。ポイントは、LLMに一度聞いて終わりではない点です。生成・評価・選択・統合・改善を、外側のプログラムで制御します。公式実装は著者らのGitHubリポジトリで公開されています。

Graph of Thoughtsプロンプトを「使わない基準」（損益分岐）

GoTは部分解を統合できるタスクでは有効ですが、実装と呼び出しコストが増えます。損益分岐は「集約で質が跳ねるか」と「実装コストを回収できる頻度か」の2点です。以下のチェックで、1つでも当てはまればGoTは過剰の可能性が高いです。

• 部分解を統合しても質が上がらない（要約・翻訳など単発が多い）
• 実行頻度が低く、月に数回しか使わない
• ToTやプロンプトチェーンで既に十分な精度が出ている
• コード実装の時間を確保できず、手動運用のまま止まる
• 採点基準を客観的に定義できない（好み・文体など主観が支配的）

用途別：GoTを使う/使わないの判定表

自分の業務で判断できるよう、用途別の目安を表にしました。GoTの必要性が「低」なら、通常プロンプトかToTで足ります。

個人の副業・転職準備では、GoTを最初に学ぶ必要はありません。まず通常プロンプト、プロンプトチェーン、ToTを使い分けられる方が、成果に直結します。手法の使い分けはプロンプトのフレームワーク9選も参考になります。

GoTより先に固めるべき生成AIスキル

副業・転職で評価されるのは、珍しい手法名を知っていることではありません。次の順番で使える方が、実務では通用します。

1. 通常プロンプトで、条件・制約・出力形式を指定できる
2. プロンプトチェーンで、業務を工程に分けられる
3. ToTで、複数案を比較して選べる
4. GoTで、複数の部分解を統合する必要性を説明できる
5. APIや自動化が必要な場面を判断できる

面接や提案文では、成果と根拠をセットで語れる人が評価されます。たとえば「要約はCoT、企画の案出しはToT、大量文書の統合だけGoTを実装」と役割分担を示せると、手法選定の理由を説明できます。手法の名前より、タスクへの割り当て基準を持つことが、面接や提案文での説明力になります。

PEP検定では、生成AIの基本概念、プロンプト設計、業務活用、リスク理解を確認できます。GoTのような応用手法に進む前に、自分の知識の抜けを確認したい人は、まず出題範囲を確認してください。学習の順序を組みたい人はPEP検定の勉強法で全体像を掴むと、独学の抜け漏れを減らせます。

一次情報（原論文・実装）

数値や適用範囲は、必ず一次情報で確認してください。参照先は以下のとおりです。

• 論文：Graph of Thoughts: Solving Elaborate Problems with Large Language Models（Besta et al., ETH Zurich）／arXiv: https://arxiv.org/abs/2308.09687
• AAAI掲載情報：AAAI 2024 Proceedings内の該当ページ
• 公式実装：著者らのGraph of Thoughts GitHubリポジトリ

論文のabstractは、ソートタスクでToTに対し品質を約62%改善し、コストを31%超削減したと報告しています。この数値は、論文内の特定タスクにおける結果です。メール作成、面接対策、記事構成作成などの一般業務で同じ改善率が出るとは限りません。

よくある質問

Q. ChatGPTやClaudeでGoTプロンプトは使えますか？

使えます。ただし、使えるのはGoT風の手動近似です。ChatGPTやClaudeのチャット画面だけでは、原論文のような自動スコアリング、枝刈り、ループ制御はできません。

チャットで試すなら、次の4つを明示してください。1つ目は部分問題に分ける、2つ目は複数案を出す、3つ目は評価基準で採点する、4つ目は上位案を統合して改善する、です。業務で同じ処理を何十回も回すなら、API実装を検討してください。

Q. ToTとGoTのいちばんの違いは何ですか？

複数の思考を1つに「集約」できるかどうかです。ToTは木構造で枝を選ぶだけで、枝どうしを合成しません。GoTはグラフで合流とループを許し、部分解を統合します。統合が効くタスクでGoTが有利になります。

Q. GoTを使うとコストは増えますか？

呼び出し回数が増えるため、単純比較ではコストが上がりやすいです。ただし論文はソートタスクでToT比31%超のコスト削減を報告しています。集約で無駄な探索を減らせる場合に限り、コスト効率が改善します。効果はタスク依存です。

Q. 初心者はどの手法から学ぶべきですか？

CoTとプロンプトチェーンから始めるのが実務的です。次に案出しでToTを試し、統合が必要な場面で初めてGoTを検討します。名前を覚える前に、手元のタスクで実際に使い分けてください。