Least-to-Mostプロンプトとは？CoTとの違いと使う基準

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。

Least-to-Most（LtM）プロンプトは、難しい問題を「小さな問い」に分割し、順に解いて最後の答えにつなげる手法です。原論文はZhou et al. 2022『Least-to-Most Prompting Enables Complex Reasoning in Large Language Models』で、当時のモデルで大きな精度改善を示しました。ただし2026年7月時点の推論モデルでは、わざわざLtMを書かなくてよい場面も増えています。

この記事は、意味・やり方・CoTとの違いに加えて、実務で「いつ使い、いつ使わないか」の判断基準まで踏み込みます。結論から言うと、LtMは「解く順番が精度を左右する多段タスク」に強く、単発の質問や高性能な思考モデルには過剰です。

Least-to-Most プロンプトとは？結論と向き不向き

Least-to-Mostプロンプトは、複雑な問題をより易しい部分問題へ分解し、易しい順（Least）から難しい順（Most）へ解く2段階の手法です。前段で「どんな部分問題に分けるか」をAIに列挙させ、後段でそれを1つずつ解かせます。CoT（思考の連鎖）が「1回の推論の中で考えを書き下す」のに対し、LtMは「分割」と「逐次解決」を明確に分けます。

向いているのは、前の答えが次の入力になる依存関係の強いタスクです。文字列の連結、条件が積み重なる計算、要件を段階的に満たす設計などが該当します。逆に、事実確認・要約・一発回答で足りる質問には不向きです。LtMの本質は「順序の設計」であり、順序が関係ないタスクに使うと出力とコストが無駄に増えます。

Least-to-Most プロンプトの使い方（2段階の手順）

LtMは「分割フェーズ」と「解決フェーズ」の2段階で組み立てます。1回のプロンプトに詰め込むより、役割を分けたほうが誤りが減ります。以下の手順が基本形です。

1. 元の問題を提示し、「解くのに必要な部分問題を、易しい順に列挙して」と指示する
2. 列挙された部分問題を確認し、明らかにズレたものだけ修正する
3. 部分問題を1つずつ解かせ、前の答えを次の入力として渡す
4. 最後に全部分問題の結果を統合し、最終回答を作らせる

ポイントは、後段で「前の答え」を必ず本文に含めることです。参照を省くと、モデルが前提を作り直して破綻します。分割の質が最終精度をほぼ決めるため、前段の部分問題リストだけは人が必ず目視で確認します。

原論文では、12語のlast-letter連結タスクでCoTの精度34%に対しLtMが74%へ改善し、構文汎化ベンチマークSCANでは最大99.7%を報告しています。ただしこれはtext-davinci-002などの2022年当時のモデルでの結果です。2026年の高性能モデルではこの差はかなり縮む点に注意してください。

CoT・ステップバック・ToT・プロンプトチェーンとの違い

LtMは「分割系」の手法群の1つで、隣接手法との違いを押さえると使い分けが速くなります。まず全体の位置づけを整理します。

CoTとの違いは分割の明示性です。CoTは推論を1回のテキストに書き下すだけで、部分問題の順序を保証しません。詳しく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を参照してください。CoTは「考えを見せる」、LtMは「解く順番を設計する」と覚えると混同しません。

ステップバックは「一段抽象化して原理を確認してから解く」手法で、分割ではなく前提の引き上げです。詳細はステップバックプロンプトとは？CoTとの違いと使わない基準で解説しています。Tree of Thoughtsは複数案を枝分かれで探索する点でLtMの逐次一本道とは異なります。

Least-to-Most プロンプトを使わない基準（2026年の推論モデル）

2026年7月時点の推論モデル（思考モデル）は、内部で分割・逐次推論を自動で行います。そのため、手動でLtMを書くと二重の思考で出力が冗長になり、コストと遅延だけ増えることがあります。以下に当てはまるなら、LtMは書かない判断が合理的です。

• 思考モデルを使い、標準設定で正答している
• 問題が単発で、前の答えを次に渡す依存がない
• 低コスト・低遅延を最優先している
• 出力の再現性より発想の幅が欲しい
• そもそもモデルが一発で正解する難易度

逆に、非推論モデルや軽量モデルで複雑な多段タスクを解く場合は、LtMの効果が残ります。まず素で解かせ、間違えたら分割する——この順番がトークンの無駄を防ぐ最短ルートです。最初からLtMを組むのは、失敗が確認できてからで十分です。

AIに分割させるLtMと人が分割するチェーンの使い分け

LtMとプロンプトチェーンは似ていますが、「誰が分割するか」で分かれます。LtMは分割自体をAIに任せ、チェーンは人が工程を設計して固定します。判断フローは次の通りです。

1. 工程が毎回変わる／未知の問題 → AIに分割させるLtM
2. 工程が毎回同じ業務 → 人が組むプロンプトチェーン
3. 分割は固定だが各工程が難しい → チェーン＋各段でCoT
4. 分割自体が難所 → LtMで分割案を出し、人が確定してチェーン化

実務では4番目の合わせ技が効きます。1回目はLtMで分割案を作り、良い分割をテンプレ化して以降はチェーンで回します。運用の設計はプロンプトチェーンとは？業務分割でAIの精度を上げる手順と判断基準が参考になります。「探索はLtM、量産はチェーン」と役割を分けると、精度と再現性を両立できます。

実務で使えるLtMプロンプトのテンプレ（コピペ可）

社会人の実務に落とした2段階テンプレを用意しました。複雑な問い合わせ返信・長文レポート・要件分解で使えます。前段で分割し、後段で逐次解くのが基本です。

【前段：分割】「次のタスクを解くために必要な部分問題を、易しい順に3〜6個で列挙してください。各部分問題は前の結果を入力に使える形にしてください。タスク：〔ここに要件・状況を貼る〕」

【後段：逐次解決】「先ほどの部分問題を上から1つずつ解いてください。各ステップで『使った前の答え』を明記し、最後に全結果を統合した最終回答を出してください。前提が不足する箇所は仮定を明示してください。」

クレーム対応メールなら、前段で「事実確認→謝罪範囲の特定→対応策→再発防止→文面化」に分割させます。要件定義なら「目的→制約→機能一覧→優先度→受け入れ条件」に分けます。前段の分割リストを人が5秒で確認するだけで、後段の破綻を大きく減らせます。

トークン増＝コスト増のROIをどう見るか

LtMは前段の列挙と後段の逐次出力で、単発プロンプトよりトークンが増えます。目安として、2段階化で入出力の合計トークンは1.5〜3倍になりやすいです（タスク依存・実測推奨）。従量課金のAPIでは、この増分がそのまま費用に響きます。

判断は単純です。増えたコストを、精度改善や手戻り削減で回収できるなら使う価値があります。回収できないなら書かないほうが合理的です。「LtMで正答率が何ポイント上がり、手直し何分が減るか」を1度だけ実測し、割に合うかで判断してください。感覚で常用するのが一番のコスト漏れです。

学習から証明までの導線（PEP検定との対応）

LtMは「問題分割」というプロンプト設計の中核スキルで、単体で覚えるより体系で学ぶと定着します。CoT・ステップバック・ToT・チェーンを含めた設計体系を押さえると、案件で手法を素早く選べます。

スキルを転職・副業で示すなら、資格で客観化する手もあります。プロンプト設計の出題範囲や費用はプロンプトエンジニアリング資格の選び方｜PEP検定を費用と範囲で比較で比較できます。まず手を動かし、次にシラバスで抜けを埋め、最後に資格で証明する——この順が最短です。手法の名前だけ暗記しても、実務では使えません。

よくある質問

Least-to-MostとCoTはどちらを先に試すべきですか？

CoTを先に試します。CoTで足りればLtMは不要です。CoTでも順序の依存で崩れる場合に、分割を明示するLtMへ切り替えてください。

2026年の推論モデルでもLtMを書く意味はありますか？

状況次第です。思考モデルが素で正答するなら不要です。軽量モデルや非推論モデルで複雑な多段タスクを解くなら、今でも効果が残ります。

分割はAIに任せて大丈夫ですか？

未知の問題ではAIに任せて構いませんが、前段の分割リストは人が確認してください。分割の質が最終精度をほぼ決めるため、そこだけは手を抜けません。

原論文の数値は今のモデルにそのまま当てはまりますか？

当てはまりません。last-letter連結でCoT34%→LtM74%やSCAN最大99.7%は、2022年当時のtext-davinci-002などでの結果です。現行モデルでは差が縮む前提で扱ってください。

LtMとプロンプトチェーンを併用できますか？

できます。初回はLtMで分割案を作り、良い分割をチェーンとしてテンプレ化する運用が実務的です。探索はLtM、量産はチェーンと役割を分けてください。