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

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。

プロンプトのフレームワークは暗記する対象ではなく、タスクごとに選ぶ道具です。型を覚えた数より、目的に合う型を選べるかで成果が決まります。この記事では、代表的な9つの型をコピペで試せる例とともに整理し、タスク別に使い分ける判断基準を示します。

向いているのは、我流のプロンプトから業務成果へ橋渡ししたい初〜中級者です。すでにChatGPTやClaudeで安定した出力を得ている人は、型の学習より公式ガイドの再確認で足りる場合があります。読了後は、自分のタスクに合う型を1つ選び、業務でそのまま試せる状態を目指します。

本記事の最終確認日は2026年7月22日です。各検定の数値・仕様は改定される可能性があるため、受検前に公式サイトで再確認してください。

プロンプトフレームワークとは？結論と向き不向き

プロンプトのフレームワークとは、指示文に「役割・文脈・タスク・出力形式」などの要素を漏れなく盛り込む型です。毎回ゼロから考えず、必要な情報を過不足なく渡すために使います。型は目的ではなく手段です。埋めること自体が目的化すると、逆に成果が落ちます。

向いている人は3タイプです。第一に指示が毎回バラつく人、第二にチームでプロンプトを共有・再利用したい人、第三に業務の再現性を評価者に説明したい人です。型があると「なぜこの出力になったか」を言語化できます。

1回きりの雑談的な質問や数語で済む単純タスクに型を当てるのは過剰です。自分のタスクが「反復するか」「他人に渡すか」で判断してください。どちらも当てはまらないなら、型より素早い試行のほうが早く仕上がります。

プロンプトのフレームワーク9選と特徴を比較

実務で使われる代表的な9つを、構成要素と得意タスクで整理します。名前の暗記より、「どの要素を明示させる型か」を見てください。要素の違いが得意タスクの違いに直結します。Few-shotとChain of Thought(CoT)は役割が異なるため、別項目として扱います。

深津式：営業メールの下書き

# 役割
あなたはBtoB営業メールの編集者です。
# 命令
以下の商品説明をもとに、初回商談後のお礼メールを作成してください。
# 制約
・300字以内
・押し売りに見えない表現
・次回打ち合わせ候補日を2つ提示
# 入力
商談内容：〇〇
商品：〇〇
相手の関心：〇〇
# 出力形式
件名：
本文：

深津式は#見出しで要素を区切る日本語圏の定番です。汎用性が高く、最初に覚える1つとして扱いやすい型です。

CRISPE：新規事業の提案

Capacity：あなたは新規事業のコンサルタントです。
Insight：市場は〇〇、競合は〇〇、自社の強みは〇〇です。
Statement：この市場向けの新サービス案を3つ提案してください。
Personality：断定より条件付きで述べる。
Experiment：各案に想定リスクを1つずつ添える。

CRISPEは専門家設定(Capacity)と背景知識(Insight)を明示するため、提案や技術解説で使いやすい型です。短い定型出力にはRTFのほうが速く済みます。

RTF：議事録の整形

Role：あなたは社内議事録の編集者です。
Task：以下のメモを上司向けに整形してください。
Format：
・決定事項
・未決事項
・次回アクション（担当と期限つき）

RTFは3要素のみで、要約・翻訳・整形など定型出力を短時間で回す型です。

CO-STAR：SNS投稿

Context：新サービス〇〇のローンチ告知です。
Objective：無料登録への誘導。
Style：簡潔で具体的。
Tone：親しみやすいが誇張しない。
Audience：20〜30代の個人事業主。
Response：140字以内のX投稿を3案。

CO-STARは読者(Audience)とトーン(Tone)を分けて指定します。SNS投稿・求人文・プレスリリースのように、読み手の反応が成果に直結する文面で使いやすい型です。

RISEN：業務手順書

Role：あなたは業務マニュアルの作成者です。
Instruction：新人向けの受注処理手順書を作成してください。
Steps：受注確認→在庫確認→伝票発行→出荷指示の順。
End goal：新人が単独で処理を完了できる状態。
Narrowing：専門用語は初出で1行注釈。

RISENは手順(Steps)と到達点(End goal)を書くため、手順書・研修設計・引き継ぎ書に向く型です。

RACE：問い合わせ返信

Role：あなたはカスタマーサポート担当です。
Action：以下の問い合わせに返信文を作成してください。
Context：顧客は〇〇で困り、過去に一度同様の連絡あり。
Expectation：謝意→原因→対応→次のお願いの順、250字以内。

RACEは相手の状況(Context)と期待する応答(Expectation)を分けます。営業メールや問い合わせ返信のように、相手の反応を想定する文面で使いやすい型です。

APE：業務の改善案

Action：以下の業務フローの改善案を5つ挙げてください。
Purpose：処理時間を20%短縮する。
Expectation：各案に必要な工数と効果を1行で添える。

APEは目的(Purpose)を軸に案を出すため、企画出しや改善案の初期案づくりに向く型です。

Few-shot：問い合わせ分類

次の問い合わせを「請求」「不具合」「その他」に分類してください。
例1：入力「請求書が届かない」→ 出力「請求」
例2：入力「アプリが起動しない」→ 出力「不具合」
例3（負例）：入力「解約したい」→ 出力「その他」
入力：〇〇 → 出力：

Few-shotは正解例を提示して、分類・抽出・文体を揃える方法です。正例だけでなく負例を各2件入れると基準がぶれにくくなります。

CoT：判断根拠の整理

以下の与信判断について、結論と判断根拠を整理してください。
出力形式：
・判断：承認／保留／却下
・根拠：数字を伴う理由を3点
・不確実性：判断を覆しうる情報を1点

CoTは複雑な判断で考え方を整理させる方法です。サービスやモデルによっては内部推論をそのまま出させるより、「根拠」「判断基準」「不確実性」を出力させるほうが実務で扱いやすくなります。

本記事の9フレームワークとPEP検定の対応表

本記事で扱った型は、プロンプトエンジニアリング検定(PEP検定)の学習領域とほぼ重なります。型名の暗記より、どの場面でどの指示を使うかを説明できる状態を目指してください。

PEP検定で問われるのは型の丸暗記ではなく、場面ごとの使い分けです。この記事の意思決定表で迷う箇所があるなら、先に出題範囲を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確認しておくと学習の順序が定まります。

タスク別に最適なプロンプトフレームワークを選ぶ意思決定表

型を並べても、選べなければ成果につながりません。入力の長さと成果物、向かない条件を起点に型を選ぶと精度が上がります。下表を意思決定の入口にしてください。

判断手順は3ステップです。第一にタスクを上表に当てる、第二に第一候補の型で1回出力する、第三に足りない要素だけ追記する。全要素を最初から埋めず、不足を後追いで足すほうが速く仕上がります。職務経歴書のようにRTFだけでは不足するタスクは、評価基準とBefore/After形式を追加してください。

このタスク起点の選び方は文脈設計と地続きです。渡す情報の設計を深めたい人はコンテキストエンジニアリングとは？基本から実践まで5つの要点を徹底解説を併読してください。

推論モデルで過剰なプロンプト整形が逆効果になる場面

OpenAIのPrompt Engineering Guideは、明確な指示・参照情報の提供・タスク分割・思考の余地を推奨しています。Anthropicのプロンプトエンジニアリングのドキュメントは、役割付与・具体例の提示・XMLタグでの構造化を挙げます。一方で推論モデルでは、細かい手順を固定しすぎるより、目的・制約・評価基準を明示するほうが扱いやすい場面があります。

逆効果になりやすい条件は3つです。整形が縛りになると、内容が痩せたり本題が埋もれたりします。

• 出力形式を先に固定し、分析の観点を指定していない
• CoTを要求しているが、評価基準がない
• ロール設定が長く、入力データより指示文が長い

今も効く原則は変わりません。目的と制約を明示する、曖昧語を数値や具体例に置き換える、出力形式を先に決める、の3つです。役割設定は2〜3文で足ります。モデルが賢くなっても、渡す情報が曖昧なら出力も曖昧になります。

成果を下げる失敗パターンと修正例(before/after)

型を使い始めた人の失敗は「型への固執」「過剰指示」「情報不足」に集約されます。副業・転職・議事録の3場面で、修正前後を全文で示します。

失敗1：要約なのにCO-STARを使っている

Before：
あなたは優秀な編集者です。以下の文章を、読者にわかりやすく、丁寧で、自然なトーンで、重要な点を漏らさず、読みやすく要約してください。

問題点は、「わかりやすい」「重要」の基準がなく、字数も読者も未指定な点です。CO-STARのトーン指定が要約では空回りします。

After：
Role：あなたは社内報告用の編集者です。
Task：以下の議事録を上司向けに要約してください。
Format：
・300字以内
・決定事項
・未決事項
・次回アクション

Afterは残す情報と字数が決まり、上司が3項目だけ確認できる出力になります。使う場面は、日次・週次の報告整形です。

失敗2：職務経歴書の改善をRTFだけで済ませる

Before：
Role：あなたは人事です。
Task：以下の職務経歴を良い感じに直してください。
Format：箇条書き

問題点は、「良い感じ」に評価基準がなく、成果が数値化されない点です。誇張表現も混ざりやすくなります。

After：
Role：あなたは中途採用の採用担当者です。
Task：以下の職務経歴を、生成AI活用経験が伝わる表現に修正してください。
評価基準：
・成果は数値で残す
・誇張表現は避ける
・1項目ごとにBefore→Afterで併記

Afterは数値と修正意図が残り、採用担当者に成果が伝わります。使う場面は、転職応募前の経歴書ブラッシュアップです。

失敗3：副業提案文の情報が足りない

Before：
副業案件に応募する提案文を書いてください。丁寧にお願いします。

問題点は、相手・課題・提案目的が無く、汎用的で刺さらない文面になる点です。

After：
Context：EC事業者。売上は伸びるが問い合わせ対応が逼迫。
Objective：問い合わせ自動分類の構築支援を受注する。
Style：具体的で実務的。
Tone：誠実で押し売りしない。
Audience：EC運営責任者。
Response：400字以内。実績が少ない場合は検証手順で信頼を補う。

Afterは相手の課題と提案目的が明確になり、返信率の見込める文面になります。使う場面は、クラウドソーシングや直接営業の初回提案です。

OpenAI・Anthropic公式のプロンプト原則で我流を卒業する

型の妥当性は、一次情報と照合すると裏づけられます。主要フレームワークの要素は、公式の原則とほぼ一致します。我流から抜け出したい人は、公式ドキュメントを一度読んでください。

• OpenAIのPrompt Engineering Guideは「明確な指示」「参照情報の提供」「タスク分割」「思考の余地」を挙げています
• AnthropicのClaude向けガイドは「役割付与」「具体例の提示」「XMLタグでの構造化」を推奨します
• DAIR.AIが公開するPrompt Engineering Guide(日本語版)はFew-shotやChain of Thoughtの原典的な解説を無料で公開しています

照合すると、深津式の「出力形式指定」はOpenAIの「明確な指示」に、CRISPEやFew-shotの「例示」は具体例の提示に対応します。型は先人が公式原則を実務用に組み替えたものです。原典を押さえれば、型を自作・改変する判断もできます。独学の順序に迷う人はプロンプトエンジニアリング独学ロードマップと壁の越え方【中級】を参考にしてください。

プロンプトフレームワークの理解をキャリア資産化する手順

型を使えるだけでは評価につながりません。言語化して初めてキャリア資産になります。「型を知っている」ではなく「タスク別に選べて成果を出した」まで語れる状態を目指してください。資格・職務経歴書・面接の3方向で変換します。

PEP検定のシラバスと対応させる

PEP検定(Prompt Engineering Professional)のシラバスは、この記事の内容と重なります。主催は一般社団法人日本プロンプトエンジニアリング協会で、監修は北海道大学大学院の川村秀憲教授です。受験料・試験時間・問題数・合格基準は公式サイトの試験概要で確認できます(2026年7月22日時点で受験料11,000円税込、CBT方式60分100問、合格ライン得点率70%以上と掲載)。

試験時間・問題数・受験料・合格基準は変更される可能性があります。受検前に必ず公式サイトとCBTソリューションズの試験概要を確認してください。2025年9月20日改定の現行シラバスは6項目で、項目2に「Few-shot、Chain of Thought、Role Prompting」、項目6に「AIエージェントとコンテキストエンジニアリング」が含まれます。本記事の型はこの実践部分に対応します。費用と範囲の比較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にまとめています。

職務経歴書と面接で言語化する

職務経歴書には型名ではなく成果を書きます。例として「営業メール作成にRACE型を標準化し、下書き時間を1件30分から10分に短縮」のように、数値と型を組み合わせます。書き方は生成AI職務経歴書の書き方｜評価される言語化ワードと例文を参照してください。

面接では「なぜその型を選んだか」を1分で説明できると評価されます。タスク分類→型選択→検証の順で語ってください。この記事の意思決定表がそのまま説明の土台になります。

よくある質問

Q. 副業案件の提案文にはどのフレームワークが向いていますか？

最初はCO-STARです。相手の業種・課題・提案の目的・文体を分けて指定できるためです。実績が少ない場合は、APEで「何を提案するか」「相手にどんな利益があるか」「期待する反応」を整理してからCO-STARに入れると、汎用的な文面を避けられます。

Q. 職務経歴書の改善にはどの型を使うべきですか？

RTFだけでは不足します。Role・Task・評価基準・Before/After形式を指定してください。例として「採用担当者として、以下の職務経歴を生成AI活用経験が伝わる表現に修正。成果は数値で残し、誇張表現は避ける」と指示すると、修正意図が残ります。

Q. PEP検定対策では8つ全部を暗記する必要がありますか？

型名の暗記より、Role Prompting・Few-shot・CoT・出力形式指定・コンテキスト設計を説明できることを優先してください。出題範囲は公式シラバスで確認できます。項目6のコンテキストエンジニアリングは2025年9月改定で追加された領域です。

Q. 推論モデルなら型は不要ですか？

不要ではありません。型の役割は情報の漏れを防ぐことです。目的・制約・出力形式が曖昧なら出力はぶれます。ただし手順の細かすぎる指定は逆効果になり得ます。渡す情報を型で担保し、思考は任せる配分が扱いやすくなります。

Q. PEP検定の合格率はどのくらいですか？

合格率は公式非公開です。公表されているのは合格ライン(得点率70%以上)のみで、2026年7月22日時点で公式サイトに合格率の記載はありません。合格率で難易度を測るより、シラバス6項目を範囲どおり学ぶほうが確実です。

まず、自分の業務を要約・分類・生成・分析・企画のどれかに分け、対応する型で1本プロンプトを作ってください。うまくいかなければ不足要素だけを足す。そのうえで、PEP検定の公式シラバスにあるRole Prompting・Few-shot・Chain of Thought・コンテキスト設計と照合すると、我流ではなく出題範囲に沿った学習になります。受検を検討する人は、先に試験概要・受験料・出題範囲をPEP検定の費用・出題範囲・学習順を比較した記事で確認してください。