Reflexionプロンプトとは？違いと使う基準を論文の数値で解説

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。

Reflexionプロンプトは、失敗結果を言語化し、次の試行にメモリとして渡す手法です。答えの合否を判定できる反復タスクに向き、正解が曖昧な単発作業には向きません。外部評価で失敗を判定でき、やり直す価値があるタスクだけに使います。

Reflexionプロンプトとは

先に結論を出します。Reflexionは「使う条件」がはっきりした手法です。次の3行で判断してください。

• 使う：テスト・採点基準・検索正誤など、外部評価で失敗を判定できるタスク
• 使わない：要約、メール文、雑談、正解が1つに決まらない単発作業
• 迷ったら：Self-Refineを1回試し、同じ失敗が残る場合だけReflexionに切り替える

PEP検定対策では、Reflexion単体の暗記ではなく、ReAct・Self-Refineとの使い分けを説明できる状態を目標にします。手法名の暗記より、使い分けの判断軸が問われる可能性が高いためです。

この記事では、Reflexionを「使う条件」と「使わない条件」に分けます。根拠はShinn et al. 2023(arXiv:2303.11366)の実験設定と報告値に置きます。数値は2026年8月4日時点でarXivに掲載された論文本文に基づきます。

Reflexionの仕組み：Actor / Evaluator / Self-Reflection / Memory

Reflexionは4つの役割を回すループで動きます。実行役(Actor)、評価役(Evaluator)、反省役(Self-Reflection)、記憶(Memory)です。記憶に反省文が蓄積される点が、他手法との差になります。

Evaluatorが「外部の答え合わせ」を含む点が肝です。テストが通るか、検索結果が合っているかなど、客観的な合否信号があると精度が上がります。外部評価が無いタスクでは、Reflexionの効きは弱くなります。この4要素の構成はShinn et al. 2023の記述に基づきます。

論文で報告された数値

Reflexion論文は、外部評価できる3領域で改善を報告しています。数値は特定モデル・評価設定での結果です。読者が検証できるよう、報告値・比較対象・確認箇所を並べます。

HumanEvalの読み方には注意が必要です。GPT-4単体の80.1%に対し、Reflexionを組み込むとpass@1が91.0%に達したと報告されています。この差分は、単体テストという外部評価で失敗を言語化し、次の試行に渡した結果です。

重要なのは「91.0%」そのものではありません。外部評価で失敗を言語化し、次の試行へ渡した設計です。外部評価がない文章生成では、この改善幅をそのまま期待できません。HumanEvalの定義はChen et al. 2021(arXiv:2107.03374)にあります。

HotPotQAは論文内で反復による改善傾向が示されています。ただし本記事では、HumanEval・AlfWorldのような単純な成功率としては扱いません。EM/F1の具体値は評価設定に依存し、断定を避けるためです。

Self-Refine・ReActとの違い

3手法は「自分で直す」点は近いですが、失敗の扱いが違います。Self-Refineはその場で修正し、ReActは行動と観察で直し、Reflexionは失敗メモを次試行へ渡します。同じ失敗で並べると差が見えます。

タスクは「重複を除き、昇順で返すPython関数。空配列にも対応する」です。失敗は空配列 [] のテストです。

Reflexionの失敗メモは、次の修正行動が決まる粒度で書きます。抽象的な反省は次試行に使えません。

• 境界条件：空配列、null、0件入力を先に確認する
• 仕様誤読：重複削除の後に昇順ソートする
• テスト不足：正常系だけでなく異常系を1つ追加する

「持ち越す記憶が必要か」で使い分けます。1回のやり取りで完結するならSelf-Refine、試行を重ねる前提ならReflexionです。Self-Refineの詳細はMadaan et al. 2023(arXiv:2303.17651)、ReActの定義はYao et al. 2022/2023(arXiv:2210.03629)にあります。使い分けはSelf-Refineプロンプトの解説とReActプロンプトの解説で押さえられます。

初中級者はReActを先に学びます。Reflexionは、ReActの行動結果やテスト失敗を材料にするためです。行動と観察の流れを理解しないと、使い分けの判断ができません。

Reflexionを使う基準

Reflexionはコスト増が前提です。試行回数×入力出力トークンで費用が積み上がります。使う前に、次の5項目で点数化してください。

合計点で次のように判定します。

• 0〜3点：使わない。Zero-shotまたは通常プロンプトで足りる
• 4〜6点：Self-Refineを先に試す
• 7〜10点：Reflexionを検討

タスク別の判定例

スコア表を自分の仕事に当てはめた例です。「使わない判断」を強く出します。

コストの概算

試行回数に比例してトークンが増えます。職務経歴書改善を例に概算します。1試行が入力約800＋出力約700で約1,500トークン、3試行で約4,500トークンです。異常系の追記まで含めると6,000〜8,000トークンに伸びます。

3回回すと、単発よりトークンと時間がおおむね3〜4倍になります。100万トークンあたりの料金はモデルと提供元で異なるため、1回のReflexionでも数円〜数十円のレンジになります。最新料金は各社の公式ページで確認してください。少ない試行から始めて費用対効果を測ります。

ChatGPTでReflexion風に使うテンプレ

実装環境がなくても、ChatGPTのチャットUIで手動再現できます。Reflexionの肝は「失敗メモを次回に渡す」ことです。混同を避けるため、テンプレを初回用と2回目以降用に分けます。

初回用テンプレ：失敗メモを作る

あなたは、初回の回答を作り、次回に渡す失敗メモを作るアシスタントです。

【タスク】
〔ここにタスク〕

【評価基準】
- 〔合否判定できる条件1〕
- 〔合否判定できる条件2〕
- 〔合否判定できる条件3〕

以下を出力してください。
1. 初回回答
2. 評価基準に対する不合格点
3. 次回に持ち越す失敗メモを3つ以内

2回目以降用テンプレ：失敗メモを使って再試行する

あなたは、前回の失敗メモを使って再試行するアシスタントです。

【タスク】
〔同じタスク〕

【評価基準】
- 〔同じ評価基準〕

【前回の失敗メモ】
- 〔失敗メモ1〕
- 〔失敗メモ2〕

以下を実行してください。
1. 失敗メモを反映した回答
2. 評価基準への適合チェック
3. まだ残る失敗メモ

1回のメッセージ内で「回答→自己評価→修正」まで完結させるだけなら、Self-Refineに近い動きです。Reflexion風にするには、失敗メモを次の試行へ明示的に持ち越す必要があります。自己評価だけで回すと、誤った反省を強化するリスクが残ります。

テンプレを回したBefore/After(試行ログ)

例として、Pythonのバグ修正でテンプレを2回回した流れを示します。空配列テストの失敗を、失敗メモとして2回目に渡す構成です。

■初回
タスク：重複を除き昇順で返すPython関数。空配列にも対応。
初回回答：sorted(set(nums)) を返す関数
不合格点：境界条件(入力長0)の確認が漏れていた
失敗メモ：入力長0の場合を先に処理する

■2回目
前回メモを反映：先頭に if not nums: return [] を追加
適合チェック：正常系・空配列ともにテスト通過
残る失敗メモ：なし

失敗メモを2回目のメッセージに貼り直すとMemoryを疑似再現できます。2〜3回で改善が止まったら打ち切ると決めておきます。無限に回すとコストだけが増えます。

キャリア用途での使いどころ

キャリア用途は「採点基準を作れる反復タスク」に効きます。代表例は職務経歴書と面接想定QAの改善です。評価基準を書けないと、反省文が「もっと具体的にする」で止まります。

例1：職務経歴書の改善

採点基準を合否判定できる形で先に固定します。

採点基準：
- 実績に数値が入っているか
- 募集要件と対応する経験が3つ以上あるか
- 「担当した」ではなく「成果を出した」表現か
- 生成AI活用が業務改善・時間削減・売上のどれかに接続されているか

失敗メモ：
- 実績が「効率化した」で止まり、削減時間や件数がない
- 募集要件の「業務自動化」に対する具体例がない
- 生成AIを使った事実はあるが、成果に結び付いていない

例2：面接QAの改善

採点基準を数値と構成で定義します。

採点基準：
- 最初の15秒で結論が出ているか
- 具体例が1つ入っているか
- 生成AIスキルが業務成果に接続されているか
- 60秒以内で話せる長さか

• 変更前：ChatGPTを業務で使っています。
• 変更後：問い合わせ対応の下書きにChatGPTを使い、返信初稿を約30分から10分に短縮しました。最終確認は人間が行い、表現統一と対応速度に効いています。

評価基準を書けない改善では、Reflexionは機能しにくいです。反省が抽象で止まり、次の試行に渡せないためです。

PEP検定対策で押さえる範囲

Reflexionは応用手法です。PEP検定ではZero-shotやCoTなど基礎から体系的に問われます。基礎を固めてから応用へ進みます。受検前に、次のチェックリストで説明できるか確認してください。

PEP検定前に確認するチェックリスト

• Reflexionを「失敗結果を言語化し、Memoryとして次試行に渡す手法」と説明できる
• Actor / Evaluator / Self-Reflection / Memory の4要素を説明できる
• Self-Refineとの違いを「その場の修正」か「次試行への記憶」かで説明できる
• ReActとの違いを「行動と観察」か「失敗からの反省メモ」かで説明できる
• Reflexionが向く条件を「外部評価できる反復タスク」と説明できる
• 要約・メール文・雑談に安易に使わない理由を説明できる

Reflexionまで使い分けを説明できる状態が、プロンプト応用力の証明になります。個別手法の名称暗記より、タスクに応じた使い分けが問われる可能性があります。受検前に公式サイトで最新の出題範囲を確認し、Zero-shot・Few-shot・CoT・ReAct・Self-Refineの位置づけを整理してください。

応用手法の理解度は、検定で客観的に示せます。学習順と逆算のやり方はPEP検定の勉強法を公式シラバスから逆算で確認できます。生成AI活用を組織で内製化したい場合は、同じ使い分けの枠組みを法人研修の題材にも展開できます。

よくある質問

Reflexionプロンプトは普通のプロンプトと何が違いますか？

普通のプロンプトは、1回の入力で回答を出します。Reflexionプロンプトは、失敗結果を「次回に使うメモ」として残し、再試行に渡します。違いは、失敗をその場で捨てるか、次の試行に持ち越すかです。

Reflexionプロンプトが失敗する原因は何ですか？

主な原因は3つです。評価基準が曖昧、自己評価だけで回している、失敗メモが抽象的すぎることです。「もっと具体的に」ではなく、「募集要件Aに対応する実績がない」のように次の修正行動が決まる形で書きます。

Reflexionはコードがないとできませんか？

チャットUIだけでも手動再現できます。初回用テンプレで失敗メモを作り、2回目以降用テンプレに貼り直せば動きます。自動化する場合のみ、外部フレームワークやコードが必要です。

Self-RefineとReflexionはどちらを先に使うべきですか？

まずSelf-Refineを試します。単発の自己修正で足りるなら、コストの低いSelf-Refineで済みます。改善に持ち越しの記憶が必要になった段階でReflexionへ切り替えます。

Reflexionはどれくらいコストが増えますか？

試行回数に比例して増えます。反省と再試行を3回回すと、単発よりトークンと時間がおおむね3〜4倍です。公式の固定倍率は未公表のため、少ない試行から始めて費用対効果を測ります。

初中級者は何から始めればよいですか？

基礎プロンプトとReActを先に習得します。行動と観察の流れを理解した後にReflexionへ進みます。まずは職務経歴書や面接QAなど、採点基準を作りやすいタスクで練習します。