Few-shotプロンプティング(Few-shot Prompting)とは・意味、Zero-shotとの違い・由来

Few-shotプロンプティングとは?
Few-shotプロンプティング(Few-shot Prompting)とは、生成AIへの指示(プロンプト)に入力と望む出力の例をいくつか含め、答えの形式や傾向をモデルにまねさせる方法のこと。
OpenAI は開発者向けの手引きで、入力と出力の例を少しプロンプトに含め、ファインチューニングをせずにモデルを新しい作業へ導く方法を few-shot learning と呼んでいる。モデルは例から型をおのずと読み取り、それを目の前のプロンプトに当てはめるという。
Microsoft は、例を含めることは、モデルそのものが恒久的に変わるという意味での学習ではないと説明している。例はその回の推論に限って、モデルが望むとおりに答えるよう方向づけるものだという。
日本語の資料の表記は分かれている。生成AIの資格試験を運営する生成AI活用普及協会(GUGA)は「Few-Shot プロンプティング」、情報処理推進機構(IPA)は新しい試験のシラバス案で「フューショット学習」と表記している。Anthropic の日本語の文書は「few-shotまたはmultishotプロンプティング」と呼んでいる。
Few-shotプロンプティングとZero-shot・One-shotの違い
Google は、例を含めたプロンプトを few-shot、例を含めないプロンプトを zero-shot と呼んでいる。Anthropic は、例を1つだけ示す場合を one-shot と呼び、例を足した場合の few-shot と分けている。
| 名称 | プロンプトに含める例 | 出典 |
|---|---|---|
| Zero-shot | 含めない | Google、Microsoft |
| One-shot | 1つ | Anthropic |
| Few-shot | いくつか(少数) | OpenAI、Google、Anthropic |
※2026年11月時点
Google は、プロンプトに few-shot の例を常に含めることを勧めている。例のないプロンプトは効果が下がりやすく、例で作業をはっきり示せれば指示を削ってもよいという。
2つの質問それぞれで短いほうの説明を答えにした例を盛り込んだプロンプトも、Google の手引きに記載されている。Gemini 2.5 Flash は雪のでき方を問う質問に、例のないプロンプトでは長い説明を選んだが、このプロンプトでは短い説明を選んだ。
推論モデルでの例の扱いは各社で分かれる
OpenAI は答えの前に考える過程を作る推論モデル向けの手引きで、まず例のないプロンプトを試し、必要なら例を足すよう勧めている。推論モデルは例がなくてもよい結果を出すことが多いという。
ただ、OpenAI は、出力に複雑な要件がある場合には、入力と望む出力の例をいくつか含めると役立つことがあるとしている。その場合、同社は例をプロンプトの指示とよく合わせるよう求めている。両者が食い違うと、よくない結果になりうるという。
推論モデル DeepSeek-R1 を開発した DeepSeek-AI は、2025年1月に arXiv で公開した論文で、評価のときに R1 がプロンプトに敏感だったと報告した。Few-shot プロンプティングは R1 の性能を一貫して下げたという。著者らは、最もよい結果を得るために、問題を直接説明して出力の形式を指定する Zero-shot の形で R1 を使うよう勧めている。
Microsoft も、Few-shot を含むプロンプトの手法をまとめた自社の手引きの冒頭で、これらの手法は gpt-5 や o シリーズのような推論モデルには勧めないと注記している。
一方、Anthropic は思考の機能を使う Claude に対しても、例を示す方法が働くとしている。プロンプト内の解答の例は、Claude が思考の中で似た問題にどう取り組むかを形づくるという。同社は、それぞれの例を、問題と当てはめる方法と期待する答えを1組にして示すよう案内している。
ただ、Anthropic の技術スタッフの Thariq Shihipar 氏は、Claude 5 世代のモデル向けにコンテキストエンジニアリングの勧めを見直した2026年7月24日の同社のブログで、同社の最新のモデルでは道具の使い方の例を示すとかえってモデルが探る範囲を狭めると記した。同氏は、例の代わりに道具やスクリプト、ファイルの設計を工夫するよう勧めている。
Few-shotプロンプティングの由来
OpenAI の Tom B. Brown 氏らは2020年5月に arXiv で公開した GPT-3 の論文で、作業の手本をいくつか推論のときに与え、モデルの重みは更新しない設定を「Few-Shot(FS)」と呼んだ。手本を1つだけ与える設定は「One-Shot」、手本を与えずに作業を説明する自然言語の指示だけを与える設定は「Zero-Shot」とした。
GPT-3 の論文では、Few-Shot の手本の数を、モデルの入力に収まる数として多くの場合10〜100個とした。
Brown 氏らは、モデルが入力の中で求められる作業を認識し、適応する過程を「in-context learning」(文脈内学習)と呼んだ。言語モデルでの few-shot learning は、機械学習のほかの分野で使われる few-shot learning と関わりがあるとも、論文は述べている。
Few-shotプロンプティングに関する各社の手引き
Anthropic は3〜5個の例を勧める
Anthropic は Claude 向けの手引きで、例を出力の形式や口調、構造を導く最も確かな方法の1つと位置づけ、最もよい結果を得るために3〜5個の例を含めるよう案内している。
例の選び方として Anthropic が勧めるのは、例を実際の用途に近いものにし、珍しい入力も含めて例ごとに変化をつけることだ。同社は、例を <example> タグで囲んで指示と区別するよう案内している。
Google は例の数と書式に注意を促す
Google によると、Gemini のようなモデルは少しの例で型を読み取れることが多いが、最もよい結果を得るには例の数を試して決める必要が出ることもある。例が多すぎると、モデルが答えを例に合わせすぎることがある。
プロンプトに例を加える主な目的の1つは答えの形式を示すことだとして、Google は例ごとに構造と書式をそろえるよう注意を促している。すべての例で形式をそろえることが欠かせず、特に XML のタグや空白、改行、例の区切りの記号に注意が必要だという。
OpenAI と Microsoft は例を置く場所を案内する
OpenAI によると、API では、例は開発者メッセージ(アプリの開発者が書く指示)の一部に置くのが一般的だ。同社は、例にはさまざまな入力と、それぞれに望む出力を示すよう勧めている。
Microsoft は、Chat Completions API では、最初のシステムメッセージのあとに利用者とアシスタントのやり取りの例を並べて Few-shot の例にするのが一般的だと説明している。
Few-shotプロンプティングの注意点と試験での扱い
例の細部や順番が答えを左右する
Anthropic は2025年11月の解説で、Claude 4.x のような当時の高性能なモデルは例の細部にとても注意を払うとして、促したい振る舞いに例を合わせ、避けたい型ができるだけ例に含まれないよう求めている。
また、Microsoft はモデルに渡す情報の順番で出力が変わりうるとし、Few-shot の例の順番も結果に影響することがあると説明している。同社は、この違いを recency bias(新近性バイアス)と呼んでいる。
生成AIパスポートとIPAの新試験の範囲に入る
GUGA が2027年2月の試験から使う生成AIパスポートの新しいシラバスでは、プロンプトエンジニアリングの学習項目に Zero-Shot プロンプティングと Few-Shot プロンプティングが並ぶ。
また、IPA が2026年10月30日に掲載したプロフェッショナルデジタルスキル(データ・AI)試験(仮称)のシラバス案は、中分類「AI技術」の用語例に、コンテキスト内学習(In-Context Learning)とともにゼロショット学習とフューショット学習を挙げている。
Few-shotプロンプティングの英語での言い方
| 英語表記 | 意味 | 使用主体 |
|---|---|---|
| few-shot prompting | 少数の例をプロンプトで示して答えを導く方法 | Anthropic、DeepSeek-AI |
| few-shot learning | 入力と出力の例をプロンプトに含め、モデルを新しい作業へ導くこと | OpenAI、Microsoft |
| one-shot | 例を1つだけ示す場合 | Anthropic |
| zero-shot | 例を含めない場合 | Google、Microsoft、OpenAI |
| in-context learning | 入力の中で求められる作業を認識し、適応する過程 | Brown 氏ら |
Few-shotプロンプティングに関連する用語
- 推論モデル:問題を小さな段階に分けて考える途中の過程を最終の答えの前に作り、それを踏まえて答えるAIモデル。
- コンテキストエンジニアリング:AIモデルが答えを作るときに読む情報の全体(コンテキスト)を、作業の段階ごとに選んで整える技術。
- ファインチューニング:事前学習を終えたAIモデルに特定の用途のデータで追加の学習をさせ、モデルの重みを調整して目的の作業に適応させる手法。
- 大規模言語モデル(LLM):大量の文章のデータで学習し、文章の生成や翻訳、要約といった言語にかかわる作業を行うAIモデル。
- プロンプトエンジニアリング:生成AIから求める答えを安定して引き出すために、AIへの指示(プロンプト)の書き方を工夫し試しながら改善する方法。
Few-shotプロンプティングに関する出典
OpenAI「Prompt engineering」
Google「Prompt design strategies」
Anthropic「プロンプティングのベストプラクティス」
Microsoft「Prompt engineering techniques」(2026年5月13日更新)
Tom B. Brown ほか「Language Models are Few-Shot Learners」(2020年5月28日、arXiv)
OpenAI「Reasoning best practices」
DeepSeek-AI ほか「DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning」(2025年1月22日、2026年1月4日改訂、arXiv)
Anthropic「Best practices for prompt engineering for 2026」(2025年11月10日)
Thariq Shihipar「The new rules of context engineering for Claude 5 generation models」(2026年7月24日、Anthropic のブログ)
生成AI活用普及協会「生成AIパスポート試験シラバス(2027年2月試験より適用)」
情報処理推進機構「プロフェッショナルデジタルスキル(データ・AI)試験(仮称)シラバス(案)Ver.0.1」(2026年10月30日掲載)
情報処理推進機構「新試験制度のシラバス案について」(2026年6月30日公開、10月30日更新)




