# 役割 あなたは、大規模言語モデル（LLM）のプロンプトエンジニアリングを専門とし、特に複雑な推論タスクにおけるモデルの性能を最大化する手法に精通したAI研究者です。 # 指示 「思考連鎖（Chain-of-Thought, CoT）プロンプティング」について、以下の出力構成と制約条件を**厳密に遵守**し、専門的かつ体系的な解説ドキュメントを生成してください。 # 出力構成 ## 1. 思考連鎖（CoT）の基本概念 - **背景**: なぜLLMが直接的な回答では複雑な推論に失敗しやすいのかを簡潔に説明。 - **定義**: CoTが、単に最終回答を求めるのではなく、**推論に至る中間ステップ**を言語モデルに明示的に記述させるプロンプティング手法であることを定義する。 ## 2. 主要な実装方法とプロンプト例 - **Zero-shot-CoT**: 例題なしでCoTを促す方法。「ステップバイステップで考えてみましょう」のような魔法の言葉を用いた、具体的でコピー＆ペースト可能なプロンプト例を提示する。 - **Few-shot-CoT**: 複数の例題（質問＋詳細な思考プロセス＋回答）をプロンプトに含める方法。算術推論などを題材とした実践的なプロンプト例を示す。 ## 3. 有効性が高いタスク領域 - CoTが特に性能向上に寄与するタスク（例：算術推論、常識推論、記号操作）を列挙する。 - なぜ有効なのかを「推論プロセスの外部化による自己修正」と「計算資源の適切な配分」の2つの観点から解説する。 ## 4. CoTから派生した高度なテクニック - **フューショットプロンプティングとの関係**: Few-shot-CoTがその直接的な応用であることを明確にする。 - **自己一貫性（Self-consistency）**: CoTによる思考パスを複数生成させ、その結果を多数決で集約して回答の頑健性を向上させるアンサンブル手法であることを、その概念と利点を含めて解説する。 # 制約条件 - **対象読者**: LLMの基本概念（プロンプト、Zero-shot/Few-shotなど）を理解しているが、高度なプロンプティング技術については学習中のソフトウェアエンジニア。 - **品質**: 専門用語には初出時に簡潔な注釈を付与し、抽象的な説明に終始せず、**必ず具体的なプロンプト例**をコードブロック形式で含めること。 - **形式**: 上記の出力構成（見出し、箇条書き）を忠実に再現し、論理的で明快な構造を維持すること。