毎日いくつものAIツールを行き来していると、promptの良し悪しが作業効率を倍にするか、逆に崩すかを直接決めます。同じタスクでもpromptの書き方を少し変えるだけで、出力は「まあ使える」から「そのまま公開できる」まで変わります。この記事ではPrompt Engineeringをゼロから整理します。すでにAIを使っているのに、どうも「言うことを聞かない」と感じるなら、高い確率でpromptの問題です。
Promptとは何か
PromptはAIに渡す指示文です。ただし「指示」という言葉だけでは狭すぎます。より正確には、promptはAIとのコミュニケーションインターフェースです。役割設定、背景情報、タスク説明、出力形式、制約条件など、AIに渡すすべての文字がpromptの一部です。
例を挙げます。「記事を書いて」と頼むと、AIは無難でWikipediaのような文章を出してきます。これを「あなたはテックブロガーです。会話調で1500字の記事を書いてください。テーマはプロンプト入門、読者はAIにまったく触れたことがない会社員です。箇条書きは使わないでください」に変えると、出てくるものはまったく違います。
違いは何か。与えたcontextが増え、より完全になったことです。結局、AIは何かしら書けます。問題は、AIが最初からユーザーの望みを知っているわけではないことです。
2026年になっても学ぶ理由
理由は2つあります。
1つ目は、AIモデルが強くなっているからです。ただし「強い」とは、できることが多すぎるという意味でもあります。方向を与えなければ、AIは自分で方向を選びます。ChatGPTの創造力はかなり強力ですが、制限しないと1000字のタスクに3000字、小見出し、emojiまで付けて返してきます。最新のClaude Opusは今でも指示遵守では業界トップ級に安定していますが、前提は指示そのものが明確であることです。
2つ目は、今のpromptがもはや「一文の指示」ではないことです。現在の主流はContext Engineeringです。管理するのはAIの作業環境全体です。役割、記憶、使えるツール、多段階のタスクフロー。promptはその一部ですが、もっとも基礎になる部品です。
Prompt Engineeringを学ぶのは運転を学ぶのに近いです。エンジンの仕組みを知らなくてもいい。ただ、アクセルとハンドルは扱えないといけません。
基本構造：4つの要素
promptを書くときには固定の枠組みがあります。4つの要素を組み合わせるだけで、多くの場面をカバーできます。
Who - 役割（Role）：AIが誰なのかを伝えます。「あなたは10年経験のあるSEOコンサルタントです」と「あなたは大学生です」では、出力の深さも言葉遣いもまったく違います。
What - タスク（Task）：何をしてほしいのかを伝えます。具体的であるほど良いです。「このデータを分析して」は曖昧すぎます。「このCSVから月次売上が10%以上下がった月を見つけ、考えられる理由を列挙して」ならかなり明確です。
How - 形式（Format）：出力の形を指定します。表、箇条書き、段落、JSON、Markdown。指定しないとAIが勝手に決めますが、その決定はたいてい欲しいものではありません。
Not - 制約（Constraint）：何をしてはいけないかを伝えます。「500字を超えない」「箇条書きを使わない」「データを捏造しない」。制約条件は品質管理の要です。この層がないと、AIは自由にやりすぎます。
この4要素は毎回すべて使う必要はありません。簡単な翻訳なら、役割と制約だけで足りることもあります。長文記事のpromptなら4つ全部が必要で、それぞれが長くなることもあります。場面に合わせて調整します。
コピーして使えるprompt例5つ
理論より例のほうが早いです。以下の5つはpen-pingsシリーズでよく使うテンプレートです。直接コピーして修正できます。
例1：コンテンツ要約
你是一個專業的內容編輯。
請閱讀以下文章，用 3 句話摘要重點。
第一句講主題，第二句講核心發現，第三句講對讀者的影響。
不要超過 150 字。不要用「本文」開頭。
[貼上文章內容]例2：議事録整理
你是一個熟悉科技業的專案經理。
以下是一場產品會議的逐字稿。請整理成會議紀錄，格式如下：
- 決議事項（每項一行，標記負責人和截止日）
- 待討論事項（下次會議跟進）
- 關鍵數字（會議中提到的任何數據）
不要加你自己的意見。只整理逐字稿裡有的內容。
[貼上逐字稿]例3：コードレビュー
你是一個資深全端工程師。
請 review 以下程式碼，只指出三類問題：
1. 會造成 bug 的邏輯錯誤
2. 效能瓶頸
3. 安全漏洞
每個問題附上修改建議和修改後的程式碼片段。
不需要誇獎寫得好的部分。
[貼上程式碼]例4：記事の文体リライト
你是一個台灣的科技部落客，擅長用聊天的語氣寫文章。
以下是一段技術說明文，請改寫成部落格風格。
要求：
- 用第一人稱口吻
- 句子有長有短，像在跟朋友說話
- 專有名詞第一次出現時用中文（英文）格式
- 不要用「淺顯易懂」「華麗修辭」這類空話
- 保留所有技術細節，只改語氣
[貼上原文]例5：データ分析
你是一個數據分析師，擅長用白話解釋數據。
以下是一份 CSV 資料。請完成：
1. 找出前三名和後三名
2. 計算平均值和標準差
3. 用兩句話說明這份資料的趨勢
輸出用繁體中文，數字保留到小數點第一位。
[貼上 CSV]応用テクニック
基本構造を覚えたら、出力品質をもう一段上げるために使える応用テクニックが3つあります。
Chain of Thought（思考の連鎖）
AIに一歩ずつ考えさせます。推論が必要なタスクでは効果がはっきり出ます。
やり方：promptに請一步一步思考や請先列出你的推理過程，再給出結論を足します。AIが途中の手順を書き出すので、どこで考え違いをしたのかが見えます。さらに「ゆっくり考えて」と求めるだけでも、答えの精度が一段上がります。
データ分析や論理判断のタスクでは、ほぼ毎回入れてよいです。
Few-shot（少量の例）
欲しい出力がどんな形かをAIに直接見せます。形式を500字で説明するより効果があります。
やり方：promptに2〜3組の「入力→出力」の例を入れます。AIは例からスタイル、形式、言葉遣いの好みを学びます。翻訳、分類、リライトのようなタスクで特に効きます。
最初に例を準備する時間はかかりますが、その後は毎回時間を節約できます。
Negative Prompt
AIに「何をしてはいけないか」を伝えるほうが、「何をしてほしいか」を伝えるより効くことがあります。
「箇条書きを使わない」「500字を超えない」「書かれていない情報を捏造しない」「最後にまとめを足さない」。こうした制約は、AIのよくある悪癖を直接削ります。
ClaudeはNegative Promptを比較的よく守るので、避けてほしい条件を多めに列挙しても安定します。ChatGPTは制約が多すぎると一部を選択的に無視し始めるので、10個以内に抑えるのがおすすめです。
モデルごとのprompt差
主要な3モデルは「性格」がかなり違います。promptの書き方も合わせて変える必要があります。
Claude：いちばん指示に忠実です。長いルール、複雑な制約、役割設定を安定して守ります。長いsystem promptを渡しても最後まで覚えています。精密な制御が必要なタスクに向いています。弱点は慎重すぎることがある点で、prompt内で「大胆に判断を出して」と促すとよいです。
ChatGPT：創造性がいちばん強い一方、規律はやや弱めです。例（Few-shot）を渡して、例から学ばせるのに向いています。制約条件を詰め込みすぎるのは苦手で、10個を超えると重要なものを自分で取捨選択し始めます。発想、ブレスト、素早いプロトタイプに向いています。
Gemini：検索タスクとの組み合わせが最も得意です。context windowは100万tokensまであり、本1冊を丸ごと入れて分析するような使い方にも耐えます。ただし中国語圏の機能制限が比較的多く、一部機能は英語promptでないと動かないことがあります。文体は技術レポート寄りなので、軽い語り口にしたい場合はpromptで明示します。
実用ルールは、Claudeは正式な内容、ChatGPTは発想、Geminiは大量データ処理です。3つを同時に開いて使い分けるのも普通です。ClaudeとChatGPTの性格差は別記事のClaude vs ChatGPT比較にまとめています。
Agent時代にもPromptは重要か
2026年のAI Agentは、タスクを分解し、ツールを呼び出し、記憶を管理できます。promptは時代遅れになるという人もいます。
実際は逆です。promptの重要性は上がっています。ただし形が変わっています。
以前はpromptを1つ書いてAIに投げ、文章が返ってきて終わりでした。今書くのは、AIの役割、使えるツール、記憶構造、不確実な状況への対応まで含む指示システム全体です。これがContext Engineeringです。
OpenClawのmulti-agent systemはその生きた例です。AI agentは多層記憶として設計されることが多く、底層には毎回自動で読み込む索引、中層にはトピック別の知識ファイル、上層には日々更新される作業記憶があります。この構造全体の運用は、promptに書かれたルールに支えられています。Agentが自律的になるほど、人間が毎ステップ監視しない分、prompt設計はより厳密である必要があります。multi-agent構造の詳細はOpenClaw Multi-Agent Architectureを参照してください。
結論は明確です。Prompt Engineeringは2026年でも学ぶ価値があります。AIとコミュニケーションするための基礎能力です。ツールがどう進化しても、意図を明確に伝えられる人は、そうでない人より常に効率よく動けます。
PromptからContext Engineeringへ
高度なprompt技術は魔法の言葉ではありません。応用Promptテクニック では、役割重ね、分割入力、negative prompt、self-checkを具体的に扱います。このhubはまず地図です。
より大きな変化はcontext engineeringです。AI Agent や OpenClaw のような長期システムを使い始めると、問題は「この一文をどう書くか」だけではなくなります。
- どのルールを毎回読み込むか？
- どの資料を特定タスクだけで読むか？
- 長い会話をいつ要約、archive、再起動するか？
- ツール権限、記憶、出力形式をどう互いに制約するか？
100万tokenの甘い罠 も同じ話です。contextが大きいことは、何でも詰め込んでよいという意味ではありません。AIが安定して使える形に整理することが本体です。
次のステップ
基本構造と応用テクニックを押さえたら、次の記事応用Promptテクニックでは、実際に踏んだ失敗から整理した10個の実戦的な方法を扱います。
promptは一度身につければ自分の技術になります。ツールは変わり、モデルは更新されます。それでも、要件をはっきり伝える力は古くなりません。
こぺんぎんの体験談
こぺんぎんは毎日、Claude Code、Codex、Perplexity、Grok、Gemini、ChatGPT、NotebookLM、OpenClawなどを順番に使っています。モデルごとにpromptを微調整することは、日常業務の一部です。
OpenClawはこぺんぎんが自分用に使っているmulti-agent systemです。記憶構造は、自動読み込み、知識ファイル、日次の作業記憶の3層に分かれています。この構造は長期の試行錯誤から生まれました。核心ファイルを絞るほどagentの記憶抜けは減り、すべてを記憶に詰め込もうとするほど、逆に乱れやすくなります。
モデルの使い分けでは、記事を書くときやスタイルルールを守らせたい場面ではClaude、発想やcreative brainstormではChatGPT、大量資料の整理や長いcontextのタスクではGeminiを組み合わせるのがこぺんぎんの習慣です。この分担は、それぞれのモデルの性格がどの仕事に合うかを反映したもので、どれが最強かという話ではありません。
関連記事
よくある質問
Q: Promptとは何ですか？
PromptはAIへの指示です。うまく書けばAIは正確に返し、曖昧なら推測します。自分の背景を何も知らない賢い相手に説明する感覚に近いです。
Q: Agent時代にもprompt engineeringは重要ですか？
さらに重要です。ただし形が変わっています。2026年は単一promptからContext Engineeringへ移り、記憶、ツール、多段階計画まで管理します。根本は同じで、意図を明確に伝えることです。
Q: ClaudeとChatGPTでpromptの書き方は違いますか？
違います。Claudeは長いルールを守るのが得意なので、役割設定と制約が効きます。ChatGPTは例示、Few-shotが効きます。Geminiは検索や大きなcontextと組み合わせると強いです。
Q: 万能promptテンプレートはありますか？
万能テンプレートはありません。ただし、役割 + タスク + 形式 + 制約という基本構造はあります。この4要素で多くの日常タスクをカバーできます。
Q: プログラミングができなくても学べますか？
学べます。prompt engineeringの中心はプログラミングではなくコミュニケーションです。やりたいことを明確に説明できれば基礎はあります。応用技術も多くは論理的思考です。
Q: Context Engineeringとは何ですか？
Context Engineeringは、prompt、記憶、ツール、ファイル、タスク状態をまとめて設計することです。Agent時代は、一文のpromptだけでなく、各ステップでAIに何を見せるかが重要になります。
Q: 長いcontextは常に良いですか？
常に良いわけではありません。長いcontextは多くの資料を入れられますが、混乱、優先度の見落とし、自信過剰も起こしやすいです。重要タスクでは分割、要約、きれいなcontext再起動が必要です。
— Penchan