Claude実践大全第3章:エントロピーとプロンプトの基礎──「効くプロンプト」の理由を解剖する

本記事は、『Claude実践大全:Chat・Cowork・Codeで「動くAI」を仕事に組み込む技術』を1章ずつ紹介するシリーズの第3回です。各記事では1つの章のエッセンスをダイジェストでお届けします。

どのAIツールを使うかと同じくらい、どう問いを立てるかが結果を左右します。第3章は、プロンプティングを「コツの寄せ集め」ではなく、ひとつの原理――エントロピー――から一気通貫で説明する章です。

なぜそのテクニックが効くのか。それがモデル内部の確率分布に何をしているのか。仕組みが分かれば、未知の場面でも自分で正解にたどり着けるようになります。

すべての鍵は「エントロピーを下げる」こと

「コードを書いて」と頼むと、モデルは非常に高いエントロピーに直面します。言語はJavaScriptかPythonかRustか、関数は何をするのか、10行か100行か――出力は本質的に予測できません。ところが「数値のリストを引数に取り、合計を返すPython関数を書いて」と言えば、もっともらしい続きの集合は一気に縮まります。言語・フォーマット・制約・例。盛り込むひとつひとつの要素が、ありえない選択肢を排除してエントロピーを下げ、欲しい出力の上に確率を尖らせていくのです。

質の高いプロンプトの解剖学

優れたプロンプトには構造があります。本書は、よく構造化されたプロンプトに含まれる要素を分解して見せます。XMLタグによる明確な指示、判断に効くコンテキスト、具体例(マルチショット)、出力フォーマットの指定、制約とエッジケースの列挙。とりわけXMLタグは、指示と内容の境界を明確に引き、「どこで指示が終わるか」をモデルに伝える強力な道具です。

💡 ポイント: 例は多ければよいわけではありません。ワンショットでパターンを示し、ツーショットでたいてい明確になります。むしろ大事なのは「意味のあるばらつき」。フォーマルとカジュアル、欠落や曖昧さといったエッジケースを混ぜることで、モデルに一般化を教え込めます。

Chain of Thoughtと拡張思考の使いどころ

難問を一足飛びに解かせると、次トークンの確率分布は広がります。アプローチが何通りも考えられるからです。そこで「まず関係する情報を考え、次にそれを分析し、それから結論を導く」と段階を踏ませる。各ステップは全体より具体的なので、エントロピーが下がり、誤りにくくなります。さらに難しい問題には拡張思考(Extended Thinking)。ただしこれは計算コストが高く、料金も時間もかさみます。いつ使い、いつ使わないか――その見極めの基準は本書で詳しく示されます。

⚠ 注意: 長いプロンプトには「シグナルの希釈」という落とし穴があります。無関係な情報を大量に詰め込むと、かえってモデルの注意がそれて性能が落ちます。目安は「関連するものはすべて含め、関係ないものはすべて除く」。コードベース全体を渡せばよい、というものではありません。

うまくいかないプロンプトをデバッグする

思うような出力が出ないとき、原因はたいていエントロピーにあります。確率分布が広すぎるのです。フォーマットが違うなら出力例を、振る舞いが間違っているなら制約やコンテキストを足す。本書は「症状→処方箋」の形でデバッグの定石を一覧化しています。同じ制約を何度も書いていると気づいたら、それをProjectsのカスタム指示やシステムプロンプトに組み込んでしまう――この運用知も見逃せません。