少数ショットプロンプト（Few-shot Prompting）は、LLMへの指示に少数の入出力例（デモンストレーション）を含め、タスクの形式や意図を伝えるプロンプトエンジニアリングの技法です。本記事は論文の数式ではなく、試験で混同されやすいZero-shotとの違い・Few-shot学習との区別・例の書き方に焦点を当てます。
試験で問われる見方
G-385：Few-shot学習は少数の例をもとに新しいタスクへ対応する考え方。One-shotは1例、Zero-shotは明示的な例なし（G-385、G-386）。
プロンプト文脈では、Few-shot Promptingは推論時にプロンプトへ例を載せる手法。重みを更新するファインチューニングとは別のレバーです。
Few-shot Promptingとは
タスク説明だけでは形式がぶれるとき、2〜数個の「入力→望ましい出力」ペアをプロンプトに並べます。モデルは文脈内のパターンを読み取り、次の入力に対する出力を生成します。追加学習なしでタスク適応できるのが利点です。
Zero / One / Few のスペクトラム
| 手法 | 例の数 | 典型用途 |
|---|---|---|
| Zero-shot | 0 | 一般的な指示で足りるタスク |
| One-shot | 1 | 出力形式の固定 |
| Few-shot | 少数（2〜数個） | 分類ラベル・変換ルールの明示 |
例が増えるほど形式は安定しやすい一方、コンテキストウィンドウとコストを消費します。
Few-shot学習との違い
Few-shot学習は機械学習の設定で、ごく少数のラベル付きデータから新クラスを認識するなど、学習フェーズの話です。Few-shot Promptingは学習済みLLMへのプロンプト技法です。名前は似ていますが、試験では主語（学習 vs 推論）を確認してください。
例示の設計ポイント
- 形式を統一 — 区切り記号・ラベル名を揃える
- 多様性 — 境界ケースを1例入れると安定しやすい
- 順序 — 偏りのある並びは出力に影響（順序バイアス）
- 機密 — 例に個人情報を入れない（情報漏えいリスク）
複雑な推論にはChain-of-Thoughtや自己整合性と組み合わせることもあります。
よくある質問
何例が最適？
タスクとモデル依存です。まず1〜3例で試し、形式が安定しない場合に増やすのが実務的です。
RAGとどちらが先？
形式・タスク適応はFew-shot、知識不足はRAG。併用も可能です。
ファインチューニングより劣る？
データが少なく素早く試すならFew-shot Promptingが有利。大量データで品質を固めるならファインチューニングを検討します。