LLM への入力に入出力の例を数件添えることで、再学習せずに望む形式やスタイルへ誘導する技術です。
バイブ特有
446
Few-shot Learning
フューショットラーニング
体験区分：少しだけ触った
推奨読者レベル：Level 3
何をしてくれるか
どこで出会うか
ChatGPT や Claude に「以下の形式で答えてください。例1…例2…」と伝えるときが典型例です。Context Engineering の代表的な実装として紹介されます。
比較図
2026.04·ready
「Few-shot で例を 3 件渡したら、出力形式がきれいに揃いますよ。」
Few-shot Learningの見方
447
この用語の見どころ
1
役割
例示をプロンプトに含めて、LLM の出力形式やスタイルを誘導します。
2
うれしさ
モデルの重みを変えずに挙動を調整できるため、手軽さとコスト効率が両立します。
3
注意点
例示が偏ると出力も偏るため、例の質と多様性が精度を左右しやすいです。
4
どこで役立つか
定型フォーマットの分類・抽出タスクで効果が出やすいです。
5
はじめに
Zero-shot との対比で「例あり・なし」の差を試すと効果を体感できます。
6
深掘り先
Prompt Engineering、Context Engineering、Zero-shot
非エンジニアのつまずき
- チャットで初めて認識した程度で、チューニング的な概念と捉えています
- 自分の仕事に効くのか、実用に持っていけるかが難しいです
私のコメント
- 第一印象:今回初めてちゃんと見たかも。
- 良い点:Claude や GPT の応答をその場で調整できる点が良さそうです。
- ダメな点:Gemini など回答が過去に引っ張られ、エコーチェンバー化しやすいです。
- 誰向けか:AI の出力をメタ的に扱っていく人向け。
開発フローでの位置
タスク定義
例の準備
プロンプトに組み込む
出力を評価
例数を調整
関連用語
G-13·term_llm
バイブコーディング図鑑