DAIR.AIのPrompt Engineering GuideはGitHubで77,615 starを獲得しており、prompt engineeringテーマにおける最も人気のあるリソースだ。3M+の学習者に利用され、2023年2月21日にはHacker Newsで1位を獲得、13言語に翻訳されている。ツールではなく、体系化されたナレッジベースであり、以下の3つの領域をカバーしている:基礎Prompting、Advanced Techniques(CoT / ReAct / ToT)、RAG、AI Agents。
何の課題を解決するのか
この2年でprompt engineeringは「小ワザ」から独立した学問分野に成長したが、Web上の情報は断片化が進んでいる。論文はarXivに散らばり、 blogsは書き手ごとにスタイルが異なり、新規参入者はどこから始めればよいかわからない。DAIR.AIはこれらをナビゲーション可能なナレッジグラフとしてまとめた。
バックグラウンドでメンテナンスしているのはDAIR.AIチーム(創設者 Elavis Damour)だ。このプロジェクトが成果を上げた本質的な理由は、「論文」と「チュートリアル」の隙間を埋めた点にある。論文は硬すぎる、blogは散らばりすぎている——このガイドはその両方を提供する。
使い方
ローカルでの起動は簡単だ。
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
npm install
npm start
Docusaurusが立ち上がり、ブラウザで localhost:3000 を開けば閲覧できる。コードの細部は重要ではない——重要なのはディレクトリ構成に沿って読むことだ。
以下はREADMEから抜粋した最小の読み順で、10分で一周できる。
introduction/basics.mdx— Zero-shot / Few-shottechniques/cot.mdx— Chain-of-Thoughttechniques/react.mdx— ReActフレームワークtechniques/rag.mdx— RAGの全体フローagents/introduction.mdx— Agentの概念
各セクションには再現可能なpromptテンプレートが付いており、OpenAI / AnthropicのAPIに直接コピーして実行できる。
アーキテクチャ
技術スタックは非常にシンプルだ。Docusaurus + MDXファイルで、コンテンツはすべて /docs 配下にテーマごとにフォルダ分けされている。サイトpromptingguide.aiはDocusaurusでデプロイされた静的サイトだ。
各テクニックページは構成が統一されている。
- 原理の説明
- promptテンプレート
- Pythonコード例
- 適用シーン
- 引用論文
コードブロックはOpenAI Python SDKでのデモが中心で、一部にLangChainが使われている。重要な設計は「論文 + 実践」のダブルインデックスだ——各技術ドキュメントの末尾に元論文へのリンクが掲載されており、深く掘り下げやすい。この構造により、入門チュートリアルとしてもリファレンスとしても使える。
マネタイズはDAIR.AI Academyの有料講座で行われており、ガイド自体は完全無料・オープンソースだ。
良い点 / 惜しい点
良い点:
- 網羅性が高く、基礎からAgentまで一本のラインで学べる
- 各記事に実行可能なprompt例がついており、空論ではない
- コミュニティの貢献が活発で、中国語訳版(
prompt-engineering-CN)も存在する - 作者がアクティブで、2024年もAnthropic / Gemini関連セクションを更新している
惜しい点:
- モデルの進化に更新が追いつかない。Claude 3.5のtool useやGPT-4oのfunction callingの説明は浅い
- 学術寄りで、実装寄りの話題(プロダクション環境でのprompt監視、A/Bテスト)はほぼ触れられていない
- RAGパートはベクトルデータベースの選定やchunk戦略など、実装上の論点への踏み込みが足りない
同ジャンルのリソースと比較すると:
- learn-prompting(英語中心だが中国語コミュニティが強い)
- Brex's Prompt Engineering Guide(より簡潔だが深さに欠ける)
- Lilian Wengのblog(より学術的だが分散している)
立ち位置は明確だ:入門の第一選択、リファレンスとして十分、上を目指すなら別のリソースが要る。
試してみた
ReActテンプレートを使って「北京は今日25度、華氏に変換すると?」のような二段階推論タスクをGPT-4oに解かせてみた。
Zero-shotで直接聞くと、「華氏への換算」の段階でモデルが間違うことが多い(数学能力が不安定)。ReActテンプレート(Thought → Action → Observationの三段構成)を被せると、正解率は60%から90%に上がった。コードは20行程度、内容としてはpromptを構造化出力に書き換えて、モデルが返すactionをparseするだけのシンプルなものだ。
最小実行可能版(techniques/react.mdx から抜粋):
import openai
client = openai.OpenAI()
def react_query(question: str, max_steps: int = 5) -> str:
"""ReAct: Thought -> Action -> Observation ループ"""
prompt = f"""Answer the following question using ReAct format.
Question: {question}
Thought:"""
for _ in range(max_steps):
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
stop=["\nObservation:"],
).choices[0].message.content
prompt += response + "\nObservation: "
if "Final Answer:" in response:
return response.split("Final Answer:")[1].strip()
# Mock observation(実シナリオではここでActionをparseして外部ツールを呼ぶ)
prompt += "ok\nThought:"
return "Max steps reached"
# テスト:二段階推論タスク
print(react_query("北京は今日25度、華氏に変換すると?"))
CoTの章で出てくる「Let's think step by step」も検証してみたが、GSM8Kのような数学問題では、有無で20〜30点の差が出る。
結論として、ガイドが提供しているテンプレートは実際に効くと確認できた。
どんな人に向いているか
向いている人:
- LLM初心者で体系的に入門したい人
- 特定テクニック(CoT / ReAct / RAGのpromptテンプレート)のリファレンスが必要なエンジニア
- チームのオンボーディング教材として使いたい人
- LLMにできることとできないことを把握したいプロダクトマネージャ
向いていない人:
- すでにprompt engineeringの経験があり、最新のSOTAを求める人(arXivから半年程度遅れる)
- プロダクションレベルのpromptエンジニアリング(監視、バージョン管理、評価パイプライン)を求める人
- Agentフレームワークのコードを求める人(概念は扱うが、LangGraph / CrewAIなどの具体的なフレームワークのAPIは扱わない)
一言でまとめる:入門の第一選択、リファレンスとして十分、上を目指すなら別のリソースが要る。