実践

77k starの『Prompt Engineering Guide』入門:Prompt基礎からRAG・Agentsまで最短で辿り着く

DAIR.AIが手がけるPrompt Engineering GuideはGitHubで77k star、Hacker News1位を獲得した体系的なナレッジベース。MDXで書かれた基礎PromptingからRAG・Agentsまでの学習ロードマップを1記事で整理する。

文字サイズ

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。

  1. introduction/basics.mdx — Zero-shot / Few-shot
  2. techniques/cot.mdx — Chain-of-Thought
  3. techniques/react.mdx — ReActフレームワーク
  4. techniques/rag.mdx — RAGの全体フロー
  5. 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:

  1. 網羅性が高く、基礎からAgentまで一本のラインで学べる
  2. 各記事に実行可能なprompt例がついており、空論ではない
  3. 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
  4. 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:

  1. 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
  2. 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
  3. 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:

  1. LLM初心者で体系的に入門したい人
  2. 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
  3. チームのオンボーディング教材として使いたい人
  4. 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:

  1. 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)
  2. 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
  3. 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。


出典:github.com/dair-ai/Prompt-Engineering-Guide

出典: https://github.com/dair-ai/Prompt-Engineering-Guide