Few-shot（フューショット）とは、生成AIに複数の例を見せてから、新しい質問や指示に回答させる方法です。
「この文章を分類してください」と指示するだけでなく、「この入力ならこの出力」という見本をいくつか与えることで、生成AIに求める回答のパターンを伝えます。
たとえば、ChatGPTなどを使って文章を「ポジティブ・ネガティブ・中立」に分類したい場合、事前にいくつかの正解例を示してから新しい文章を渡す方法がFew-shotです。
この記事では、Few-shotの意味や仕組み、Zero-shot・One-shotとの違い、初心者でも使える具体的なプロンプト例までわかりやすく解説します。
Few-shotとは？
Few-shotとは、少数の例を与え、その例からパターンを読み取って新しい入力へ対応させる考え方です。
プロンプト内で使う場合は「Few-shot prompting」と呼ばれます。
生成AIでは「例を見せて伝える」方法
生成AIへ指示を出すとき、文章だけでルールを説明しても意図が十分に伝わらないことがあります。
そこで役立つのがFew-shotです。
たとえば、商品レビューを3種類に分類するとします。
- 「とても使いやすかった」→ ポジティブ
- 「普通でした」→ 中立
- 「すぐに壊れてしまった」→ ネガティブ
このような入力と正解の組み合わせをいくつか示したあと、新しいレビューを渡します。
すると生成AIは、示された例を手がかりにして、どのような基準・形式で回答すればよいかを判断しやすくなります。
OpenAIもFew-shot learningについて説明しています。複数の入出力例をプロンプトに含め、モデルを新しいタスクへ誘導する方法です。
Few-shot LearningとFew-shot promptingの違い
文脈によって、「Few-shot」の意味は少し異なります。
Few-shot Learningは、広くは少ないデータや例からタスクを学習・処理する機械学習の考え方です。
一方、生成AIを利用するときによく使われるFew-shot promptingは、プロンプトの中に少数の例を入れて回答を誘導する方法を指します。
この記事では、初心者がChatGPTなどの生成AIを使う場面を想定し、主にFew-shot promptingについて解説します。
Zero-shot・One-shot・Few-shotの違い
Few-shotを理解するには、Zero-shotやOne-shotと比較するとわかりやすくなります。
| 方法 | 与える例 | イメージ |
|---|---|---|
| Zero-shot | 0個 | 指示だけで回答させる |
| One-shot | 1個 | 1つの見本を見せて回答させる |
| Few-shot | 複数 | 複数の見本からパターンをつかませる |
たとえば、AIにニュース記事のカテゴリ分類を依頼するとします。
Zero-shotでは「次の記事を経済・スポーツ・テクノロジーのいずれかに分類してください」とだけ伝えます。
One-shotなら、その指示に1つの分類例を追加します。
Few-shotでは複数の分類例を提示してから、新しい記事を分類させます。
つまり、例をまったく示さないのがZero-shot、1つだけ示すのがOne-shot、複数示すのがFew-shotと考えると理解しやすいでしょう。
Few-shotはどのような仕組み？
Few-shot promptingでは、プロンプトの例を参考にして、生成AIが入力と出力のパターンを捉えます。
大まかな流れは次のとおりです。
- ユーザーがタスクを指示する
- 入力と望ましい出力の例を複数示す
- 新しく処理したい入力を与える
- 生成AIが例のパターンを参考に回答する
Few-shot promptingで例を見せることと、モデルの追加学習は別です。
通常のFew-shot promptingでは、例をその場の文脈として利用します。モデルのパラメータ自体は変わりません。
そのため、モデルを追加学習するファインチューニングとは区別して考える必要があります。
Few-shotを使うメリット
Few-shotの大きなメリットは、言葉だけでは説明しにくい「完成形」を例で示せることです。
代表的なメリットを見てみましょう。
出力形式を伝えやすい
「指定した形式で回答してください」と文章で説明するだけでは、期待した形式にならない場合があります。
しかし、実際の入力と出力例を示せば、生成AIは求められている形式を把握しやすくなります。
たとえば、
- JSON形式
- 表形式
- 特定のラベルだけを出力
- 決まった文章構成
といったルールを伝えたい場面で利用できます。
判断基準を具体例で伝えられる
文章の「明るい・暗い」「緊急・通常」といった分類は、言葉による説明だけでは判断基準が曖昧になりがちです。
複数の正解例を見せれば、「どこからがポジティブなのか」「どの条件なら緊急なのか」といった基準を具体的に伝えられます。
毎回細かなルールを文章で説明しなくてもよい
複雑な条件を長々と説明するより、短い説明と適切な例を組み合わせたほうが意図を伝えやすいケースがあります。
ただし、Few-shotを使えば必ず正しい回答になるわけではありません。
例の質やタスクの難しさ、利用するモデルなどによって結果は変わるため、実際の出力を確認しながら調整することが重要です。
Few-shotの使い方
Few-shotは、**「指示→例→実際に処理したい入力」**の順番で組み立てると初心者でも扱いやすくなります。
基本的な書き方
基本形は次のようになります。
指示
商品レビューを「ポジティブ」「ネガティブ」「中立」のいずれかに分類してください。回答は分類名だけを出力してください。
例1
入力：期待以上に使いやすく、購入してよかったです。
出力：ポジティブ
例2
入力：問題なく使えますが、特に良いところもありません。
出力：中立
例3
入力：購入して1週間で動かなくなりました。
出力：ネガティブ
実際の入力
説明書は少しわかりにくかったですが、商品自体には満足しています。
このように例を並べたあと、本当に処理したい入力を最後に置きます。
Few-shotの実際のプロンプト例
たとえば、問い合わせメールを「緊急」「通常」に分類する場合は、次のようにできます。
目的：問い合わせ内容を「緊急」または「通常」に分類する
例1
入力：サービスにログインできず、全社員の業務が停止しています。
出力：緊急
例2
入力：来月から契約プランを変更できるか教えてください。
出力：通常
例3
入力：決済ができず、本日の注文処理を進められません。
出力：緊急
対象の入力：
請求書の送付先住所を変更したいです。
出力：
例を見ることで、生成AIは単にキーワードを拾うだけでなく、どのような状況を「緊急」として扱いたいのかを判断しやすくなります。
初心者の場合、まず少数のわかりやすい例から始め、期待する結果が得られない場合に例や指示を調整するとよいでしょう。
Few-shotを使うときの注意点
Few-shotは便利ですが、例を増やせば必ず良くなるわけではありません。
間違った例を入れない
生成AIは提示された例を手がかりとして回答します。
そのため、例の内容や分類が間違っていると、その誤ったパターンに引っ張られる可能性があります。
例として使うデータは、事前に内容を確認しておきましょう。
似た例だけに偏らせない
OpenAIはFew-shotの例について、望ましい出力を示しつつ、さまざまな入力を含めることを案内しています。
似たケースばかりを並べるのではなく、実際に遭遇しそうなパターンを適度に含めることがポイントです。
プロンプトが長くなる
例を追加すると、その分だけプロンプトも長くなります。
GoogleのMachine Learning Glossaryでも、Few-shot promptingはZero-shotやOne-shotより長いプロンプトが必要になる点が示されています。
必要以上に例を増やすのではなく、目的を伝えるために必要な例へ絞りましょう。
Few-shotだけで事実確認はできない
Few-shotは、回答方法や形式を伝えるための技術です。
最新情報や正確な数値を例として与えなければ、事実が自動的に最新になるわけではありません。
料金、法律、製品仕様、ニュースなど変化する情報を扱う場合は、別途信頼できる情報源で確認する必要があります。
Few-shotが向いているケース・向いていないケース
Few-shotは、回答の「型」や「判断基準」を見せたいタスクと相性があります。
| 向いているケース | 向いていない・不要なケース |
|---|---|
| 文章の分類 | 単純な事実質問 |
| 決まった形式への変換 | 指示だけで十分に回答できる作業 |
| 文体や構成をそろえる | 最新情報の取得そのもの |
| 出力フォーマットを固定する | 例を準備できないタスク |
| 判断基準を具体例で示したい | 例が誤っている・品質が低い場合 |
最初からFew-shotを使う必要はありません。
まずZero-shotで指示し、それでは意図や形式が十分に伝わらない場合に例を追加する方法もあります。
重要なのは、「例を増やすこと」ではなく、生成AIに何を理解してほしいのかを明確にすることです。
Few-shotに関するよくある質問
Few-shotの「few」は何個ですか？
厳密に「○個」と決まっているわけではありません。
Few-shot promptingは、少数の例を使って回答パターンを示す考え方です。必要な例の数は、タスクの難しさや例のわかりやすさによって変わります。
初心者は少ない例から試し、結果を見ながら調整すると扱いやすいでしょう。
Zero-shotとの違いは何ですか？
例を提示するかどうかが大きな違いです。
Zero-shotは例を与えず、指示だけで回答させます。一方、Few-shotでは複数の例を示してから新しい入力へ回答させます。
Few-shotを使うと生成AIが学習するのですか？
Few-shot promptingでは、通常、提示した例によってモデルのパラメータそのものを変更するわけではありません。
プロンプト内の例を文脈として利用し、新しい入力への回答に活用します。
モデルを追加の学習データで調整するファインチューニングとは別の方法です。
Few-shotとファインチューニングはどちらを使えばよいですか？
まずプロンプトだけで対応できるタスクであれば、Few-shotを試しやすいでしょう。
Few-shotではプロンプトに例を追加するため、モデルそのものを追加学習する必要がありません。
ただし、同じタスクを大量・継続的に処理する場合などは、要求される精度、コスト、運用方法を踏まえてファインチューニングなど別の方法も検討します。
まとめ
Few-shotとは、生成AIに複数の例を見せ、そのパターンを参考に新しい入力へ回答させる方法です。
例なしのZero-shot、1例だけを示すOne-shotに対し、Few-shotでは複数の見本を使います。
特に、
- 出力形式をそろえたい
- 分類の判断基準を伝えたい
- 文章だけでは説明しにくい完成形を見せたい
といった場面で役立ちます。
一方、例の質が低いと回答も影響を受ける可能性があります。また、例を増やすほどプロンプトは長くなります。
まずは明確な指示だけで試し、思ったような回答が得られないときに適切な例を追加する、と覚えておくとFew-shotを使い分けやすくなるでしょう。
関連用語
出典・参考情報
- OpenAI「Prompt engineering」（確認日：2026年8月18日）
- Google for Developers「Machine Learning Glossary」（確認日：2026年8月18日）
- Google for Developers「LLMs: Fine-tuning, distillation, and prompt engineering」（確認日：2026年8月18日）
- NeurIPS「Language Models are Few-Shot Learners」（確認日：2026年8月18日）
