「0-shot / 1-shot と、どう違う？」
「実際に、どう書けばいい？」
そんな疑問を持つ、プロンプトで精度を上げたいあなたへ。
結論から言えば、
Few-shot Learning とは、プロンプト内に 2〜5 個の例を見せて、AI に望む形式や答え方を学ばせる手法
のことです。
この記事では、Few-shot Learning の意味・なぜ効くか・0-shot / 1-shot との違い・業務で使うコツを、生成AIパスポート 領域1 学習者向けにやさしく解説します。読み終えるころには、あなたのプロンプトに「例示」という武器が1つ増えているはずです。
1. Few-shot Learning とは
「Few-shot」とは、少数の例という意味。「Learning」とは、学習のこと。2つを合わせて「Few-shot Learning（フューショット ラーニング）」と呼びます。
つまり、プロンプト内に少数の例を見せて、AI に応答パターンを学ばせる手法、というのが正体です。
この仕組みは、より広い概念として「In-context learning（文脈内学習）」と呼ばれることもあります。専門スキルというよりも、プロンプトの書き方の工夫の1つです。
イメージしやすくするために、たとえを1つ置きます。
あなたの望む答え方を例で示せば、AI は形式を真似てくれます。
2. なぜ効くか（事前学習 + 例示の組み合わせ）
ここを押さえると、「なぜ例示するだけで精度が上がるのか」が腑に落ちます。
核心は、LLM は事前学習で広い知識を持っており、例示でその知識を引き出す方向を絞れる、ということです。
大規模言語モデルは、すでに大量のテキストで事前学習を済ませています。詳しくは LLMとは も参考になります。そこに「こういう形式で答えてほしい」という例を 2〜3 個見せると、AI は応答パターンを推測しやすくなる、というのが現在の主流とされる説明です。
イメージとして、もう1つたとえを置きます。
あなたが望む形式を例で見せると、AI はその形式を真似てくれます。
3. 0-shot / 1-shot / Few-shot の違い
ここが本記事のいちばん実務寄りのところです。例示数による違いを順番に整理します。
3 種類を並べると、こうなります。
2. 1-shot — 例 1 個（応答パターンを1つだけ示す）
3. Few-shot — 例 2〜5 個（パターンを安定して学ばせる）
順番に見ていきます。
3-1. 0-shot
例を見せずに、指示文だけで答えさせるパターンです。「英語を日本語に訳して」のように、AI が事前学習で広く触れているタスクは、0-shot で十分こなせることが多いとされています。
最もシンプルな書き方なので、まずはここから試して、精度が足りない時に例示を増やす流れが基本です。
3-2. 1-shot
例を 1 個だけ見せるパターンです。応答の形式やトーンを 1 つだけ示したい時に使います。0-shot より方向性が定まりやすくなりますが、例 1 個だけだと AI が「特殊な1例」と受け取ることもあります。
形式を安定させたい場合は、次の Few-shot を選ぶのが現実的です。
3-3. Few-shot
例を 2〜5 個見せるパターンです。形式やトーンを安定して学ばせやすいのが特徴になります。例示数の目安としては、2〜5 例が一般的とされています。多すぎるとプロンプトが長くなり、コストや読みにくさにつながるため、最初は 2〜3 例から試すのが扱いやすいです。
シンプルな質問は 0-shot、出力形式を揃えたい場合は Few-shot、という使い分けが現実的な目安になります。
あなたの目的に合わせて、3 つを使い分けてみてください。
4. プロンプトで使うコツ（業務応用）
最後に、業務で使う時のコツを整理しておきます。
良い例示の条件は、形式・トーン・長さを揃えること、です。
初心者がやりがちな NG と、改善のコツを比較しておきます。
2. 改善: 形式を揃えた例を 3 個用意する
3. 改善: 例同士の長さやトーンも近づける
例示は、プロンプトエンジニアリングの中核テクニックの1つでもあります。プロンプト工夫の全体像は プロンプトエンジニアリングとは で詳しく解説しています。プロンプトでの例示と、追加学習で覚えさせる ファインチューニング は、似ているようで使い分けが必要なテーマです。
業務で使うコツを、もう少し具体的に置いておきます。
2. 例の長さ・トーンは、できるだけ揃える
3. 偏った例（極端な短文・極端な長文）は避ける
あなたの業務でよく使う出力形式を、3 例ストックしておくと便利です。プロンプトのテンプレ化と相性が良く、自然と業務の型が育っていきます。
まとめ: 今日からできる、最初の一歩
最後に、この記事のポイントを3つだけ振り返ります。
- Few-shot Learning = プロンプトに 2〜5 例を見せて、AI に応答パターンを学ばせる手法
- 事前学習 + 例示の組み合わせで、応答の形式が安定する
- 0-shot / 1-shot / Few-shot は、例示数による段階的な選択肢
この概念は、生成AIパスポート 領域1「生成AIの技術」の中核テーマとして出題されます。試験対策としても、ここを押さえておくと土台が固まります。
今日からできる、最初の一歩はとてもシンプルです。
2. その形式に沿った例を、プロンプトに 2〜3 個書き足してみる（3分）
3. 例なし版と比べて、結果の差を1行メモにする（2分）
たった7分で、あなたのプロンプトに「例示」という武器が増えます。
最初から完璧な例を揃える必要はありません。あなたが日常で書いた文章を、そのまま2〜3個並べるだけでも十分です。例を貼って、結果を見て、また少し直す。その繰り返しで、自然と業務向けのテンプレが育っていきます。
次のステップ
- プロンプト技法全般: プロンプトエンジニアリングとは
- 事前学習の対象: LLMとは
- 段階的に考えさせる発展: Chain of Thoughtとは
- 学習方法の対比: ファインチューニングとは
- 試験全体: 生成AIパスポート 試験全体概要
