外部データを使ったプロンプティング
ユーザーが提供したデータや動的に取得したデータを、プロンプトに直接組み込む技術を学びます。
「外部データを使ったプロンプティング」はCoddyKit上の無料AI Prompt Engineeringレッスンです。 これはレッスン1/3です。 下記で完全なレッスンを無料で読むことができます。その後、ブラウザ内の組み込みコードエディタと24時間対応のAIチューターでハンズオン演習できます。 これはAI Prompt Engineering学習パスの一部であり、ウェブとCoddyKitアプリ全体で進捗が同期されます。 AI Prompt Engineeringコースには全3レッスンが含まれています。
イントロ：外部データ
ようこそ。このレッスンでは、外部データを含めることでLLMのプロンプトをより賢くする方法を学びます。これは、LLMの学習には含まれていないものの、特定のタスクに関連する情報を与えるということです。
特定の状況に合わせて、LLMに「新たな視点」や「文脈上の手がかり」を与えるようなものだと考えてください。
外部データが重要な理由
外部データを取り入れることで、次のような重要なメリットが得られます。
- 正確性：LLMが知らない可能性のある最新または具体的な事実を提供できます。
- パーソナライズ：個々のユーザーや状況に合わせて応答を調整できます。
- 関連性：LLMが必要な情報そのものに集中できるようにします。
- ハルシネーションの低減：LLMの回答を実際のデータに基づかせることで、内容を作り上げてしまう可能性を減らせます。
一般的なデータソース
外部データはさまざまな場所から取得できます。ここでは一般的な例をいくつか紹介します。
- ユーザー入力：ユーザーが入力したテキスト、設定、プロフィール情報などです。
- データベース／API：商品カタログ、顧客情報、気象データ、ニュースフィードなどです。
- ファイル：ドキュメント、スプレッドシート、ログ、その他の保存された情報などです。
- センサー：デバイスから取得するリアルタイムデータです（例：温度、位置情報）。
基本的なデータの注入
外部データを含める最も簡単な方法は、プロンプト文字列に直接挿入することです。通常は、文字列フォーマットや連結を使用して行います。
LLMがデータの役割を理解しやすくなるよう、挿入するデータには必ず明確なラベルを付けてください。
次の例を実行してみましょう。
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)外部データの構造化
より複雑なデータを扱う場合は、構造化された形式で提供することが重要です。そうすることで、LLMが情報をより確実に解析し、理解できるようになります。
データを構造化する一般的な方法には、次のようなものがあります。
- 区切り文字：
---や###などの特殊文字を使用してセクションを分けます。 - キーと値のペア：
"Name": "Alice"のように、データフィールドを明示的に指定します。 - JSON／XML：複雑なオブジェクトには、標準的なデータ交換形式を使用します。
重要なのは、一貫性と明確さです。
データによるパーソナライズ
構造化されたユーザーデータを使ってメッセージをパーソナライズする方法を見てみましょう。プロンプト内で、シンプルなキーと値の形式を使用します。
LLMに「User Profile」データが明示的に与えられ、それを利用できるようになっている点に注目してください。
次の例を実行してみましょう。
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)動的データとコンテキスト
外部データによって、動的な「ライブ」コンテキストを提供することもできます。現在の株価や気象データを取得し、プロンプトに直接渡す場面を想像してみてください。
これにより、LLMの応答がより関連性の高い、タイムリーなものになります。
次の例を実行してみましょう。
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)データの検証と安全性
外部データ、特にユーザー入力を取り込む場合は、データの検証と安全性を考慮することが重要です。
- 入力のサニタイズ：有害な可能性のある文字を削除またはエスケープし、プロンプトインジェクション攻撃を防ぎます。
- データ型の検証：数値が数値として、日付が日付として扱われていることなどを確認します。
- サイズの制限：入力が長くなりすぎて多くのトークンを消費したり、エラーを引き起こしたりするのを防ぎます。
- プライバシー：機密情報に注意し、必要がなければLLMに送信しないでください。
クイックチェック：外部データ
商品説明を生成するプロンプトを作成しています。商品情報を含む辞書があります：{'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}。
LLMが明確に理解できるよう、このデータをプロンプトに取り込むには、どの方法が最適ですか？
振り返りと次のステップ
よくできました。プロンプトに外部データを統合し、LLMの応答を改善する方法を学びました。
- 外部データによって、正確性、パーソナライズ、関連性を高められます。
- 外部データは、ユーザー入力、データベース、APIなどから取得できます。
- 複雑なデータでは、キーと値のペアやJSONなどによる明確な構造化が重要です。
- 外部ソースを使用する際は、必ずデータの検証と安全性を考慮してください。
次は、これらの概念を発展させ、さらに広範な外部知識を取得して利用する検索拡張生成（RAG）について学びます。
AI チューターと学ぶ AI Prompt Engineering — 無料
ブラウザでリアルコードを書いて実行し、24/7 の AI チューターから瞬時にサポートを受け、ウェブまたはアプリで続きから学習できます。
- コース
- 53
- レッスン
- 199
よくある質問
「外部データを使ったプロンプティング」レッスンは無料ですか？
はい。「外部データを使ったプロンプティング」の完全なテキストはこのウェブで無料で読めます。インタラクティブに演習し（組み込みコードエディタと24時間対応のAIチューター）、AI Prompt Engineeringコースの残りをアンロックするには、CoddyKit PROにアップグレードしてください。 AI Prompt Engineeringコースには全3レッスンが含まれています。
「外部データを使ったプロンプティング」で何を学びますか？
ユーザーが提供したデータや動的に取得したデータを、プロンプトに直接組み込む技術を学びます。 ブラウザで直接実行するハンズオンコードでAI Prompt Engineeringを演習し、24時間対応のAIチューターがレッスンを進める中での質問に答えます。
AI Prompt Engineeringを始めるのに経験は必要ですか？
事前経験は必要ありません。CoddyKitのAI Prompt Engineeringは初級者から上級者向けに構成されているため、ここから始めるか最初から始めて、自分のペースで進むことができます。 これはレッスン1/3です。
「外部データを使ったプロンプティング」レッスンにはどのくらい時間がかかりますか？
ほとんどのCoddyKitレッスンは約5～10分かかります。各レッスンはコンパクトでインタラクティブなので、着実に進歩し、ウェブとアプリ全体で正確に前回の場所から再開できます。
このAI Prompt Engineeringレッスンでコードを書いて実行できますか？
はい。すべてのAI Prompt Engineeringレッスンに組み込みコードエディタが含まれているため、ブラウザでリアルコードを書いて実行し、即座のAIフィードバックを取得できます。ローカル設定は不要です。
このコースのすべてのレッスン
- 外部データを使ったプロンプティング
- 検索拡張生成（RAG）
- プロンプティングのためのベクトルデータベース