骨組みだけでは足りないが、細部から始めても迷う: LLM時代の本当の設計原理

Hatched by KAZU

Jun 03, 2026

1 min read

1 views

87%

いま私たちは、何を与えるべきかをまだ誤解している

LLMに最高の答えを出させたいなら、詳細を詰め込めばいい。そう考えがちです。けれど実際には、細かく書けば書くほど良くなるわけではない。むしろ、よい出力を生む鍵は、あらかじめ「骨組み」を渡し、そこにモデル自身が具体性を肉付けできるようにすることです。

この直感は、一見するとプロンプト設計の話に見えます。しかし本質はもっと深いところにあります。これは、知性とは何を保持し、何を補完する仕組みなのかという問いです。人間もモデルも、ゼロからすべてを作るのではなく、抽象化された構造を使って、状況に応じた具体を立ち上げます。問題は、どこまでを骨組みにし、どこからを文脈に委ねるかです。

そしてこの問いは、医療のような高精度が求められる領域で、驚くほど鮮明になります。日本の医師国家試験で、高性能なGPTが最適化されたプロンプトによって合格点に到達した一方で、不正解の要因として浮かび上がったのは、医学知識の不足だけではなく、日本特有の制度やガイドライン、さらには数学的誤りでした。つまり、能力の限界は「知識量」だけではなく、「どの骨組みを共有しているか」によっても決まるのです。

知性は情報を持つことではなく、構造を埋めること

LLMの強みは、膨大なデータを丸暗記していることではありません。強みは、そこから抽象化、一般化、構造化されたパターンを学び、与えられた枠組みをもとに適切な補完を行えることです。言い換えるなら、モデルは「全文を書いてくれ」と頼むより、「この型に沿って埋めてくれ」と頼んだほうが得意です。

たとえば料理で考えてみましょう。レシピの本質は材料リストではなく、手順と関係性です。材料が同じでも、火加減、順番、タイミングが違えば味は変わります。LLMにおける優れたプロンプトも同じで、単なる情報の寄せ集めではなく、何が前提で、何が制約で、何が目的かを定義する「型」が重要になります。

ここで大事なのは、骨組みは細部を省くためのものではない、という点です。骨組みはむしろ、どの細部を意味のある細部として選ばせるかを決めます。プロンプトに必要なのは、すべての情報を与えることではなく、モデルが「何を埋めればよいか」を誤解しない程度の抽象度を保つことです。

優れたプロンプトとは、答えを指定する文ではなく、答えが自然に立ち上がる構造を与える文である。

この見方を採用すると、プロンプト設計は命令文作成ではなく、認知の足場づくりになります。足場があるから高く登れる。だが足場が細かすぎると、登る余地がなくなる。逆に粗すぎると、どこに向かえばいいかわからない。最適な設計とは、その中間を探す作業です。

でも、抽象化だけでは足りない。文脈がない構造は空っぽになる

ここで一つの誤解が生まれやすいです。骨組みが大事だと聞くと、では抽象的に書けばよいのだと考えてしまう。しかし抽象化は、万能ではありません。実際、国家試験のような場面では、モデルが日本特有の制度やガイドラインを誤ることで失点しました。これは、構造があっても、その構造に流し込むべき局所的な知識が足りなければ、精度は簡単に崩れることを示しています。

たとえば「感染症診療について説明して」とだけ言えば、一般論はそれなりに返ってきます。しかし日本の保険制度、診療報酬、ガイドラインの更新時期、試験で問われる表現まで含めて答えさせたいなら、単なる一般論では不十分です。抽象度が高い問いには汎用的な知性が強いが、特定の社会制度に根差した問いには、その制度を指し示す文脈が必要です。

この構図は人間にもよく似ています。優秀な医師でも、別の国に行けばローカルルールで戸惑います。建築家でも、同じ設計思想が地域の法規制で制限されます。つまり、知性は普遍的な原理だけでは機能せず、どの現場に足場を置くかで性能が決まるのです。

だから、LLMの出力が間違ったときに「モデルは知らない」で終えるのは不十分です。むしろ問うべきなのは、どのレベルの構造が欠けていたのかです。一般原理はあったのか。ローカルな制約は入っていたのか。数値処理に必要な明示性はあったのか。失敗はしばしば、知識の欠落ではなく、階層の接続ミスとして起こります。

真の問いは、知識の量ではなく「階層の切り替え方」

ここで、本質的なフレームを導入したいと思います。LLMとの協働を成功させる鍵は、情報を増やすことではなく、階層を設計することです。人間の思考もモデルの応答も、次の3層で見ると整理しやすくなります。

骨組みの層: 目的、役割、制約、出力形式
文脈の層: 対象領域、制度、文化、読者、状況
実装の層: 具体例、数値、用語、表現、手順

多くの失敗は、この3層のどれかが欠けているだけではなく、層同士の関係が曖昧なときに起こります。たとえば「医療の一般原則を説明して」と「日本の国家試験で正答しやすい形で説明して」は似ているようで別物です。前者は骨組み重視、後者は文脈重視です。さらに、出題意図を踏まえた答えにするなら、実装の層にまで踏み込む必要があります。

この3層モデルの面白いところは、プロンプトの洗練を単なる長文化ではなく、適切な抽象度の制御として捉え直せることです。よいプロンプトは長い文章とは限りません。むしろ短くても、階層が正しく分離されていれば強い。逆に長文でも、骨組みと文脈と実装が混線していると弱い。

たとえば、会議の議事録を作らせたい場面を考えてみましょう。

骨組みだけなら、「重要論点、決定事項、未決事項を整理せよ」で足ります。
文脈が必要なら、「経営会議で、来期の採用計画に関する議論を要約せよ」となります。
実装まで必要なら、「意思決定に必要な数値、責任者、期限を表形式で出せ」と指定します。

この階層分けができると、LLMは単なる文章生成器ではなく、目的に応じて解像度を変える認知エンジンになります。

では、なぜ翻訳すると点が上がるのか

国家試験の分析で示唆的だったのは、日本語の問題を英語に翻訳すると得点率が向上したという点です。これは単純に「英語のほうが得意だから」では片づけられません。もっと深く見ると、翻訳は問題を別言語に移す行為であると同時に、ノイズの多い局所文脈を、より抽象化された形式に変換する操作だからです。

日本語の試験問題には、制度的背景、言い回し、慣用的な解釈、微妙な語順の含意が重なっています。そのままでは、モデルは余分な条件に引っ張られることがあります。英訳すると、表層の曖昧さが減り、モデルが学習している一般化された知識構造にアクセスしやすくなる。つまり翻訳とは、単なる言語変換ではなく、問題をモデルの得意な抽象度へ再配置することなのです。

これは非常に重要な示唆です。私たちはしばしば「モデルにもっと教える」ことばかり考えますが、実は先にやるべきなのは、問いをモデルが扱いやすい形に整えることかもしれません。人間の教育でも同じです。難問に答えられない学生に、知識を足す前に、問題文の構造を理解させるだけで成績が上がることがある。知識不足に見える失敗の一部は、実は表現形式の不一致です。

ここから見えてくるのは、優れたAI活用者は単なる質問者ではなく、翻訳者であり、編集者であり、構造設計者だということです。与えられた問いをそのまま投げるのではなく、どの層を明示し、どの層を圧縮し、どの層を補うかを判断する。この変換能力こそ、今後の重要なスキルになります。

Key Takeaways

LLMに必要なのは情報の盛り込みすぎではなく、良い骨組みです。目的、制約、役割、出力形式を先に定義すると、具体化が安定します。
抽象化だけでは不十分です。制度、文化、対象領域などの局所文脈を与えないと、一般論は正しくても実用には届きません。
失敗の多くは知識不足ではなく、階層の接続ミスです。骨組み、文脈、実装のどこでズレたかを分けて考えると改善しやすくなります。
翻訳は言語変換ではなく、抽象度の再設計です。モデルが得意な形に問いを整えるだけで、精度が大きく変わることがあります。
よいプロンプトは長文ではなく、適切な解像度の設計です。必要な層だけを明示し、他はモデルに埋めさせるのが強い設計です。

これからのAI活用は、答えを作るより問いを設計する技術になる

LLMを使うとき、私たちはつい「どのモデルが賢いか」に注目します。しかし本当に差がつくのは、どのモデルを使うか以上に、どういう構造で問いを与えるかです。骨組みを与えれば、モデルはそこに肉付けする。だが骨組みが粗すぎれば迷子になるし、細かすぎれば創発が起きない。

この意味で、AI時代の熟達とは、答えを直接持つことではありません。抽象と具体の間を往復し、状況に応じて階層を切り替えることです。一般原理を見抜き、ローカルな条件を差し込み、実装可能な形に整える。これはプロンプトの技術であると同時に、思考の技術でもあります。

そして最後に、最も大きな転換はここにあります。LLMに何を教えるかではなく、LLMが何を補完できるように設計するか。この視点に立つと、私たちは単なる利用者ではなく、知性の共同設計者になります。問いをどう組み立てるかが、そのまま答えの質を決める。これからの時代、最も重要なのは、正解を言い当てる力ではなく、正解が立ち上がる構造を作る力なのです。