name: .claude/skills/few-shot-learning-patterns/SKILL.md description: | Few-Shot Learning（少数例示学習）のパターンとベストプラクティスを提供するスキル。 効果的な例示の設計、構造化、配置により、AIの出力品質を大幅に向上させます。 専門分野: - 例示設計: 効果的な入出力ペアの作成 - パターン構造: 例示の形式と配置最適化 - ドメイン適応: 領域特化した例示戦略 - 品質制御: 例示の一貫性と多様性のバランス 使用タイミング: - AIに特定の出力形式を学習させたい時 - 複雑なタスクの期待出力を示したい時 - 一貫した出力スタイルを確立したい時 - Zero-Shotで十分な結果が得られない時 Use proactively when designing AI prompts with examples, establishing output patterns, or improving response consistency.

📚 リソース参照: このスキルには以下のリソースが含まれています。 必要に応じて該当するリソースを参照してください:

• .claude/skills/few-shot-learning-patterns/resources/domain-specific-patterns.md: 領域特化したFew-Shot例示の設計パターン
• .claude/skills/few-shot-learning-patterns/resources/example-design-principles.md: 効果的な入出力ペアの設計原則
• .claude/skills/few-shot-learning-patterns/resources/shot-count-strategies.md: 例示数の最適化戦略（Zero/One/Few/Many-Shot）
• .claude/skills/few-shot-learning-patterns/templates/advanced-few-shot.md: 高度なFew-Shotプロンプトテンプレート
• .claude/skills/few-shot-learning-patterns/templates/basic-few-shot.md: 基本的なFew-Shotプロンプトテンプレート

version: 1.0.0

Few-Shot Learning Patterns

概要

Few-Shot Learning は、少数の例示を通じて AI に タスクのパターンを学習させる手法です。

主要な価値:

• 出力形式の明確な伝達
• 期待品質の具体的な示範
• タスク理解の促進
• 一貫性の向上

リソース構造

few-shot-learning-patterns/
├── SKILL.md
├── resources/
│   ├── example-design-principles.md    # 例示設計の原則
│   ├── shot-count-strategies.md        # 例数選択戦略
│   └── domain-specific-patterns.md     # ドメイン別パターン
└── templates/
    ├── basic-few-shot.md               # 基本Few-Shotテンプレート
    └── advanced-few-shot.md            # 高度なFew-Shotテンプレート

コマンドリファレンス

リソース読み取り

# 例示設計の原則
cat .claude/skills/few-shot-learning-patterns/resources/example-design-principles.md

# 例数選択戦略
cat .claude/skills/few-shot-learning-patterns/resources/shot-count-strategies.md

# ドメイン別パターン
cat .claude/skills/few-shot-learning-patterns/resources/domain-specific-patterns.md

テンプレート参照

# 基本テンプレート
cat .claude/skills/few-shot-learning-patterns/templates/basic-few-shot.md

# 高度なテンプレート
cat .claude/skills/few-shot-learning-patterns/templates/advanced-few-shot.md

Few-Shot Learning 基礎

Zero-Shot vs Few-Shot vs Many-Shot

基本構造

[タスク説明]

例1:
入力: [入力例1]
出力: [出力例1]

例2:
入力: [入力例2]
出力: [出力例2]

...

実際のタスク:
入力: [実際の入力]
出力:

例示設計の原則

1. 代表性

目的: 例示がタスクの典型的なケースを網羅

良い例:

• タスクの主要パターンを含む
• 現実的なデータを使用
• 境界ケースを適度に含む

悪い例:

• 極端なケースばかり
• 非現実的なデータ
• すべて同じパターン

2. 多様性

目的: 異なるバリエーションを示す

良い例:

例 1: 短いテキストの要約
入力: "AI は機械学習の一分野です。"
出力: "AI = 機械学習の分野"

例 2: 長いテキストの要約
入力: "人工知能（AI）は、コンピュータサイエンスの一分野であり、
人間の知的能力を模倣するシステムの開発を目指しています。"
出力: "AI = 人間の知能を模倣するコンピュータサイエンス分野"

3. 一貫性

目的: 例示間で同じルールを適用

チェックリスト:

• フォーマットが統一されているか
• 同じタイプの入力に同じ処理を適用しているか
• 暗黙のルールが一貫しているか

4. 漸進的複雑性

目的: 簡単な例から複雑な例へ

推奨順序:

1. 最もシンプルなケース
2. 標準的なケース
3. やや複雑なケース
4. （必要に応じて）エッジケース

ワークフロー

Phase 1: タスク分析

目的: Few-Shot が適切かを判断

判断基準:

Zero-Shotで十分？
├─ はい: 簡単なタスク、明確な指示
└─ いいえ: Few-Shotを検討

Few-Shotが必要な場合:
├─ 特定の出力形式が必要
├─ 暗黙のルールがある
├─ 品質基準が高い
└─ Zero-Shotで失敗した

Phase 2: 例示数の決定

目的: 最適な例数を選択

ガイドライン:

Phase 3: 例示の作成

目的: 効果的な例示を設計

作成手順:

1. タスクの典型例を収集
2. 多様性を確保して選択
3. 一貫したフォーマットで記述
4. 複雑性順に配置

Phase 4: 検証と改善

目的: 例示の有効性を確認

検証方法:

1. 実際の入力でテスト
2. 出力の一貫性を確認
3. エッジケースで検証
4. 必要に応じて例示を調整

タスク別パターン

分類タスク

以下のテキストを「ポジティブ」「ネガティブ」「中立」に分類してください。

例 1:
テキスト: この製品は素晴らしいです！
分類: ポジティブ

例 2:
テキスト: 品質が悪く、返品しました。
分類: ネガティブ

例 3:
テキスト: 商品を受け取りました。
分類: 中立

実際のタスク:
テキスト: [入力テキスト]
分類:

抽出タスク

テキストから製品名と価格を抽出してください。

例 1:
テキスト: iPhone 15 Pro は 159,800 円で販売中です。
抽出結果:

- 製品名: iPhone 15 Pro
- 価格: 159,800 円

例 2:
テキスト: 新型 MacBook Air が 148,800 円から。
抽出結果:

- 製品名: MacBook Air
- 価格: 148,800 円から

実際のタスク:
テキスト: [入力テキスト]
抽出結果:

変換タスク

日本語をビジネス英語に翻訳してください。

例 1:
日本語: お忙しいところ恐れ入りますが
英語: I apologize for taking your valuable time, but

例 2:
日本語: ご検討のほどよろしくお願いいたします
英語: I would appreciate your kind consideration

実際のタスク:
日本語: [入力テキスト]
英語:

生成タスク

製品説明から 3 つのキャッチコピーを生成してください。

例 1:
製品説明: 軽量で持ち運びやすいノート PC
キャッチコピー:

1. 「どこでも、あなたのオフィス」
2. 「軽さが、自由を連れてくる」
3. 「モビリティ、新時代へ」

実際のタスク:
製品説明: [製品説明]
キャッチコピー:

ベストプラクティス

すべきこと

1. 実データに近い例を使用:

   • 実際のユースケースから例を選ぶ
   • 人工的すぎる例を避ける

2. 明確な区切りを使用:

   • 入力と出力を明確に分離
   • 例の間に一貫した区切り

3. エッジケースを含める:

   • 想定される困難なケースを 1 つは含める
   • ただし過度に複雑にしない

4. フォーマットを統一:

   • すべての例で同じ構造
   • 一貫したラベリング

避けるべきこと

1. 例の詰め込みすぎ:

   • ❌ 10 個以上の例
   • ✅ 3-5 個の厳選された例

2. 矛盾する例:

   • ❌ 同じ入力タイプに異なる出力形式
   • ✅ 一貫したルール適用

3. 過度に単純な例:

   • ❌ 現実と乖離した単純例
   • ✅ 適度な複雑性を持つ例

4. 説明の省略:

   • ❌ 例だけで暗黙のルールを伝える
   • ✅ 必要に応じて明示的な説明を追加

トラブルシューティング

問題 1: 出力形式が安定しない

症状: 例と異なる形式で出力される

対策:

1. 例の数を増やす（3→5）
2. 出力形式を明示的に指示
3. 一貫性の高い例を選び直す

問題 2: 特定パターンを学習しない

症状: ある種類の入力だけ失敗

対策:

1. そのパターンの例を追加
2. 例の配置順を変更（問題パターンを最後に）
3. 明示的なルール説明を追加

問題 3: トークン制限に到達

症状: 例が多すぎてコンテキスト不足

対策:

1. 例を厳選して減らす
2. 例の長さを短縮
3. 最も重要なパターンに絞る

関連スキル

• .claude/skills/prompt-engineering-for-agents/SKILL.md (.claude/skills/prompt-engineering-for-agents/SKILL.md)
• .claude/skills/chain-of-thought-reasoning/SKILL.md (.claude/skills/chain-of-thought-reasoning/SKILL.md)
• .claude/skills/hallucination-prevention/SKILL.md (.claude/skills/hallucination-prevention/SKILL.md)

変更履歴