基盤モデルの限界

• データへの依存 … 学んだデータに無いことや偏りは、そのまま出る
• 知識の締め切り … 学習した時点より後のことは知らない
• 偏りと公平性 … データの偏りが、特定の人への不公平な答えになる
• ハルシネーション … もっともらしいが、事実ではない答えを作る
• まれな場面 … 学習データに少ない場面で、答えが崩れやすい

限界への備え

グラウンディング（信頼できる情報に根拠を持たせる）、RAG、プロンプトの工夫、ファインチューニング（追加の学習）、人が確かめる仕組み（ヒューマン・イン・ザ・ループ）を組み合わせます。使い始めてからも、性能の追跡、ずれ（ドリフト）の監視、バージョンの管理を続けます。

プロンプトの手法

• ゼロショット … 例を付けずに指示だけ
• ワンショット・フューショット … 例を1つ、または数個付ける
• ロール … 役割を与える（「あなたは経理の担当者です」）
• プロンプトチェーン … 大きな仕事を段階に分け、前の出力を次に渡す
• 思考の連鎖（Chain-of-Thought） … 考える手順を書かせる
• ReAct … 考えることと、道具を使う行動を交互に行わせる

出力の形をそろえたいなら例を付け、手順の多い問題なら考える手順を書かせ、外の情報が要るなら ReAct、と目的で選びます。

• 基盤モデルの限界（知識の締め切り・偏り・ハルシネーションなど）
• 限界への備えと、使い始めてからの監視
• ゼロショット・フューショット・ロール・プロンプトチェーン
• 思考の連鎖と ReAct を使う場面