LESSON 30分

ストーリー

田
田中VPoE
「Step 1で基本テクニックを学んだね。ここからは高度なプロンプト技法に入る。まずはChain of Thought、略してCoTだ。」
あなた
「Chain of Thought…思考の連鎖ですか？」
あ
田
田中VPoE
「そう。人間が複雑な問題を解くとき、いきなり答えを出すのではなく、段階的に考えるだろう？LLMにも同じことをさせるんだ。」
あなた
「LLMに『ステップバイステップで考えて』と指示するイメージですか？」
あ
田
田中VPoE
「まさにそれだ。驚くことに、それだけで推論の精度が大幅に向上する。原理と使い方を詳しく見ていこう。」

Chain of Thought（CoT）とは

Chain of Thought推論は、LLMに中間的な推論ステップを明示的に生成させることで、複雑なタスクの精度を向上させるテクニックだ。

CoTなしの場合

Q: NetShop社の1月の売上が500万円、2月が600万円、3月が450万円でした。
   四半期の平均月次売上と、最も売上が低い月との差額はいくらですか？

A: 差額は66.7万円です。

CoTありの場合

Q: NetShop社の1月の売上が500万円、2月が600万円、3月が450万円でした。
   四半期の平均月次売上と、最も売上が低い月との差額はいくらですか？
   ステップバイステップで考えてください。

A: 1. 四半期の合計売上を計算: 500 + 600 + 450 = 1,550万円
   2. 平均月次売上を計算: 1,550 / 3 ≒ 516.7万円
   3. 最も売上が低い月を特定: 3月の450万円
   4. 差額を計算: 516.7 - 450 = 66.7万円

   答え: 差額は約66.7万円です。

CoTを使うことで、推論過程が透明になり、途中のミスを検出しやすくなる。

CoTの原理

LLMはトークンを逐次生成する仕組みのため、中間ステップを生成させることで以下の効果がある。

効果説明
推論精度の向上段階的な処理で複雑な問題を分解
エラーの検出容易性中間ステップが可視化されるため、どこで間違えたか特定しやすい
自己修正の促進前のステップの出力が次のステップの入力になり、矛盾を検知しやすい
説明可能性回答の根拠を追跡可能

CoTの3つのパターン

パターン1: 手動CoT（Manual CoT）

推論ステップの例を手動で記述してプロンプトに含める。

Q: サーバーのCPU使用率が80%を超えています。原因を特定してください。

思考プロセス:
1. まず、CPU使用率が高いプロセスを確認する
2. 次に、そのプロセスが通常時と比べて異常かどうか判断する
3. 外部要因（トラフィック増加、バッチ処理）の有無を確認する
4. 最終的に根本原因を特定し、対処法を提案する

では、以下の状況を分析してください:
（状況の詳細）

パターン2: Zero-shot CoT

「ステップバイステップで考えてください」の一文を追加するだけの手法。

以下のアーキテクチャの問題点を分析してください。
ステップバイステップで考えてください。

（アーキテクチャ図の説明）

研究によれば、この一文を追加するだけで算術・論理タスクの精度が大幅に向上する。

パターン3: 自動CoT（Auto-CoT）

LLMに推論ステップ自体を生成させ、それを元に再度推論させる2段階アプローチ。

Step 1: 「この問題を解くために必要な推論ステップを列挙してください」
Step 2: 「上記のステップに従って解答してください」

実践: NetShop社でのCoT活用

ケース1: 障害の根本原因分析

以下のシステム障害の根本原因を分析してください。
ステップバイステップで推論し、各ステップの根拠を示してください。

症状:
- 午前10時からECサイトのレスポンスが5秒以上に悪化
- データベースのコネクション数が上限（100）に到達
- 午前9時55分にバッチ処理がスケジュール実行された
- メモリ使用率は正常範囲内

推論形式:
Step 1: [観察] → [推測]
Step 2: [観察] → [推測]
...
結論: [根本原因] → [対処法]

ケース2: コスト見積もり

以下の要件に基づいて、AWSインフラのランニングコストを見積もってください。
計算過程をステップバイステップで示してください。

要件:
- 月間PV: 100万
- 平均レスポンスサイズ: 500KB
- データベースサイズ: 50GB
- ピーク時の同時接続: 500

CoTの注意点

注意点詳細
トークン消費が増加する中間ステップの分だけ出力トークンが増える
単純なタスクには不要分類や翻訳など、推論を必要としないタスクにはオーバーヘッドになる
ステップの粒度が重要粒度が細かすぎると冗長、粗すぎると効果が薄い
幻覚のリスクもっともらしい推論過程を生成するが、内容が正しいとは限らない

CoTを使うべきケース / 使わないべきケース

使うべき使わない方がいい
数学的計算単純な翻訳
論理的推論キーワード抽出
複数要因の分析感情分類
意思決定の根拠提示短文生成

まとめ

項目ポイント
CoTとはLLMに推論の中間ステップを生成させる手法
3パターン手動CoT、Zero-shot CoT、自動CoT
効果複雑な推論の精度向上と説明可能性の確保
注意点トークン消費増加、単純タスクには不向き

チェックリスト

  • CoTの原理と効果を説明できる
  • 3つのCoTパターンを使い分けられる
  • CoTが有効なタスクと不向きなタスクを判断できる
  • 実務での活用シーンをイメージできた

次のステップへ

次は「ReActパターン」として、推論と行動を交互に実行する高度なテクニックを学ぼう。

推定読了時間: 30分