RAGにおけるプロンプト合成の設計パターンとは？文脈統合で生成精度を高める方法｜LLM入門 6.3

6.3 Retrieval後のプロンプト合成パターン

Retrieverによって意味的に関連する文書チャンクを取得したとしても、それらを適切に生成モデル（LLM）に渡す方法を誤れば、出力される回答は不正確で曖昧なものになってしまいます。
RAGにおける真の“要所”は、むしろこの部分──Retrieverの出力をどのようにプロンプトとして合成するか、という「文脈統合と構文設計」にあります。

このセクションでは、Retrieverで取得された情報（Context）をどのような構造・順序・表現でプロンプトに組み込むべきか、その代表的なパターンを具体例とともに紹介します。

プロンプト合成の3要素

プロンプトにおける合成設計では、以下の3つの要素を分けて考えることが基本です：

1. System指示（Instruction）
   　モデルに対する全体的な行動指針
   　例：「以下の文書にのみ基づいて、質問に対する正確な回答を生成してください。」

2. Context（Retrieverの出力）
   　回答の参考にすべき関連文書チャンク
   　例：「【文書1】退職後は健康保険の資格を喪失します…」

3. User Input（質問文）
   　ユーザーからの問い合わせそのもの
   　例：「退職後も保険は使えますか？」

この三層を明示的に構造化してモデルに与えることが、LLMの挙動を安定・制御する鍵となります。

パターン①：明示構造型（Structured Prompt）

最も広く使われている形式が、Retrieverの出力を文書ごとに見出しで区切り、質問と一緒にLLMへ与えるスタイルです。

フォーマット例：

特徴：

• 文書と質問の対応関係が明確になる

• モデルが「何を参考にすべきか」を誤解しづらい

• 文書数が多いとトークンを圧迫しやすい

パターン②：リスト型要約＋QA

文書をそのまま渡すのではなく、Retriever出力を文単位の要約形式に変換して構造的に整理する方法です。

フォーマット例：

特徴：

• トークン節約効果が大きい

• 要約処理を別途行う必要がある（自動 or 人手）

• モデルへの伝達精度はプロンプトの質に依存する

パターン③：文書スコア順にプレーン連結

Retrieverがスコア付けした順にチャンクを連結し、明示構造はあえて与えず「モデルに読み解かせる」パターン。

フォーマット例：

特徴：

• 実装が簡単で高速

• モデルの推論に依存するため不安定になる可能性あり

• セマンティック的な整合性が高い場合には効果的

ベストプラクティス：生成品質を高める設計指針

• 文書の順序を制御する：信頼度やスコア順で配置、優先度を明示

• タイトルや文書名を明記する：参照元の信頼性を伝える効果がある

• 質問との関連性を可視化する：文書のどこが質問に関係するかが明確になると、モデルの出力精度が上がる

• 「参照のみで回答すること」を強調：幻覚を防ぐには出典制限が有効

トークン制限との戦い

次のセクション「6.4 入力長・トークン制限との戦い」では、Retrieverやプロンプトで用意した情報が増えてくる中で避けて通れない「入力長制限」との付き合い方、すなわちどこまで詰め込み、どこで省略・圧縮するかという設計的な駆け引きに焦点を当てます。