AI・機械学習用語集

LLMのコンテキスト長とコストを削減するため入力プロンプトを意味を保ちつつ短縮する技術。LLMLingua・AutoCompress等が代表実装。

LLMベースのアプリケーションに対して、悪意のあるプロンプトを入力し、システムプロンプトの上書き・機密情報の漏洩・意図しない動作の誘発を試みるセキュリティ攻撃手法。SQLインジェクションの LLM 版とも言われ、OWASP Top 10 for LLM Applications（2025年版）で最重要脅威に位置づけられている。

LLMに対して悪意あるプロンプトを注入し、システムプロンプトの漏洩・安全ガードの回避・意図しない動作の誘発を行う攻撃手法。直接的インジェクション（ユーザー入力から）と間接的インジェクション（外部データソース経由）の2種類があり、LLMセキュリティにおける最大の脅威とされている。

LLMベースのアプリケーションに対し、悪意あるプロンプトを注入してシステムプロンプトの制約を回避させたり意図しない動作を引き起こす攻撃手法。OWASP LLM Top 10の第1位に位置づけられている。

プロンプトインジェクション検出とは、LLMに送信される入力テキストが悪意あるインジェクション攻撃を含んでいるかどうかを自動的に判別する技術である。ルールベース（正規表現・キーワードブロックリスト）、ML分類器（BERT/DeBERTaベースのファインチューニングモデル）、パープレキシティ分析、カナリアトークン方式など複数のアプローチが存在し、プロダクション環境では多段パイプラインとして組み合わせて運用される。

プロンプトインジェクション攻撃とは、LLMアプリケーションに対して悪意のある指示を外部データや入力フィールド経由で注入し、モデルの本来の動作を乗っ取る攻撃手法である。SQLインジェクションのLLM版に相当する。

LLMプロンプトインジェクション攻撃を検出・防御・緩和するための技術的手法の総称。入力サニタイズ・出力検証・権限最小化・サンドボックス化・LLMガードレールなどを多層的に組み合わせるアプローチが標準的であり、単一の対策で完全防御することは2026年時点で不可能とされている。

2024年発表Prompt Injection Defense LLM・Industry-leading prompt injection defense LLM + Industry-leading Spotlighting/StruQ/SecAlign/PromptShield + Industry-leading indirect prompt injection defense + Industry-leading Microsoft Prompt Shields。

プロンプトインジェクションベンチマークとは、LLMのプロンプトインジェクション攻撃に対する脆弱性および防御手法の有効性を定量的に評価するためのデータセット・評価フレームワーク・テストプラットフォームの総称である。BIPIA、TensorTrust、HackAPrompt、Gandalf（Lakera）、Purple Llama CyberSecEvalなどが代表的であり、攻撃成功率（ASR）、検出率、F1スコアなどの標準指標でモデルや防御システムの性能を比較する。

プロンプトインジェクション防御とは、LLM（大規模言語モデル）に対して悪意あるプロンプトを注入し意図しない動作を引き起こす攻撃を検出・遮断・緩和するための技術群の総称である。直接インジェクション（ユーザー入力にシステムプロンプト上書き命令を埋め込む）と間接インジェクション（外部文書やツール出力に隠し命令を仕込む）の2系統に大別され、OWASP LLM Top 10では最上位リスク（LLM01）に位置づけられている。

LLM Prompt技術。Zero-shot/Few-shot/Many-shot ICL(In-Context Learning)・CoT(Chain-of-Thought・「Step-by-step」)・Self-Consistency(複数CoT sampling+majority vote)・ReAct(Reasoning + Acting・Tool use loop)・Tree of Thoughts(ToT)・Graph of Thoughts(GoT)・Reflexion(self-feedback)・PAL(Program-aided LM)・Active Prompting・PromptLayer(observability)・LangSmith(LangChain trace)・OpenAI Prompt Generator・Anthropic Prompt Library・2026年 Reasoning model(o3/Claude Extended Thinking)で CoT internalize、Promptシンプル化進行。

プロンプトエンジニアリングとは、大規模言語モデル（LLM）から望ましい出力を得るために、入力テキスト（プロンプト）を体系的に設計・最適化する技術分野である。指示の明確化、文脈の提供、出力形式の指定などを通じて、モデルの性能を最大限に引き出すことを目的とする。

LLMから望ましい出力を引き出すために、入力テキスト（プロンプト）を体系的に設計・最適化する技術。指示の明確化・文脈提供・出力形式の指定・制約条件の付与などの手法を組み合わせ、モデルの性能を最大限に活用する。ファインチューニング不要で即座に効果が得られる点が特徴。

LLM出力最適化技法。Chain-of-Thought(CoT・step-by-step)・Few-shot Learning・Zero-shot・Role Prompting・XML Tags(Anthropic推奨)・Tree of Thoughts(ToT)・Self-Consistency・ReAct(Reason+Act)・Reflection・Constitutional AI prompting・Tool Use Decomposition・Anthropic Prompt Library・OpenAI Best Practices・Meta-Prompting対応、2026年Claude/GPT-5各社特化手法確立。

LLMから望ましい出力を引き出すプロンプト設計技法。Few-shot・CoT・ReAct・System Prompt Cacheが代表技で、Claude・GPT・Geminiで推奨パターンが異なる。

Prompt Engineering 5主要技法(2026年)。Zero-shot(直接質問・simple Q&A)・Few-shot(2-3 example示・format learning・classification)・CoT(Chain-of-Thought・「Step-by-step」「考えてください」・math/code/reasoning improve)・Self-Consistency(複数CoT sampling+majority vote・accuracy +5-10%)・ReAct(Reasoning + Acting・Tool use loop・search→reason→act→observe)・ToT(Tree of Thoughts・branch exploration・複雑推論)・Reflexion(self-feedback・iterative improvement)・PAL(Program-aided LM・Code execute reasoning)・Active Prompting・選択: Simple Q&A = Zero-shot・Format = Few-shot・Math/Code = CoT・Tool integration = ReAct・極限accuracy = Self-Consistency・2026年 Reasoning Models(o3/Claude Extended)で CoT internalize、Promptシンプル化進行。

LLM APIプロバイダが提供するプラットフォームレベルのキャッシュ機構。リクエスト間で共通するプロンプトのプレフィックス部分（システムプロンプトや長大なコンテキスト）をサーバー側で保持し、2回目以降の処理コストとレイテンシを大幅に削減する。

LLM APIプロバイダが提供する入力トークンのキャッシュ機能。システムプロンプトやFew-shot例などの固定的な入力プレフィックスをサーバー側でキャッシュし、2回目以降のリクエストで入力トークン料金を50-90%削減する仕組み。

LLM推論時にTransformerのAttention計算で生成されるKey-Valueペアをキャッシュし、同一プレフィックスを持つ後続リクエストで再計算を省略する最適化技術。

LLMのプロンプトキャッシュ機能を活用してAPI利用コストを体系的に削減する設計手法。キャッシュ書き込みコスト・読み取り割引・TTL・ヒット率を総合的に考慮し、費用対効果を最大化する。