論文の概要: The PICCO Framework for Large Language Model Prompting: A Taxonomy and Reference Architecture for Prompt Structure

• arxiv url: http://arxiv.org/abs/2604.14197v1
• Date: Fri, 03 Apr 2026 03:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.71134
• Title: The PICCO Framework for Large Language Model Prompting: A Taxonomy and Reference Architecture for Prompt Structure
• Title（参考訳）: 大規模言語モデルプロンプトのためのPICCOフレームワーク:プロンプト構造のための分類と参照アーキテクチャ
• Authors: David A. Cook,
• Abstract要約: 大規模言語モデル(LLM)の性能は素早い設計に大きく依存するが、素早い構築はしばしば記述され、矛盾なく適用される。 本稿では,前述した11のプロンプトフレームワークを厳密に合成したフレームワークであるPICCOについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language model (LLM) performance depends heavily on prompt design, yet prompt construction is often described and applied inconsistently. Our purpose was to derive a reference framework for structuring LLM prompts. This paper presents PICCO, a framework derived through a rigorous synthesis of 11 previously published prompting frameworks identified through a multi-database search. The analysis yields two main contributions. First, it proposes a taxonomy that distinguishes prompt frameworks, prompt elements, prompt generation, prompting techniques, and prompt engineering as related but non-equivalent concepts. Second, it derives a five-element reference architecture for prompt generation: Persona, Instructions, Context, Constraints, and Output (PICCO). For each element, we define its function, scope, and relationship to other elements, with the goal of improving conceptual clarity and supporting more systematic prompt design. Finally, to support application of the framework, we outline key concepts relevant to implementation, including prompting techniques (e.g., zero-shot, few-shot, chain-of-thought, ensembling, decomposition, and self-critique, with selected variants), human and automated approaches to iterative prompt engineering, responsible prompting considerations such as security, privacy, bias, and trust, and priorities for future research. This work is a conceptual and methodological contribution: it formalizes a common structure for prompt specification and comparison, but does not claim empirical validation of PICCO as an optimization method.
• Abstract（参考訳）: 大規模言語モデル(LLM)の性能は素早い設計に大きく依存するが、素早い構築はしばしば記述され、矛盾なく適用される。 我々の目的は、LLMプロンプトを構造化するための参照フレームワークを導出することであった。 本稿では,PICCOを提案する。PICCOは,マルチデータベース検索によって識別された11のプロンプトフレームワークを厳密に合成したフレームワークである。 この分析は2つの主要な貢献をもたらす。 まず、素早いフレームワーク、素早い要素、素早い生成、素早い技術、そして工学を関連するが等価でない概念として区別する分類法を提案する。 第二に、パーソナ、インストラクション、コンテキスト、制約、アウトプット(PICCO)という5要素の参照アーキテクチャが派生している。 各要素に対して、その機能、スコープ、他の要素との関係を定義し、概念的明確性を改善し、より体系的なプロンプト設計をサポートすることを目的としている。 最後に、フレームワークの適用をサポートするために、実装に関連する重要な概念を概説する。例えば、技術(例えば、ゼロショット、少数ショット、チェーン・オブ・シンクタンク、アンサンブル、分解、自己批判)、人間と自動化による反復的なエンジニアリングのアプローチ、セキュリティ、プライバシ、バイアス、信頼などの考慮事項の推進、将来の研究の優先順位などである。 この研究は概念的かつ方法論的な貢献であり、仕様と比較の迅速化のための共通構造を定式化するが、最適化手法としてのPICCOの実証的検証は主張しない。

関連論文リスト

• Improving Scientific Document Retrieval with Academic Concept Index [47.95234352955763]
  汎用ドメインレトリバーを科学領域に適用することは、大規模ドメイン固有の関連アノテーションが不足しているため困難である。 最近のアプローチでは、これらの問題を2つの独立した方向で解決している。 本稿では,論文から重要な概念を抽出し,学術分類学に導かれる概念を整理する学術概念索引を紹介する。
  論文  参考訳（メタデータ） (2026-01-02T04:47:49Z)
• Improving Alignment Between Human and Machine Codes: An Empirical Assessment of Prompt Engineering for Construct Identification in Psychology [0.0]
  本稿では,テキスト中のコンストラクタをインシデントエンジニアリングで識別するために,インシデント性能を最適化するための実証的フレームワークを提案する。 提案手法は,コードブックによる経験的プロンプト選択,自動プロンプトエンジニアリング,ペルソナプロンプト,チェーンオブ思考推論,説明的プロンプトという5つのプロンプト戦略を実験的に評価した。 3つの構成と2つのモデルで、分類は専門家の判断に最も適しており、コードブックに誘導された経験的プロンプト選択と自動プロンプトエンジニアリングを組み合わせた数発のプロンプトから生まれた。
  論文  参考訳（メタデータ） (2025-12-03T14:07:42Z)
• BRIDGE: Building Representations In Domain Guided Program Verification [67.36686119518441]
  BRIDGEは、検証をコード、仕様、証明の3つの相互接続ドメインに分解する。 提案手法は, 標準誤差フィードバック法よりも精度と効率を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-11-26T06:39:19Z)
• CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
  現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。 この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。 我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
  論文  参考訳（メタデータ） (2025-10-07T02:16:30Z)
• Beyond Chunking: Discourse-Aware Hierarchical Retrieval for Long Document Question Answering [51.7493726399073]
  本稿では,長文質問応答を改善するための対話型階層型フレームワークを提案する。 このフレームワークには3つの重要な革新がある: 長文の専門的な談話解析、LLMに基づく談話関係ノードの拡張、構造誘導階層検索である。
  論文  参考訳（メタデータ） (2025-05-26T14:45:12Z)
• PromptPrism: A Linguistically-Inspired Taxonomy for Prompts [13.169345040931857]
  PromptPrismは言語にインスパイアされた分類であり、3つの階層レベルの素早い分析を可能にする。 3つのアプリケーションに適用することで,PromptPrismの実用性を示す。
  論文  参考訳（メタデータ） (2025-05-19T01:08:26Z)
• On Meta-Prompting [17.34602431188454]
  現代の大規模言語モデル(LLM)は、入力文字列を命令やプロンプトとして解釈し、それらに基づいてタスクを実行することができる。 プロンプトとプレトレーニングのための多くのアプローチは、メタプロンプトとして知られるこれらのプロンプトの自動生成を含んでいる。 ユーザと対話する際のICLとLCMの挙動を一般化し記述するためのカテゴリ理論に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-11T17:46:44Z)
• Meta Prompting for AI Systems [12.304069891580658]
  本稿では,大規模言語モデルの推論能力を高めるフレームワークであるMeta Prompting(MP)を紹介する。 我々は、LLMが独自のプロンプトを生成し、洗練する自動化プロセスであるRecursive Meta Prompting (RMP) にMPを拡張した。 我々の主張は、Qwen-72Bベースモデルが1つの例に依存しないメタプロンプトによって誘導され、最先端の結果が得られることを示す広範な実験によって検証された。
  論文  参考訳（メタデータ） (2023-11-20T01:51:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。