このガイドはなぜ必要か？
現代のLLM（大規模言語モデル）は、正しく誘導されて初めて複雑な推論タスクを解決できます。以下に示す手法は、信頼性・説明可能性・高性能システム構築の「標準的ケア」として確立されています。それぞれが、モデルへの指示量や内部で考えるか外部ツールと対話するかという点で異なります。

影響力が大きい6つの手法を深掘り：

• Few‑Shot
• Chain‑of‑Thought (CoT)
• Self‑Consistency
• ReAct
• Self‑Ask
• Active Prompts

---

Self‑Consistency（SC） とは？

概要 LLM が同じ質問を複数回実行し、最も頻出する答え（または統計的に最も確からしいもの）を採用する手法。

• 多様性：モデルの出力はランダム性があるため、一度だけでは不安定。

• 信頼性向上：複数回試行して「一貫した答え」を選ぶことで、誤り率を低減。

• 主に 推論・計算問題 や 論理的質問 に対して効果が高い。

  • 例：数式計算、複雑な推論、長文読解など。

---

2️⃣ 基本構造（テンプレート）

Task: [タスクの簡潔な説明]

Example 1:
Input: ...
Output: ...

...

Now solve (Self‑Consistency):
Input: [ユーザーが入力する問題]
Answer candidates:
1. [回答1]
2. [回答2]
3. [回答3]
...
Final answer: [最頻出現/統計的に最高の答え]

• 「Answer candidates」 は、モデルを何回か呼び出して得られた複数の結果。
• 「Final answer」 では、最も頻度が高いもの（多数決）または 確率的に最大のもの を採用。

---

3️⃣ 実装手順

ステップ	方法
1. タスク定義	Task: で何を求めるか明示。
2. 例（オプション）	Example を入れると、モデルがパターンを学習しやすい。
3. 複数回実行	同じ Input に対して、同一プロンプトで N 回 (例: 5〜10) 実行。
4. 結果収集	各呼び出しの Output をリスト化。
5. 一致率計算	出力が文字列一致するものをカウント。
6. 最終答え決定	- 多数決（最頻値） - 確率的重み付け（出現確率が高いもの）
7. 出力	Final answer: に最終結果を返す。

---

4️⃣ 実際の実装例（Python + Ollama）

import collections, ollama

def self_consistency(user_prompt, n=5):
    outputs = []
    client = ollama.Client(host="http://127.0.0.1:11434")
    for _ in range(n):
        response = client.chat(
            model="qwen3-vl:8b",
            messages=[
                {"role": "system", "content": system_prompt},  # 常に同じタスク
                {"role": "user",   "content": user_prompt}    # 本番入力だけ
            ]
        )
        answer = response["message"]["content"].strip()
        outputs.append(answer)

    most_common, _ = collections.Counter(outputs).most_common(1)[0]
    return most_common, outputs

# 例：数式計算タスク
system_prompt = """
You are a helpful assistant.
Task: 与えられた数式を計算してください。
"""

user_prompt = """
Now solve:
Input: (9 - 2)² / 7
Output:
"""

final_answer, candidates = self_consistency(user_prompt, n=10)
print("Candidates:", candidates)
print("\nFinal answer:", final_answer)

出力結果： Candidates: ['The calculation proceeds as follows:\n\n1. Compute the expression inside the parentheses: \n $ 9 - 2 = 7 $\n\n2. Square the result: \n $ 7^2 = 49 $\n\n3. Divide by 7: \n $ \\frac{49}{7} = 7 $\n\n**Output:** \n7', '(9 - 2)² / 7 \n= 7² / 7 \n= 49 / 7 \n= **7** \n\nOutput: 7', '(9 - 2)² / 7 \n= (7)² / 7 \n= 49 / 7 \n= **7**\n\nOutput: 7', '(9 - 2)² / 7 \n= 7² / 7 \n= 49 / 7 \n= **7** \n\nOutput: 7', '(9 - 2)² / 7 \n= (7)² / 7 \n= 49 / 7 \n= **7**\n\nOutput: 7', '7', '(9 - 2)² / 7 \n= (7)² / 7 \n= 49 / 7 \n= 7 \n\n**Output:** 7', '7', 'The calculation proceeds as follows:\n\n1. Evaluate the expression inside the parentheses: \n $ 9 - 2 = 7 $\n\n2. Square the result: \n $ 7^2 = 49 $\n\n3. Divide by 7: \n $ 49 / 7 = 7 $\n\n**Answer:** \n7', '(9 - 2)² / 7 \n= (7)² / 7 \n= 49 / 7 \n= 7 \n\n**Output:** 7']

Final answer: (9 - 2)² / 7
= 7² / 7
= 49 / 7
= 7

Output: 7

---

5️⃣ Self‑Consistency のメリット

メリット	説明
精度向上	ランダム性を打ち消し、誤答率を低減。
透明性	「複数の候補」を提示できる → ユーザーが「どれで決めたか」を理解しやすい。
柔軟性	既存プロンプト（Few‑Shot・CoT）と組み合わせて使える。

---

6️⃣ Self‑Consistency のデメリット

デメリット	説明
計算コスト増大	同じ質問を N 回呼び出すため、API コスト・時間が増加。
一貫性の欠如	まれに「多数決」でも誤答が選ばれるケース（例：すべて異なる答え）。
長文回答で問題	長い出力は同じ内容でも微妙な違いがあると分岐しやすい。

---

7️⃣ コツ・ベストプラクティス

1. N を調整

   • N=3 は最低限、N=5〜10 が一般的。
   • コストを考慮して、タスクの難易度に応じて設定。

2. 出力形式を統一

   • 例：数式計算なら「答えのみ」、文章回答なら「結論」など統一。
   • 文字列一致しやすくなる。

3. 候補の表示

   • ユーザーに候補を見せると、信頼感が増す。
   • 例：Answer candidates: 1. ... 2. ... 3. ...

4. 重み付け

   • 出現頻度だけでなく、モデルの確信度（logits）やスコアを利用して選択するとさらに精度向上。

5. 混合手法

   • Few‑Shot + CoT + Self‑Consistency を組み合わせると、最も高いパフォーマンスが期待できる。

     Task: ...
     Example 1:
       Input: ...
       Thought: ...
       Output: ...
     Now solve (Self‑Consistency):
       Input: ...
       Answer candidates:
         1. ...
         2. ...
         3. ...
       Final answer: ...

---

🎯 まとめ

• Self‑Consistency は「同じ質問を複数回実行し、最も頻出する答えを採用」する手法。
• テンプレート：Task → Example(s) (optional) → Now solve (SC)
• 実装ステップ：N 回呼び出し → 出力収集 → 多数決/重み付け → 最終回答。
• メリット：精度・透明性向上、ランダム性の排除。
• デメリット：計算コスト増大、候補が分岐する場合も。

これをベースに、タスクごとに N を調整し、Few‑Shot や CoT と組み合わせることで、LLM の回答品質を最大限に引き上げられます！ 🚀