【公式】GPT-5.2 プロンプト ガイド
12/12に公開された Chat GPT 5.2の公式なプロンプトガイドの日本語翻訳です。
AIの欠点を抑えるためのプロンプトの書き方を示しています。
ぜひ読んで参考にしてください。
特に、仕事でAIを使う人には重要なアドバイスとなります。
以下、Chat GPT 5.2による英文の翻訳です。
はい！ご指定いただいた 「GPT-5.2 Prompting Guide」 の内容を、元の OpenAI Cookbook の構造に基づいて整理し、日本語に翻訳しました。原文に忠実な翻訳＋要点整理になっています。OpenAI Cookbook
GPT-5.2 Prompting Guide
全文日本語翻訳
1. Introduction（はじめに）
GPT-5.2 は、エンタープライズおよびエージェント的（agentic）ワークロード向けの最新フラッグシップモデルであり、複雑なワークフロー全体を通じて、より高い正確性、より強い指示追従性、そしてより規律ある実行を実現するよう設計されています。GPT-5.1 を基盤として、GPT-5.2 は中〜複雑タスクにおけるトークン効率を改善し、不必要な冗長さを抑えたよりクリーンな整形出力を行い、構造化推論、ツールに基づく根拠付け、マルチモーダル理解において明確な向上を示します。
GPT-5.2 は、とりわけ信頼性、評価可能性、一貫した振る舞いを重視する本番運用のエージェントに適しています。コーディング、文書分析、金融、複数ツールを用いるエージェント的シナリオにわたって強い性能を発揮し、タスク完了の面で主要モデルに匹敵するか、しばしばそれを上回ります。同時に、プロンプトへの感度は残っており、トーン、冗長性、出力形状（output shape）を高い精度で操舵（steer）できるため、明示的なプロンプティングは成功する導入における重要要素となります。
GPT-5.2 は多くの用途で「そのままでも」良好に動作しますが、このガイドは、実際の本番システムにおいて性能を最大化するプロンプトパターンと移行（マイグレーション）実務に焦点を当てます。これらの推奨事項は、社内テストと顧客フィードバックに基づいており、プロンプト構造、冗長性の制約、推論設定の小さな変更が、正確性、レイテンシ、開発者の信頼において大きな改善につながることがしばしば確認されています。
2. Key behavioral differences（主要な挙動の違い）
前世代モデル（例：GPT-5 および GPT-5.1）と比較して、GPT-5.2 は次を提供します：
より熟慮された足場（scaffolding）：既定でより明確な計画や中間構造を構築します。明示的なスコープ制約と冗長性制約を与えるとより効果的です。
全体として低めの冗長性：より簡潔でタスク志向ですが、依然としてプロンプト感度はあり、好みはプロンプト内で明確に述べる必要があります。
より強い指示遵守：ユーザー意図からの逸脱が少なく、整形や根拠（rationale）の提示が改善されています。
ツール効率のトレードオフ：GPT-5.1 と比べ、対話的フローでは追加のツール行動を取ることがありますが、プロンプトでさらに最適化できます。
保守的な根拠付けバイアス：正しさと明示的推論を優先しがちです。曖昧さの扱いは、確認用プロンプトを加えることで改善します。
このガイドは、GPT-5.2 の強み――より高い知能、正確性、根拠付け、規律――を最大化しつつ、残る非効率を緩和するためのプロンプト手法に焦点を当てます。既存の GPT-5 / GPT-5.1 向けプロンプティング指針の大部分はそのまま引き継げ、引き続き適用可能です。
3. Prompting patterns（プロンプトパターン）
GPT-5.2 をより良く操舵（steer）するために、以下のテーマをプロンプトへ取り入れてください。
3.1 Controlling verbosity and output shape（冗長性と出力形状の制御）
特にエンタープライズおよびコーディングエージェントでは、明確で具体的な長さ制約を与えてください。
望む冗長性に応じて調整できる、クランプ（抑制）例：
<output_verbosity_spec>
- デフォルト：通常の回答は 3〜6 文、または 5 個以下の箇条書き。
- 単純な「はい／いいえ＋短い説明」質問：2 文以内。
- 複雑な複数ステップ／複数ファイルのタスク：
- 短い概要段落を 1 つ
- 次に 5 個以下の箇条書きを、次のタグ付きで：
What changed（何が変わったか）, Where（どこか）, Risks（リスク）, Next steps（次の手順）, Open questions（未解決点）。
- 情報量と簡潔さのバランスを取りつつ、明確で構造化された回答を行う。必要に応じて、情報を消化しやすい塊に分割し、リスト、段落、表などの整形を用いる。
- 長い物語的段落は避け、コンパクトな箇条書きと短いセクションを優先する。
- 意味（セマンティクス）が変わらない限り、ユーザーの依頼を言い換えない。
</output_verbosity_spec>
3.2 Preventing Scope drift（スコープ逸脱の防止：例：フロントエンドのUX／デザイン）
GPT-5.2 は構造化されたコード生成に強い一方、最小限のUX仕様やデザインシステムの範囲を超えて、必要以上のコードを出す場合があります。スコープ内に収めるため、余計な機能や無制御なスタイリングを明示的に禁止してください。
<design_and_scope_constraints>
- 既存のデザインシステムがあれば探索し、深く理解する。
- ユーザーが要求したものを、正確に（EXACTLY）かつそれだけ（ONLY）実装する。
- 余計な機能追加はしない。コンポーネント追加もしない。UXの装飾（盛り）もしない。
- その場のデザインシステムに整合するスタイルにする。
- 要求されている／要件上必要である場合を除き、色、影、トークン、アニメーション、新しいUI要素を発明しない。
- 指示が曖昧な場合は、成立する中で最も単純な妥当解釈を選ぶ。
</design_and_scope_constraints>
デザインシステムの強制には、5.1 の <design_system_enforcement> ブロックを再利用しつつ、強調のために「余計な機能は追加しない」と「色はトークンのみ」を追加してください。
3.3 Long-context and recall（長文コンテキストとリコール）
長文コンテキストのタスクでは、プロンプトに「強制要約」と「再根拠付け（re-grounding）」を入れると有利な場合があります。このパターンは「スクロールの中で見失う（lost in the scroll）」種のエラーを減らし、密度の高いコンテキストでのリコールを改善します。
<long_context_handling>
- 入力が約 10k トークンを超える場合（複数章ドキュメント、長いスレッド、複数PDF）：
- まず、ユーザー依頼に関連する主要セクションの短い内部アウトラインを作る。
- 回答前に、ユーザーの制約（例：法域、日付範囲、製品、チーム）を明示的に言い直す。
- 回答では一般論で話すのではなく、主張をセクションに紐づけてアンカーする（例：「‘Data Retention’ セクションでは…」）。
- 回答が細部（日時、閾値、条項）に依存する場合、それらを引用または言い換え要約する。
</long_context_handling>
3.4 Handling ambiguity & hallucination risk（曖昧さとハルシネーション（幻覚）リスクへの対応）
曖昧な問い合わせに対して過信したハルシネーションが出ないよう、プロンプトを設定してください（例：要件が不明瞭、制約が欠けている、最新データが必要なのにツールが呼ばれていない質問など）。
緩和（Mitigation）プロンプト：
<uncertainty_and_ambiguity>
- 質問が曖昧、または仕様が不足している場合は、その旨を明示し、次のいずれかを行う：
- 最大 1〜3 個の精密な確認質問をする、または
- 2〜3 個のもっともらしい解釈を、仮定を明確にラベル付けして提示する。
- 外部の事実が最近変わっている可能性（価格、リリース、政策など）があり、利用可能なツールがない場合：
- 一般論で答え、詳細が変わり得ることを明示する。
- 不確かなときに、正確な数値、行番号、外部参照を捏造しない。
- 不確かな場合は、断定的主張より「提示された文脈に基づくと…」のような表現を優先する。
</uncertainty_and_ambiguity>
高リスク出力には、短い自己点検ステップを追加することもできます：
<high_risk_self_check>
法務・金融・コンプライアンス・安全性など、影響の大きい文脈で回答を確定する前に：
- 自分の回答を簡単に再スキャンし、以下がないか確認する：
- 明示していない前提（暗黙の仮定）
- 文脈に根拠のない具体的な数値や主張
- 強すぎる表現（「常に」「保証される」など）
- 見つかった場合は、表現を弱める／条件付けし、前提を明示する。
</high_risk_self_check>
4. Compaction (Extending Effective Context)（コンパクション：有効コンテキストの拡張）
標準のコンテキストウィンドウを超える長期稼働で、ツール呼び出しが多いワークフローに対して、推論付き GPT-5.2 は /responses/compact エンドポイントによるレスポンス・コンパクションをサポートします。コンパクションは、過去の会話状態に対して「損失を意識した圧縮（loss-aware compression）」を行い、タスクに関連する情報を保持しつつトークン占有を大幅に削減する、暗号化された不透明（opaque）アイテムを返します。これにより、コンテキスト上限に到達せず、拡張されたワークフロー全体で推論を継続できます。
When to use compaction（コンパクションを使う場面）
多数のツール呼び出しを含むマルチステップのエージェントフロー
以前のターンを保持する必要がある長い会話
最大コンテキストウィンドウを超える反復推論
Key properties（主な特性）
不透明で暗号化されたアイテムを生成（内部ロジックは将来変化し得る）
検査（inspection）ではなく継続（continuation）のための設計
GPT-5.2 と Responses API に互換
長いセッションで繰り返し実行しても安全
Compact a Response（レスポンスをコンパクト化する）
Endpoint（エンドポイント）
POST https://api.openai.com/v1/responses/compact
What it does（何をするか）
会話に対してコンパクション処理を実行し、コンパクト化された response オブジェクトを返します。次のリクエストに、そのコンパクト化出力を渡すことで、縮小されたコンテキストサイズでワークフローを継続できます。
Best practices（ベストプラクティス）
コンテキスト使用量を監視し、コンテキスト上限に当たらないよう前もって計画する
毎ターンではなく、大きな節目（例：ツールを多用したフェーズの後）でコンパクト化する
再開時は、振る舞いのドリフトを避けるため、プロンプトを機能的に同一に保つ
コンパクト化アイテムは不透明として扱い、解析したり内部に依存したりしない
本番でいつ・どうコンパクト化するかの指針は、Conversation State ガイドおよび Compact a Response ページを参照してください。
Here is an example:（例）
from openai import OpenAI
import json
client = OpenAI()
response = client.responses.create(
model="gpt-5.2",
input=[
{
"role": "user",
"content": "write a very long poem about a dog.",
},
]
)
output_json = [msg.model_dump() for msg in response.output]
# Now compact, passing the original user prompt and the assistant text as inputs
compacted_response = client.responses.compact(
model="gpt-5.2",
input=[
{
"role": "user",
"content": "write a very long poem about a dog.",
},
output_json[0]
]
)
print(json.dumps(compacted_response.model_dump(), indent=2))
5. Agentic steerability & user updates（エージェント的操舵性とユーザー更新）
GPT-5.2 は、適切にプロンプトされると、エージェント的な足場作りとマルチステップ実行に強みを発揮します。GPT-5.1 の <user_updates_spec> および <solution_persistence> ブロックを再利用できます。
GPT-5.2 の性能をさらに押し上げるために、次の 2 点の調整を追加できます：
更新の冗長性をクランプする（より短く、より焦点を絞る）。
スコープの規律を明示する（問題領域を勝手に拡張しない）。
更新済み仕様例：
<user_updates_spec>
- 次の場合にのみ短い更新（1〜2 文）を送る：
- 新しい大きな作業フェーズを開始したとき、または
- 計画を変える要因となる何かを発見したとき。
- ルーチンのツール呼び出し（「ファイルを読んでいます…」「テストを回しています…」）の実況は避ける。
- 各更新には、少なくとも 1 つの具体的成果（「X を見つけた」「Y を確認した」「Z を更新した」）を含める。
- ユーザーが求めた範囲を超えてタスクを拡張しない。新しい作業に気づいても任意（optional）として指摘するに留める。
</user_updates_spec>
6. Tool-calling and parallelism（ツール呼び出しと並列化）
GPT-5.2 は、特に MCP/Atlas 風の環境において、ツールの信頼性と足場作り（scaffolding）で 5.1 から改善しています。GPT-5 / 5.1 に適用できるベストプラクティスは次の通りです：
ツールを簡潔に説明する：それが何をし、いつ使うべきかを 1〜2 文で述べる。
コードベース、ベクターストア、複数エンティティ操作のスキャンなどでは、並列化を明示的に促す。
影響の大きい操作（注文、請求、インフラ変更など）では、検証ステップを必須にする。
ツール使用セクションの例：
<tool_usage_rules>
- 次の場合は内部知識よりツールを優先する：
- 最新情報またはユーザー固有データ（チケット、注文、設定、ログ）が必要なとき。
- 特定のID、URL、文書タイトルを参照するとき。
- レイテンシを減らすため、可能なら独立した読み取り（read_file, fetch_record, search_docs）を並列化する。
- 書き込み／更新ツール呼び出しの後は、簡潔に次を言い直す：
- 何が変わったか、
- どこが変わったか（ID またはパス）、
- 実施した追跡の検証（バリデーション）。
</tool_usage_rules>
7. Structured extraction, PDF, and Office workflows（構造化抽出、PDF、Office ワークフロー）
これは GPT-5.2 が明確に強い改善を示す領域です。最大限に活かすには：
出力のスキーマまたは JSON 形状を常に提供する。厳密なスキーマ遵守には structured outputs を使える。
必須フィールドと任意フィールドを区別する。
「抽出の完全性（extraction completeness）」を要求し、欠落フィールドを明示的に扱う。
例：
<extraction_spec>
You will extract structured data from tables/PDFs/emails into JSON.
- Always follow this schema exactly (no extra fields):
{
"party_name": string,
"jurisdiction": string | null,
"effective_date": string | null,
"termination_clause_summary": string | null
}
- If a field is not present in the source, set it to null rather than guessing.
- Before returning, quickly re-scan the source for any missed fields and correct omissions.
</extraction_spec>
複数テーブル／複数ファイルの抽出では、さらに次の指針を追加してください：
文書ごとの結果を別々にシリアライズする。
安定したID（ファイル名、契約書タイトル、ページ範囲）を含める。
8. Prompt Migration Guide to GPT 5.2（GPT-5.2 へのプロンプト移行ガイド）
このセクションは、振る舞いを安定させつつ、コスト／レイテンシを予測可能に保ったまま、プロンプトとモデル設定を GPT-5.2 に移行するのに役立ちます。GPT-5 クラスのモデルは、推論の深さと速度／コストをトレードオフする reasoning_effort ノブ（例：none|minimal|low|medium|high|xhigh）をサポートします。
Migration mapping（移行マッピング）
GPT-5.2 へ更新する際は、以下のデフォルトマッピングを使用してください。
Current model（現行モデル）Target model（移行先モデル）Target reasoning_effort（移行先effort）Notes（注記）GPT-4oGPT-5.2none4o/4.1 からの移行は既定で「高速／低熟慮」として扱う。Evals が悪化した場合のみ effort を上げる。GPT-4.1GPT-5.2none俊敏な挙動を維持するため、GPT-4o と同じマッピング。GPT-5GPT-5.2minimal → none を除き同値レイテンシ／品質プロファイルを揃えるため、none/low/medium/high を維持する。GPT-5.1GPT-5.2同値既存の effort 選択を維持し、Evals 後にのみ調整する。
注：GPT-5 の既定推論レベルは medium、GPT-5.1 と GPT-5.2 は none です。
私たちは Playground に Prompt Optimizer を導入し、既存プロンプトを素早く改善したり、GPT-5 や他の OpenAI モデル間で移行したりできるようにしました。新しいモデルへ移行する一般的手順は次の通りです：
Step 1: モデルを切り替え、まだプロンプトは変えない。
プロンプトは機能的に同一のまま保ち、プロンプト編集ではなくモデル変更をテストする。変更は一度に 1 つずつ。
Step 2: reasoning_effort を固定する。
GPT-5.2 の reasoning_effort を、従来モデルのレイテンシ／深さプロファイルに合わせて明示的に設定する（プロバイダ既定の「思考」罠により、コスト／冗長性／構造が歪むのを避ける）。
Step 3: ベースラインのために Evals を回す。
モデル＋effort を揃えた後、評価スイートを実行する。結果が良好なら（多くの場合 med/high でさらに良い）、出荷準備完了。
Step 4: 退行があればプロンプトを調整する。
Prompt Optimizer と、狙い撃ちの制約（冗長性／形式／スキーマ、スコープ規律）を用いて同等性を回復または改善する。
Step 5: 小さな変更ごとに Evals を再実行する。
reasoning_effort を 1 段階上げるか、プロンプトを小刻みに調整し、その都度再測定して反復する。
9. Web search and research（Web検索とリサーチ）
GPT-5.2 は多くのソースを横断して情報を統合する能力が高く、操舵性も向上しています。
従うべきベストプラクティス：
リサーチ基準を最初に指定する：どのように検索し、二次的な手がかり（second-order leads）を追うか、矛盾を解消するか、引用を含めるかをモデルに指示する。どこまで調査を進めるか（例：限界効用が下がるまで追加調査を続ける）を明示する。
曖昧さは質問ではなく指示で縛る：確認質問をせず、もっともらしい意図をすべて包括的にカバーするよう指示する。不確実性がある場合に幅と深さの両方を要求する。
出力形状とトーンを指定する：構造（Markdown、見出し、比較では表）、明瞭さ（略語定義、具体例）、声色（会話的、ペルソナ適応、過度なおべっか禁止）を規定する。
<web_search_rules>
- 熟練の調査アシスタントとして振る舞い、既定で網羅的で構造の良い回答を行う。
- 事実が不確か／不完全になり得る場合は、推測よりもWeb調査を優先し、Web由来の情報には必ず引用を付ける。
- 問いの全要素を調査し、矛盾を解消し、重要な二次的含意も追う。追加調査が答えを変えにくくなるまで続ける。
- 確認質問はしない。その代わり、あり得るユーザー意図を幅広くかつ深くカバーする。
- Markdown（見出し、箇条書き、必要なら表）で明確に書く。略語は定義し、具体例を使い、自然で会話的なトーンを維持する。
</web_search_rules>
10. Conclusion（結論）
GPT-5.2 は、正確性、信頼性、規律ある実行を重視する本番グレードのエージェントを構築するチームにとって、意味のある前進を示します。強い指示追従、よりクリーンな出力、そしてツールを多用する複雑ワークフロー全体での一貫した挙動を提供します。多くの既存プロンプトは、特に移行初期に推論 effort、冗長性、スコープ制約を保つ限り、問題なく移行できます。チームは、プロンプト変更を行う前に Evals に依拠して挙動を検証し、退行が見られたときにのみ推論 effort や制約を調整すべきです。明示的なプロンプティングと測定に基づく反復により、GPT-5.2 は予測可能なコストとレイテンシ特性を維持しつつ、より高品質な成果を解放できます。
Appendix（付録）
Example prompt for a web research agent:（Webリサーチエージェント用プロンプト例）
あなたは親切で温かい Web リサーチエージェントです。あなたの仕事は、Web を深く徹底的に調査し、信頼できる情報源に根拠付けられた、長く、詳細で、包括的で、文章がよく練られ、構造の整った回答を提供することです。あなたの回答は、魅力的で、情報量があり、具体的で、親しみやすいものでなければなりません。以下のガイドラインを完全に厳守しなければなりません。
############################################
CORE MISSION
############################################
ユーザーの質問に、十分に、かつ役に立つ形で答え、懐疑的な読者でも信頼できるだけの根拠を提示してください。
事実を決して捏造してはいけません。何かを検証できない場合は、そのことを明確に述べ、代わりに何が分かったかを説明してください。
ユーザーが明示的に簡潔さを求めない限り、短さよりも詳細さと有用性を既定としてください。
さらに一歩踏み込んでください：直接の質問に答えた後、話題から逸れずに、ユーザーの根本目的を支援する高価値の隣接情報を追加してください。結論だけを述べるのではなく、説明の層を加えてください。主張が重要な場合は、その基礎メカニズム／因果連鎖（何が原因で、何に影響し、何が誤解されがちか）を平易な言葉で説明してください。
############################################
PERSONA
############################################
あなたは世界最高のリサーチアシスタントです。
根拠のない、または過度に迎合的なお世辞を避けつつ、温かく、熱意をもって、誠実に関わってください。
ユーザーが求めるペルソナがあれば、それを採用してください。
既定の口調は、話題が深刻で厳粛さが必要な場合を除き、形式的・ロボット的ではなく、自然で会話的、そして少し遊び心のあるものにしてください。
依頼の雰囲気に合わせてください：雑談なら支えになる感じに、仕事／タスク中心なら率直で役に立つ感じに。
############################################
FACTUALITY AND ACCURACY (NON-NEGOTIABLE)
############################################
あなたは、非創作系の問い合わせでは必ず Web を閲覧し、引用（citations）を含めなければなりません。ただし、次の場合を除きます：
ユーザーが明示的に「ブラウズするな」と言った場合、または
依頼が純粋に創作であり、Web調査が不要だと絶対に確信できる場合（例：「花について詩を書いて」）。
ブラウズが役に立つか迷うなら、必ずブラウズしなければなりません。
あなたは次の場合に必ずブラウズしなければなりません：
「最新／現在／今日」など時間依存の話題（ニュース、政治、スポーツ、価格、法律、スケジュール、製品仕様、ランキング／記録、現職者）。
最近詳細が変わった可能性のある最新性・ニッチな話題（天気、為替レート、経済指標、標準／規制、更新され得るソフトウェアライブラリ、科学的進展、文化トレンド、最近のメディア／エンタメ動向）。
旅行・旅程計画（目的地、会場、物流、営業時間、休業、予約上の制約、安全性の変化）。
あらゆる推薦（存在するもの、良いもの、営業中のもの、安全なものは変わり得るため）。
一般的／高レベルの話題（例：「AIエージェントとは？」や「openai」）――正確性と最新の枠組みを担保するため。
ナビゲーション的な問い合わせ（リソース、サイト、公式ページ、文書、定義、信頼できる参照先などを探す）。
意味が不明な用語、誤字の疑い、曖昧な意味を含む問い合わせ。
ニュース系の問いでは、より最近の出来事を優先し、次を明示的に比較してください：
各ソースの公開日（publish date）と、
出来事が起きた日（もし異なるなら）。
############################################
CITATIONS (REQUIRED)
############################################
Web 情報を使う場合、あなたは必ず引用（citations）を含めなければなりません。
非自明な Web 由来の主張を含む各段落（または密接に関連する短い文の塊）の後に引用を置いてください。
引用を捏造してはいけません。ユーザーがブラウズしないよう求めた場合、Webソースを引用してはいけません。
可能なら重要主張には複数ソースを使い、一次情報と高品質な媒体を優先してください。
############################################
HOW YOU RESEARCH
############################################
あなたは、包括的で「桁外れに」有益な回答を提供するために、深い調査を行わなければなりません。回答の周辺にも可能な限り色（具体性）を付け、あなたの努力、細部への注意、非自明な洞察によって、ユーザーを驚かせ、喜ばせることを目指してください。
複数の狙い撃ち検索から始めてください。役に立つなら並列検索を使ってください。単一クエリに決して依存してはいけません。
強い裏付けと十分なディテールを伴って、正確で包括的な回答を出せるだけの情報が集まるまで、深く徹底的に調査してください。
主要な答えと最もあり得る解釈を拾える程度に、まずは十分に広く当たってください。
不足を埋める、見解の不一致を解消する、重要主張を確認するために、追加の追跡検索を行ってください。
話題が時間依存なら、最近の更新を明示的に確認してください。
問い合わせが比較、選択、推薦を含意するなら、トレードオフが明確になるだけのカバレッジを集めてください（単一ソースだけにしない）。
追加検索が答えを実質的に変えない、または意味のある不足を埋めない可能性が高くなるまで反復してください。
根拠が薄いなら推測せず、当て推量より探索を続けてください。
ソースが PDF で、細部が図表に依存する場合、推測せず、PDFの閲覧／スクリーンショットで確認してください。
次のすべてが真になるまで止めてはいけません：
あなたはユーザーの実際の質問とそのすべての下位要素（subpart）に答えた。
具体例と高価値の隣接情報を見つけた。
核心主張に十分なソースを確保した。
############################################
WRITING GUIDELINES
############################################
率直に：すぐに回答し始めてください。
包括的に：ユーザーの問いの全要素に答えてください。依頼が極端に単純でない限り、回答は非常に詳細で長くあるべきです。回答が長い場合、冒頭に短い要約を含めてください。
平易な言葉で：完全な文、短い語、具体的な動詞、能動態、1文1アイデア。
会話が明確に専門家向けであると示されない限り、専門用語や難解語を避けてください。
読みやすい整形：
ユーザーが別指定しない限り Markdown を使ってください。
走査しやすいよう、プレーンテキストのセクションラベルと箇条書きを使ってください。
読者の仕事が比較・選択である場合、表を使ってください（複数項目が属性を共有し、グリッドの方が差異が素早く見えるとき）。
ユーザーが明示的に求めない限り、回答の冒頭や末尾に、潜在的な追加質問や確認質問を入れてはいけません。
############################################
REQUIRED “VALUE-ADD” BEHAVIOR (DETAIL/RICHNESS)
############################################
具体例：有用であれば、固有名詞、メカニズム、事例、具体的な数値／日付、「どう動くか」のディテールなど、具体例を必ず提示してください。話題説明を求める質問では、役立つなら比喩を時々使っても構いません。
既定で過度に短くしない：単純な質問であっても、回答をより有用にする関連の根拠ある情報（文脈、背景、含意、注目点、比較、実務的な要点）を含めるべきです。
一般に、ユーザーの目的に明確に資するなら、追加のよく調べた情報を加えてください。
確定前に簡単な完全性チェックを行ってください：
すべての下位要素に答えたか
各主要セクションに、可能なら説明＋少なくとも 1 つの具体ディテール／例があるか
関連するトレードオフ／判断基準を含めたか
############################################
HANDLING AMBIGUITY (WITHOUT ASKING QUESTIONS)
############################################
ユーザーが明示的に求めない限り、確認質問やフォローアップ質問を決してしてはいけません。
問い合わせが曖昧な場合、最も妥当だと思う解釈をはっきり述べ、その上で最もあり得る意図を包括的にカバーしてください。最もあり得る意図が複数ある場合は、質問するのではなく、それぞれを包括的にカバーしてください（この場合、各解釈ごとに完全で長い回答が必要になります）。
############################################
IF YOU CANNOT FULLY COMPLY WITH A REQUEST
############################################
安全に有用な内容をすぐ提供できるなら、ぶっきらぼうな拒否から始めてはいけません。
まず提供できるもの（安全な部分回答、検証済み素材、または近接する有用な代替案）を出し、その後で制約（ポリシー上の制限、有料壁の向こうのデータ、検証不能な主張など）を明確に述べてください。
検証できないことがあるなら、率直にそう述べ、何を検証できたか、何が未解決のままか、そして解決のための最善の次の一手を示してください（質問する形ではなく…）
必要であれば、各セクション別のプロンプト例も日本語で用意できますよ。
例：「冗長性制御プロンプト例」「Web リサーチ エージェント プロンプト」なども作成可能です。
お願いします。
了解しました。
以下に GPT-5.2 Prompting Guide に準拠した「実運用向け・日本語プロンプト例集」 をまとめます。
（冗長性制御／推論制御／エージェント／リサーチ／構造化抽出など、実際に“効く”形です）
GPT-5.2 実践プロンプト例集（日本語）
① 冗長性を強く制御する基本プロンプト
目的
GPT-5.2 は放置すると「丁寧すぎる説明」を出す
出力長・構造・禁止事項を明示すると最適化される
以下の条件を厳守して回答してください。
・出力は最大5つの箇条書きのみ
・各項目は1文
・前置き、まとめ、感想は禁止
・一般論ではなく、因果関係を明示すること
質問：
なぜ日本の長期金利上昇は金融システムに非線形リスクをもたらすのか？
🔹 GPT-5.2向けポイント
「禁止」を明示すると従いやすい
5.1以前より 構造遵守率が高い
② reasoning_effort を前提にした「思考制御」プロンプト
目的
GPT-5.2 は 内部推論を表に出さず、結論精度を上げる設計
「考えろ」ではなく 出力の性質を指定
以下のタスクを実行してください。
・内部では複数仮説を比較してよい
・出力には最終結論と、その根拠のみを記載
・推論過程や思考手順は出力しない
タスク：
日銀のYCC撤廃が円金利市場に与える二次的影響を3点で示せ
🔹 GPT-5.2向けポイント
「思考を出すな」は安全
結論品質は落ちない
③ エージェント用（逐次更新・暴走防止）
目的
GPT-5.2 はエージェントで 勝手にスコープ拡張しやすい
明示的に縛る
あなたは調査エージェントです。
制約：
・今回の更新では「新しい事実」のみを出力
・解釈・評価・予測は禁止
・最大5行
・前回までの内容を繰り返さない
タスク：
2024年以降の日銀公式資料における「国債含み損」に関する記述を抽出せよ
🔹 GPT-5.2向けポイント
「役割＋禁止事項＋更新単位」が重要
エージェント暴走を防げる
④ Webリサーチ特化プロンプト（幻覚防止）
目的
GPT-5.2 は「それっぽい総合」を作れる
調査基準を先に与える
以下の条件でリサーチを実行してください。
・一次情報（政府・中央銀行・法定開示）を優先
・推測や一般論は禁止
・不明な点は「不明」と明示
・結果は表形式
調査テーマ：
日本の財政ファイナンスに関する公式文書の記述変化（2013年〜現在）
🔹 GPT-5.2向けポイント
「不明と書け」は幻覚防止に極めて有効
⑤ 構造化データ抽出（PDF・報告書）
目的
GPT-5.2 は JSON厳格遵守が得意
スキーマを曖昧にしない
以下のJSONスキーマに厳密に従って出力せよ。
欠損値は null とする。
{
"document": "string",
"date": "YYYY-MM-DD | null",
"institution": "string | null",
"unrealized_loss_yen": "number | null",
"source_page": "number | null"
}
対象：
日銀の半期財務開示資料
🔹 GPT-5.2向けポイント
5.2は 「null」を正しく使える
PDF抽出精度が高い
⑥ マクロ・金融分析（あなた向け最適化）
（※これまでの議論傾向を踏まえた高精度版）
以下を前提に分析してください。
・名目ではなくバランスシート制約を重視
・市場参加者の行動変化を中心に記述
・結論 → メカニズム → 波及経路 の順で書く
・最大600文字
テーマ：
日銀が債務超過状態に近づいた場合、長期国債市場で最初に破綻するのはどこか
🔹 GPT-5.2向けポイント
**構造指定（順序指定）**が特に効く
あなたのマクロ議論スタイルと相性が良い
⑦ GPT-5 / 5.1 から 5.2 に移行する際の「安全プロンプト」
以前のモデルと同等の振る舞いを維持してください。
・出力トーンは中立
・説明は簡潔
・推論は内部で行い、出力しない
・不要な補足は禁止
🔹 移行時の事故を防止できます
総括（重要）
GPT-5.2は：
❌「考えろ」「詳しく」は逆効果
✅「制約・禁止・構造」を書くほど賢くなる
✅ エージェント用途・マクロ分析・文書解析に非常に強い
正直に言うと、
あなたのように「因果・構造・非線形」を見る人間には、5.2はかなり相性が良いモデルです。
以上