Preprocessing vs Prompting

— 本質はプロンプト設計ではなく preprocessing

歴史的に prompt 記述が重視されてきました。AIKernel の立場は明確です。

Prompt は最終整形工程に過ぎず、推論品質は preprocessing で決まる。

1. なぜ prompt 設計は誤解されてきたか

多くの実務者は次を前提にします:

• Prompt wording が鍵である → ❌
• Few-shot examples が精度を上げる → ❌
• RAG をそのまま渡してよい → ❌

Attention Pollution 理論は、これらの前提を否定します。

Few-shot の誤謬

Few-shot は精度向上の魔法ではなく、attention を表層構造へ引き寄せ、推論を汚染する要因です。

AIKernel は Few-shot を推論破壊要因として扱います。

生 RAG の投入は構造を破壊する

生データは noise を含み、抽象構造を attention から押し出します。

2. 本当の問い: attention に何を入れるか

AIKernel は prompt の文体ではなく、attention の制御に集中します。

attention に入れるもの:

• purpose
• constraints
• abstract structure
• reasoning patterns

attention から隔離するもの:

• examples
• stylistic instructions
• RAG fragments
• history
• noise

AIKernel が扱うのは単なる text ではなく、情報構造です。

3. Preprocessing の役割

— OS レベル安定性のための決定論的制御

Preprocessing は OS レベルで 3 つの性質を保証します。

3.1 Category separation

（参照: Principles of Information Category Separation）

3.2 Context isolation

（参照: Context Isolation Specification）

3.3 RAG structuring（Quarantine）

生 RAG を潜在的に有害な素材として扱う:

1. Retrieve（RAG / Provider）
2. Normalize（不要データ除去）
3. Structure（分解・抽象化・単位化）
4. 必要部分のみを OrchestrationContext へ転送

これは「RAG をそのまま LLM に投げる」方式と本質的に異なります。

4. Prompting の限界

— 非決定的処理に依存しない

Prompt は非決定的な LLM 入力です:

• style
• examples
• explanations
• metaphors

これらは ExpressionContext に属し、推論へ影響させてはなりません。

Prompt 微調整で推論品質は安定改善できない

推論品質は preprocessing で決まり、prompt は見た目を整えるだけです。

5. Preprocessing は craft ではなく design

— AI 開発をスケールさせる必須要件

Prompt engineering はしばしば勘に依存します。Preprocessing はデータ構造設計であり、再現性・拡張性・自動化を支えます。

AIKernel が重視するもの:

• intuition より structure
• craft より design
• prose より categories
• feel より determinism

これにより AI 開発を職人的作業から工学へ移行させます。

6. 結論

— Prompt は最終整形、推論品質は preprocessing で決まる

AIKernel の立場:

• Prompt は ExpressionContext に属する
• 推論品質は Preprocessing で決まる
• Preprocessing = category separation, structuring, isolation, quarantine
• AIKernel の本質は Preprocessing over Prompting

7. AIKernel における位置づけ

この原則は次を支えます:

• category separation
• context isolation
• attention pollution theory
• surface-mode prevention
• preprocessing-first design
• deterministic replay

AIKernel は情報構造設計を通じて inference purity を最大化します。

8. 関連文書

• Principles of Information Category Separation
• Context Isolation Specification
• Attention Pollution Theory
• Risks of Surface-Mode Failure
• AIKernel vs LangChain — Structural Comparison

変更履歴

• v0.0.0 / v0.0.0.0: 初期ドラフト
• v0.0.1 (2026-05-06): ドキュメント規約に基づくバージョン更新