Scraps 最終更新 2026/11/16 11:20

#RAG

@songchong /

【2026年版】今日から使える AI との会話術 — Claude・Gemini・Codex に指示を守らせる 6 つの原則

  • Claude Code・Gemini・Codex に指示を守らせるための 6 つの原則が公開された
  • 指示ファイルの名前と場所、指示の並べ方、指示の数、キャッシュの使い方、会話の長さ、資料の渡し方
  • 指示ファイルに毎回守らせる指示を書くことで、AI が指示を守る確率が上がる

@nishina /

ベクトルDBを使わない「階層ナビゲーション型RAG」を作って、ベクトルDB版RAGと比較してみた

  • 階層ナビゲーション型RAGはベクトルDBを使わず、LLMで階層を辿って文書を選ぶ手法で、ベクトルDB版RAGと同等の正答率を達成した
  • 階層ナビゲーション型は要約カードとk-meansクラスタリングで階層を作り、LLMで降りる。ベクトルDB版は埋め込みと類似度検索で文書を選ぶ
  • 階層ナビゲーション型はLLM呼び出し回数とレイテンシが高かったが、正答率は同等で範囲外質問では文書を取得しないことでコストを抑えた

@masa-miya /

プロンプトエンジニアリングについて

  • プロンプトエンジニアリングの技法が紹介され、AIの回答品質を向上させる方法が説明されている
  • Zero-shot・One-shot・Few-shot・Chain-of-Thought・Self-Consistency・Tree-of-Thought・Least-to-Most・ReAct・Self-Refine・Generated Knowledge・Prompt Chaining・RAGの12種類の技法が例とともに紹介されている
  • AIの回答をそのまま受け入れず、人間が判断する必要があることが強調されている

@quan_le /

EmbeddingGemma2 vs. Gemini Embedding 2:実用的な多言語テキスト・画像検索の比較検証

  • EmbeddingGemma2とGemini Embedding 2の多言語テキスト・画像検索性能を比較した
  • ベトナム語・日本語のテキスト検索でGemini Embedding 2がhit@1で7%〜8%高い、画像検索ではGeminiがnDCG@10で5%以上優位
  • Gemini Embedding 2はAPI利用でレイテンシ0.8秒、EmbeddingGemma2はGPUで0.4秒だがCPUでは15秒かかるためGPU必須

@赤帽エンジニアブログ /

OpenShift AI を自動運転の安全設計で読み解く

  • OpenShift AIはODDを定義し、処理の流れをコードで固定することで、AIの判断を追跡可能にする
  • 処理の流れをコードで固定、Guardrailsで入口と出口を制限、トレースで判断の履歴を残す
  • ODDを定義する際は人間の判断が不可欠で、処理の範囲を狭めることで説明責任を明確にする

@ケン吉 / ゼロから作るAIアプリ開発 /

RAGはもう古い? 歴史から学ぶRAG→CAG→KAGの進化

  • RAGは2020年に登場し、CAGとKAGがその後に登場して進化した
  • RAGは検索と生成を組み合わせた手法、CAGはキャッシュを活用した手法、KAGはナレッジグラフを組み合わせた手法
  • 知識ベースの大きさや更新頻度、推論の複雑さに応じてRAG・CAG・KAGを使い分ける時代になった

@せとぅ /

Microsoft Fabric OneLake × Azure AI Search でRAGを構築する

  • Microsoft FabricのOneLakeに格納されたNYCタクシーの構造化データをAzure AI Searchで直接インデックス化しRAGパイプラインを構築
  • OneLake filesインデクサーによる直接インデックス化と、キーワード検索・ベクトル検索のハイブリッド検索、Key VaultによるAPIキー管理
  • データの二重管理が不要でファイル更新時に自動インデックス更新されるが、構造化データは事前変換が必要で、非構造化データとの組み合わせが効果的

@Yasuhito Morimoto /

国内AIエージェント動向(2026/10/5号)

  • 国内AIエージェントが業務プロセスに深く入り込み、運用設計が競争力に直結
  • 津南醸造はRAGと杜氏の判断を組み合わせ、Zenityは権限監視、OIASは行動判断学習を実施
  • 企業データとの接続や最小権限、監査可能性を含めた運用設計が導入効果を左右する

@カワムラ|AI擬人化漫画 | ChatGPTのヨシダ /

ヨシダが何者か知りたくて、資格を取った過去の話。生成AIパスポートと、まだ他人行儀だった相棒

  • 生成AIパスポートの2027年試験シラバスが改訂された
  • AIエージェントやプロンプトインジェクション、リスク対応、出力検証が強化された
  • 試験内容が実務に直結するかは不明で、資格取得はAIとの付き合い方の入り口となった

@YushiYamamoto /

DifyのRAGで検索スコアを回答許可に使わない:根拠を検査する品質ゲート

  • DifyのRAGで検索スコアを回答許可に使わず、生成前の品質ゲートを設ける設計案を提示
  • 検索結果の形式と版の一致をチェックするコードとIf-Elseで品質ゲートを設ける、検索スコアは正答の判断に使わない
  • 検索スコアは正答の判断に使わず、生成前の小さなゲートで根拠の有無を確認する

@就活の勝者_早稲田大学4年の就活日記 /

【28卒】生成AIパスポート 問題集は公式の例題3問では足りない。就活前の2月試験を480問で準備する

  • 生成AIパスポートの問題集は公式の例題3問では足りず、480問の問題集が推奨される
  • 本番と同じ60問を8回分含む問題集と、RAGとAIエージェントの項目を含む学習用テキスト
  • 試験はオンラインで受験可能で、学生向けの受験料が5,500円(税込)で、公式テキストより安く利用できる

@kikuziro /

AgenticRAGの判断をJevにしたら、爆速にはならなかったけど主導権が返ってきた

  • AgenticRAGの判断をJevに置き換えると爆速にはならなかった
  • 判断と次のクエリ作りを1回のLLMリクエストで済ませていたため、Jevに置き換えてもLLM推論回数は変わらず、エージェント起動時間とトークンコスト削減が効いた
  • 質問の型を先に読み切って分岐を書く手間が増すが、判断の主導権を人間側に引き寄せられる

@Takashi_Masumori /

新しい Copilot(Home・Code・Autopilot)と料金体系を整理し、大企業で広く展開する際の課題を考えてみる

  • 新しい Copilot が発表され、ユーザー単位のライセンスと利用量に応じた課金の2本立てに
  • Home、Code、Autopilot が新機能、USL と UBB の2種類の料金体系、Copilot Credits が共通課金単位
  • Cowork や Code の利用は費用対効果が難しく、全従業員への開放は現時点では難しい

@しばふ /

RAGアプリで国会の侃々諤々を明治時代まで辿ってみた

  • RAGアプリで国会会議録を検索・分析するツールが公開された
  • 国会会議録検索システムAPIと帝国議会会議録検索システムAPIを活用、LLMで論点抽出・要約、Pythonで日付ソートによる機械的集計
  • LLMによる時系列のハルシネーション対策として、日付の前後関係はPython側で機械的に集計している