LLM入門
このページでは、AI技術に関心のある方のために、LLM（大規模言語モデル）の基礎から応用までをわかりやすく解説します。
第12章 — アクセス制御とアイデンティティ
『LLM Primer VII: AIセキュリティ』第12章のウォークスルー。認証と認可、RBAC対ABAC、マルチテナント分離、レート制限、SSOやSCIMを含むエンタープライズガバナンスのオーバーレイ。モデル自身がプリンシパルとなる論点にも触れる。
2026-05-21
第11章 — 可観測性、ロギング、インシデントレスポンス
『LLM Primer VII: AIセキュリティ』第11章のウォークスルー。何をログすべきか、シグネチャ・統計・振る舞いを組み合わせた検知、NIST SP 800-61型のインシデントレスポンスをLLMシステムでどう回すか。OpenTelemetry GenAI規約が土台。
2026-05-20
第10章 — 安全なLLMアーキテクチャの設計
『LLM Primer VII: AIセキュリティ』第10章のウォークスルー。分離境界、階層化された検証、宣言的ポリシー、LLM呼び出しに適用されるゼロトラスト — モデルの自制ではなくアーキテクチャが被害範囲の上限を決める章。OPAとCedarにも触れる。
2026-05-19
第7章 — ハルシネーションと信頼性
『LLM Primer VII: AIセキュリティ』章別ウォークスルー第7回。信頼性をセキュリティ的性質として扱う章 — 正しさが結果を左右する場面では、自信満々に間違った出力そのものがセキュリティ問題だからだ。
2026-05-16
第5章 — 入力検証と出力フィルタリング
『LLM Primer VII: AIセキュリティ』章別ウォークスルー第5回。第4章の多層緩和フレームを運用規律へと落とし込む章 — サニタイズ段階、ガードレール、構造化出力、レッドチーミング、そして意味のある安全性メトリクスの話。
2026-05-14
第5章 — 量子化を解き明かす
『LLM Primer VI』ウォークスルー第5回。70Bモデルが4ビット量子化を生き延び1Bが生き延びない理由、そしてAWQ、GPTQ、SmoothQuant、GGUFの実体とレシピの選び方。
2026-04-27第14章 — ベンチマーク、テスト、性能
LLM Primer IV ウォークスルー最終回。本物のサーバーに対する MCP-Universe ベンチマーク、明らかになった2つの体系的失敗モード、セッション・パー・リクエストと共有セッション・プールの10倍スループット差、そして第V巻への橋渡し。
2026-04-12第7章 — 高度な協働・動的パターン
LLM Primer IV ウォークスルー第7回。ラウンドテーブル合意、ハンドオフ・ルーティング、マジェンティック・オーケストレーション — トポロジがリクエストごとに作られねばならないときに現れるパターンと、単純なパターンが避ける失敗モード(終わらない、誤ルーティング、暴走する計画)。
2026-04-05第6章 — オーケストレーションの基本
LLM Primer IV ウォークスルー第6回。オーケストレーションの基本形 — 逐次パイプラインと並行スキャッタ・ギャザー — と、その前にチームが問うべき前提の問い: そもそもマルチ・エージェントが正解か。
2026-04-04第3章 — サーバープリミティブ: コンテキストと能力の公開
LLM Primer IV ウォークスルー第3回。MCPサーバーが提供できる3つの名詞 — Resources(読む状態)、Prompts(再利用できる足場)、Tools(書き込み動作) — それぞれのスキーマ、ライフサイクル、エラーモデル、そして適切なプリミティブを選ぶ規律。
2026-04-01第7章 — アクセス制御の実装
LLM Primer III ウォークスルー第7回。基盤としての文書単位ACL、Microsoft Purview の機密ラベルと統合する RBAC、Zanzibar と SpiceDB による ReBAC、そしてそれらすべての下で動く「事前フィルタ vs 事後フィルタ」の規律。
2026-03-24第3章 — アドバンスト・チャンキングのフレームワーク
LLM Primer III ウォークスルー第3回。チャンキングのスペクトラム、オーバーラップの神話、検索品質を静かに殺す「コンテキストの崖」、そしてフロンティアの計算を書き換えたコンテクスチュアル・リトリーバルとレイトチャンキングを整理します。
2026-03-20第2章 — インテリジェント文書パース
LLM Primer III ウォークスルー第2回。PDF はテキストファイルではなく、レイアウト指定書である。素朴な変換が何を捨て、レイアウト認識パーサーは何を取り戻すのか。LlamaParse、Docling、Unstructured、Marker-PDF、Firecrawl、DeepSeek-OCR の現在地と、ページ画像を直接検索するマルチモーダル系の道筋を整理します。
2026-03-19第8章 — アプリケーションで LLM を使う: チャットボット、コード、抽出、エージェント
LLM Primer I シリーズの第8章です。実際に本番で動くアプリケーションパターン — チャットボット、要約、コードアシスタント、構造化抽出、そしてモデル自身がツール利用ループを駆動するエージェント型システムの台頭を解説します。さらに、エンジニアが名前で押さえておくべきベンチマーク群も整理します。
2026-02-25第4章 — Transformer アーキテクチャ: 現代AIのエンジンの中身
LLM Primer I シリーズの第4章です。Transformer ブロックをツアーします。Self-Attention、位置エンコーディング、層のスタックがどう組み合わさって、現代の LLM の基盤となるアーキテクチャを構成しているか。Transformer のスケーリングがなぜ機能するか、そして何のコストがかかるかも明快に解説します。
2026-02-21
人格・役割・意図の設計とは？｜MCP入門 7.4｜AIの“存在”をプロトコルで定義する方法
AIが人格を持ち、役割を柔軟に切り替え、意図を理解して発話する時代が始まろうとしています。本記事では、MCPによってこうした構成要素をどのように設計・再現し、対話的存在としてのAIを実現できるのかを解説します。
2025-04-05
JSONスキーマによる状態制御の工夫とは？｜MCP入門 6.4｜一貫性あるAI応答を実現する構造的設計
生成AIの応答を安定化させるには、“状態”の明示が不可欠です。本記事では、MCP設計におけるJSONスキーマの活用方法を詳しく解説し、意図や画面状況をモデルに正しく伝える設計戦略を紹介します。
2025-03-31
ストラクチャード・コンテキスト vs ナチュラル・プロンプティングとは？｜MCP入門 6.3｜構造化と柔軟性を両立するプロンプト設計
生成AIに文脈を渡すには、JSON形式の構造化データか自然言語プロンプトか、どちらが適切か。本記事では、MCP設計において“ストラクチャード・コンテキスト”と“ナチュラル・プロンプティング”の違いと併用戦略を詳しく解説します。
2025-03-30
モデルの“意図解釈”と状態伝達とは？｜MCP入門 6.0｜プロンプトに込められた意図を理解するLLM設計
LLMが正しく応答するためには、文脈だけでなく“何を求められているか”という意図を読み取る力が不可欠です。本章では、明示的な制約・システムメッセージ・構造化文脈などを通じて、モデルがどのように内部状態を形成するかを解説します。
2025-03-27
ドキュメントベース質問応答（RAG）でのContext設計とは？｜MCP入門 5.3｜情報の構造化で精度と説明力を高める方法
RAG（検索補助生成）で生成AIが正確に応答するためには、検索結果をどのように文脈化するかが鍵です。MCP設計により、取得情報のスロット化・優先度付け・役割づけを行い、安定した回答と説明責任のある出力を実現する方法を解説します。
2025-03-25
コンテキストマネジメントとは？｜MCP入門 3.2｜履歴と外部情報を活かす生成AI設計
生成AIの出力品質は、どんな文脈や履歴情報を参照しているかで決まります。本章では、チャット履歴要約・外部ベクター検索・ユーザープロファイル統合といったMCP設計の基礎を丁寧に解説します。
2025-03-14
MCP実装の基本設計パターンとは？｜MCP入門 第3章｜生成AIをプロダクトに組み込むための考え方
MCP（Model Context Protocol）をプロダクトや業務システムに実装するには、文脈・状態・履歴・ユーザー情報の扱い方を設計パターンとして整理する必要があります。本章ではMCPの構造化・再現性・スケーラビリティを支える4つの設計手法を紹介します。
2025-03-12
OpenAI Function CallingとMCPの関係とは？｜MCP入門 2.4｜生成AIの構造化出力と実装設計
OpenAIのFunction Callingは、生成AIが構造化された出力を返す仕組みです。MCP（Model Context Protocol）の文脈・状態設計と深く関係し、再現性や拡張性の高いAI実装を支えます。本節ではその原理と設計のポイントを丁寧に解説します。
2025-03-11
MCPによる状態制御と再現性の向上とは？｜MCP入門 2.3｜生成AIの安定設計の鍵
生成AIをプロダクトとして安定運用するには、出力の一貫性と再現性が不可欠です。MCP（Model Context Protocol）は文脈と状態を構造化し、モデルの振る舞いを制御・再現可能にします。設計原則から具体例まで詳しく解説。
2025-03-10
従来のプロンプト設計とMCPの違いとは？｜MCP入門 2.2｜生成AI設計の新常識
プロンプトエンジニアリングでは限界がある。MCP（Model Context Protocol）は、文脈と状態を分離・構造化することで、一貫性・拡張性・再現性を備えた生成AIの設計を可能にします。従来手法との違いを比較しながら丁寧に解説。
2025-03-09
RAG時代の設計者とは？検索と生成をつなぎ、AIを業務に根づかせる方法｜LLM入門 終章
RAGの本質は、情報の選別と構造化を通じて生成AIの文脈を設計すること。本章では、生成AI時代に求められる「検索と生成をつなぐ設計者」の役割と、今後の学びと実装の地図を示します。
2025-03-08
MCPとは？生成AIの文脈と状態を設計する仕組み｜MCP入門 2.1
MCP（Model Context Protocol）は、生成AIが一貫した出力を生むための文脈と状態を設計・再現するためのプロトコルです。本節ではMCPの定義、プロンプトとの違い、設計思想としての役割を丁寧に解説します。
2025-03-08
RAGは今後も必要か？生成AI時代における検索設計の価値と使い続ける理由｜LLM入門 7.4
長文処理に優れたLLMが登場する中で、RAGを使い続ける意味とは何か。本記事では、情報制御・更新性・出典明示・組織ナレッジ活用という観点から、RAGの価値と今後の活かし方を再評価します。
2025-03-07
RAGにおける幻覚とは？情報の過不足を防ぎ生成精度を高める設計法｜LLM入門 7.1
RAG構成でも、LLMによる幻覚（hallucination）は発生します。本記事では、Retriever精度、プロンプト設計、出典明示などにより幻覚を抑える具体的な方法と、検知・評価の技術までを丁寧に解説します。
2025-03-04
RAGにおけるプロンプト合成の設計パターンとは？文脈統合で生成精度を高める方法｜LLM入門 6.3
Retrieverで得た情報をLLMにどう渡すかが、RAGの成否を分けます。本記事では、文書構造ごとのプロンプト合成パターンとその効果、生成品質を高めるための設計指針を具体的に解説します。
2025-03-01
Azure Cognitive SearchやElasticでRAGを実現する方法｜既存検索基盤を活かす構成とは｜LLM入門 5.4
RAGはLangChainやLlamaIndex以外にも、Azure Cognitive SearchやElasticsearchといった既存インフラでも構築可能です。本記事では、それぞれの特徴や適用例、選定ポイントをわかりやすく整理します。
2025-02-25
LlamaIndexとは何か？RAGにおける文書インデックス構築の強みとLangChainとの違い｜LLM入門 5.3
LlamaIndexは、RAGの文書処理とインデックス管理に特化したライブラリです。本記事では、LlamaIndexの設計思想と主要機能、LangChainとの違いや併用パターン、実務での活用シーンを丁寧に解説します。
2025-02-24
LangChainでRAGを構築する方法とは？RetrieverからLLM連携まで徹底解説｜LLM入門 5.2
LangChainはRAG構築において、Retriever・LLM・プロンプトを一貫してつなぐフレームワークです。本記事では、各モジュールの役割と構成例、導入のメリット・注意点までを、実装の視点からわかりやすく解説します。
2025-02-23
RAGの回答精度を左右するコンテキスト整形とは？LLMへの最適な情報の渡し方｜LLM入門 4.3
RAGにおいてRetrieverが抽出した情報をどのように整形し、LLMに渡すかは、出力の質に直結します。本記事では、プロンプト設計・チャンク構造・トークン最適化など、回答品質を高めるための整形技術を詳しく解説します。
2025-02-19
RAGに適したベクトル検索エンジンとは？FAISS・Weaviate・Pinecone徹底比較｜LLM入門 4.2
RAGの検索性能を支えるのがベクトル検索エンジンです。本記事では、FAISS・Weaviate・Pineconeといった代表的エンジンの特徴を比較し、導入時に重視すべき観点や選定ポイントをわかりやすく解説します。
2025-02-18
RAGは何に向いている？生成AIの得意・不得意を整理｜LLM入門 2.4
RAGは社内ナレッジ検索やFAQ応答に優れた効果を発揮しますが、数値計算やリアルタイム情報の処理には課題もあります。本記事では、RAGが得意なユースケースと不得意な場面を丁寧に解説し、導入判断の視点を提供します。
2025-02-10
6.0 大規模データセットとLLMトレーニングの実際 - データ収集、前処理、トレーニング方法
LLM（大規模言語モデル）のトレーニングには、膨大なデータセットと計算リソースが必要です。データ収集から前処理、トレーニング手法、評価方法までを詳しく解説します。
2024-10-16