生成AIの基本– tag –

RAGでAIに必要な情報を渡したいとき、紙の本や講義資料、会社資料が壁になることがあります。手入力、iPhoneやスマホ撮影、ドキュメントスキャナーなどの選択肢を比べながら、紙の情報をAIに渡せる形へ変える考え方を整理しました。

MCPをAIに道具を持たせる規格として整理しました。エージェント、Claude Code、Codexの感覚とつなげながら、なぜ今MCPが気になっているかを書いています。

コンテキストウィンドウが足りないときに、何が起きるのかを実務目線で整理しました。長い作業で精度が落ちる場面と、私がやめた運用もまとめています。

RAGは、AIに外部情報や手元資料を読ませてから答えさせる仕組みです。モデルの内部知識だけに頼る弱点、ハルシネーション、ChatGPTのプロジェクト活用まで一般ユーザー向けに整理しました。

AI検索の答えが自然すぎるときに、私がどこで立ち止まるかをまとめました。出典確認の手順を固定して、便利さに流されすぎないための実験メモです。

生成AIを日常で使うなら最初に押さえたい前提を5つに絞って整理しました。AI検索、ハルシネーション、AIエージェントなど、このブログの入口として読めるまとめです。

AIエージェントとは何かを、ChatGPTやLLMとの違いを含めてAIエンジニアの視点で整理します。Claude CodeやCodexのような実例と、どこまで任せてよいかの考え方もまとめました。

AI検索とは、検索結果やWeb情報をAIが要約し、会話しながら調べものを進められる仕組みです。ChatGPT検索とGoogle検索の違い、便利な使い方、注意点を実体験ベースで整理します。

LLMのハルシネーションとは、AIが事実と異なる内容をもっともらしく答えてしまう現象です。なぜAIは自信満々に間違えるのか、日常で起きやすい例、ハルシネーションを減らすための使い方や確認のコツを、非エンジニアにもわかりやすく解説します。

AIは何でもできる万能な存在ではありません。汎用AIと特化型AIにはそれぞれ得意不得意があり、使う目的によって向いているAIは変わります。この記事では、汎用AIと特化型AIの違いや、AIを日常で使い分ける考え方をわかりやすく整理します。