HOW AI SEARCHES, THINKS & ACTS

AIは、調べて、動く

モデルの中身だけでは、AIは「物知りな引きこもり」にすぎません。検索で知識を補い(RAG)、道具を持ち(ツール使用)、自分で段取りを組む(エージェント)—— LLMが「使えるAI」になる仕組みを、5つのステップで体感します。

SCROLL

STEP 01

素のLLMは、意外と困っているTHE LIMITS

LLMの知識は学習した時点で凍結されています。今日の天気も、あなたの会社の規定も知らない。しかも知らないとき、それっぽい嘘(ハルシネーション)を答えてしまうことがある。さらに計算も苦手——質問を切り替えて、3つの弱点を確かめてください。

RAW LLM — 検索もツールもないモデルに聞いてみる

STEP 02

まず知識を補う準備。文書を埋め込みベクトル(テキスト生成編STEP 02!)にして保存しておき、質問もベクトルにして「意味が近い」文書を探します。「ホテル代」と聞けば「宿泊費」の規定が見つかる——キーワード一致では拾えない繋がりを、ベクトルの距離が拾います。

SEMANTIC SEARCH — 質問と社内文書の類似度

STEP 03

検索した文書をプロンプトに貼り付けてから質問する——それがRAG(検索拡張生成)の正体です。モデル自体は何も変わっていないのに、答えが正確になり、出典まで示せるようになる。 RAGあり/なしを切り替えて、同じモデルの変わりようを見てください。

PROMPT ASSEMBLY — モデルに実際に渡されるもの

↓ MODEL OUTPUT

STEP 04

知識はRAGで補えた。次は行動です。種明かしをすると、モデルは「ツールを呼び出すテキスト」を生成しているだけ。それを受け取ったシステム側が本物の計算機やAPIを実行し、結果を返す—— この往復で、LLMは正確な計算も、予定の登録もできるようになります。

FUNCTION CALLING — ツール呼び出しの往復を見る

STEP 05

仕上げに、判断をループにします。 考える→道具を使う→結果を見る→また考える—— この繰り返しで、AIは複数手順のタスクを自律的に進めます。テキスト生成の自己回帰ループの、いわば外側のループ。タスクを選んで▶を押してください。

AGENT PLAYGROUND — 擬似エージェントにタスクを任せる

AGENT LOG — 思考と行動の記録

TOOLS — エージェントが使える道具

RECAP

STEP 01素のLLMの限界知識の凍結・ハルシネーション・計算の苦手。

STEP 02ベクトル検索質問と文書を「意味の距離」で照合する。

STEP 03RAG検索結果をプロンプトに注入。出典つきで正確に。

STEP 04ツール使用モデルはツール呼び出しテキストを生成するだけ。

STEP 05エージェント考える→動く→確かめるのループで自律的に。

SERIES

仕組みの章もどうぞ——テキスト生成・ 画像生成・学習・ 音声生成。