RAG

コンテキストエンジニアリング — AI を「使う人」と「使いこなす人」の違い 紹介ポスト: えいと @7_eito_7 「AIを使っている人と、本当にAIを使いこなしている人の違いは何か。結論はコンテキストエンジニアリングができるかどうか。簡単に言えば、指示の出し方ではなくどんな文脈を渡しているか。」 はじめに 2025年半ば、Shopify CEO の Tobi Lütke が次のように発言した: 「“プロンプトエンジニアリング"より"コンテキストエンジニアリング"という言葉の方がずっと好きだ。LLM がタスクを解決できるだけの十分な文脈を与える技術 — これこそが核心的スキルだ。」 AI 研究者の Andrej Karpathy もこれに同意し、「コンテキストエンジニアリング」という概念は一気に広まった。2026年現在、プロンプトエンジニアリングの時代は終わり、コンテキストエンジニアリングが AI 活用の新しい標準になりつつある。 プロンプトエンジニアリング vs コンテキストエンジニアリング 観点 プロンプトエンジニアリング コンテキストエンジニアリング スコープ 1つの入力テキストの書き方 モデルが見る情報の全体設計 焦点 指示の言い回し・構造 情報の選択・順序・形式・量 対象 単発の質疑応答 複雑な推論、マルチターン、エージェント 複雑さ 文章レベル システムレベルのパイプライン 例え 「質問の仕方を工夫する」 「解答に必要な教科書・資料・道具を揃える」 プロンプトエンジニアリングはコンテキストエンジニアリングの一部にすぎない。質問の質ではなく、AI に渡す情報の質と構造が結果を決める。 なぜプロンプトだけでは不十分なのか よくある問題: RAG で正確な情報を取得し、プロンプトも丁寧に書いた。それでも AI がハルシネーションを起こす。 原因はプロンプトでも検索でもなく、コンテキストの構造にある。 プロンプトの 3 つの限界 情報不足: 質問は完璧でも、判断に必要な背景情報が足りない 情報過多: 関連情報を全部詰め込むと、かえって精度が落ちる（ノイズに埋もれる） 情報の無秩序: 重要な情報とそうでない情報が区別なく並んでいる コンテキストエンジニアリングは、この 3 つを体系的に解決する。 コンテキストエンジニアリングの 4 つの柱 1. 構成（Composition）— 何を渡すか タスクに必要な「材料」を選択する: ...

App Store Connect スクリーンショットの仕様 アップデート ✓ Built IPA to build/ios/ipa (46.7MB) To upload to the App Store either: 1. Drag and drop the “build/ios/ipa/.ipa” bundle into the Apple Transporter macOS app https://apps.apple.com/us/app/transporter/id1450874784 2. Run “xcrun altool –upload-app –type ios -f build/ios/ipa/.ipa –apiKey your_api_key –apiIssuer your_issuer_id”. See “man altool” for details about how to authenticate with the App Store Connect API key. xcrun altool での apiKey と apiIssuer の取得方法 xcrun altool を使用して App Store Connect にアプリをアップロードする際に、apiKey と apiIssuer の値が必要になりますね。これらの値は、App Store Connect で API キーを作成することで取得できます。 ...

ColPali arXiv アーカイブ 記事 ColPali： PaliGemma-3B と ColBERT ストラテジーに基づくビジュアルレトリバー ColPali: Efficient Document Retrieval with Vision Language Models テキスト抽出不要の RAG を実現する ColPali

RAG 【勉強メモ】RAG But Better: Cohere AI によるリランカー　RAG But Better: Rerankers with Cohere AI

AWS: Bedrock: Knowlege Base AppFlow と Amazon Bedrock を利用して Stripe の商品・料金情報についての RAG を作ってみる Amazon Bedrock に新登場した「Knowledge base」を試してみた（Pinecone 利用編） Amazon Bedrock for Knowledge base を試す [やってみた]Amazon Bedrock の Knowledge base を触ってみた #AWSreInvent 【コピペで RAG 構築】Knowledge Base for Amazon Bedrock(Aurora Serverless v2 for PostgreSQL) 【re:Invent 2023】Knowledge base for Amazon Bedrock が GA したので解説します Amazon Bedrock の Knowledge base を試す [アップデート] Amazon Bedrock で簡単に RAG が実現できる、Retrieval Augmented Generation (RAG) with Knowledge Base がとうとう GA になりました！！ #AWSreinvent ...

RAG(検索拡張生成) 大規模な言語モデルの出力を最適化するプロセスです。 応答を生成する前に、トレーニングデータソース以外の信頼できる知識ベースを参照します。 大規模言語モデル (LLM) は、膨大な量のデータに基づいてトレーニングされ、何十億ものパラメーターを使用して、質問への回答、言語の翻訳、文章の完成などのタスクのためのオリジナルの出力を生成します。 LLM の既に強力な機能を、モデルを再トレーニングすることなく、特定の分野や組織の内部ナレッジベースに拡張します。 LLM のアウトプットを改善するための費用対効果の高いアプローチであるため、さまざまな状況で関連性、正確性、有用性を維持できます。 外部ソースから取得した情報を用いて、生成 AI モデルの精度と信頼性を向上させるテクノロジです。 基盤モデル(FM) 基盤モデルとは何ですか? 例: BERT GPT(OpenAI) Titan(Amazon) Jurassic(AI21) Claude(Anthropic) Cohere Stable Diffusion BLOOM Hugging Face Bedlock Amazon Bedrock 使ってみた Amazon SageMaker は機械学習の包括的なライフサイクル（構築、訓練、展開）をサポートする Bedrock は Fine-tuning は出来るものの基本的には Amazon Titan や AI スタートアップの基盤モデル（FM）を API から利用することに重きを置いています。 自分たちで最初から構築したモデルでなければビジネスとして成り立たないシーンでは、Amazon Bedrock を選択してはいけません。 非常に厳しいセキュリティ要件がある場合にも避けた方が良い