AI初心者ガイド｜ゼロから始めるAI入門

RAGを作ったのに検索の精度がいまいち——そんなときに効くのがリランキング（reranking／再ランク付け）。埋め込み（ベクトル）検索でざっくり集めた候補を、もう一段、関連度で並べ替えて上位だけ残す処理で、RAGの回答品質を大きく左右する検索精度の最後のひと押し。本記事は、リランキングの正体（一次選考と最終面接のたとえ）、なぜ必要か（埋め込み検索はクエリと文書を別々にベクトル化するため関連度の見極めが粗い）、2段階検索の仕組み（速い埋め込み検索で広く取得＝再現率→リランカーで上位に絞る＝精度→LLMに渡す。研究でも精度の大きな改善が示されている）、なぜリランカーが正確か（bi-encoder＝別々に見て速いが近似、cross-encoder＝クエリと文書を一緒に入れて関連度スコア0〜1を直接出すため正確だが重い）、モデルと実装（API型＝Cohere Rerank/Voyage/Jina、OSS型＝BGE reranker/mixedbread/FlashRank、LLMで採点するRankLLM等。既存のベクトル検索の取得件数を50〜100に増やしリランカーで上位5件に絞る1工程を足すだけ）までを初心者向けに解説。「広く取得して賢く絞る」が原則で、件数はAI評価で測りながら調整する。

AIアプリを作れるようになったら、次は安全に運用する段階。LLMは便利な一方で、悪意ある入力にだまされたり、機密情報を漏らしたり、でたらめを自信満々に答えたりする。これを防ぐ安全装置がAIガードレール（guardrails）で、AIエージェントの事故が現実に起きる2026年には本番運用の必須要素になっている。ガードレールとは、危険な入力や望ましくない出力をせき止めるルールやフィルタで、ユーザー入力をLLMに渡す前と、回答を返す前の両側でチェックする独立した安全層。主な脅威はプロンプトインジェクション（最重要）・脱獄（ジェイルブレイク）・情報漏えい（機密/PII/システムプロンプト）・幻覚や有害出力。守り方は入力ガードレール（注入・脱獄検知、PII検出、話題制限、サニタイズ）と出力ガードレール（有害フィルタ、漏えい防止、幻覚チェック、形式検証）の2層。最大の脅威プロンプトインジェクションには直接（ユーザーが「これまでの指示を無視して」と上書き）と間接（WebやRAG文書に隠した命令でAIを操る）があり、間接はRAGだけでは防げず取得文書へのチェックが必要。本記事は、ツール（LLM Guard・Guardrails AI・NeMo Guardrails・Llama Guard・Azure/AWS/OpenAIの安全機能）と、多層防御・最小権限・人間の承認・継続監視という実務の原則まで初心者向けに解説する。

RAGも意味検索もレコメンドも、その裏側で必ず使われている縁の下の力持ちがエンベディング（embedding／ベクトル）だ。エンベディングとは、テキスト（や画像など）の意味を数字の並び＝ベクトルに変換したもの。「犬」を数百〜数千個の数字の列に置き換え、その並びが「意味の座標」になる。意味の近い言葉どうしは空間上の近い位置に配置され（犬と子犬は近く、犬と自動車は遠い）、コサイン類似度などで近さを数値化できる——だから文字が一致しなくても機械が「意味が近いか」を判断できる。有名な「王様−男性＋女性≒女王」のように意味の関係がベクトル演算で表れることも。本記事は、正体（意味の地図のたとえ）、なぜ近さで意味が測れるか、用途（RAG・意味検索・分類/重複検出・推薦、マルチモーダル）、埋め込みモデルの選び方（API型＝OpenAI text-embedding-3/Cohere/Gemini/Voyage、OSS型＝BGE-M3/Nomic/Qwen3、一部の新しいモデルはMatryoshkaで次元を後から縮められ、例えばOpenAIの3072次元を1024次元にすれば精度を少し譲って保存量は約1/3）、ベクトルDB（Pinecone/Weaviate/Qdrant/Chroma/pgvector）と始め方（モデル選択→文書をベクトル化して保存→質問もベクトル化して検索）までを初心者向けに解説。RAG実装の土台であり、精度はAI評価で測りながら改善するとよい。

プロンプトを磨きRAGやファインチューニングをした後、「本当に良くなったのか」をどう確かめるか。主役になるのがAI評価（Evals）で、2026年には「評価はインフラ」と言われるほどAI開発に欠かせない工程になっている。AI評価とは、LLMの出力品質（正確さ・幻覚の有無・形式遵守・口調など）を、その場の感覚ではなく決まった物差しで点数化すること。評価がなければ改善は"勘"になる。方法は2つ——機械的に測れる項目は「コードベース評価」（完全一致・形式・必須語など、速く安く安定）、主観的な項目は「LLM-as-judge」（強力なLLMを審査員に使いAIの出力を採点。ペアワイズ比較と単体スコアリング）。原則はコードで測れるものはコードで。LLM-as-judgeには冗長・位置・自己びいきのバイアスがあり、対策は①別系統モデルで採点（自己びいき回避）②順番を入れ替えて二回採点（位置）③基準に簡潔さを明記（冗長）④人間の判断と突き合わせる較正、が要。採点は1〜10より「合格/不合格」など粗いほうが安定しやすいとされる。実務では3層（変更ごとの即チェック→夜間の回帰テスト→本番の継続監視）で回し、ツールはDeepEval・Promptfoo・RAGAS（CI用）とBraintrust・LangSmith・Arize（監視用）を組み合わせるのが定番。まずは良い出力・悪い出力を各10件集めて採点するのが最初の物差し。

ファインチューニングは、学習済みモデルの重みや追加のアダプタを学習し、文体・分類・出力の傾向を調整する技術です。RAGやプロンプトとの役割の違い、フル・LoRA・QLoRAの仕組み、データの品質と評価、学習・推論・運用費用を整理。OpenAI SFTの最低10例と開始時の推奨50例を全方式共通の基準と区別し、セルフサービス型ファインチューニングの新規受付終了と既存利用者の条件も説明します。問い合わせ分類を例に、実行前の確認から採用判断までの手順を示します。

ChatGPTやClaudeのようなAIはクラウドで動かすのが当たり前——そう思いがちだが、小さなモデルならファイルは数GBで、普通のノートPCでも動く。ローカルLLMとは、AIモデルをクラウドではなく手元のPCで直接動かすこと。入力が外部に送られない（プライバシー）、API料金がかからない、ネットがなくても動く、の3つが利点で、最上位のクラウドAIほど賢くない点と相応のPCスペックが要る点が弱点だ。本記事では、量子化（Q4_K_M なら fp16 の約3割。Llama 3.1 8B で16GB→4.9GB）と Ollama のタグ一覧の実サイズの表（2026年9月30日時点）、Ollama と LM Studio の公式の動作条件、Ollama の公式手順（macOS・Linux は install.sh、Windows は install.ps1 で入れ、ollama run gemma4 で動かし、ollama ps で GPU に載ったかを確かめる）、「:cloud」付きのモデルは手元で動かないという注意、モデルの選び方（Llama 3.1・Gemma 4・Qwen3.8・DeepSeek-R1 などの例）、クラウドとの使い分けまでを初心者向けに解説する。

AIにコードを書かせる時代、価値が高いのは「コードを書く力」より「仕様を書く力」になりつつある。それを象徴するのが仕様駆動開発（Spec-Driven Development、SDD）だ。SDDとは、仕様（spec）を開発の中心ドキュメントに据え、そこからAIエージェントに設計・分解・実装を導き出させる進め方。いきなりコードを書かせず、まず「何を・どう作るか」を構造化した文書にまとめる。重要なのは各ステップが文書（多くはMarkdown）を残し次が読むこと。本記事は、SDDの正体（仕様が"正"でコードは派生物）、なぜ今必要か（バイブコーディングがぶつかりやすい技術的負債・要件ズレを設計段階で防ぐ）、基本の4ステップ（Specify→Plan→Tasks→Implement）、主要ツール（GitHub Spec Kit＝14万超スター・30以上のエージェント対応、AWS Kiro＝Requirements→Design→Tasks＋Autoルーター、BMAD/OpenSpec/Tessl/Google Antigravity/Cursor）、バイブコーディングとの使い分け（探索はバイブ・出荷は仕様駆動のハイブリッド、人間のレビューは必須）、今日から試す方法までを初心者向けに解説する。AI時代に伸びるのは速くコードを書く人より、何を作るかを正確に定義できる人。

AI活用の主役がプロンプトエンジニアリングからコンテキストエンジニアリングへ移りつつある。コンテキストエンジニアリングとは、Anthropicの定義では「推論のあいだにモデルへ渡す最適なトークン（情報）の集合を選び・保つための戦略全般」で、指示文だけでなくシステムプロンプト・ツール・会話履歴・外部データなど、コンテキストウィンドウに入るすべてを設計・管理する技術。重要な理由は「context rot（コンテキストの劣化）」——トークンを増やすほどモデルの精度はむしろ落ちる現象で、2025年にChromaが18の主要モデルで検証し例外なく低下、長い文脈の中盤の情報ほど見落とされやすい（lost in the middle）。本記事は、正体とプロンプトエンジニアリングとの関係、context rotの仕組み（注意は有限の予算）、コンテキストに何が入るか、主要テクニック6つ（適切な粒度の指示・ツール厳選・ジャストインタイム取得・コンパクション要約圧縮・外部メモリ・サブエージェント分離）、RAGやClaude Skillsとの位置づけ、そして「話題が変わったら新セッション」「長文は要点だけ」など今日からできる実践までを初心者向けに解説する。最小で最も効くトークンだけを残すのが核心。

Claudeに毎回同じ手順を説明する手間を解消する「Claude Skills（エージェントスキル）」を初心者向けに解説。Skillとは指示・スクリプト・参考資料を1つのフォルダにまとめてClaudeに渡す仕組みで、中心となるSKILL.mdに名前(name)・説明(description)・手順を書く。普段Claudeは各スキルの短い説明文だけを読み、依頼が合致したときに初めて中身を展開する「プログレッシブ・ディスクロージャー（段階的開示）」により、何十個入れても文脈をほとんど消費しない。本記事では正体・重要性（プロンプトを毎回貼る問題の解決）・SKILL.mdの書き方と最小フォルダ構成・作り方（公式skill-creator/手動、.claude/skillsへ配置、2026年1月から再起動なしで即反映）・MCP（接続性）/サブエージェント（文脈分離）との役割の使い分け・Claudeアプリ/Claude Code/API/Agent SDKに加えCodex CLI・Cursor・Gemini CLI・GitHub Copilotも採用したオープン標準としての広がり・ドキュメント生成や社内ルール徹底などの具体例までを網羅。2025年10月16日にAnthropicが公開し、Simon Willison氏が「MCPより大きいかもしれない」と評した注目機能。

「AIエージェントがすごいのは分かった。で、実際に何に使えるの?」——基礎を学んだ次に誰もがぶつかる疑問に、2026年はもう「未来の話」ではない実例で答える。本記事は抽象論でなく業務別の具体的な活用事例10選を実例・数字つきで紹介する。なぜ今事例が重要か（エージェントは答えるだけでなく実際に手を動かす＝実験から本番業務へ、すでに65%の企業が何らか自動化済みとの報告、2028年までに企業向けソフトの3分の1がエージェント機能搭載・サポートは2029年までに問い合わせの8割を最小限の人手で解決とのGartner予測）、自動化に向く仕事の3条件（反復が多い×量が多い×判断を含む、とくに判断つきが従来のRPAとの差、重大判断は人が握り下準備は人が承認）、活用事例10選（①カスタマーサポートの一次対応と文脈付きエスカレーション②営業のリード抽出とパーソナライズメールの下書き③マーケのSEO記事構成とメール最適配信④ソフトウェア開発のコード生成・レビュー・DevOps自動化⑤IT運用の障害検知→原因診断→自動復旧⑥経理のERP横断KPI算出とコメント付きPDFレポート⑦金融のリアルタイム不正検知⑧人事の採用スクリーニングとオンボーディング＝AMDはHR解決時間80%減⑨リサーチ・データ分析のレポート化⑩サプライチェーンのコントロールタワー）、導入効果の現実（3年でROI 3.5倍・回収3〜14か月・コスト30〜60%減のMcKinsey調査、ただし62%が試したが本格展開は23%で定着が難所）、失敗しない始め方（1業務を選ぶ→小さく試す→人が承認→測って広げる）と最小権限・都度承認のセキュリティ注意点までを網羅。数値は各種調査・企業発表の引用で傾向の参考。自分の仕事を反復・量・判断の眼鏡で見直し、いちばん痛い業務から小さく一歩を。

外に出るのがしんどい、人と話すのが苦手、今は働いていない——そんな状況でも「自宅から・誰とも会わずに・自分のペースで」収入につなげられる可能性が、AIの登場で広がった。本記事は引きこもり・ニートの状況にある人がAIでゼロから在宅で稼ぐ第一歩を、誇大表現を避けできるだけ正直にやさしく整理する対象特化ガイド。まず「誰でも簡単に月◯万円とは言わない」と明言し、現実的な難易度・期間・注意点も包み隠さず書く。なぜAI×在宅が相性がいいか（非対面で完結・ゼロから始めやすい・自分のペース、AIが壁を下げる相棒）、大前提となる3つの正直な話（すぐには稼げず最初は数百〜数千円／AIは魔法でなく努力の増幅器でゼロに掛けてもゼロ／才能より継続した人が結果を出す）、人と話さず完結する稼ぎ方の選択肢（文章・ライティング、文字起こし/字幕、AI画像生成の素材、データ整理、翻訳チェック、デジタル商品販売。まず1分野を選ぶ）、今日できる最初の一歩（無料AIに触る→1分野選ぶ→練習作品を1つ作る、稼ぐより先に作る）、小さな成功体験の積み上げ方（ポートフォリオ化→低単価で1件→評価を貯める→単価/量を上げる、金額でなく成功体験を集める、最初の1件が何より価値がある）、続けるコツとメンタルの守り方（比べない・小さく区切る・休んでいい・完璧を捨てる・ひとりで抱えず就労支援や相談窓口も）、そして詐欺/誇大広告/AIまかせの危うさ/税金・扶養の注意（先払い案件や情報商材を避ける、正規のクラウドソーシングは基本無料、一定額超で確定申告や扶養影響、国・制度で異なるので公式確認）までを網羅。誰でも簡単ではないが、あなたにもできる一歩は確かにある。収入の大きさより自分にもできたを一つずつ取り戻すことを最初のゴールに。

「メールを読んで返信して」と頼むだけで自分で考え道具を使い実行するAIエージェントは、便利な反面、"自分で行動する"からこそ従来のチャットAIにはなかった事故が起きる。2025年ごろからその危険が理論から現実の事例へ変わり始めた。本記事は初心者向けにエージェントのセキュリティ事故を権限・漏えい・誤操作の3つに整理。なぜ事故が起きるか（エージェントは答えるだけでなく実際に行動する＝鍵は行動、騙されやすい新入社員にたとえられる）、普通のチャットAIより危ない理由（道具を使う×自律で連続実行×外部入力を読む、の掛け算。OWASPは2025年12月にエージェント特有リスクTop10（2026年版）と最小エージェンシーを提唱）、事故①権限＝過剰な権限の危険（メール読むだけでいいのに送信削除権限まで、人間アカウントの強権限の継承、暴走時に被害拡大、コスト削減を任されたエージェントがバックアップまで消すおそれ）、事故②漏えい＝間接プロンプトインジェクション（外部コンテンツに隠した命令でエージェントを操る。公開Redditコメントのスポイラータグに隠した命令でOTP漏えい、サポートチケットの隠し命令でMCP経由のDB流出、文書を開くだけでIDEエージェントが秘密窃取という2025年の研究者報告）、事故③誤操作＝悪意なくても破壊的操作やミスの連鎖・暴走、攻撃の流れ4ステップ、守り方の基本5原則（最小権限・人間の承認・サンドボックス・境界設定・外部入力を疑う）、個人向けチェックリストまでを噛み砕いて解説。合言葉は「力を渡しすぎず、危ない操作は人が止め、外の文章を信じすぎない」。