01
RAG
RAG：検索拡張生成
外部の資料をもとにモデルに答えさせる仕組みです。取り込みとインデックス作成、ベクトル検索の仕組み、検索品質、生成、評価、本番運用を扱います。
0 件の記録ノートを見る
プロジェクト 03
LLM アプリケーションとエージェント
大規模言語モデルを使ったアプリケーション開発を、二つのトピックに分けて学びます。Harness はモデルの外側にあって、モデルがエージェントとしてタスクをこなせるようにする部分です。RAG は外部の資料をもとにモデルに答えさせる仕組みです。ノートはトピックごとにまとめ、それぞれ具体的な疑問から始めます。
- 状態
- 準備中
- 開始
- 2026 年 9 月
- 使用予定
- Python · FAISS · pgvector · MCP · LangGraph · RAGAS
このプロジェクトはまだ始まっていません。現在は計画と、今後の記録に使う構成を表示しています。
知りたいこと
エージェントと RAG の各部分が何を解決し、内部でどう動いているのかを理解し、重要な部分は自分でコードを書いて確かめます。
開発プラン
- 01進行中
エージェントループと最小構成の RAG
フレームワークを使わずにエージェントループを書き、引用付きの最小構成の RAG をツールとして組み込みます。
- 02予定
ベクトル検索の内部
IVF、PQ、HNSW の仕組みとパラメータを学び、FAISS で再現率と速度を測り、簡略版のインデックスを自作します。
- 03予定
コンテキストエンジニアリングと検索品質
コンテキストの予算とキャッシュを管理し、BM25、ベクトル検索、ハイブリッド検索、リランクを比較します。
- 04予定
ツール、MCP、Skills、サブエージェント
MCP サーバー、必要なときに読み込まれる skill、読み取り専用のサブエージェントを作ります。
- 05予定
フック、サンドボックス、権限
フックで危険な操作を止め、サンドボックスでコードを実行し、ロールごとにツールと skills を制限し、権限に応じて検索結果を絞ります。
- 06予定
記憶、永続実行、取り込みと生成
ユーザーごとに分けた記憶と再開できる実行を作り、チャンク分割の方法を比べ、引用を検証します。
- 07予定
評価、可観測性、本番運用
pass@k と pass^k でエージェントを評価し、トレースを出力し、RAG をマルチテナントにします。
トピック
ノートはトピックごとに整理し、書いたものは該当するトピックの下に置きます。
02
Harness
Harness：モデルをエージェントにする仕組み
モデルの外側にあるすべてです。エージェントループ、コンテキストエンジニアリング、ツールと MCP、skills、フック、サンドボックス、権限、記憶、永続実行、評価と可観測性を扱います。
0 件の記録ノートを見る
全体の学習ロードマップ
Harness と RAG の二つのトピックをまとめた学習の道筋です。学ぶ順番、各項目をどこまで深く理解するか、よくある質問と出典を載せています。
ロードマップを読む関連する記録
プロジェクトが進んだら、各段階で生まれた疑問、実装の過程、検証結果をここに追加します。