用語集

プログラムで使う用語を、やさしい言葉で説明します。

はじめてですか？　まずは最初のレッスンを読んでみてください。アカウントは不要です。

AIの基本概念

Agent: 目標に向かって、自分で試行錯誤するAIです。状況に合わせてツールを選び、やり方を変えながら進めます。
AGI: 汎用人工知能のことです。ほとんどの作業を人と同じくらいこなせる、まだ実現していない理論上のAIです。盛んに議論されていますが、現時点では存在しません。
Closed model: 提供元のAPIかアプリを通してしか使えない、中身が公開されていないモデルです。
Coding agent: 手を持ったAIアシスタントです。ファイルを読み、書き換え、コマンドを走らせ、その結果を見ながら次の手を決めます。
Compaction: 会話の古い部分を要約し、コンテキストウィンドウに空きを作ることです。
Completion / response: プロンプトを送ったあとに、モデルから返ってくる内容のことです。
Context: いまモデルが参照できるものすべてです。あなたのプロンプト、それまでの会話、添付したファイル、システム側から追加されたメモも含みます。
Context rot: ループの失敗の一つです。やりとりの履歴が伸び続けて、大事なことが埋もれてしまう状態です。古いやりとりを要約し、目的を言い直せば直ります。
Context window: モデルが一度に扱えるトークン数の上限です。あなたのプロンプトと、モデルがすでに読んだものをすべて合わせて数えます。
Embedding: 文章を数値に置き換えたものです。言葉がぴったり一致していなくても、意味で探せるようになります。
Embedding models: 文章を数値に変えて、意味で検索できるようにするモデルです。手元の資料につないだアシスタントの裏側で働いています。
Fine-tuning: 元になるモデルに、特定の用途に合わせた追加学習を施すことです。
Frontier model: その提供元が提供する、最大級かつ最新で、最も高性能なモデルです。
Generation: RAGの最後にあたる生成の工程です。検索で見つけた断片をプロンプトに入れ、それを根拠にAIが回答します。
Gradient descent: モデル学習の中心となる手法です。次に来る語をうまく予測できるようになるまで、内部にある何十億ものパラメーターを少しずつ調整します。
Inference: 学習済みのモデルを実際に動かして、出力を得る工程です。プロンプトを送ると、固定されたパラメーターを使って出力が生成されます。
LLM: 大規模言語モデルのことです。ChatGPT、Gemini、Claudeのようなチャットアシスタントを支える技術です。
Long context: アシスタントが1つの会話で扱える情報量が多いことです。長いコンテキストに対応したモデルなら、小さな書棚1つ分ほどの情報をまとめて扱えます。
MCP (Model Context Protocol): AIアプリを外部のツール、データ、サービスにつなぐための共通規格です。AIにとってのUSBのようなものです。
Memory: あなたについての情報を選んで記憶し、次回以降の会話でコンテキストに加えてくれる機能です。
Multimodal: 文章だけでなく画像も扱え、ものによっては音声や動画まで扱えるモデルです。
Open weights: パラメータをダウンロードして、自分の環境で動かせるモデルです。
RAG (Retrieval-Augmented Generation): まず手元の資料やウェブを検索して、見つかったものを根拠にモデルが答える仕組みです。
Session: ひと続きの会話のことです。新しいチャットは、会話のコンテキストがない状態から始まります。
System prompt: 会話の最初に、AIの役割と守るルールを決めておく指示です。
Token: アシスタントが読み書きする、文章の小さなまとまりです。英語では1トークンが平均して単語の約4分の3に相当し、文章の長さや利用料金はトークン数で決まります。
Tool: 文章を書く以外のことをAIにさせるための、つなぎ役です。検索する、計算する、別のシステムに触る、といった仕事を任せられます。
Training: 膨大な文章からパターンを学ばせる、大きな費用のかかる一度きりの工程です。通常はモデルの提供元が行い、利用者が行うものではありません。
Training cutoff: モデルが学習に使った情報の期限です。この日よりあとに起きた出来事は、こちらから情報を与えないかぎり分かりません。
音声モデル: 話し言葉を文字に変えたり、文字から音声を作ったりするモデルです。文字起こしのWhisperや、音声合成のElevenLabsなどがあります。
画像モデル: 文章による説明から画像を作るモデルです。DALL-E、Midjourney、Stable Diffusionなどがあります。
ソースコーパス: RAGが根拠を探す情報源の集まりです。検索対象となるウェブページ、資料、契約書、過去の問い合わせなどを指します。
次の単語の予測: LLMの仕組みの核心です。いちばんありそうな次の単語を予測し、それを延々と繰り返して、使える答えを組み立てます。

プロンプティングと技法

4要素のフレームワーク: 安定したプロンプトを作るための型です。Role、Context、Request、Formatの4つ（CRAFTやRCTFとも呼ばれます）。
AIのステップ: 入力によって判断の中身が変わるステップです。AIに使う予算は、ここに寄せてください。
Chain (prompt chaining): 前の出力を次の入力にする、プロンプトの連なりです。各ステージを実行するのはAIで、ステージ同士のつながりは人が管理します。
Chain of thought: 答えを出す前に、順を追って考えさせるやり方です。何段階も踏む問題で正確さが上がります。
Chunking: 資料を検索しやすい小さな断片に分けることです。目安は256〜512トークンで、前後の断片を10〜20%ほど重ねます。
Few-shot: 求める入力と出力の組み合わせを、少数の例としてモデルに示す方法です。出力が安定しやすくなります。
Meta-prompting: 自分のプロンプトをAIに評価させ、よりよい形に書き直させる方法です。出力が安定しやすくなります。
Persona: モデルに役を与えて、出力の基準を上げるやり方です。答え方は変わりますが、内容が正しいかどうかは変わりません。
Persona prompts: ステージごとに役を与えます（パラリーガル、コンプライアンス担当など）。使う言葉、踏み込みの深さ、口調が変わります。
Progressive disclosure: 常に読み込む情報は少量にとどめ、残りは関係するときだけ読み込む設計です。常時載るレイヤーを小さく保てます。
Prompt: アシスタントに入力する指示や質問です。うまく依頼する技術は、プロンプティングと呼ばれます。
Retrieval: 質問に合う情報の断片を選び出す、RAGの検索工程です。本番では、意味検索とキーワード検索を組み合わせ、候補を関連度順に並べ直す構成が一般的です。
Structured outputs: JSONや表のように、形をはっきり指定して出させることです。読みやすく、ほかのツールでもそのまま使えます。
Zero-shot: 例を見せずに、そのまま頼むやり方です。よく知られた簡単な作業なら、これで十分です。
受け渡し（継ぎ目）: あるステップの出力が、次のステップの入力になる瞬間です。チェーンが崩れるのはたいていここなので、確認もここに置きます。
往復して仕上げる: AIを会話として扱い、何度かやりとりして出力をよくしていくやり方です。一発目で完成させようとしません。
禁止の指定: やってほしくないことを伝えることです。モデルの初期設定に逆らう形になり、ほしいものを説明するより簡単なことも多いです。
計画してから実行する: 先に段取りと足りない情報を出させて、そのあとで成果物を作らせます。抜けを推測で埋められずに済みます。
決定論的か、判断か: 決定論的なステップは、いつ走らせても同じ答えになります。判断のステップは、答えが変わっていいステップです。どちらなのかをステージごとに決めておきます。
決定論的なステップ: 決まった手順や規則で処理できるステップです。数式、データベースの属性、スクリプトなどが当てはまります。
答えの書き出しを与える: AIの答えの冒頭を、こちらが書いてしまうやり方です。形式と口調がそこで固まり、ぶれが減ります。
ゴールデンルール: AIには、できる限り多くのコンテキストを渡すという原則です。入力がよくなれば、出力も安定してよくなります。
出力の形式: 途中の出力を、表、JSON、決まった項目など、機械が読み取れる形にそろえることです。自由形式の文章はチェーンを壊す原因になります。
常時載るレイヤー: 毎回必ず読み込ませる、ごく少量の情報です。絶対に守る制約、組織内の決まり、現在進めている作業などが含まれます。
ステージに分けるプロンプティング: 作業を1つの大きなプロンプトにせず、複数のステージに分ける方法です。各ステージは、次のステージでそのまま使える、名前の付いた出力を返します。
必要なときに読み込む: スキーマ、仕様、手順書、資料は、その作業で必要になったときだけ、名前を指して取ってきます。
プロセスの分解: 複数のチームをまたぐ業務をステップに割り、どれをAIに任せ、どれを決定論的な処理にし、どれを人がやるかを決めます。
プロンプトの記録: うまくいったプロンプトを保存しておく場所です。積み重ねると、自分の仕事に使えるテンプレート集になります。
役割を重ねる: 同じものを複数の専門家の目で順に見させて、最後に1つの結論へまとめさせるやり方です。

作って世に出す

50件ルール: 自動で任せきりにする前に、実際の入力50件でエージェントを試すというルールです。起きた失敗はすべて分類します。
Agent loop: エージェントが動いているあいだの繰り返しです。コンテキストを読み、次の行動を決め、ツールを呼び、その結果を読んでまた判断します。作業が終わるまで続きます。
AGENTS.md: ツールをまたいで通じる、標準の指示ファイルです。うちの決まりはここに書いて、ここを唯一の正にします。
Branch: 同じrepoの中で、作業を並行して進めるための分岐です。本流に影響を与えずに変更を試せます。
Changelog: 指示書の末尾に残す短い記録です。版ごとに何を変えたか書いておくと、あとから見た人にも経緯が伝わります。
Checkout: 作業フォルダの中身を、特定のブランチやコミットの状態に切り替えることです。同じrepoでも、表示される内容が変わります。
CLAUDE.md: Claude Codeが読む指示ファイルです。プロジェクト直下に置くほか、全体に適用する場合は~/.claudeに置きます。AGENTS.mdを参照するだけの内容にすることも多いです。
Commit: ひとまとまりの変更を履歴に保存したものです。何を、なぜ変えたかを示すメッセージが付きます。repoの履歴はコミットの積み重ねです。
Context budget: コンテキストウィンドウを限りある予算と考え、情報量を意図的に配分することです。回答を左右する情報に最も多く割り当てます。
Deferred tools: 最初はツール名だけを示し、必要になったときにモデルが詳しい定義を読み込む仕組みです。コンテキストを小さく保てます。
Edge cases: 正しいけれど珍しい入力です。項目が抜けているとき、内容が矛盾するとき、機微な情報が来たときにどうするかを、指示書に書いておきます。
Forking: 誰かが共有したエージェントやアシスタントを複製し、自分向けに変更することです。元の作者が積み上げた知見も引き継げます。
Format drift: 指定した形と少しだけ違う形で、AIが返してくることです。厳密な形を前提にしていた後ろの処理が、そこで壊れます。
Frontmatter: ファイルのいちばん先頭に置く、小さなYAMLの塊です。そのファイル自身についての情報が入ります。
Harness: モデルの周りに組み立てる仕組み全体です。モデルに渡すコンテキスト、呼び出せるツール、作業を進めるループが含まれます。
Idempotency: 同じ入力で2回実行しても安全である性質です。同じ結果になるか、2回目の処理を何もせずに終えられるエージェントは、idempotentだといえます。
Merge: ブランチで仕上げた変更を、本流へ取り込むことです。
Output schema: 出力に含める項目と、それぞれのデータ型を明確に記した定義です。プロンプトを書く前に決めます。
Pull request: レビューに出すためにまとめたコミットの集まりです。承認されると本流へ取り込まれます。
Recall: 与えたルールに、モデルがどれだけ確実に従えるかを表します。長いコンテキストの中央に埋もれたルールは、見落とされやすくなります。
Repository (repo): 変更履歴を持つプロジェクトのフォルダです。ファイル、テスト、すべての変更記録が残るため、過去の状態をたどれます。
Skill: アシスタントに1つの仕事をきちんと覚えさせる、手順と参考資料の束です。次からどの会話でも使えます。
SKILL.md: skillに必ず1つ必要なファイルです。先頭に名前と説明を記したYAMLフロントマターを置き、その下に手順を書きます。
Symlink: 別のファイルを指すショートカットのファイルです。本物は1つのまま、いくつもの場所に姿を見せられます。
Terminal (shell): ボタンを押す代わりに、文字でコマンドを入力して操作する画面です。コーディングエージェントは、ここでコマンドを実行します。
Test suite: プロジェクト自身の点検です。1つのコマンドで走り、合格か失敗かを返します。
Triggers: エージェントが動き始めるきっかけです。スケジュール、利用者からの指示、データベースに行が追加されたといった出来事があります。
Vibe coding: ほしいものを普通の言葉で説明し、コードはAIに書かせて、感覚で舵を切りながら作るやり方です。
Worktree: 同じrepoから作る、もう1つの作業用コピーです。別のフォルダで別のブランチを使うため、2つの作業を干渉させずに進められます。
YAML: ラベル付きの行で書く設定です（例：name: pdf-export）。コードではなく、記入用紙のつもりで読んでください。
インフラ（ツールとの違い）: 多くの人が頼りにしている仕組みです。その規模になったら、名前のついた担当者、文書化された動作、HITL gate、保守の計画が要ります。
隠れたコンテキスト: システムプロンプト、参照ファイル、それまでの会話、拾ってきた断片。どれも毎回トークンを使っています。
検証のステージ: チェーンの最初に置くステージです。必要な項目がそろい、内容が妥当かを確かめます。問題があれば処理を止め、人に確認を求めます。
コスト: トークンを使うたびに、料金と待ち時間が増え、モデルが重要な情報に向けられる注意も薄まります。
参照ファイル: 規程、スタイルガイド、用語集のような、動かない資料です。カスタムアシスタントに付けておくと、いつも同じ根拠で考えてくれます。
指示書の構成: よい指示書に必要な要素のことです。役割、起動条件、入力、手順、出力形式、ガードレールで構成されます。
指示ファイル: エージェントが作業を始める前に読む、常設ルールを書いたファイルです。よく使われるファイル名はAGENTS.mdです。
出力の重さ: 出力トークンの単価は、一般に入力トークンの3〜5倍です。長い回答を標準にすると、費用が急速に増えます。
信頼できる入力: 手前の工程で検証が済んでいる入力です。スキーマが効いているデータベースの行など。そのまま使って動けます。
成熟度の段階: 共有ワークフローの成熟度を示す区分です。自己責任で試すもの、審査済みのおすすめ、保守されている公式のもの、といった段階があります。
設計の欠陥: ワークフローの組み立てそのものに原因がある失敗です。直し方は、ステージの切り方を変えるか、作り直すことです。
使えるかどうかと、正しいかどうか: 使えるとは、後ろのステージが読み取れること。正しいとは、中身が合っていること。どちらも要ります。
使える出力1件あたりの費用: 総額を、手直しが要らなかった出力の数で割った数字です。費用を見るなら、この感覚を持っておいてください。
継ぎ目（シーム）: 情報が、ある人・チーム・システムから別のところへ渡る地点です。時間と品質が漏れるのは継ぎ目です。
継ぎ目マップ: 業務の受け渡しを書き出した地図です。誰が渡し、誰が受け、何が落ち、どれだけ手間がかかり、どこにAIが入れるか。
作るときのルール: 同じ作業を2回していると気づいたら、エージェントとして自動化するというルールです。3回目からはエージェントが実行します。
変数を使ったテンプレート: 本番用の指示書を、名前の付いた変数を持つテンプレートにすることです。内容を確認しやすくなり、版の管理や複製もできます。
保守の計画: 担当者、その代わりの人、見直しの頻度、分かっている失敗のしかた、変更の試し方を書いた短い文書です。
本番で使える状態: 実際の入力で試してあり、失敗のしかたとHITL gateが指示書に書かれ、文書があり、担当者がいて、ずれに気づけるよう記録が残るワークフローです。
網羅性: ハーネス設計で考えるべき要素の一つで、正しく動くために十分な材料をモデルへ渡すことです。材料が足りないと、モデルは推測で補ったり、存在しないAPIを作り出したりします。
目的の判定: エージェントの自己申告ではなく、実行結果で確かめられる停止条件です。たとえば、ビルドが通ることや、エンドポイントが200を返すことです。
モデルの限界: その作業をこなすには、AIがまだ当てにならない、という失敗です。直し方は、決定論的な処理で確かめるか、HITL gateを厳しくすることです。
予算の上限: 実行回数、トークン数、ツール呼び出し回数に厳しい上限を設ける停止条件です。

リスクと安全

Adversarial testing: 難しい入力、矛盾した入力、不完全な入力、悪意のある入力を意図的に与え、エージェントがどこで失敗するかを探すテストです。
Adversarial verification: 作る役と評価する役を分ける検証方法です。一方が成果物を作り、もう一方が誤りを見つける立場で厳しく検証し、検証を通ったものだけを公開します。
AI slop: 十分な手直しや検証をせずに量産された、質の低いAI文章や画像のことです。適切なプロンプティングと見直しで減らせます。
Audit logs: MCPのツール呼び出しについて、時刻、呼び出し元、権限、結果を残した記録です。AIが何をしたかをあとから確認できます。
Blast radius: 問題が起きたときに、そのエージェントが影響を及ぼせるシステムの範囲です。外部システムに接続するエージェントほど、厳しいゲートが必要です。
Confidence calibration: AI自身に、答えの確信度（高・中・低）と理由を付けさせることです。どの出力を人が見るべきかが分かります。
Drift: 入力の傾向が変わって、モデルの出力がじわじわ悪くなっていくことです。音もなく進み、たくさんの出力を並べて初めて見えます。
Drift (loop): ループの失敗の一つで、エージェントが目的を忘れ、目の前の小さな作業ばかり改善し始める状態です。コンテキストの終わり近くで目的を改めて示すと防ぎやすくなります。
Guardrails: 危ないことをAIにさせないための、ルールと確認です。
Hallucination: アシスタントが、誤ったことを自信たっぷりに言い切ることです。ひと手間かけて確かめる価値はいつもあります。
HITL gate: エージェントが操作を実行する前に、人が内容を確認する関門です。取り消せない操作や、確信度の低い出力には必ず設けます。
Human-in-the-loop (HITL): 何かを実行する前に、人がAIの出力を見て承認する形です。規制のかかる工程、取り消せない工程、影響の大きい工程では欠かせません。
Jailbreak: AIの安全対策であるガードレールをすり抜けようとするプロンプトです。ガードレールは利用者と周囲を守るためのものなので、試してはいけません。
Prompt injection: AIが読む文章の中に悪意ある指示を隠して、動きを乗っ取ろうとする攻撃です。
Revocation: 使わなくなったワークフローのMCP接続から、権限を外すことです。眠ったままの接続をためないためです。
Scopes: MCPサーバーが操作ごとに出している権限です。read_employeesとupdate_employeeは別物として扱えます。渡すのは最小限だけにしてください。
エスカレーションの経路: 問題のあるケースを誰に回すかを定めた経路です。誰に、どの手段で、どんな情報を添えて知らせるかを決めます。HITLゲートには必ず必要です。
確信度の下限: 確信度がこの値を下回ったら、エージェントは実行せず、人に判断を求めるという基準です。
必ずHITLにする操作: 必ず人の承認が必要なものです。お金、健康、安全、契約、法的条件、行政への提出、法的地位に関わる操作が該当します。
自信たっぷりに間違える: もっともらしく聞こえるのに、細かいところが間違っている答えです。口調は、正しい答えとまったく同じです。
自動停止: 抜き取りで測った正確さが決めたしきい値を下回ったら、エージェントを止めるブレーカーです。人が戻すまで動きません。
絶対のルール: 口座情報、認証情報、公的な身分証の番号、そして他人から預かった情報は、汎用のAIツールに絶対に貼らないでください。
データの扱い方: AIを使うときに、外に出せない情報をどう扱うかの習慣です。機微なデータは、自分の管理外のツールに貼らず、いまある場所に置いたままにします。
止まり方を間違える: ループの失敗の一つです。早々に切り上げるか、いつまでも止まらないかです。終わりの判定をはっきり書けば直ります。
抜き取り確認: ワークフローの出力の一部（たとえば10%）を抜き出して、自分の目で確かめることです。
前に進まない: エージェントが、失敗する同じ操作を繰り返して前に進めない状態です。試したことを記録し、再試行の回数に上限を設けて防ぎます。

ツールとアシスタント

AI agent: 繰り返しの仕事を自動で進める、保存された指示書です。スケジュール、利用者からの指示、特定の出来事のいずれかをきっかけに動き始めます。
AIアシスタント: 単体で使うチャットのツールです（ChatGPT、Gemini、Claude、Grok）。こちらが聞いてから答える、受け身の道具です。
Artifacts: コード、文書、スライド、動く成果物を、横のパネルで編集できる形で出すClaudeの機能です。
ChatGPT: OpenAIのアシスタントです。chatgpt.comで無料でも利用できます。幅広い用途に対応し、大規模な利用者コミュニティがあります。
Claude: Anthropicのアシスタントです。claude.aiで無料でも利用できます。長文の作成、大量の資料の読み込み、複雑な推論に強みがあります。
Claude Projects: 参考資料を置いておけるClaudeのワークスペースです。どの会話でも、その資料を踏まえた状態から始まります。
Co-pilot: ツールの中で、こちらの作業に並走するAIです。その場で提案してくれますが、主導権はこちらに残ります。
Connectors: 利用者の許可を得て、ClaudeをGoogle Drive、Gmail、Slack、GitHub、Linearなどにつなぐ連携機能です。
Custom GPTs: 一度設定すれば何度でも使えるChatGPTの保存型アシスタントです。
Deep Research: 複数の情報源をまたいでまとまった調べものを進め、出典付きのレポートを返すモードです。
Gemini: Googleのアシスタントです。gemini.google.comで無料でも利用できます。大量の情報、複数形式の情報、画像を含む作業に強く、Google Workspace内でも利用できます。
Gems: 一度設定すれば何度でも使えるGeminiの保存型アシスタントです。
Grok: xAIのアシスタントです。grok.comで無料でも利用できます。Xや最新のウェブ情報に接続でき、現在起きている出来事を扱うことに強みがあります。
アプリ内蔵のアシスタント: GmailやNotion、Wordのように、いつも使っているアプリの中にあるAIです。いま開いているページに対して働きます。
業務ツール上のエージェント: Notionのような業務ツールの中で動き、そのページやデータベースを読み書きするエージェントです。
自動化プラットフォーム: ZapierやMakeのように、コードを書かずに、アプリ間でデータを決まった時間に受け渡せるツールです。
保存できるアシスタント: 一度設定して、何度でも再利用できるカスタムアシスタントです。Custom GPT、Gem、Claude Projectなどが該当します。

AIと働く

100倍の発想: AIによって仕事の速さや費用が100倍規模で変わると、実現できること自体も変わるという発想です。数か月の仕事が数日、数日の仕事が数時間になる可能性を考えます。
80%ルール: まずは何でもAIアシスタントから始めてください。アプリの中のAIは便利な近道で、使わなくてもかまいません。
AI-pilled: AIの便利さにすっかり納得し、さまざまな場面で使いたくなった状態です。多くの場合、半ば冗談として使われる表現です。
AIを使いこなす力: AIと一緒に働き、その上に作り、AIと並んで考える力です。この10年でいちばんリターンの大きいスキルです。
いまは誰でも作れる: AIでワークフローを作った人は、肩書きが何であれ作り手です。
仕事は消すもの: AIには、仕事のかたまりごと消してもらう、という考え方です。速くするのではなく、なくします。
突き合わせ（クロスチェック）: 大事な質問は、2つのツールに通して答えを見比べます。そろえば自信を持って進めます。食い違えば、調べる価値のある場所が見つかります。
まずAIで考える: 新しい作業に入る前に、30秒だけ「AIならどう手伝えるか」を考える習慣です。手で片づけるのは、そのあとです。
学び方を学び直す: 積み上げた専門性が自動化されていくなかで、学び続けるためのメタスキルです。ここが新しい強みになります。