インサイト
AIを業務で「使える」状態にするための実践知。RAGの精度設計や Forward Deployed Engineer（FDE）型の受託開発について、現場で手を動かした実装者の視点で書いています。
RAG構築
RAG（検索拡張生成）を「とりあえず動く」まで作るのは1日仕事です。難しいのはそこから業務で使えるまでの距離——精度を決めるのはモデルではなく、データ整備・検索設計・評価・運用の積み上げです。何から作り、どの順で測るか。実案件で正答率38.8%→93.6%を実現した構築手順を、実装者の視点で示します。
AIエージェント
AIエージェント開発で最初に決めるべきは、モデルでもフレームワークでもなく「どこまで任せるか」です。ワークフローで足りる処理とエージェントが要る処理の見分け方、ツール設計、失敗時の縮退、Human-in-the-loopから自動化へ「卒業」する運用まで——2024年から見積エージェントを本番運用してきた実装者の視点で書きます。
社内ナレッジ検索
エンタープライズサーチとは、社内に散らばる文書・ナレッジを横断して探せるようにする仕組みです。Web検索と何が違うのか、検索窓はあるのに「使われない」のはなぜか、RAG（検索拡張生成）で「リンク一覧」から「出典つきの回答」へ何が変わるのか。社内文書検索で正答率38.8%→93.6%を実現した実装者の視点で、導入設計と製品/構築の判断軸まで示します。
AI開発環境
AIのためにエディタを乗り換え、その重さと値上げに疲れていませんか。問題はエディタ選びではなく、エージェントとエディタの「結合様式」にあります。ACPやClaude CodeのIDEプロトコルが示す疎結合という選択肢を、Sublime Text用の接続層を自作して確かめた実装者の視点で解説します。
AI立て直し
バイブコーディングや安価な外注で「動くもの」はできた。しかし品質・セキュリティ・保守に不安が残り、次の投資を決められない——そんな状態から本番品質へ立て直す順番（棚卸し→守る線→測れる化→直すか作り直すかの判断）を、実装者の視点で解説します。
AI導入・PoC
AIのPoCは動くのに本番に乗らない。原因は技術力ではなく始め方です。PoC止まりが起きる3つの分かれ目（目的・評価・運用）と、止まった状態から本番へ進める順番を、実装者の視点と実データで解説します。
RAG精度診断
RAG（検索拡張生成）がデモでは動くのに本番で精度が落ちる——原因はたいていモデルではなく、データ・検索・評価・運用の4層のどこかにあります。現場で聞く「症状」から原因の層を引き当て、いまのRAGに必要な次の一手（ハイブリッド／Graph／Agenticの選び方、そして評価と人間監査の設計）までを、実装者の視点で示す診断ガイドです。
RAG評価設計
RAGの精度を上げる最初の一歩は、賢いモデルでも新しい検索でもなく、評価セットという物差しを作ることです。検索と生成を分けて測る評価セットの作り方、決定的な採点はルールで・曖昧な質だけLLM-as-a-Judgeで測る使い分け、そして評価があるからこそ人間監査を「卒業」してフィードバックループを自動化できる設計を、実装者の視点で解説します。
RAG検索設計
RAGにベクトル検索を入れたのに、社名や型番で聞くと別の資料が返ってくる——ベクトル検索は意味の近さに強い一方、固有名詞の厳密一致を取りこぼします。ハイブリッド検索とは何かの整理から、ベクトル＋キーワード（BM25）＋リランキングをRRFで束ねる設計、そして「決定的に解ける処理はLLMよりルールベースのほうが測定しやすく・ブレず・安く・保守しやすい」という考え方までを、実装者の視点で解説します。
RAGデータ設計
RAGの精度の話はつい検索やモデルに向かいますが、現場で最初に効くのは前処理です。文字数で機械的に切ると、答えの半分だけが入ったチャンクや文脈を失った断片が生まれ、検索がそれを拾ってもLLMは答えようがありません。文書構造に沿ったチャンク分割・メタデータ付与・古い版や廃止規程の整理といったデータ設計を、実装者の視点で解説します。
営業自動化 / LLMエージェント
Slackのリアクションで動く見積エージェントと、企業調査から提案書までを一気通貫で作る自動生成——本番で使われ続けている2つの営業AIを例に、「デモ止まり」で終わらせない設計原則（AIは提案・人が決める、業務への溶け込ませ方）を解説します。
Graph RAG / 法令RAG
法令や社内規程のRAGは、条文が参照・準用でつながっているため単純なベクトル検索では準用先を取りこぼします。エネルギーインフラ事業者の法令ナレッジで、参照関係を辿るGraph RAGと4軸評価により合格率を65%→約91%へ引き上げた設計を、実装者の視点で解説します。
RAG精度設計
RAGがPoCでは動くのに本番で精度が落ちる──原因はモデルではなくデータ・検索・評価・運用にあります。大手総合商社の文書検索で正答率を38.8%から93.6%へ引き上げた4層設計を、実装者の視点で解説します。