AIの概念 on Yanmu

Agent と Harness とは？ — 動画ノートまとめ

Mon, 25 May 2026 02:00:00 +0800

一言でまとめ

Agent は AI がどう作業するかを解決し、Harness は AI が確実に作業を完了するための仕組みです。 この二つが組み合わさって、Claude Code、Codex、Open Cloud、千問などの製品を構成しています。

一、ChatGPT から AI Agent へ

元の問題

ChatGPT に HTML + SVG でアニメーション（Apple ロゴのライン描画など）を作らせると、結果は大抵良くない——2026年になっても AI は極めてシンプルなロゴすらうまく描けません。

手動での改善方法

iconfont などのサイトで Apple SVG 素材を検索
SVG コードを AI に渡し、参考にして再描画させる
結果は大幅に改善されるが、毎回手動で素材を探すのは面倒

自動化の改善 — ラッパーサイト（初期の Agent 原型）

ChatGPT をラップするサイトを構築し、API 経由で呼び出し、バックエンドに関数を追加：

ユーザーがリクエスト送信 → サイトが AI に伝える：「これがユーザープロンプトです。必要に応じて呼び出せるロゴ検索関数もあります」
AI が分析 → Apple ロゴ素材が必要と判断し、「素材検索ツールを呼び出せ、パラメータ：Apple ロゴ」と返答
サイトが実行 → バックエンドで検索関数を実行し SVG 素材を発見
最終生成 → サイトが素材 + ユーザープロンプトを AI に送り、アニメーションを完成

二、Agent の二つの中核動作モード

1. ReAct（Reasoning + Acting）— 一歩ずつ進む

3ステップループ：

思考（Think）：AI がリクエストを分析し、何が必要か、どのツールを呼ぶべきか判断
行動（Act）：AI がバックエンドにツール呼び出しを指示（例：素材検索）
観察（Observe）：バックエンドが結果を返し、AI が結果を確認して次のループへ

「思考→行動→観察」のサイクルをタスク完了まで繰り返します。

これは Claude Code、Codex、Open Cloud を含む、ほぼすべての AI Agent の最も基本的で本質的な動作パターンです。

2. Plan & Execute — 計画してから実行

計画を先に：タスクを受け取ったら、作業リスト/ステップ一覧を生成
実行：リストに従って一つずつ実行

モード	類似	特徴
ReAct	行き当たりばったり	柔軟、その場で調整
Plan & Execute	事前に下調べしてから出発	構造化、複雑なタスクに適切

実際の Agent は両方を組み合わせて使用します。例えば千問の「タスクアシスタント」モード：まず要件を分析してステップを計画し（Plan）、その後能動的に情報検索、コード作成、調整を行います（Act）。

三、Agent の高度な機能

ツール呼び出し（Tool Calling / Function Calling）

Agent がユーザープロンプトに基づいて呼び出すツールを判断し、バックエンドが実行して結果を返します。

コンテキスト管理と圧縮

大規模モデル自体に記憶はなく、毎回新しい会話として始まる
Agent は会話履歴全体を毎回 AI に送る必要があり、進むほどに長くなる
コンテキストウィンドウ = AI の作業台、サイズに制限あり
コンテキスト圧縮：会話がウィンドウを超えた場合、古い内容を要約して置き換え
- トレードオフ：圧縮で情報が失われ、以前の指示を AI が忘れる可能性がある

マルチエージェント連携

1つの AI がプロジェクトマネージャー（要件理解、タスク分割、作業割り当て）を担当し、他の AI がサブタスクを実行。

各サブ AI は独立したコンテキストウィンドウを持ち、互いに干渉しない
プロジェクトマネージャーは最終結果のみを受け取り、中間プロセスは関知しない
効率を向上させると同時に、コンテキスト爆発の問題を緩和

四、Harness — AI を確実に動作させる保護網

Agent が実際に稼働すると様々な問題に直面するため、Harness（馬具/保護網）が必要です。

Harness に含まれる工学的チェックポイント

チェックポイント	問題	解決策
フォーマット整形	JSON 返却時に「はい」やマークダウンコードブロック、余分な改行を追加	無駄な部分、ラッパー記号、余分な改行を除去；それでもダメならエラーを返して再生成
パラメータ検証	ツール呼び出しのパラメータが不正（city に都市名以外など）	呼び出し前にフォーマット/範囲を検証、不合格なら差し戻し
入力フィルタリング	プロンプトインジェクション攻撃（「前の指示をすべて無視して」）/ 悪意あるコードを含む SVG のアップロード	ユーザー入力がシステムに入る前に不審な指示と素材の安全性をチェック
出力フィルタリング	AI 生成コンテンツに悪意あるコードが含まれる可能性	出力内容を検査
ハードコード検証	AI が同じミスを繰り返す（常に白背景を使うなど）	コードで直接制御：SVG 背景色を自動検出し、白を暗色に置換

Harness 工学の核心原則

コードで強制できることは、決してプロンプトだけで頼ってはいけない。

五、全体アーキテクチャまとめ

一言で格上げ

Agent は馬であり、Harness は馬具です。 馬が馬具なしでは問題が発生し、馬具だけでは何もできません。両者が組み合わさることで、AI は口だけのチャットボットから、現実世界で働ける労働者へと変貌します。

Context7 ガイド：AIコーディングアシスタントに最新ドキュメントを理解させる

Sat, 02 May 2026 19:51:00 +0800

概要

こんな経験はありませんか？AI にコードを書かせたら、たくさん出力したのに実行するとエラーになる。または、ドキュメントに明らかに存在する API なのに、AI が「存在しません」と言う。

AI がバカなのではありません。学習データには賞味期限があるのです。数ヶ月前や一年前のデータで学習している間に、フレームワークは何度もアップデートされています。

Context7 はこの問題を解決します。Upstash チームが開発したもので、質問時に最新の公式ドキュメントを取得し、AI のコンテキストに注入して、現在のバージョンに基づいて回答させます。

使い方は簡単で、プロンプトの末尾に use context7 を追加するだけです。AI に「推測するな、まず最新ドキュメントを確認してから答えて」と伝えるようなものです。

なぜ必要か？

💥 具体例

個人サイトに「トップに戻る」ボタンを追加したいとします。ページをスクロールすると右下にボタンが表示され、クリックすると一番上に戻る、というものです。

AI が古い知識で書いたコード： 数十 KB のサードパーティライブラリを読み込み、それを呼び出すためのコードを大量に書く。機能は実現できますが、たった一つのボタンのためにページが遅くなり、コードが冗長になります。

実際には今はもっと簡単です： モダンブラウザにはスムーズスクロールとスクロール検出が組み込まれています。数行のコードで済み、追加ライブラリは不要です。

AI はこれを知りません。なぜなら数年前の教材で学習したからです。

use context7 を追加すると、Context7 が最新ドキュメントを確認し、ネイティブ機能で十分だと判断します。AI は古いやり方ではなく、より軽量な方法を選びます。

これは、友達にスマホの修理を頼んだとき、3年前の手順を記憶だけで分解しようとするようなものです。ネジの位置は変わっています。最新のチュートリアルを先に見ておけば、壊さずに済みます。

Context7 の有無の違い

	なし	あり
情報源	AI の古い知識（時代遅れの可能性）	公式ドキュメントからリアルタイム取得
API の正確性	よく間違える、または既に存在しない API を使う	現在のバージョンの API を保証
コード品質	数年前の古い書き方の可能性	最新の推奨される書き方
バージョン対応	バージョンを無視して推測	指定したバージョンを検索

🔄 仕組み

数ステップで完了します：

質問する（末尾に use context7 を追加）
    ↓
Context7 が質問対象のコードパッケージを特定
    ↓
GitHub と公式ドキュメントサイトから最新情報を取得
    ↓
最も関連性の高い部分をフィルタリングして AI の「コンテキスト」に注入
    ↓
AI が最新ドキュメントをもとに回答

「コンテキスト」とは、AI が現在の会話で「見える」内容のことです。ドキュメントを注入するのは、テーブルに参考書を広げるようなもので、AI はそれを見ながら回答します。

ドキュメントの出所は？GitHub リポジトリ、公式ドキュメントサイト、そしてプロジェクトメンテナーが作成した llms.txt（AI 向けのドキュメントインデックスファイル）です。

結果を取得した後、Context7 は LLM を使ってインテリジェントに並べ替え、最も関連性の高い部分だけを選び出します。

2つの使い方：

方法	説明
MCP モード（推奨）	一度インストールすれば、AI コーディングアシスタントが自動的に呼び出す。MCP は AI にプラグインを追加するようなもの
CLI 手動モード	ターミナルでコマンドを打って手動でドキュメントを検索

コア機能

スマートマッチング：名前を言えば、探しに行く

AI にあるツールの使い方を尋ねると、Context7 はそのツールの最新マニュアルをネット上で見つける必要があります。しかし、同じ名前のものが複数存在することもあります。

一般的な名前なら自動で認識できます。名前が曖昧で混乱しやすい場合は、誰/何 の形式で正確に指定します：

`1`	`/tailwindlabs/tailwindcss を使って私のウェブページにナビゲーションバーを追加してください。use context7`

tailwindlabs は作者名、tailwindcss はプロジェクト名です。「Apple」を検索するのと同じで、果物なのか携帯なのか——はっきり言えば間違えません。

対応ライブラリ

人気のあるものはすべて収録：React、Next.js、Vue、Tailwind CSS、Express、Prisma、Supabase、TypeScript……完全なリストは context7.com/rankings をご覧ください。

バージョン認識

バージョンによって API は大きく異なることがあります。バージョン番号を直接指定すれば、Context7 が対応するバージョンのドキュメントを検索します：

1
2
3

Vue 3 でカウンターを書いて。use context7
Next.js 14 の Pages Router で API ルートを書いて。use context7
Tailwind CSS v4 でダークモードを設定して。use context7

iPhone 12 の分解チュートリアルを頼めば、誰も iPhone 15 のものを渡しません。

インストール

ワンクリックインストール

`1`	`npx ctx7 setup`

npx は Node.js に付属しているコマンドで、追加インストールは不要です。Node.js をまだインストールしていない場合は、nodejs.org からダウンロードしてインストールしてください。

実行すると以下の処理が行われます：

ブラウザが開いてログイン認証（OAuth）
API Key の生成（あなたの「身分証明書」）
エディタの自動設定

3ステップで完了です。

エディタを指定する場合はパラメータを追加：

1
2
3

npx ctx7 setup --claude      # Claude Code
npx ctx7 setup --cursor      # Cursor
npx ctx7 setup --opencode    # OpenCode

アンインストール：npx ctx7 remove

手動設定

自動インストールが機能しない場合は、手動で MCP Server を追加します：

{
  "mcpServers": {
    "context7": {
      "url": "https://mcp.context7.com/mcp",
      "headers": {
        "CONTEXT7_API_KEY": "あなたのAPIキー"
      }
    }
  }
}

各ツールの設定ファイルの場所（~ はユーザーディレクトリ、Windows なら C:\Users\ユーザー名）：

ツール	設定場所
Cursor	Settings → MCP、または `~/.cursor/mcp.json`
Claude Code	`~/.claude/settings.json`（グローバル）または `.claude/settings.json`（プロジェクト）
Windsurf	Settings → Cascade → MCP servers
Cline	VS Code 拡張内 MCP Servers → Configure
OpenCode	プロジェクトルート `opencode.json`

API Key は context7.com/dashboard で取得。形式は ctx7sk... で、無料ユーザーにも割り当てがあります。

✅ 動作確認

テストメッセージを送信：

`1`	`ボタン付きのカウンターウェブページを書いて。use context7`

AI がクリーンでモダンなコードを出力し、余分なライブラリを読み込まなければ、正常に動作しています。

使用方法

基本の使い方

プロンプトの末尾に use context7 を追加：

1
2

シンプルな履歴書ウェブページを書いて。use context7
秒数を入力してカウントダウンするツールを書いて。use context7

ライブラリの正確な指定

/owner/repo 形式で名前のマッチングをスキップ：

`1`	`/tailwindlabs/tailwindcss を使って私のページにナビゲーションバーを追加して。use context7`

ライブラリ名に曖昧さがある場合に推奨。

バージョン指定

1
2

Bootstrap 5 ではなく Bootstrap 4 の書き方でカードレイアウトを書いて。use context7
Vue 3 の Composition API で TODO リストを書いて。use context7

複数ライブラリの組み合わせ

`1`	`Bootstrap + Font Awesome でアイコンギャラリーページを作って。use context7`

自動トリガーの設定

毎回 use context7 と手入力したくない場合は、ルールファイルに設定：

→ Cursor .cursorrules に記述：

`1`	`ユーザーの質問がサードパーティのフレームワークやライブラリの API 使用方法に関する場合、自動的に Context7 で最新ドキュメントを検索する。`

→ Claude Code CLAUDE.md に記述：

1
2
3

## ドキュメント検索ルール
- サードパーティのライブラリやフレームワークに関する場合、最初に Context7 で最新ドキュメントを検索する
- Context7 が返した内容に基づいてコードを生成することを優先する

CLI コマンド

AI との会話でしか Context7 を使わないなら、この部分はスキップしても構いません。CLI はターミナルでコマンドを打つのが好きな人向けです。

npm は Node.js に付属のパッケージマネージャー、-g は「グローバルインストール」を意味します。

# CLI のインストール
npm install -g ctx7

# ライブラリの検索
ctx7 library react
ctx7 library nextjs "middleware"

# ドキュメントの取得
ctx7 docs /facebook/react "hooks state management"
ctx7 docs /vercel/next.js "middleware authentication"

# Skills 管理
ctx7 skills search        # Skill を検索
ctx7 skills install       # Skill をインストール
ctx7 skills list          # インストール済みを表示
ctx7 skills remove        # アンインストール

# 認証
ctx7 login                # ログイン
ctx7 whoami               # 状態を確認
ctx7 logout               # ログアウト

❓ よくある質問

AI の内蔵ウェブ検索との違いは？

ウェブ検索ではブログやフォーラムの投稿がヒットしますが、品質はまちまちで、自分で信頼性を判断する必要があります。Context7 は公式ドキュメントのみから情報を取得し、LLM で最も関連性の高い断片をフィルタリングして、AI に直接渡します。

💰 `use context7` でコストが増えますか？

いいえ。ドキュメント検索のステップが増えますが、AI が正確な情報を得られるため、推測や修正の繰り返し、長くて間違ったコードを書くことがなくなります。総合的なトークン消費量はむしろ減ります。

使っているライブラリが未収録の場合は？

context7.com で “Add Docs” をクリックして申請するか、use context7 を付けずに AI を自分の知識だけで回答させます。

インストールしたのに効果がない？

以下を一つずつ確認：

npx ctx7 setup でエラーが出なかったか
MCP 設定ファイルの JSON 形式が正しいか（カンマ一つで失敗します）
API Key が有効か（ctx7sk... で始まります）
エディタを完全に閉じてから開き直したか
MCP リストのステータスが緑色か
質問時に use context7 を書いたか

応答速度に影響しますか？

1〜2秒の待ち時間が増えますが、正確な回答が得られるので修正のやりとりが減ります。エラーが起きてから修正する時間に比べれば、この1〜2秒ははるかに短いです。

まとめ

項目	内容
概要	AI コーディングアシスタントにリアルタイムの最新ドキュメントを提供するプラットフォーム
解決する問題	学習データの古さによる AI の誤ったコード出力
コア原理	公式ドキュメントをリアルタイムに取得し、AI コンテキストに注入
インストール	`npx ctx7 setup` の一行で完了
使用方法	プロンプト末尾に `use context7` を追加
価格	無料枠あり、個人利用に十分
公式サイト	context7.com
GitHub	github.com/upstash/context7

インストールすれば、AI が古い知識でごまかす心配はもうありません。

LoRA大規模モデル微調整

Thu, 11 Dec 2025 00:00:00 +0800

一、LoRA とは？

LoRA（Low-Rank Adaptation、低ランク適応）は大規模モデルの微調整技術です。

問題の出発点

大規模モデル（Qwen、Llama など）は 7B、70B ものパラメータを持っています。新しいことを学習させるたびに全パラメータを再訓練するには、数十枚の A100 GPU を数日間稼働させる必要があり、一般の人はまず不可能です。

LoRA の発想

元のモデルには触れず、横に「小さなプラグイン」を付けるだけ。

比喩で説明します：

方法	たとえ
全量微調整	教科書全体を書き換える
LoRA	教科書の余白に付箋を貼って補足を書き加える

元のモデルの重みはまったく変更しません。LoRA は特定の重要なレイヤーの横に極小の行列（低ランク行列）を挿入し、訓練時にはこの行列のパラメータだけを更新します。

なぜ「低ランク適応」なのか？

数学的には、大きな行列は 2 つの小さな行列の積で近似できます。LoRA はこの原理を利用します。元の重み行列 $W$ はそのままにして、2 つの小さな行列 $A$ と $B$ を追加で訓練し、最終的な出力は $W + A \cdot B$ になります。$A$ と $B$ を合わせても元の重みの 1000 分の 1 程度のサイズです。

二、LoRA の用途

LoRA の核心はたった一つ：非常に低コストで大規模モデルの「振る舞い」を変えることです。

📌 LoRA が変えるのはスタイル/フォーマット/振る舞いであって、知識ではない

モデルに新しい知識を学習させたい → RAG（検索拡張生成）を使用

モデルの話し方や振る舞いを変えたい → LoRA を使用

代表的なユースケース

シナリオ	例
スタイル変換	汎用モデルに魯迅の文体で文章を書かせる
フォーマット制約	モデルに厳密な JSON のみを出力させる
ロールプレイ	Qwen を「原神」の鍾離にする
ドメイン口調	医療問診の口調、法律文書の厳密な表現
指示追従	system prompt をより正確に守らせ、脱線を防ぐ

LoRA のメリット

VRAM 消費が極めて低い：7B モデルを RTX 3090（24G）1 枚で訓練可能、8G でもなんとか動作
ファイルサイズが極小：訓練成果物は数 MB だけ。1 つのモデルに数十の異なる LoRA を付けられ、プラグアンドプレイ
訓練が高速：数百件のデータで 30 分で結果が出る
ベースモデルを破壊しない：LoRA をアンロードすればモデルは元に戻り、リスクゼロ

三、LoRA の使い方

大きく分けて 4 ステップ：

ステップ 1：データの準備

モデルに学習させたい「振る舞い」を対話例として書き出します。

モデルを毒舌カスタマーサービスにしたい場合、50〜200 件の対話を用意します：

ユーザー：荷物はどこですか？
担当者：お客様、特に問題がなければ配送車の中で日光浴中だと思います。一緒に日光浴しながらお待ちください。

ユーザー：返金できますか？
担当者：はい、手順はだいたい西遊記の旅と同じくらいの長さです。注文番号をご用意ください。私がこの旅をご案内します。

データ量は多くなくて大丈夫です。50〜200 件の高品質な例で明らかな効果が得られます。質は量よりはるかに重要です。

ステップ 2：ツールの選択

さまざまなツールがありますが、本質的には同じことを行います。おすすめは 2 つ：

ツール	特徴	向いている人
LLaMA-Factory	Web UI、クリック操作のみ	コードを書きたくない初心者
Unsloth	2〜5 倍高速、VRAM 半減	Python を少し書けて効率重視の人

Unsloth のコアコードは 30 行未満です。本質は：モデルをロード → LoRA をアタッチ → データを流し込む → 訓練 → 保存。

ステップ 3：訓練

いくつかの重要なパラメータを設定して、待つだけ：

パラメータ	役割	標準的な値
LoRA rank（ランク）	「プラグイン」の容量を決定。大きいほど细腻だが VRAM を消費	8 か 16 で十分
学習率	1 回の学習量	5e-5、あまり弄らない
エポック数	データを繰り返す回数	3〜5

ステップ 4：使用

訓練が完了すると、数 MB の LoRA ファイルが得られます。使用時は元のモデルとこの LoRA ファイルを同時にロードするだけで、モデルは訓練した通りの振る舞いになります。

元のモデルに戻したい？LoRA をアンロードするだけで 1 秒で復元できます。

1 つのモデルに複数の LoRA を同時に付けることもできます。たとえば「毒舌スタイル」と「JSON 出力」の LoRA を付ければ、JSON を出力できる毒舌アシスタントになります。

四、関連概念との関係

概念	説明	LoRA との関係
全量微調整	全パラメータを変更	LoRA の代替手段、効果は高いがコストは数百倍
RAG	外部知識ベースの検索	補完関係：RAG は知識、LoRA はスタイルを担当
プロンプトエンジニアリング	プロンプトを書く	最も軽量だが効果は限定的。プロンプトで足りないときに LoRA
QLoRA	LoRA + 4bit 量子化	LoRA の VRAM 節約版、8G GPU でも 7B モデルが動作
PEFT	パラメータ効率的微調整の大分類	LoRA は PEFT ファミリーで最も人気のある手法

五、一言まとめ

LoRA = 大規模モデルに付ける小さなプラグイン。知識は変えずに振る舞いだけを変更、訓練コストは極めて低く、数 MB のファイルでプラグアンドプレイ。

MCP入門ガイド：誰でも理解できるAIの万能プラグ

Mon, 01 Dec 2025 01:46:03 +0800