こんにちは。 ファインディ株式会社でFindy AI+の開発をしているdanです。 今回は、プロンプトにどのようなデータや指示内容を与えるとLLMが誤った出力をしやすいのかについてお話しします。 プロンプトには何を書くべきで、何を書かないべきなのか。また、LLMに渡すデータはどのような形であるべきなのか。私自身が経験した実際の例をあげて解消までのアプローチ方法をご紹介します。 分析の精度をあげるにはここで紹介する内容では不十分ですが、入門編として参考になれば幸いです。 この記事はファインディエンジニア #

1.はじめに NTT西日本の大賀です。 先日投稿された「話題のAIエージェント作ってみた（ 話題のAIエージェントを作ってみた - NTT WEST Engineers' Blog ）」では、エンジニアが AI エージェントを 1 から実装する方法について紹介されていました。 今回はより幅広

こんにちは、サイオステクノロジーの遠藤です。本ブログはSIOS Tech Labアドベントカレンダー18日目の投稿です。 今回は、RAG評価フレームワークである Ragas の最新バージョン v0.4.0 について紹介します。 さらに、GPT-5の reasoning_effort パラメータを使って、 minimal（高速モード）とhigh（推論重視モード） での評価結果の違いも検証しました。 Ragasのv0.4.0で何が変わったの？ Azure OpenAI ServiceのGPT-5でRagasを

はじめに PS-SLの佐々木です。 アドベントカレンダー14日目になります。 今回はRAGシステムを構築している際にデータの一覧や統計データの取得、集計をしたい場合のTipsを紹介します セマンティック検索が苦手な質問 RAG（Retrieval-Augmented Generation）システムを構築したことがある方なら、こんな経験はないでしょうか。 ユーザー: 「完了率を教えてください」 RAG: 「完了に関する情報が見つかりました。タスクAは完了しています。タスクBも完了しています...」 ユーザー

こんにちは、MEKIKI X AIハッカソンもくもく勉強会の12日目を担当するYokoiです！ 普段はモダナイゼーション案件で生成AIの活用支援をしています。プライベートではドライブとサウナにハマっています。 今日は、ローカル環境で完結するRAG構築について書いてみました。 2025年10月22日、ついに LangChain v1 がリリースされました。 API 設計やエージェント機能が大きく進化しましたが、ネット上にはまだ v0 系の情報が多く、最新仕様で実装しようとすると意外とつまずきがちです。 そこ

目次 はじめに 再帰チャンキング (Recursive Chunking) とは 概略 分割のイメージ Recursive Chunkingによる分割結果 参考URL 実践：インデキシング 1. 準備 2. Inference Endpoint の作成 3. インデックスの作成 4. マッピングの追加 5. ドキュメントの取り込み 6. データの反映 実践：検索と結果検証 ケース1. 表データの検索 考察 比較：Sentence Chunking の場合 ケース2. 階層が深いブロックの検索 比較：Wor

この記事は KINTOテクノロジーズ Advent Calendar 2025 の10日目の記事です🎅🎄 はじめに KINTOテクノロジーズのCloud Infrastructure G(CIG)でInfrastructure Architectを担当している劉(YOU)です。11月から技術広報 Gも兼務することになりました。 2025年11月、弊社は「 CloudNative Days 2025 Winter 」に、スポンサー企業として参加しました。今回のイベントでは、弊社の社員2名が登壇し、私が所属し

プロダクションで稼働しているAI機能のフレームワークをLangGraphに完全移行しました この記事は every Tech Blog Advent Calendar 2025 の 13 日目の記事です。 背景 課題解決のために 明確な責務分離が可能 ワークフローの変更柔軟性、拡張性 プロバイダに依存しない プロバイダの置き換えやすさ 型制約（Structured Outputのため） テストのしやすさ LangGraphの採用 ディレクトリ構成 Stateの定義 Node の定義 サブワークフローの定義

MEKIKI X AIハッカソンもぐもぐ勉強会 Advent Calendar 2025の5日目を担当する古谷です。 2025年6月にDatadogから提供開始されたDatadog LLM Observabilityを実際に動かしてみたので、今回はその検証レポートをお届けします。 そもそもLLM Observabilityとは？ 生成AIアプリケーションの開発が加速する一方で、その内部動作はブラックボックス化しやすいという課題があります。特にRAGやMCP等を含むAIエージェントでは、 プロンプト → 応

はじめに こんにちは。社内横断で利用されるデータ基盤 Crois の開発を担当している、茅原です。 本記事では、Croisと呼ばれる内製

Introduction Hello. I'm Yamada, and I work on developing and operating internal tools at the Platform Engineering Team, Platform Group of KINTO Technologies. Please also check out my previous articles on Spring AI and Text-to-SQL! https://blog.kinto-t

はじめに こんにちは。KINTOテクノロジーズ プラットフォームグループ Platform Engineeringチームで内製ツールの開発・運用をおこなっている山田です。 過去に書いたSpring AIとText-to-SQLの記事もぜひご覧ください！ https://blog.kinto-technologies.com/posts/2025-06-11-springAI/ https://blog.kinto-technologies.com/posts/2025-01-16-generativeAI

目次 目次 はじめに：LLMは「なぜ？」をどこまで理解しているのか DAGと「調整」の基本 本記事で登場する用語の説明 DAG（Directed Acyclic Graph） 調整する（adjustment） バックドアパス（backdoor path） 調整集合 Z（adjustment set） d-separation コライダー / 非コライダー ステップ1：DAGベースの「独立性＆バックドアチェッカー」をPythonで実装する 1-1. 因果グラフを扱うクラス：CausalDAG 1-2. d-

🧭 はじめに 2025年10月にGAとなったAmazon Bedrock AgentCoreにおける「AgentCore Observability」とは、生成AIエージェントの内部動作をOpenTelemetry（OTel）ベースで観測できる仕組みです。 リクエスト処理時間やエラー率だけでなく、「どんなプロンプトが送られ」「どんな応答が返ったのか」といったLLM固有の情報まで観測することが特徴です。 しかし、この観測の裏側では、従来までのOTelベースのトレースでは扱えない課題が存在しました。 プロンプ

はじめに こんにちは！NTTデータの@kouiwaです。 皆さんはOpenAI Agents SDKのCode Interpreterをご存じですか？入力したPythonコードをサンドボックス環境で実行し、データ処理やグラフ描画まで行ってくれる、データ分析において革命的な力を秘めたツールです。 この記事では、OpenAI Agents SDKのCode Interpreterを用いて文字化けのないグラフ画像を生成し、取得する方法を解説します。同様にAIエージェント開発に挑戦するエンジニアの方々にとって、少