中級編第2回：LLMの"手足"を創る - 外部連携と応用のトレンド

## 1. はじめに：LLMは"脳"から"身体"へ 前回の **中級編 第1回** では、Transformer や Attention といった、LLM の「思考」の源泉となる **「"脳"の仕組み」** について解説しました。LLM がどのようにして文章を理解し、生成するのか、その基本原理をご理解いただけたかと思います。 しかし、LLM が真に役立つツールとなるためには、その賢い「脳」に、外部の世界と連携するための **「手足」** を与える必要があります。今回の第2回では、LLM の能力を現実世界の問題解決に直結させる、より実践的な8つの「応用技術」に焦点を当てていきます。 これらの技術によって、LLM は閉じた世界から飛び出し、私たちの業務をより直接的にサポートするパワフルな存在へと進化しているのです。 ----- ## 2. LLMの"手足"となる8つの応用技術 ### 2-1. Retrieval-Augmented Generation (RAG)：外部知識を「検索」して回答する技術 ![RAG (検索拡張生成) の概念図](/contents/tech/C02-llm-fundamentals-2/images/2-1_RAG.jpg) LLM は学習データに含まれない最新情報や、社内文書のような限定的な知識は基本的に知りません。また、時々もっともらしい嘘（ハルシネーション）をついてしまうことも。この問題を解決する最もポピュラーな技術が **「RAG（ラグ）」** です。 これは、ユーザーから質問を受けると、まず関連情報を Web 検索やデータベース、文書ファイルなど **外部の知識ソースから検索（Retrieval）** し、見つけてきた情報を参考にして回答を生成（Generation）する仕組みです。あたかも LLM が「ググって」から答えるようなイメージですね。 ##### RAGの3ステップ動作 RAG は、以下の3ステップで動作します。 1. **検索 (Retrieve)**: ユーザーの質問をまず **ベクトル** に変換し、あらかじめ文書をベクトル化して保存しておいた「ベクトルデータベース」から、意味が近い文書チャンク（断片）を検索してきます。 2. ...

クイズは準備中です