コンテキストエンジニアリング　ＬＬＭの原理、ＲＡＧ・エージェント開発から読み解く

大規模言語モデル（ＬＬＭ）へ与える、プロンプトを含む多様な入力情報である「コンテキスト」。ＬＬＭの挙動を健全にコントロールするために、どんなコンテキストを構築するか―限られた入力領域において、何を与え、何を捨て、どのようにして良いコンディションを保つのか―この技術の総体が「コンテキストエンジニアリング」であり、ＬＬＭ活用を目指すエンジニアが知るべき最重要トピックです。本書では、ＡＩモデルの基礎の仕組みやＡＰＩの挙動をコンテキストの観点から順にひも解き、ＲＡＧ（Ｒｅｔｒｉｅｖａｌ‐Ａｕｇｍｅｎｔｅｄ　Ｇｅｎｅｒａｔｉｏｎ）やＡＩエージェントなど実践的な開発において発生し得るコンテキストエンジニアリングのテクニックを存分に紹介します。

大規模言語モデル（LLM）へ与える、プロンプトを含む多様な入力情報である「コンテキスト」。LLMの挙動を健全にコントロールするために、どんなコンテキストを構築するか――限られた入力領域において、何を与え、何を捨て、どのようにして良いコンディションを保つのか――この技術の総体が「コンテキストエンジニアリング」であり、LLM活用を目指すエンジニアが知るべき最重要トピックです。本書では、AIモデルの基礎の仕組みやAPIの挙動をコンテキストの観点から順にひも解き、RAG（Retrieval-Augmented Generation）やAIエージェントなど実践的な開発において発生し得るコンテキストエンジニアリングのテクニックを存分に紹介します。

※価格が変更になりました。
販売価格3200円→販売価格3000円

目次

第1章　LLMの仕組みから見るコンテキストの正体
1.1 LLMの動作を知る意義
1.2 LLMを構成するニューラルネットワークの基本
　1.2.1 ニューラルネットワークの歴史
　1.2.2 機械学習における基本的な考え方
　1.2.3 推論の呼称について
　1.2.4 機械学習における学習の流れ
1.3 LLMによるトークン生成のしくみ
　1.3.1 ニューラルネットワークの強力な応用「Transformer」
　1.3.2 LLMのベースとなるTransformerにおけるデコーダ
　1.3.3 LLMによるトークン生成における処理の概要
1.4 対話型LLMに施された工夫や注意点
　1.4.1 ロール指定による振る舞いの切り替え
　1.4.2 応答例への追従性
　1.4.3 入力テキストの位置による認識精度の差（Lost in the Middle）
　1.4.4 過去会話の揮発性
　1.4.5 言語間の性能格差
1.5 Reasoningモデルの進化へ
　1.5.1 Reasoningモデルの登場経緯
　1.5.2 Reasoningモデル特有の挙動
1.6 まとめ

ほか

本の帯に関して

帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。

版・表紙について

版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。