AI技術の進化とRAG・MCPの本質理解
新時代のAI活用技術の全貌
私、亀田です。今回はAI技術の根幹を成す3つの重要概念について深掘りしていきます。ラージランゲージモデル（LLM）の技術進化を理解することで、より効果的なAI活用の視点を身につけることが今回のゴールです。
AIの進化の歴史と方向転換
パラメータ数の爆発的増加時代
AI技術の進化を振り返ると、規模拡大による性能向上が主流でした。2018年のGPT-1では1.17億パラメータからスタートし、わずか2年後のGPT-3では1750億パラメータまで急拡大しました。これは実に1700倍もの規模拡大です。
私が20年前に大学で研究していた頃は、せいぜい3000個程度のパラメータで、学習に1〜2週間かかっていました。それが今では数千億規模まで発達したことは、まさに革命的な変化といえるでしょう。
新たな進化の方向性
しかし、2023年頃から進化の方向が大きく変化しました。単純な規模拡大から、以下の要素に重点が移ってきています：
マルチモーダル対応（テキスト以外の画像なども処理）
推論能力の強化（AIが自分で考える力）
コンテキストウィンドウの拡大（より多くの情報を一度に処理）
外部知識・ツールの活用
プロンプトエンジニアリングからコンテキストエンジニアリングへ
時代遅れとなったプロンプトエンジニアリング
推論能力が発達したことで、細かな手順書を書くプロンプトエンジニアリングは過去のものになりました。AIが自分で手順を考えられるようになったからです。
新時代のコンテキストエンジニアリング
現在重要なのはコンテキストエンジニアリングです。これは以下の要素をAIに提供することを指します：
ユーザーの現在の状況と経緯
目指したい目標やビジョン
使用したいツールとその特性
具体的なミッションやサブゴール
私が提唱している「ごめんねメソッド」は、まさにこの新しい時代にフィットした手法なのです。対話を通じて外部知識を与え、AIに最適な解決策を考えさせるアプローチです。
RAGとMCPの技術的本質
RAG（リトリーバル・オーギュメンテッド・ジェネレーション）
RAGはAIが持ち得ない知識を与えるシステムです。基本的には知識の拡大を目的とした入力専用のシステムといえます。チャットで添付ファイルをガサッと渡すような感覚で、外部から知識を引っ張ってきてAIに提供します。
MCP（モデル・コンテキスト・プロトコル）
MCPはAIの能力拡張のための統一規格です。外部ツールとの連携方法を標準化することで、様々なサービス（Notion、Canva、Slack等）をAIが使い分けられるようになります。
RAGとMCPの違い：
RAG：知識の入力のみ（読み込み専用）
MCP：ツールの活用全般（読み書き・更新・削除も可能）
実際の動作例
私は現在、Claude に8つのツールを接続しています。例えば「クラウドフレアでキーバリューを格納するサービスはどれですか？」と質問すると、AIが自動的にCloudflare Docsツールを使って検索し、適切な回答を提供してくれます。
AIは接続されたツールの概要を受け取っており、どのシーンでどのツールを使うべきかを自分で判断します。これにより、より柔軟で実用的なAI活用が可能になっています。
まとめ：新時代のAI活用戦略
現在のAI技術は、外部知識の取り込みと外部ツールの活用が核心となっています。細かな指示よりも、適切なコンテキストを提供し、AIの推論能力を最大限活用することが重要です。
次回は、この技術の根底を支えるベクトルデータベースについて深掘りしていく予定です。これらの技術理解により、アテンションコンテンツに惑わされない、本質的なAI活用スキルを身につけていきましょう。
