
AI関連の現在の技術について調べて教えて下さい
以下、**2025年末時点で実務で使われている「RAG/ファインチューニング/周辺技術」**を、いま主流になっている設計思想ごとにまとめます(研究寄りではなく、運用で効くポイント中心)。
1) RAG(Retrieval-Augmented Generation)の現在地
RAGは「モデルを変えず、外部知識を検索して根拠付きで答えさせる」基本構造で、実装上は Store → Retrieve → Augment → Generate に分解して最適化します。 (Zenn)
いまのRAGで“標準装備”になった要素
ハイブリッド検索:キーワード検索+ベクトル検索の併用(片方の弱点を補う) (Zenn)
リランキング:取得候補を再順位付けして「上位kの質」を上げる(精度に直結)
クエリ書き換え(Query Rewriting):曖昧な質問を、検索に強い形へ整形(短い質問ほど効く)
チャンク設計の高度化:固定分割だけでなく、意味単位や動的フィルタで“混入ノイズ”を減らす流れ(例:ChunkRAGのような発想) (arXiv)
進化系RAG 1:Agentic RAG(エージェント型RAG)
従来RAGは「検索→生成」がほぼ固定手順でしたが、エージェント型は“必要なら追加検索/方針変更/検証”を反復します。サーベイとして体系化も進んでいます。 (arXiv)
強み:複雑・多段の問い(調査、比較、監査、手順化)に強い
弱み:レイテンシ/コスト/失敗モード(暴走・過剰検索)の設計が難しい (arXiv)
進化系RAG 2:GraphRAG(グラフ+RAG)
文書集合を“関係の網(グラフ)”として要約・探索し、局所検索だけでは答えづらい「全体傾向」「関係性の要約」に強い。Microsoft Researchからも整理されています。 (Microsoft)
2) ファインチューニング(Fine-tuning)の現在地
ファインチューニングは「モデル自体の振る舞いを変える(口調・形式・専門タスクの変換規則など)」方向で効きます。いま主流は PEFT(Parameter-Efficient Fine-Tuning)=全部の重みを更新せず、少ない追加パラメータで適応する方式です。 (Hugging Face)
主役:LoRA/QLoRA
LoRA:注意層などに低ランク行列を差し込んで学習する定番手法 (Hugging Face)
QLoRA:重みを量子化(例:4bit)してメモリを抑えつつLoRA学習する発想(単一GPUでも大きめモデルを回しやすい) (Hugging Face)
3) “RLHFの次”としての選好最適化(Preference Optimization)
近年は、従来のRLHF(報酬モデル+強化学習)の複雑さを減らすために、好ましい出力/好ましくない出力の比較データで直接合わせる手法が重要になっています。
DPO(Direct Preference Optimization):RLHFを分類損失に落として簡素化する代表格 (arXiv)
ORPO:追加の整合フェーズを不要にする“単一工程(monolithic)”の最適化として提案 (arXiv)
KTO:プロスペクト理論(Kahneman–Tversky)に基づく効用最大化として整合を捉える流れ (arXiv)
実務的には、「SFT(教師あり微調整)+DPO/ORPO/KTO系」の組み合わせが増えています。
4) 評価(Evals)と運用品質が“技術”になった
いまは「作って終わり」ではなく、RAG/エージェントの品質を継続計測するのが前提になっています。
Ragas:RAG向けの評価ループを支える代表的OSS(指標やテスト生成など) (Ragas)
TruLens:RAGの評価観点(例:groundedness等)を整理して運用に乗せやすい (trulens.org)
5) 「RAG」と「微調整」どっちを使うべきか(実務の判断軸)
RAGが向く:
最新情報・社内文書・規程など、知識が頻繁に変わる
根拠提示や出典追跡が必要
誤答の原因を「検索/プロンプト/データ」で切り分けたい (Zenn)
微調整が向く:
出力形式(JSON、帳票、定型文)やスタイルを強制したい
“変換規則”や“判断の癖”をモデルに覚えさせたい(分類・抽出・変換など)
両方やる(いちばん多い):
「社内知識はRAGで注入」+「出力の作法はLoRA/QLoRAで矯正」 (Hugging Face)
もしあなたの用途が「政策提案文の生成/査読/根拠付き比較」寄りなら、次の設計がハマりやすいです:
GraphRAGで“全体構造・関係性の要約”を作り (arXiv)
Agentic RAGで多段の調査・反証・再検索を回し (arXiv)
Ragas/TruLensで「根拠性・関連性・回答品質」を定点観測する (Ragas)
やるなら、あなたの現状(ローカルLLMで数十秒かかる、並列したい、ハルシネーションを嫌う)にも整合します。
必要なら、**(A) 低コスト構成(ローカル中心)**と (B) 1分以内のクラウド並列構成の2案で、RAG/微調整/評価まで含めた「実装レシピ」に落とします。
統括AI+専門家AIもしくは統括AI+推論AI+専門家AIのような多段式AIの発想はないのか
ある。しかも今はその発想がかなり「主流寄り」になってきていて、実装パターンもだいぶ固まっています。大きく分けると (A) システムとして多段化する系 と (B) モデル内部で多段化する系(MoE) の2系統があります。
A) システムとしての多段式(統括AI+専門家AI/統括AI+推論AI+専門家AI)
これはあなたの言う 「統括(Supervisor)→専門家(Workers)」 の形で、実際に “Supervisor pattern” として整理され、LangChain/LangGraph系でもドキュメントとして明示されています。 (LangChain Docs)
A-1. 最も基本:Supervisor(統括)+Workers(専門家)
統括AI:タスク分解、担当割当、統合、最終出力
専門家AI:領域別(法律/財務/技術/要約/検索/RAG/文章化など)
この形は「デバッグがしやすい」「専門家を差し替えやすい」「役割分担で品質を上げやすい」ので、実務採用が多いです。 (LangChain Docs)
A-2. あなたが言う “統括AI+推論AI+専門家AI” は普通にある(Verifier/Reasoner段)
多段化の中でも、近年増えたのが “推論・検証専用” を挟む設計です(呼び名は Verifier / Critic / Judge / Reasoner など)。
典型フロー:
統括AI:要求整理 → どの専門家に投げるか決める
専門家AI群:調査・案生成(必要ならRAG/ツール使用)
推論AI(検証役):矛盾・根拠不足・飛躍を検出、追加検索要求
統括AI:修正統合して最終回答
「ハルシネーションを嫌う」「査読を入れたい」「複数案を比較したい」用途に刺さります。マルチエージェントのサーベイでも、こうした 役割分割(planning / memory / action / critique 等) が一般的な分解として扱われています。 (arXiv)
A-3. 実装基盤(フレームワーク)も増えてる
Microsoft Agent Framework:マルチエージェント/ワークフローのSDKとして2025年に統合的な立ち位置を明確化(AutoGen/ Semantic Kernelの流れを取り込む) (Microsoft Learn)
LangGraph / langgraph-supervisor:階層型(統括→専門家)の実装をライブラリ化 (GitHub)
B) モデル内部での多段式:MoE(Mixture of Experts)
もう一つの「専門家化」は、システムを複数モデルで組むのではなく、1つの巨大モデル内部に“専門家層”を持たせてルータが振り分ける方式です。これがMoE。 (Hugging Face)
ルータ(gate)がトークン/入力に応じて「どの専門家FFNを使うか」を選ぶ
“全部の重みを毎回使わない(疎)”ので、計算量を抑えつつ能力を上げやすい
MoEの総説やルーティング研究も継続して増えています。 (arXiv)
※あなたの言う「統括AI+専門家AI」は A(システム)、MoEは B(モデル設計)。目的は似てるけど、設計レイヤーが違う。
実務で“強い”多段設計テンプレ(あなたの用途に寄せた形)
あなたの関心(政策提案・査読・根拠重視・並列)に合わせるなら、これが堅いです:
テンプレ1:Router(統括)→ 専門家並列 → Verifier(推論)→ Editor(統合)
Router/統括:質問を「論点」に分解し、専門家の呼び出し計画を立てる
専門家:各論点の回答案+根拠(引用元ID/段落)を作る(RAG可)
Verifier/推論AI:論理矛盾、根拠の薄さ、反例、言い過ぎを検出して差し戻し
Editor/統括:最終文に整形(矛盾解消、冗長削除、結論の一貫性)
LangChain系でいう “Supervisor pattern” の延長線上でそのまま組めます。 (LangChain Docs)
テンプレ2:GraphRAG(全体地図)+ Agentic RAG(反復調査)+ Supervisor
「関係性の要約(全体像)」が要るなら、Graph的に整理してから統括が回すのが強い(あなたの“上位レイヤー統合”の好みに合う)。この方向性自体がMicrosoft ResearchのGraphRAG等で明示されています。 (GitHub)
どこが難所か(ここだけは先に言っておく)
多段式は効く反面、設計しないと破綻しやすい典型が3つあります。
遅くなる:並列化・打ち切り条件・予算管理(回数/トークン/検索回数)が必須
責任の所在が曖昧:誰が最終断定したかログに残す必要
相互にハルシネーションを増幅:Verifierが「根拠要求」を形式化してないと、間違いを綺麗にまとめてしまう
だから最近のフレームワークは「ワークフロー」「デバッグ」「永続化」など運用機能を前面に出しています。 (LangChain Docs)
あなたが望んでいるのは、かなり正確に言うと
“統括=意思決定と統合”
“推論AI=査読と反証”
“専門家=領域知と調査”
の三権分立みたいな設計です。これは「ある」どころか、今いちばん伸びてる実装潮流のど真ん中です。 (LangChain Docs)
もしよければ、あなたの想定(ローカル/クラウド、許容レイテンシ、専門家の人数、RAGの有無)を前提にして、**具体的なメッセージフロー(擬似コード無しの設計図)**まで落として提示します。
汎用AIを擬似的にプロンプトで専門家にさせて、直列または並列で複数の専門家を参照して統括AIで出力するフローはいまいったやつか
ほぼそれが、いま言った 「統括AI(Supervisor)+専門家AI(Workers)」 の中核です。
あなたの言う「汎用AIをプロンプトで擬似専門家化して、複数案を直列/並列で出して、最後に統括で統合する」は、実装的には “同一モデルの多重呼び出し(role prompting)によるマルチエージェント” で、まさにその系統に入ります。
ただし、同じ発想でも 設計レイヤーが3段階あります(ここが肝)。
1) それは「同一モデル多役割」版の Supervisor–Worker
何をしているか
モデルは1種類(汎用LLM)
呼び出しごとに プロンプトで役割(専門家人格/観点/制約)を固定
並列に出した結果を 統括プロンプトで統合
これが一番簡単で、現場でもまずここから入ります。
限界(重要)
専門家が“別モデル”ではないので、同じ癖(誤り方)を共有しやすい
→ 並列にしても「独立な検証」にはならない
2) 直列/並列の違いは「探索戦略」の違い
並列(横展開):多様な案・論点・反例を一気に集める
強み:抜け漏れが減る、比較ができる
弱み:統合が雑だと“寄せ集め”になる
直列(縦展開):一つの案を深掘り→欠陥検出→修正…
強み:最終品質を上げやすい
弱み:初手が悪いと袋小路、時間が増える
現代のエージェント設計でも、こういう 並列探索+反復修正 の組み合わせが典型です。
3) “いま言ったやつ”にするなら、統括だけでなく「検証役」を入れるのが実務の要点
あなたのフローは 統括が統合するだけでも動くけど、ハルシネーションや断定を抑えたいなら、
専門家(案生成)
検証/推論(Verifier / Critic)
統括(最終編集)
の3役に分けるのが、いまの「多段式AI」らしさです(統括=議長、検証=査読、専門家=執筆)。マルチエージェントの整理でも、役割分割(planning/critique/actionなど)が定式化されています。
まとめ
あなたの言った
汎用AIを擬似的にプロンプトで専門家にさせて、直列または並列で複数の専門家を参照して統括AIで出力
は、はい、いま言った「Supervisor–Worker(統括+専門家)」そのものです。
違いが出るのは「どれだけ本気で運用に耐える形にするか」で、そこでは **Verifier(推論/査読役)**や ログ・打ち切り条件・RAG根拠が入ってきます。
必要なら、あなたの「1分以内」「複数案を議長が査読しながら」という条件に合わせて、
**最小構成(2段)**と **堅牢構成(3段+RAG+評価)**の2パターンで、プロンプト設計(役割定義・入出力フォーマット・統合ルール・差し戻し条件)を具体化して書きます。
なるほどRAGを動的に構成してプロンプトと合わせて汎用AIに専門性を持たせて、統括AIで出力させるさっきのと合わせた方式はどうか
その方式はかなり筋が良いです。いま実務で「賢く・強く・更新に強く・壊れにくく」作るときの王道に近い。
あなたの言っている構造を正確に言い直すと、
汎用LLMは固定(=モデル更新しない)
RAGを動的に構成して、その時点で必要な知識だけ注入
**プロンプトで役割(擬似専門家)**を与える
複数の専門家を並列/直列で回し
統括AIが統合して最終出力
これは「マルチエージェント × Agentic RAG × 役割プロンプト」の合成です。
うまくいく理由(設計として強い点)
1) “専門性”を二層で作れる
プロンプト専門性:視点・作法・判断基準(例:法律家っぽい慎重さ、監査っぽいチェック項目)
RAG専門性:実データ・根拠・最新情報(社内規程、政策資料、統計、過去事例)
この二層が噛み合うと、微調整なしでも「擬似専門家としての振る舞い」がかなり安定します。
2) 更新が速い
知識はRAG側を差し替えれば更新できる。モデル再学習を待たない。
3) “統括”が効く
専門家の出力は必ず偏るので、統括で
競合する主張の解消
根拠の弱い箇所の差し戻し
目的に沿った最終構成
ができる。
実装テンプレ(いちばん壊れにくい形)
あなたの用途(政策・査読・根拠重視)に合わせるなら、これが強いです。
レイヤ0:統括AI(Router/Planner)
目的:質問を論点分解して「どの専門家に」「何を」「どの資料から」調べさせるか決める
出力:専門家呼び出し計画(JSON等で固定)
レイヤ1:専門家AI(Workers)+動的RAG
専門家ごとに 検索クエリ、参照コーパス、引用ルールを変える
例)経済専門家:統計・指標中心、時系列比較
法制度専門家:条文・ガイドライン中心、例外条件列挙
実装専門家:工程・コスト・リスク中心
ここで大事なのは、RAGを「一個の検索」ではなく、
ハイブリッド検索(BM25+ベクトル)
リランキング
クエリ書き換え
チャンク選択の改善
みたいな“検索パイプライン”として動的に組むこと。
レイヤ2:推論/検証AI(Verifier/Critic)
統括とは別に置くと安定度が跳ねます。
役割:矛盾、言い過ぎ、根拠の欠落、引用の不整合を検出
出力:差し戻し要求(どの専門家が何を再検索すべきか)
レイヤ3:統括AI(Editor/Decision)
役割:最終文章化、結論の一貫性、トレードオフ整理、根拠付き要約
この方式の“落とし穴”と対策(ここが勝負)
落とし穴1:同じ汎用モデルだと「間違い方が似る」
擬似専門家を何人作っても、癖は共有されがち。
対策:
検証役(Verifier)だけは 別系統のモデルにする(できるなら)
あるいは検証役に「反証専用プロンプト+根拠要求フォーマット」を強制する
落とし穴2:RAGが弱いと“専門家っぽい作文”になる
対策:
各専門家の出力フォーマットを固定:
(a)主張 (b)根拠引用ID (c)反例/条件 (d)不確実点引用がない主張は統括が採用しないルールにする
落とし穴3:遅くなる(並列地獄)
対策:
「最大専門家数」「再検索回数」「タイムアウト」「打ち切り」ルールを統括に持たせる
重要論点だけ深掘りする“予算配分”をする(全部を等しく掘ると破綻)
結論
あなたの提案は、微調整に頼らずに専門性と根拠性を出し、しかも更新に強いので、政策提案・査読・比較分析みたいな用途にかなり適しています。
やるならおすすめは
統括(計画)→ 専門家×動的RAG(並列)→ 検証(差し戻し)→ 統括(統合)
の4段。
必要なら、この方式を「1分以内」に収めるために、
専門家の人数
各専門家の出力上限
再検索回数
統括の統合ルール
を、あなたの前提(ローカルは遅い/クラウドなら並列可)に合わせて、具体的な運用レシピ(プロンプト雛形+入出力フォーマット+打ち切り条件)まで一気に書き下ろします。
自分用に作るなら、自分の所有する本を使えるが公開には使えないな。それなら創造AIとして発散AIと収束AIをつけて専門家AIと汎用AIをまぜて統括AIにのせてバランスをとるのはどうか
回答A
かなり良い設計です。しかも「公開では著作物を使えない」という制約が入った瞬間、RAGで“知識を持たせる”以外の方法=発散/収束・専門家/汎用の役割分担が一気に価値を持ちます。やろうとしているのは、知識注入ではなく 探索(発散)と選別(収束)をアルゴリズム化する方向なので、公開向けでも成立します。
1) 著作物問題の整理(ここだけ前提)
自分専用:手元の本をRAGで参照してもOK(あなた自身の利用)
公開サービス:その本の本文を取り込み・配布に近い形で使うとリスクが出る
→ 公開版は「公的資料」「自作データ」「権利的にクリアなデータ」に寄せるのが安全
なので公開版は **“知識データで勝つ”から“思考プロセスで勝つ”**に寄せるのが合理的です。
2) 発散AI+収束AI+統括AIは「創造システム」として筋が良い
あなたの案は、創造性研究でいう **生成(divergent thinking)→評価(convergent thinking)**の古典的枠組みを、そのままAIオーケストレーションに落とした形です。
公開用にするならむしろこっちが強い。
役割分担(最小構成)
発散AI(Generator):アイデア・仮説・論点・反例・代替案を大量生成
収束AI(Critic/Evaluator):制約適合、矛盾検出、優先順位付け、実行可能性評価
統括AI(Editor/Chair):最終統合、文章化、結論とトレードオフの整理
3) 「専門家AIと汎用AIを混ぜる」ことの意味
ここが本質的に効きます。
汎用AI:発散に強い(連想、比喩、粗い探索、構造化の起点)
専門家AI(プロンプトで擬似専門家でも可):収束に強い(評価軸が厳密、条件・例外を列挙、形式が安定)
混ぜる狙いは、アイデアの多様性(探索幅)と、評価の厳密さ(破綻防止)を同時に取ること。
4) 公開版での最強テンプレ(著作物を使わずに“強い”)
RAGを使うとしても、公開版は以下に限定すると安全・強いです。
政府統計・白書・法令・自治体資料
オープンライセンス資料
自作の要約・タグ・メタデータ(本文のコピーではなく)
ユーザーが入力した文章(ユーザー自身の権利範囲)
そしてあなたの提案した「発散/収束」を主役にします。
テンプレ:Diverge → Cluster → Debate → Decide → Write
発散AI×N(並列):アイデア100本
クラスタAI:似た案を束ねて「論点地図」にする
討論AI(賛成/反対):各クラスタの弱点と反証を出す
収束AI:評価軸(費用対効果、リスク、実装難度、倫理、政治的実現性)で採点
統括AI:採用案+却下理由+次善策を含めて最終稿
これなら“本の知識”が無くても、思考の型で勝てます。
5) この方式の注意点(成功の鍵)
注意点1:発散が暴走しやすい
→ 発散AIに「制約」を先に渡す(予算、期間、対象、倫理など)
※“完全自由発散”は実は品質が下がりやすい。
注意点2:収束が保守的になりやすい
→ 収束AIに「革新枠」を作る
例:採点で落としても「10%は飛び道具枠」として残す
注意点3:同じ汎用モデルだと癖が同質化する
→ 役割プロンプトを極端に変える(評価軸・口調ではなく“判断基準”を変える)
例:収束AIは「反証が出せない主張は採用禁止」「根拠の型を固定」
6) あなたの“バランス”という言葉を、設計に落とすならKPI化できる
公開プロダクトとして安定させるなら、バランスを数値で縛るのが強いです。
多様性:発散案のクラスタ数 / 重複率
実現性:収束採点の平均・分散(尖り過ぎを検出)
一貫性:統括出力の矛盾検出率(Verifierで測る)
根拠性:引用数(公開資料)/ 推論ステップの明示率
ユーザー満足:採用案の納得度(フィードバック)
結論
あなたの案は、著作物制約がある公開版においてむしろ有利です。
「知識を詰める」ではなく「思考を設計する」方向で、創造AIとして差別化できます。
もし次に進めるなら、あなたが作りたいものに合わせて 3つの設計案を即出せます:
最小構成(軽量):発散2+収束1+統括1(4呼び出し)
標準構成(強い):発散3〜5+収束2(実現性/倫理)+統括+検証
研究所構成(最強):クラスタ・討論・監査モード付き
どれでいく前提で組む?(聞いてるように見えるかもだけど、迷うなら私は標準構成を推します)
回答B
その設計、かなり良いです。しかも「自分用は私蔵本RAGで最強、公開版は権利クリア資料+推論で勝負」という現実制約に対して、発散AI/収束AIを核にした多段統括はちゃんと噛み合います。
ポイントは2つ:
公開版は「知識の量」で勝ちにくいので、**思考の質(探索→評価→統合)**で勝つ
そのために、発散(生成探索)と収束(評価選別)を分業させるのが合理的
1) “私蔵本RAGは自分用、公開版は別”で正しい
公開サービスでやるとき、ユーザーに提示する根拠が 著作物の本文依存だと扱いが難しい。
一方、自分用(私的利用)なら 手元の本を検索・参照して自分が読む用途として成立しやすい。
だから実務的に「自分用RAG」と「公開用RAG(公開ソース限定)」を分けるのは正解。
2) 発散AI+収束AIは、実は“探索アルゴリズム”そのもの
あなたの案を学術っぽく言うと、
発散:探索(exploration)、仮説生成、観点展開
収束:評価(evaluation)、整合、反証、選抜
で、創造性研究でも「生成と評価の二過程」モデルに対応します(Geneplore系の発想に近い)。
AI実装としても、いまのマルチエージェント設計は実質これをやっています。
3) 一番バランスが良い構成(公開版向け)
あなたの言う「専門家AI+汎用AIを混ぜて統括AIに乗せる」を、壊れにくい最小構造に落とすとこう。
レイヤA:発散AI(Diverger)
役割:アイデアの“母集団”を作る
例)政策案の選択肢を20案、論点を10本、反例を10個
ここは多少荒くてよい(むしろ荒い方が探索的)
レイヤB:専門家AI(Experts)
役割:発散案を「各専門観点」で鍛える
経済:指標/KPI、財源、インセンティブ設計
法制度:実現手順、違法リスク、運用規程
社会設計:利害調整、受益と負担、摩擦の出る層
実装:工程、必要人材、データ、運用コスト
※公開版でRAGを使うなら、ここに「公開ソースRAG」を接続。
レイヤC:収束AI(Converger / Verifier)
役割:選抜と整合(査読)
論理矛盾を潰す
根拠が薄い主張を落とす
反証(こういう反例で崩れる)を当てる
代替案比較で勝ち筋を残す
レイヤD:統括AI(Supervisor / Editor)
役割:最終判断+文章化
目的に沿った結論
トレードオフ明記
不確実性と条件を明示
出力を読みやすく整形
発散→専門家→収束→統括の四段にすると、公開版でも“知識量の不足”を思考品質で補えます。
4) 「汎用AIと専門家AIを混ぜる」意味はあるのか
あります。混ぜ方にコツがあります。
汎用AI:横断・比喩・構造化・未知領域の橋渡しが得意
専門家AI(役割プロンプト):評価軸が固定され、見落としが減る
発散は汎用寄り、収束と査読は専門家寄りにするのが一番効率的。
5) 公開版での“情報ソース不足”をどう埋めるか
RAGが弱いと「それっぽい作文」に寄るので、公開版は次の戦略が堅いです。
公開可能な根拠レイヤを固定(統計、政府白書、国際機関、法令、企業IRなど)
収束AIに「根拠が出せない主張は採用しない」ルールを課す
逆に「根拠が不要な領域」を明確化(アイデア提案、仮説、設計原理)
つまり、“事実の層”と“設計の層”を分離する。
6) あなたの目的(創造AI)に合わせた運用モード案
発散モード:量を出す(品質は後で整える)
収束モード:根拠・矛盾・反例で落とす
統括モード:最終案を短く強くまとめる
監査モード(必要時):公開根拠の穴を徹底的に洗う
この4モードがあると、サービスとしても使いやすい。
まとめ
あなたの案は「著作権でRAGが制約される公開環境」でも、発散/収束という思考エンジンで品質を作れるので、かなり良い設計です。
しかも「専門家AI+汎用AI+統括AI」を混ぜるのは、探索と評価を分業する意味で理にかなっています。
次、もし具体化するなら、最初に決めるべきはこれだけ:
発散AIは「何個出すか」(例:20案/10論点/10反例)
収束AIは「何基準で落とすか」(根拠必須、矛盾、実現可能性、コスト上限など)
統括AIの出力フォーマット(結論→理由→根拠→条件→反対意見→実装手順)
この3つをあなたの理想形に合わせて、雛形(プロンプト設計+入出力フォーマット)まで一気に書けます。