RAG検索エンジニアリング：ハイブリッド検索から本番運用ガバナンスまで
RAG検索エンジニアリングにおけるレキシカル検索、密ベクトル検索、ハイブリッド融合、リランキング、評価、オブザーバビリティ、本番運用ガバナンスを体系的に解説します。
Evaluation
RAGシステムのオブザーバビリティと評価の設計
実行経路、検索品質、生成品質、継続的な回帰テストを対象とするRAGシステムのオブザーバビリティと評価基盤の構築方法を解説します。
OpenTelemetry 入門：AI アプリケーションと AI Agent 開発者のためのわかりやすいガイド
OpenTelemetry の中核コンポーネントと可観測性シグナル、および AI Agent、RAG、本番システムでの活用方法を解説する。
RAG システムにおける Chunking のベストプラクティス
RAG の Chunking を、固定分割から構造化、文脈付与、評価駆動設計へと発展させる方法を解説する。
RAG における RRF の役割：シンプルだが万能ではない検索融合手法
RAG の複数経路検索を融合する際の RRF の役割、計算方法、適用場面、主な限界を解説します。
RAG 検索における Dense + Sparse Hybrid Search
企業向け RAG の検索 pipeline における Dense Search、Sparse Search、RRF、Reranker の役割を説明します。
エンタープライズRAGシステム構築ガイド
エンタープライズRAGシステムを構築するときに参照できるガイドです。
TencentのAI Leader、Shunyu YaoはこのPodcastで何を語ったのか
Latent SpaceによるShunyu Yaoへのinterviewを基に、ReAct、Reflexion、Tree of Thoughts、memory、benchmark、ACI、Agent UXを整理し、AI agentを実用化する際のツール、環境、評価、interface設計の重要性をまとめます。
2026年、AIエンジニアは何を学ぶべきか
基礎的なRAGパイプラインがプラットフォームに吸収されつつある流れを起点に、評価と可観測性、データガバナンスとアクセス制御、エージェント型ワークフローの高度なエンジニアリング能力など、2026年にAIアプリケーションエンジニアが重点的に身につけるべき高付加価値スキルを分析します。
大規模言語モデル学習の全体像：AI アプリケーションエンジニアが理解すべきこと
データパイプライン、Scaling Law、システム制約、合成データ、蒸留、ポストトレーニング、評価体系、Agent 学習まで、大規模言語モデル学習の全工程を体系的に整理し、それらの仕組みが AI アプリケーションエンジニアのモデル選定、評価、harness 設計にどう影響するかを解説する。