AI 基盤アーキテクチャ
下図は、基盤大モデルからエージェントアプリケーションまでの完全なAIシステムアーキテクチャを示しています：
| 階層 | 核心コンポーネント | 核心的な役割 | 典型的な機能 |
|---|---|---|---|
| 基盤層（モデル） | LLM & Token、Transformer アーキテクチャ、Token化、注意機構 | AIの基盤計算コア。テキスト理解、Token予測、言語生成を担当 | 自然言語理解、テキスト生成、コンテキストモデリング、確率予測 |
| コンテキスト層（メモリ） | Context Window、Prompt、Memory、RAG | モデル入力コンテキストを管理。短期記憶、長期記憶、外部知識の注入を担当 | Prompt制御、セッション記憶、知識検索、コンテキスト拡張 |
| 機能拡張層（ツール） | MCP、Tool Calling、API、Database | AIをチャットだけに留めず、ツール呼び出しを通じて実世界での操作能力を拡張 | オンライン検索、コード実行、データベースクエリ、API呼び出し |
| エージェント層（意思決定） | Agent、Explore、Plan、Act | AIの自律的意思決定ブレイン。目標理解、タスク分解、計画、クローズドループ実行を担当 | タスク計画、マルチステップ推論、自律的意思決定、クローズドループ実行 |
| アプリケーション層（アクション） | Agent Skill、Workflow、Automation | 具体的なビジネスシーンに対応。Agentの能力を実用可能な製品としてカプセル化 | 自動化ワークフロー、業界特化型AIアシスタント、企業向けインテリジェントシステム、AI SaaSアプリケーション |
核心用語の説明
- Transformer：現在の大規模モデルの中核アーキテクチャ。自己注意機構を通じてToken間の関連性を構築する。
- Token：モデルがテキストを処理する最小単位。サブワード、単語、文字、記号など。
- Prompt：モデルに与える入力指令。役割の設定、動作の制御、出力形式と目標の規定に使用。
- RAG：検索拡張生成。外部の専門知識ベースを検索し、LLMが統合して正確な回答を生成する。
- MCP：モデルコンテキストプロトコル（Model Context Protocol）。AIとツール、データベース、外部サービス間の通信標準を統一する。
- Agent：LLMの基盤に目標＋計画＋実行の能力を重ねた自律的インテリジェントシステム。
- Tool Calling：モデルが能動的にニーズを認識し、外部ツールを呼び出して実際の操作を完了する。純粋なテキスト返信に限定されない。
- Memory：AIに短期セッション記憶＋長期永続記憶を提供し、コンテキスト忘却問題を解決する。
AI Agent 完全実行フロー
- ユーザー入力：ユーザーがプロンプト（命令）を送信し、コンテキストウィンドウに入る。
- 記憶拡張：システムがMemory（セッション記憶）＋RAG外部知識ベースを連携し、コンテキストと専門知識を補完する。
- LLM推論：Transformerアーキテクチャを通じてToken系列に注意計算を行い、意味理解と初期生成を実行。
- Agent計画：エージェントが自律的に判断してタスクを分解し、マルチステップ実行や外部ツール呼び出しの必要性を決定。
- ツール実行：MCPプロトコルに基づき、API、データベース、検索エンジンなどの外部機能を呼び出して実際の操作を完了。
- 出力結果：ツールが返したデータとモデル推論結果を集約し、整理してユーザーに返す。同時に記憶アーカイブに書き込む。