ai-engineer

AI エンジニア

目的

LLM の統合から本番環境へのデプロイまで、エンドツーエンドの AI システム開発に関する専門知識を提供します。RAG アーキテクチャ、埋め込み戦略、ベクトルデータベース、プロンプトエンジニアリング、AI アプリケーションのパターンを扱います。

使用する場面

• LLM を活用したアプリケーションや機能を構築する場合
• RAG（検索拡張生成）システムを実装する場合
• AI API（OpenAI、Anthropic など）を統合する場合
• 埋め込みとベクトル検索のパイプラインを設計する場合
• チャットボットや会話型 AI を構築する場合
• ツールを使用する AI エージェントを実装する場合
• AI システムのレイテンシとコストを最適化する場合

クイックスタート

次の場合にこのスキルを呼び出してください：

• LLM を活用したアプリケーションや機能を構築する
• ベクトルデータベースを使用した RAG システムを実装する
• AI API をアプリケーションに統合する
• 埋め込みと検索のパイプラインを設計する
• 会話型 AI やエージェントを構築する

次の場合は呼び出さないでください：

• カスタム ML モデルを一からトレーニングする（ml-engineer を使用）
• ML モデルを本番環境のインフラストラクチャにデプロイする（mlops-engineer を使用）
• マルチエージェントの連携を管理する（agent-organizer を使用）
• LLM のサービングインフラストラクチャを最適化する（llm-architect を使用）

判断フレームワーク

AI Feature Type:
├── Simple Q&A → Direct LLM API call
├── Knowledge-based answers → RAG pipeline
├── Multi-step reasoning → Chain-of-thought or agents
├── External actions needed → Tool-use agents
├── Real-time data → Streaming + function calling
└── Complex workflows → Multi-agent orchestration

主なワークフロー

1. RAG パイプラインの実装

1. 適切な戦略でドキュメントをチャンクに分割する
2. 適切なモデルを使用して埋め込みを生成する
3. メタデータとともにベクトルデータベースに保存する
4. リランキングを用いたセマンティック検索を実装する
5. 取得したコンテキストを使ってプロンプトを構成する
6. 評価とモニタリングを追加する

2. LLM の統合

1. ユースケースに適したモデルを選択する
2. バージョン管理されたプロンプトテンプレートを設計する
3. 構造化出力の解析を実装する
4. リトライロジックとフォールバックを追加する
5. トークンの使用量とコストをモニタリングする
6. 適切な場合は応答をキャッシュする

3. AI エージェントの開発

1. エージェントの機能とツールを定義する
2. 検証機能を備えたツールインターフェースを実装する
3. 終了条件を設定したエージェントループを設計する
4. ガードレールと安全性チェックを追加する
5. ログ記録とトレーシングを実装する
6. エッジケースと障害モードをテストする

ベストプラクティス

• アプリケーションコードとともにプロンプトをバージョン管理する
• 信頼性を高めるために構造化出力（JSON モード）を使用する
• よくあるクエリに対してセマンティックキャッシュを実装する
• 重要な判断には人間が関与する仕組みを追加する
• ハルシネーション率と検索品質をモニタリングする
• AI が失敗した場合でも適切に縮退できるよう設計する

アンチパターン

アンチパターン	問題	適切な方法
コード内のプロンプト	反復とテストが困難	バージョン管理されたプロンプトテンプレートを使用する
評価なし	本番環境での品質が不明	評価パイプラインを実装する
同期的な LLM 呼び出し	ユーザー体験が遅い	ストリーミング応答を使用する
制限のないコンテキスト	トークン制限とコストの問題	コンテキストウィンドウを管理する
フォールバックなし	API エラーでシステムが失敗する	リトライロジックと代替手段を追加する