technology-selection

.NET の AI と機械学習

まず適切なテクノロジーを選び、タスクで求められたことだけを実行してください。タスクで計画、比較、アーキテクチャが求められている場合（または「コードを書かないで」と指定されている場合）は、それだけを提示してください。指示されていないのに、スキャフォールディング、ビルド、コードの実行を行わないでください。

Step 1: タスクを分類する（判断ツリー）

該当する分岐とその理由を示し、対応するテクノロジーを選んでください。

タスクの種類	テクノロジー	理由
構造化データ／表形式データ：分類、回帰、クラスタリング、異常検知、レコメンデーション	ML.NET (Microsoft.ML)	決定論的（固定シード）、クラウドへの依存なし、専用に設計されている
自然言語の理解、生成、要約、推論（単一のプロンプト → 応答、ツールなし）	Microsoft.Extensions.AI 経由の LLM (IChatClient)	言語処理能力があり、オーケストレーションが不要
エージェント型：複数ステップのツール／関数呼び出し、エージェントループ、マルチエージェント	Microsoft.Extensions.AI 上の Microsoft Agent Framework (Microsoft.Agents.AI)	オーケストレーション、ツールのディスパッチ、反復制御が必要で、IChatClient には備わっていない
GitHub Copilot の拡張機能／カスタムの開発ワークフローエージェント	GitHub Copilot SDK (GitHub.Copilot.SDK)	Copilot エージェントランタイムと統合される
本番環境で事前学習済み／カスタムモデルを実行する	ONNX Runtime (Microsoft.ML.OnnxRuntime)	ハードウェアアクセラレーションに対応し、形式に依存しない推論
ローカル／オフラインでの LLM 推論	OllamaSharp (Ollama のモデル)	プライバシーの保護、ネットワークから隔離された環境、コストの制約に対応
セマンティック検索、RAG、埋め込みの保存	Microsoft.Extensions.VectorData.Abstractions（MEVD）+ プロバイダー（Azure AI Search、Milvus、MongoDB、pgvector、Pinecone、Qdrant、Redis、SQL）	プロバイダーに依存しないベクトル検索
ドキュメントを取り込み、分割し、ベクトルストアに読み込む	Microsoft.Extensions.AI.DataIngestion（プレビュー）+ MEVD	解析、分割、埋め込み、アップサートを実行
構造化データの予測と自然言語の推論の両方	ハイブリッド：ML.NET によるスコアリング + LLM 推論レイヤー	ML.NET は再現性があり、LLM は説明を追加できる

重要なルール： ML.NET が適切に処理できるタスク（表形式データの分類、回帰、クラスタリング）に LLM を使わないでください。これらのタスクでは、LLM はより遅く、コストが高く、非決定的です。

Step 1b: ライブラリのレイヤーを選ぶ

レイヤー	ライブラリ	使用する場面
抽象化	Microsoft.Extensions.AI（MEAI）	常に基盤として使用します。プロンプトと応答、および単純で範囲が限定された関数呼び出しには、IChatClient を直接使用します。
プロバイダー SDK	Azure.AI.OpenAI / OpenAI / Azure.AI.Inference / OllamaSharp	AddChatClient を介して MEAI の背後で動作する具体的なプロバイダーです。
オーケストレーション	Microsoft.Agents.AI（プレリリース）	複数ステップのツール使用、永続化可能なエージェントループ、マルチエージェントのワークフローに使用します。
Copilot	GitHub.Copilot.SDK	Copilot プラットフォームの拡張機能を構築する場合にのみ使用します。

ルール：まず MEAI を使い、AddChatClient を介してプロバイダーをその背後に配置してください（ビジネスロジックからプロバイダーを直接呼び出さないでください）。複数ステップまたは永続化可能なエージェントのワークフローには、エージェントループを自作するのではなく Microsoft.Agents.AI を使ってください。同じワークフローで、生の HttpClient による OpenAI 呼び出しと MEAI を混在させないでください。Accord.NET（アーカイブ済み）は使用しないでください。新しいプロジェクトでは、既存の Semantic Kernel の機能や投資が必須要件でない限り、MEAI と Agent Framework を優先してください。AI／ML サービスは DI を介して登録し、シークレットは user-secrets／環境変数／Key Vault から読み込んでください。キーをハードコードしないでください。

ステップ 2：選択した分岐の必須事項を押さえ、次に深さを決めます

プランでも実装でも、すべての回答で選択した分岐のガードレールに対応する必要があります。

• ML.NET — new MLContext(seed: …) を使用します（再現可能性）。TrainTestSplit を使用し、ホールドアウトセットで評価します。実際の指標（MicroAccuracy／MacroAccuracy／LogLoss、AUC／F1、または RMSE／R²）を報告します。PredictionEnginePool<TIn,TOut> を使って提供します（PredictionEngine のシングルトンは決して使用しません）。
• LLM（MEAI） — AddChatClient 経由で登録した IChatClient に依存します（その背後にプロバイダーを配置します）。ChatOptions で Temperature と MaxOutputTokens を設定します。リトライ／タイムアウト（RetryingChatClient／Polly）を追加します。日付付きモデルを固定します。キーは user-secrets／env／Key Vault から読み込みます。sk-… キーをハードコードしてはいけません。非決定的な出力はスキーマに照らして検証し、フォールバックを用意します。
• エージェント型（Agent Framework） — IChatClient 上で Microsoft.Agents.AI を使ってオーケストレーションします（独自実装のループは使いません）。MaximumIterations とトークン／コストの上限を設定します。各ツールには明確なスキーマを定義します（AIFunctionFactory.Create）。各ステップをログに記録します（機密情報を含む生のコンテンツは記録しません）。
• RAG／埋め込み — セマンティックチャンク分割を行います（固定サイズではありません）。IEmbeddingGenerator を使用し、埋め込みをキャッシュします（クエリごとに再埋め込みしません）。Microsoft.Extensions.VectorData.Abstractions（MEVD）とユーザーが指定したプロバイダー（例：pgvector）を使って保存／クエリします。類似度の最小スコアでフィルタリングします。各回答のソース帰属情報を保持します。ユーザーが指定した UI／ストレージを尊重し、実在する NuGet パッケージのみを使用します。

次に、深さを決めます。

• プラン／比較／アーキテクチャのみ（または「コードを書かないでください」）の場合：上記の必須事項を使い、このファイルだけを参照して回答します。リファレンスを開かないでください。ここに記載された分岐の必須事項だけで、選定やプランの作成には十分です。RAG のプランでは、チャット、取り込み／チャンク分割、埋め込み、ベクトルストレージ、ソース帰属情報、および指定された UI／ストレージを扱います。
• 実装コードを作成する場合：パッケージと実装ガイダンスについて、該当するリファレンスを読みます（選択した分岐のみを読みます。Hybrid の場合は Classic ML.NET と LLM の両方を読みます）。
  • Classic ML.NET → references/classic-ml.md
  • LLM 統合（MEAI）→ references/llm.md
  • エージェント型（Agent Framework）→ references/agentic.md
  • RAG／埋め込み／取り込み → references/rag.md
  • GitHub Copilot 拡張機能 → references/copilot.md
  • ONNX Runtime 推論 → references/onnx.md
  • Ollama を使ったローカル／オフライン LLM → references/ollama.md

検証

• 選定が判断ツリーに従っている — ML.NET で対応できるタスクに LLM を使っていない
• 要求された内容のみを作成している（プランのみの依頼にはコードではなくプランを提示する）
• AI／ML サービスは DI 経由で登録し、設定には IOptions<T> を使い、キーは安全なソースから取得している
• 分岐のガードレール（ステップ 2 の必須事項と、実装時はリファレンスの内容）を満たしている
• 実装後、ビルドし、既存のテストを実行する

拒否すべきアンチパターン

アンチパターン	代替案
表形式データの分類に LLM を使う	ML.NET を使います。高速で、低コストかつ決定論的です
再試行やタイムアウトなしで LLM を呼び出す	RetryingChatClient または Polly の再試行を追加します
コミット済みの appsettings.json に API キーを記載する	user-secrets / env / Key Vault
Accord.NET を使う、または要件がないのに Semantic Kernel をデフォルトで選ぶ	ML.NET。新規開発では MEAI + Microsoft.Agents.AI を優先します
IChatClient を使った手書きの複数ステップのツールループ	Microsoft.Agents.AI（MaximumIterations、ツールのディスパッチ）
単一のプロンプト→応答に Agent Framework を使う	IChatClient を直接使います
MEAI と併用して、ビジネスロジックで生の HttpClient / OpenAI SDK を使う	抽象化レイヤーは1つにします。IChatClient に依存します
ASP.NET Core で PredictionEngine をシングルトンにする	PredictionEnginePool<TIn,TOut>（スレッドセーフではありません）
チャンク分割や関連性フィルタリングなしで RAG を使う	セマンティックチャンク分割 + 類似度の最低スコア
.NET でニューラルネットワークをゼロから自作する	ONNX Runtime または LLM API を介して事前学習済みモデルを使います