AIのしくみ地図

COURSE A · AIのしくみ地図 (全22編)LLM·Transformer·RAG·Agent·Auto Researchまで AI 全体の流れを順序立てて読む基礎マップ。エントリーマップから始める

COURSE B · LLM理論集中コース (全6編 · NEW)LLMだけを取り出し、本気で易しく·深く·面白く解説する推薦コース。重み·ベクトル·学習·推論·Attention·Transformerを順番に。LLM集中コースを見る

📚 順番に読むと一番深く残ります。 各セクション内は左→右が推奨順序。PCは矢印ボタン、スマホはスワイプで移動。

🆕 LLM理論集中コース · おすすめ(2編)

🔥 NEW · 全7編 (本編6 + 推論の進化3.5編) · LLMだけを取り出して、本気で易しく·深く·面白く解説する推薦コース
← スワイプで移動 →
L1 LLM-DEEP-DIVE
LLM 仕組みを重み·ベクトル·トークン·埋め込みまで直感だけで最後まで掘り下げるLLM理論集中コース 1編。
L2 LLM-DEEP-DIVE
LLM学習を山下りの比喩で最後まで追いかける。勾配降下法・逆伝播・自己教師あり学習・ミニバッチ・学習率まで、直感だけで掴むLLM理論集中コース 2編。

入口 · ENTRY(2編)

← スワイプで移動 →
ENTRY ENTRY
AIのしくみ地図 — LLMからMe…
ESSAY ENTRY
Meta-Harness 学習順序 — Meta-Harness と autoresearch をニュースだけで読むと、ほぼ外します。モデル・エージェント・ハーネス・retriev

基礎 · FOUNDATION(8編)

← スワイプで移動 →
F0 FOUNDATION
AI ML ディープラーニング LLM 違い — AI、ML、ディープラーニング、ニューラルネット、Transformer、LLM。ニュースで入り乱れる用語の大きさと関係を、マトリ
F1 FOUNDATION
LLM とは — ChatGPT・Claudeを2〜3年使っていても「LLMって何ですか?」でつまずく方へ。次トークン予測、トークン、パラメータ、学習/推論、ハルシネーションまで、
F2 FOUNDATION
Transformer 構造 — ChatGPT・Claudeの中にはどれもTransformerが入っています。でも「Transformerって具体的に何?」と聞かれると、みんな
F3 FOUNDATION
2017年のTransformerは翻訳用のencoder+decoderという2つの塊でした。今使っているChatGPT・Claude・Gemini・Llamaはほぼすべてdec
F4 FOUNDATION
2017年のTransformer論文「Attention Is All You Need」を、数式ひとつ(scaled dot-product attention)と比喩ひとつ(
F5 FOUNDATION
王 - 男 + 女 = 女王。この奇妙な引き算が本当に動くという事実が、AIのあらゆる検索・レコメンド・RAGの根っこにある。単語を高次元空間の点に移すembeddingを、地図の
F6 FOUNDATION
モデル学習 gradient descent — 「モデルを学習させる」という言葉は魔法のように聞こえるけど、実際は「予測をだんだん外さないようにパラメータを少しずつ直すこと」。霧
F7 FOUNDATION
70B、405B、671B という数字がいったい何を意味するのか。FP16 × 2B ルール、MoEの活性/総パラメータ、Chinchilla法則、そしてGPT・Claude・Ge

橋渡し · BRIDGE(3編)

← スワイプで移動 →
B1 BRIDGE
「AIエージェント」「エージェンティック」「AI employee」が毎日ニュースに出てくるけれど、LLMとどこで分かれるのかをひとことで言える方は少ないはずです。目標・状態・ツー
B2 BRIDGE
プロンプトエンジニアリングは文章作法ではなく、確率分布を傾ける技術です。Zero-shot・Few-shot・Chain-of-Thoughtがなぜ効くのか、「Let's thin
B3 BRIDGE
Fine-tuning RAG プロンプト — 会社にAIを組み込みたいけれど、fine-tuningすべきか、RAGを作るべきか、プロンプトだけで足りるのかが見えない実務者のため

実務 · PRACTICE(10編)

← スワイプで移動 →
M1 PRACTICE
RAG 4層構造 — RAGをひと塊で見ると、ニュースがずっとぼやけます。Embedding基礎検索・GraphRAG・Agentic retrieval・Memory adapt
M2 PRACTICE
長いコンテキストと記憶 — Claude 1MトークンやGemini 2Mのヘッドラインが「AIの記憶力が上がった」に聞こえますが、context window・session m
M3 PRACTICE
AIエージェント 構造 — AIエージェントをtool use・state・planning・reflection・multi-agentの5層に分解すると、Claude Code
M4 PRACTICE
AI エージェント ハーネス — 同じClaude・GPTを使ってもエージェントの品質がまるで違う本当の理由はハーネスです。System prompt・AGENTS.md・skil
M5 PRACTICE
「AIが良くなった」という言葉は基準がないまま言うと空っぽになる。LLM 評価 最適化を benchmark・task-specific・production eval の3層に分
M6 PRACTICE
Autoresearch を「AIがひとりで研究する機械」として読むと見落とす核心がある。仮説・行動・観察・解釈・更新の5つが反復構造で組み込まれたシステムだという点。Sakana
M7 PRACTICE
Meta-Harness を「AIが自分のプロンプトを自動で直す技術」と読むと層の違いを取りこぼします。改善の対象を「答え」から「ハーネス(AGENTS.md/CLAUDE.md/
M8 PRACTICE
OMX OMC — OMX(Oh My Codex) / OMC(Oh My Claude Code) を「自己改善AI」として読むと誇張になります。いま検証されているのは run
M9 PRACTICE
「RAG は死んだのか」という問いに、テイラーが自分の言葉で答えます。死んだのは1層(単純 embedding + 一回きり retrieval)だけで、2〜4層(GraphRAG
M10 PRACTICE
Meta-Harness 実務 — Meta-Harness は実務的に何なのか。テイラーが自分の言葉で答えます。学界の未来形用語ではありません。あなたが毎日 CLAUDE.md

応用 · PRODUCT(6編)

🎓 22章を読破した方向け · 応用と比較
← スワイプで移動 →
P1 PRODUCT
Claude Opus 4.7はSonnet 4.6・Haiku 4.5と技術的に何が違うのか、4.6から4.7でAnthropicが実際に変えた6つは何か。公式ドキュメントを一次
P2 PRODUCT
LLM APIを呼ぶとは技術的に何か — HTTP POST一発、SSEストリーミング、tool useのラウンドトリップ、トークン経済学までを公式ドキュメント一次ソースで読み解く
P3 PRODUCT
オープンソース LLMとクラウド LLMをライセンス・VRAM・H100時間単価・推論エンジンまで数学で比較。月2億トークンの損益分岐、vLLM・TensorRT-LLM・SGLa
P4 PRODUCT
ベンチは収束したのに、4社は違う方向に走っている。OpenAI・Anthropic・Google・xAIの訓練方法・アーキテクチャ・価格戦略をエンジニア目線で比較。AIのしくみ地図
P5 PRODUCT
Meta Llama 4・Alibaba Qwen・DeepSeek — オープンソース LLM 3強がなぜ別方向に進むのか、MoE・Sparse Attention・ライセンス・
P6 PRODUCT
📍 AIのしくみ地図 — 29/29…
JAKO