技術詳細（エンジニア・情シス向け）

マルチエージェント構成とは、複数のAIエージェントに役割を分担させて協調動作させるアーキテクチャです。例えば「調査担当」「要約担当」「検証担当」「実行担当」を別々のエージェントとして立てて、オーケストレータが指示を出して結果を集約します。単一エージェントより複雑タスクに強く、エラー時のリカバリー設計もしやすい反面、コスト・実行時間管理が課題となります。Claude Agent SDK等で構築可能です。

Recall@5とは「正解が上位5件の検索結果に含まれている割合」を示す指標です。RAGでは検索フェーズ（Retriever）の性能を測るために使います。評価手順は (1) テスト用の質問と正解文書ペアを30〜100件用意 (2) 実装したRetrieverに質問を投げ、上位5件を取得 (3) 正解が含まれる割合を計算、という流れ。Recallが低ければチャンク設計や検索方式の見直しが必要です。他にPrecision、MRR、F1等も併用します。

案件の要件（精度・速度・GPU予算）に応じて選定しています。多言語対応と日本語性能のバランスが良い系統、英語ベースの技術文書に強い系統、日本語特化の系統などから、PoC段階で複数モデルを実データで比較して決めます。量子化を活用してMac miniや単一GPUでも実用速度を出す構成もよく採用しています。採用モデルの詳細構成は、お問い合わせいただいた方に個別にご説明します。

可能です。Apple Silicon搭載のMac miniは統合メモリでLLM推論に必要な帯域を確保しやすく、7B〜14Bクラスの量子化モデルであれば実用的な速度で動きます。小規模チーム（10〜30人）の社内文書AIであればMac mini 1台で十分なケースも多く、初期投資数十万円で閉域構成が組めます。ただし、大規模ユーザー・大量文書ではGPUサーバー構成を検討します。

主要なコツは4点。(1) 意味単位で分割 — 文字数で機械的に切らず、見出し・段落・箇条書き単位で分ける (2) オーバーラップを入れる — チャンク境界で文脈が切れないよう50〜100字重ねる (3) メタデータを付与 — 文書名・章・作成日をチャンクに紐付けて検索の絞り込みに使う (4) 表・図はテキスト化 — OCRや画像モデルで前処理。この4点だけでもRecallが大きく変わります。

一般的な組み合わせパターンは (1) 機密性で使い分け — 機密文書はローカル、汎用処理はClaude (2) タスクで使い分け — 高精度が要る要約・推論はClaude、単純な分類・整形はローカル (3) フォールバック — ローカルを1次処理、精度不足時にClaudeで補完。この3パターンは併用でき、コストとセキュリティのバランスを取りやすくなります。AREREでは要件ヒアリング時にどのパターンが向くか設計します。

統合方式は主に3パターン。(1) API連携 — 既存システムにAPIエンドポイントがある場合、AIエージェントから呼び出す (2) DB直接参照 — 読み取り専用ユーザーで既存DBを検索・集計 (3) UI埋め込み — 既存のWeb画面にチャットUIを組み込む。既存システムの改修を最小化する方向で設計し、既存業務を止めずに段階的にAI機能を追加できます。AREREはLaravel/VueのWeb開発経験があるため、UI埋め込みも自社で対応可能です。