AI エンジニア向けの 12 の MCP、RAG、およびエージェントのチート シート (ビジュアル付き):

1️⃣ 関数呼び出し &; LLM の MCP MCP が普及する前は、AI ワークフローはツールへのアクセスを従来の関数呼び出しに依存していました。現在、MCP はエージェント/LLM 向けに標準化しています。 このビジュアルでは、関数呼び出しと MCP が内部でどのように機能するかについて説明します。 以下の👇スレッドを確認してください

2️⃣ LLMをゼロからトレーニングする4つの段階 このビジュアルでは、LLM をゼロから構築して実用化するための 4 つの段階を網羅しています。 - 事前トレーニング - 命令の微調整 - 設定の微調整 - 推論の微調整 それ👇についての私の詳細なスレッドは次のとおりです

3️⃣ LLM における推論のための 3 つのプロンプト手法 ここでは、LLM が答える前により明確に考えるのに役立つ 3 つの一般的なプロンプト手法について説明します。 - 思考の連鎖(CoT) - 自己一勾配(またはCoTに対する多数決) - 思念(ToT)の木 それについての私の詳細なスレッドを以下で👇読んでください

4️⃣ 他のLLMを使用してLLMをトレーニングする LLM は生のテキストから学習するだけではありません。彼らはまた、お互いから学び合っています。 - ラマ4スカウト&マーベリックはラマ4ベヒモスを使って訓練した。 - Gemma 2 と 3 は Gemini を使用してトレーニングされました。 ビジュアルでは、3つの一般的なテクニックを解説しています。 以下の👇スレッドを読んでください

5️⃣ LLMにおける教師あり&強化の微調整 このビジュアルでは、教師ありの微調整と強化の微調整の違いについて説明します。 RFT を使用すると、ラベル付けされたデータなしで、オープンソースの LLM を推論の強力なツールに変えることができます。 以下の👇スレッドを読んでください

6️⃣ トランスフォーマーとLLMの専門家の混合 Mixture of Experts (MoE) は、さまざまな「エキスパート」を使用して Transformer モデルを改善する一般的なアーキテクチャです。 以下のビジュアルは、トランスフォーマーとの違いを示しています。 それ👇についての私の詳細なスレッドは次のとおりです

7️⃣ RAG vs エージェント RAG 単純な RAG は 1 回取得して 1 回生成し、詳細情報を動的に検索できず、複雑なクエリを推論することもできません。 エージェントRAGはこれを解決します。 これ👇に関する私の詳細な説明スレッドを確認してください

8️⃣ 5 つの人気のある Agentic AI デザイン パターン エージェントの行動により、LLM は自己評価、計画、コラボレーションを組み込むことでアウトプットを洗練させることができます。 このビジュアルは、AI エージェントを構築するための 5 つの一般的なデザイン パターンを示しています。 詳細については👇、私のスレッドを確認してください

9️⃣ 5 レベルのエージェント AI システム エージェント システムはテキストを生成するだけではありません。意思決定を行い、関数を呼び出し、自律的なワークフローを実行することさえあります。 ビジュアルでは、AI エージェンシーの 5 つのレベルが説明されています。 詳細な説明スレッド👇をリンクしました

🔟 従来の RAG と HyDE 質問は意味的に回答と類似していないため、システムは無関係なコンテキストを取得する可能性があります。 HyDEでは、まずクエリする仮想の回答(H)を生成します。次に、(H)を使用して関連するコンテキスト(C)を取得します。 それについて👇詳細なスレッドを書きました

1️⃣1️⃣ RAG とグラフ RAG グローバルコンテキストを必要とする質問に答えることは、上位 k 個の関連チャンクしか取得できないため、従来の RAG では困難です。 グラフ RAG は、グラフ構造を使用して RAG をより堅牢にします。 以下の👇詳細なスレッドを確認してください

1️⃣⃣KV2️キャッシュ KV キャッシュは、LLM 推論を高速化するために使用される手法です。 以下に詳細なスレッド👇をリンクしました

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.