# AIエージェント開発の意思決定ポイント 🎯 **ポイント** RAGのtop-k、なんとなく「5」にしていませんか？検索結果を多く入れれば根拠が増えると思いきや、LLMは中盤の情報を無視しがちで、コストだけが直線的に増加します。少なすぎればハルシネーション、多すぎればノイズと予算超過。このバランスを取るための実践的な考え方を解説します。 📋 **概要** 検索top-kは、RAG（Retrieval-Augmented Generation）において外部知識ストアから取得する文書チャンクの件数を制御するパラメータです。広義には「LLMのコンテキストウィンドウに投入する外部情報の量」を意味します。コンテキストウィンドウは有限の資源であり、システム指示・検索結果・会話履歴・長期メモリ・ツール出力が奪い合っています。検索結果を多く入れれば根拠は増えますが他の情報が押し出され、少なければ根拠不足でハルシネーションが増えます。 重要なのは件数だけでなく「何を上位に置くか」です。初期検索で広めに候補を取り、リランカーで信号密度の高い順に並べ替えて上位k件を投入するパイプラインが標準的です。 🔍 **意思決定のポイント** top-kの設定は主に以下の変数で決まります。 🔹 **コスト感度（cost_sensitivity）** — コスト感度が高いほどtop-kを絞ります。ただし最低限の根拠確保のためk=3を下回ることは稀です。kを5から20に増やすと検索結果部分のトークンは概ね4倍、コストもそれに比例します。 🔹 **失敗コスト（failure_cost）** — 失敗コストが高い領域では根拠の網羅性が重要。kを多めにとりリランクで品質を担保する戦略が有効です。ただしリランクスコアが閾値を下回る文書は切り捨てるべきです。 🔹 **説明責任（accountability）** — 回答の根拠として引用できる文書を確保する必要がある場合、kを増やすよりもリランクスコアの高い少数の文書を確実に含め、出典を明示する方が効果的です。 💡 **要点と詳細** 実践的な判定フローは以下の通りです。 1️⃣ 初期検索では広めに取得（概ねk=20〜50） 2️⃣ リランカーで関連性スコア順に並べ替え 3️⃣ スコアが閾値を超える文書のうち上位k件を投入 4️⃣ 投入後のトークン数がコンテキストウィンドウの50%を超えないよう制御 5️⃣ 超える場合は圧縮（要約）またはさらなる絞り込み 📊 目安値: - 初期検索の取得件数: 20〜50件（リランク用の候補プール） - リランク後の投入件数: 3〜8件（大半のユースケースで5件前後が出発点） - 検索枠のウィンドウ占有率: 20〜40%（50%超で圧縮検討） - チャンクサイズ: 200〜500トークン kの値は「件数の定数」ではなく「リランクスコアが閾値を超えた文書の件数（上限k件）」として動的に決めるのが理想です。高関連の文書が2件しかなければ2件だけ投入し、無理にk件まで埋めません。 ⚖️ **トレードオフ** 📉 top-kが小さすぎると — 回答に必要な情報が検索結果に含まれず、LLMが根拠なしに回答を生成します。特に複数文書からの情報統合が必要な場合（「A社とB社の比較」など）、1件では対応できません。取得件数が少ないと1件のノイズの影響も甚大で、k=2なら1件のノイズが50%を占めます。 📈 top-kが大きすぎると — "Lost in the Middle"問題が顕在化します。LLMはコンテキストの先頭と末尾に注意を集中させ、中盤の情報は実質的に無視される傾向があります。大量投入すると最重要情報が中盤に埋もれます。他の情報枠（システム指示・会話履歴・長期メモリ）も圧迫され、エージェント全体の振る舞いが劣化します。 🛠️ **ユースケース** ❓ **単純な事実質問**（「A社の設立年は？」）— k=2〜3で十分。単一の文書で回答可能なケースがほとんどです。 📊 **比較・分析質問**（「A社とB社の戦略の違いは？」）— k=5〜8が必要。複数ソースからの情報統合にはより多くの文書が必要です。クエリ分類器で場合分けすると効率的です。 🏥 **医療・法務の高精度Q&A** — 根拠の網羅性と出典の明示が両方求められる。初期検索を広く取りリランクで厳選、スコアの高い少数の文書を先頭または末尾に配置して"Lost in the Middle"を回避します。 リランカーを使わずにtop-kを増やすのは逆効果です。ベクトル検索の上位20件をそのまま投入するとノイズが大量に混入します。コンテキストウィンドウの使用率は常にモニタリングし、検索結果で投入した文書のうち実際に回答に使われた比率を追跡しましょう。使われない文書が多ければkを下げるか検索パイプラインの改善が必要です。 #AIエージェント# #ソフトウェアアーキテクチャ#

「AIでラクして早く帰って」→社員「帰らない」！DeNA、法務の工数9割減でも仕事を詰め込む→浮いた時間は資料・レビュー・1on1へ…「効率化しろ→苦労してした→それが当たり前扱い→次の精神的にもつらい仕事いれる」 減らす業務を会社側が決めない限り、AIで生まれた時間は追加業務に変わります。

上場する会社と、しない会社。分かれ目は事業の良し悪しではないことが多い。 178社以上の上場に関わってきて、途中で止まる会社に共通するものがある。管理部門だ。 事業が伸びている会社はたくさんある。売上も利益も出ている。それでも上場の準備に入ると、そこから2年も3年も進まない。理由はほとんどの場合、経理と労務と内部統制のところで詰まっている。数字を締めるのに時間がかかる、規程が実態と合っていない、勤怠の管理が甘い。事業とは何の関係もないところで止まる。 だからスタートアップの求人で、経理や人事や法務の募集が急に増えている会社があったら、それは準備が始まった合図だ。営業と開発ばかり募集している会社は、まだその手前にいる。 働く側にとって面白いのは、この時期の管理部門が、人生でいちばん市場価値が上がるポジションのひとつになることだ。上場を一度経験した経理や人事は、その後どこへ行っても足りない側の人材になる。派手ではない。ただ、確実に効く。 人気があるのは事業を作る側だ。だからそちらは競争が激しい。誰もやりたがらないところに、価値がある席が残っていることが多い。 気になっている会社の採用ページで、管理部門の募集が何職種あるか数えてみてほしい。事業の説明より、そこにその会社の現在地が出ている。

法務省の検討会は、人選の段階で結論が見えています。 「売買春に係る規制の在り方検討会」の名簿には同一団体から4名が並びます。立ちんぼの動機はホスト等62%、生活のため3%とされ、実態を無視した人選では、規制も補助金も結論ありきで正当化されます。 "有識者"の選定時点で結論ありきの会議をつくり、その結果をベースに政策や補助金助成金を決定するのは絶対に間違いです。選定過程を公開すべきです。

日本IBMの法務部門が、Asian Legal Business / Thomson Reuters 主催の ALB Japan Law Awards 2026 において、Japan In-House Team of the Year を受賞しました。 日本IBMのビジネスを支える法務チームの専門性と日々の取り組みが評価されたことを、大変誇りに思います。 🔍

「声」の法的保護を明記　AIで権利侵害事例　法務省検討会が指針案 著名人の肖像などが生成AIで無断利用されている問題を巡り、法務省の有識者検討会は27日、声優らの「声」も現行法上で保護対象となると明記した指針案を大筋で了承した。

日本人との結婚で得た永住許可が離婚後も残る問題について法務省の対応が鈍すぎます。 日本保守党の北村晴男議員が法務委員会で自動取消を求めたのに対し、法務省の反応は鈍く、長年放置してきた立法・行政の不作為があります。 パキスタン人男性による偽装結婚・重婚の事例が報告されている事例からも制度の甘さが日本人配偶者を使い捨てにする温床です。 離婚情報を市町村から入管へ自動通知し、偽装が疑われる永住許可は直ちに取り消すべきです。

『移民推進派だそうです…』山下氏が法務大臣に就任→新政権の移民政策にどう向き合うのか 法務行政のトップだけに、移民政策への考え方が今後の焦点になります。