株式会社ずんだもん技術室AI放送局 podcast 20260324

youtube版(スライド付き) 関連リンク RAG パイプラインを捨てて claude -p に Grep させたら3時間で社内ナレッジ Bot が動いた 本記事は、数百ファイル規模の社内ナレッジを検索・回答するSlackボットを、従来の「RAG（検索拡張生成）」という複雑な仕組みを使わずに、ClaudeのCLIツール（Claude Code）を活用して構築した実践レポートです。 1. 従来のRAGが抱える「つらさ」 通常、LLMに社内文書を読み込ませるには「RAG」という手法を用います。これには、文章を細かく切る（チャンク分割）、数値化する（Embedding）、専用のデータベース（ベクトルDB）に保存する、といった多くの工程が必要です。著者は1年間これらと格闘してきましたが、200ファイル程度の規模に対しては、これらの精度調整や運用コストが非常に高いという課題を感じていました。 2. 新しいアプローチ：エージェンティックサーチ そこで著者が編み出したのが、LLM自体に「検索（Grep）」と「読み込み（Read）」のツールを持たせ、直接ファイルを探索させる手法です。 仕組み: claude -p（Claude Codeの非対話モード）を使用し、LLMが自分で「どのファイルに答えがありそうか」を推論し、必要に応じて複数のファイルを行き来しながら回答を統合します。メリット: データのベクトル化やDB管理が一切不要。ファイルをディレクトリに置くだけで準備が完了します。構築スピード: 最初のボットを約3時間、2つ目はわずか30分で追加できるほどの圧倒的な手軽さを実現しました。 3. 実装のポイントとセキュリティ 実装の核心は、Pythonの subprocess から claude コマンドを呼び出すだけというシンプルなものです。 しかし、自由度が高い反面、初期段階では「サーバー内の機密ファイルを読み出される」といったプロンプトインジェクション（悪意ある指示）の脆弱性が露呈しました。これに対し、著者は以下の3層の防御策を講じています。 作業ディレクトリ（cwd）の制限: アクセスできる範囲を限定する。入力フィルタ: /etc/passwd などの危険なパスが含まれる入力を遮断する。システムプロンプト: 「指定ディレクトリ以外は見ない」というルールを徹底させる。 4. 運用上のトレードオフ この手法は万能ではなく、明確な使い分けが必要です。 向いているケース: 数百ファイル程度の規模、正確性が求められる用途、運用コストを抑えたい場合。課題: 回答に10〜45秒ほどかかる（ツール呼び出しの往復が発生するため）。また、数千〜数万のドキュメントを扱う大規模な環境では、従来型のRAGの方が高速でコスト効率も良くなります。 5. まとめ：エンジニアへの示唆 この仕組みを支えているのは、単なるLLMの賢さだけではなく、ツール実行・コンテキスト注入・セッション管理を一つのCLIで完結させた「Claude Code」という実行環境（ハーネス）の完成度です。 「小規模なナレッジであれば、複雑なパイプラインを組む必要はない」という事実は、リソースの限られた現場や新人エンジニアにとって、非常に実用的な知見と言えます。まずはこの「エージェンティックサーチ」から始め、規模に応じてRAGへ移行するという選択肢が、今後のLLM活用のスタンダードになるかもしれません。 引用元: https://zenn.dev/kok1eeeee/articles/knowledge-chatbot-agentic-search Creating with Sora safely OpenAIが発表した最新の動画生成モデル「Sora 2」および「Soraアプリ」における、安全性への取り組みについての要約です。技術の進歩に伴うリスクに対し、エンジニアリングと運用の両面から多層的な防御策が講じられています。新人エンジニアの方にとっても、AIの社会実装における「信頼性設計」の具体例として非常に参考になる内容です。 主要な対策は以下の7つの柱で構成されています。 AI生成物の識別と来歴管理 すべての動画には業界標準の「C2PA」メタデータが埋め込まれ、目に見える形と見えない形の両方でAI生成物であることを示す信号が付与されます。また、Soraで生成されたものかを判定する高精度な逆画像・音声検索ツールも運用されます。 実在人物の画像からの動画生成（Image-to-Video） 友人や家族の写真から動画を生成できますが、アップロードには本人の同意が...