Generative AI

Prompts

• prompts.chat

Services

• OpenAI/ChatGPT
• Google/Gemini
• Google/AIStudio
• Anthtropic/Claude
• Perplexity/Perplexity

Gemini API

無料枠

• RPM: Requests per Minute（1分あたりのリクエスト数）
• TPM: Tokens per Minute（1分あたりのトークン数）
• RPD: Requests per Day（1日あたりのリクエスト数）

Google AI Pro （2900円/月）の場合:

あくまでレート制限が緩和されるだけで無料で使えるわけではない。

• *1: Gemini 3 Pro Image
• *2: Gemini 3.1 Flash Image
• *3: Gemini 2.5 Flash Preview Image

利用枠。

ChatGPT(OpenAI), Gemini(Google), Claude(Anthropic) の月額はどれも20ドル（約3000円）

思考モードは Pro プランだと1日300回まで。無料版の場合制限あり。 Proモードと思考モードの制限枠は別々にカウントされる。

コスト

• トークン量は 1M（100万トークン）あたり。
• Gemini 3.1 Flash (Nano Banana 2)
  • 0.5k（512ピクセル）の出力画像は 747 トークンを消費し、画像1枚あたり $0.045 に相当
  • 1k（1024x1024）の出力画像は 1,120 トークンを消費し、画像1枚あたり $0.067 に相当
  • 2k（2048x2048）の出力画像は 1,680 トークンを消費し、画像1枚あたり $0.101 に相当
  • 4k（4096x4096）の出力画像は 2,520 トークンを消費し、画像1枚あたり $0.151 に相当
• Gemini 3.1 Pro (Nano Banana Pro)
  • 1k（1024x1024）から2k（2048x2048）の出力画像は 1,120 トークンを消費し、画像1枚あたり $0.134 に相当
  • 4k（4096x4096）の出力画像は 2,000 トークンを消費し、画像1枚あたり $0.24 に相当

Gemini 3.1 Flash のコストを 1 とした場合の相対コスト表

Gemini 予算

ご提示いただいた条件（コード用：Gemini 3 Pro、画像生成用：Nano Banana 2 + Flash Thinking）に基づき、予算 $10 および $20 の利用計画をまとめました。

計算には 2026 年現在の以下の API 単価（推定）を使用しています。

• Gemini 3 Pro: 入力 $2.00 / 出力 $12.00（100万トークンあたり）
  • コード生成は出力が多いため、平均 $10.00/1M トークンで算出
• Nano Banana 2: $0.067 / 枚（標準的な 1K 解像度）
• Flash Thinking: 画像生成時の「思考代」として 1 枚あたり約 $0.033 加算
  • 画像 1 枚（Thinking 有）の合計：約 $0.10 / 枚

$10 クレジット利用計画案

画像生成を「思考モードあり」で行う場合の目安です。

---

$20 クレジット利用計画案

予算を倍にした場合、より大規模なコード開発や、シリーズものの画像生成が可能になります。

---

運用のアドバイス

1. 「思考モード」の節約: すべての画像で Thinking を使うのではなく、構図が難しい時だけ有効にすれば、画像枚数は上記の 1.5倍程度 まで増やせます。
2. コードトークンの節約: PowerShell などのコードを書く際、過去の長いログを毎回プロンプトに含めると、入力トークン代が嵩みます。Context Caching を活用して共通ライブラリ部分を固定すれば、コストを大幅に抑えられます。
3. 無料枠との棲み分け: Gemini 3 Pro の API にも無料枠（5 RPM / 50 RPD 程度）があるため、開発中の細かいデバッグは無料枠の API キーで行い、まとまった実装や高品質な画像生成にのみ、この有料クレジットを充てるのが最も効率的です。

Proモードと思考モード

Gemini 3.1（2026年現在の最新シリーズ）における「Proモード」と「思考モード」は、それぞれ「知能の深さ」と「論理のプロセス」に重点を置いた異なるアプローチのモードです。

それぞれの主な違いと使い分けをまとめました。

1. 主な違いの比較

---

2. それぞれの得意分野と利用方法

Proモード：専門家レベルの「知の巨人」

最高水準の理解力と表現力を持ち、ビジネスや研究などの「品質が最優先される場面」に最適です。

• 高度なクリエイティブ: ニュアンスの複雑な長文執筆、ブランド戦略の立案、マーケティング案。
• 膨大なコンテキストの処理: 数百ページのPDFやソースコード全体を読み込ませて、横断的な質問をする。
• エージェント的タスク: 複数のステップを伴う複雑なワークフローの自動化。
• 利用例: 「この10年分の財務資料を比較して、潜在的なリスクをレポートにまとめてください」

思考モード：論理的な「数学・理数系主任」

回答の前に「どう解くべきか」をステップバイステップで内部推論するため、複雑な条件設定がある問題に強いです。

• 論理・数学的推論: 複雑な条件が絡み合うパズルや、証明問題などの正確な回答。
• コードのデバッグ: プログラムが動かない原因を論理的に特定し、修正案を提示。
• 複雑なプランニング: 予算、移動時間、家族の希望など、相反する条件をすべて満たす旅行計画。
• 利用例: 「このPythonコードの論理的な脆弱性を特定し、解決策を順を追って解説してください」

---

使い分けのアドバイス

• Proモード：**「知識の広さと、出力の質（美しさ・正確さ）」**を求める時に。
• 思考モード：**「論理的な正しさ」や「ミスのない手順」**が必要な時に。

日常的な短い質問や要約であれば、これらではなくデフォルトの「高速（Flash）モード」を使うのが最も効率的です。

パラメータ

正確さを重視するなら、Temperature と Top-P を低く、創造性を重視するなら高くする。

この2つを同時に調整することはあまりオススメできない。基本として Temperature で調整する。

Temperature

• 値を低くする（0に近づける）: 最も確率が高い単語が選ばれやすくなります。回答が安定し、論理的・事実的なタスク（要約やコード生成）に向いています。
• 値を高くする（1以上に近づける）: 確率が低い単語も選ばれるようになります。創造的で多様な表現（アイデア出しや物語作成）に向いていますが、支離滅裂になるリスクも上がります。

Top P (Nucleus Sampling)

「候補となる単語の選択範囲」を確立の合計値で制限します。

出現確率の高い順に単語を並べ、その累積確率が $P$（例：0.9）に達するまでの単語だけを候補とします。

確信がある時は少数の単語に絞り、確信がない時は多くの候補を残すという「動的な絞り込み」を行います。値を小さくすると、突飛な回答を排除して一貫性を高められます。

ツール

Gemini CLI はツールを使ってローカル環境を操作します。 おもに、「ファイルシステム」「ウェブ」「システム」の3つのカテゴリがあります。

1. ファイルシステム操作 (File System Tools) ローカルのソースコードやドキュメントを読み書きするためのツール群です。

• ReadFile / ReadManyFiles: 指定した1つまたは複数のファイルの内容を読み取ります。
• WriteFile: 新規ファイルの作成、または既存ファイルの上書きを行います。
• Edit: ファイル内の特定の箇所をピンポイントで書き換えます。
• ReadFolder (list_directory): ディレクトリ内のファイル一覧を取得します。
• FindFiles: ファイル名やパターンでファイルを検索します。

1. ウェブ・外部情報 (Web Tools) 最新の情報を取得したり、外部サイトを解析したりするために使用されます。

• GoogleSearch (Search): Google検索を実行し、最新のウェブ情報をコンテキストとして取り込みます。
• WebFetch: 指定されたURLにアクセスし、そのページのテキスト内容を取得します。

1. システム・メモリ (System & Memory) プロセスの実行や、会話をまたいだ記憶の管理を行います。

• Shell: ターミナルコマンドを実行します（コンパイル、テストの実行、ツールのインストールなど）。
• SaveMemory: 重要な情報（プロジェクトのルールや特定の設定など）を記憶し、将来の会話で利用できるようにします。

Gemini CLI は「エージェント型」の仕組みを採用しており、ユーザーの依頼内容に応じて、以下のプロセスを自律的に繰り返します。

1. 推論: 依頼（例：「このバグを直して」）に対し、どのツールが必要か考える。
2. ツール選択: 「まず ReadFile でコードを読み、次に Shell でテストを流そう」と計画する。
3. 実行: 必要なツール（関数）をCLI側で呼び出し、その結果（ファイル内容やエラーログ）を受け取る。
4. 完了: 結果を分析し、修正が完了するまでこのサイクルを回します。

Plan

エントリープラン

ミドルプラン

ヘビープラン

※ドル=160 ※APIは上記のサービスとは別。APIの上限（リミット）やクォータはプランに含まれている。

LLM

3bit(Q3), 4bit(Q4), 6bit (Q6), 8bit(Q8) など。

Local LLM

Qwen 3.5 モデルのVRAM使用料

LLM (Coding)

Co-Pilot と Agent

Co-Pilot は人間側がコードを書くために支援・補助をしてくれます。対して、Agent は自律的に設計、コードの生成、実行、レビューを行います。

Claude Opus, GPT Codex, これらを使用した GitHub Copilot は Co-Pilot です。 Claude Code や Gemini CLI、Antigravity は Agent になります。

初期フェーズ

プロジェクトの初期環境の構築やプロトタイプ制作などは次の組み合わせ

開発フェーズ

Co-Pilot で生成

Prompt

指示書

• 役割（Role）
• 目標（Goal）
• 対象（Target）
• 指示（Instruction）
• 制約（Rule）
• 入力（Input）
• 出力形式（Output）

RAG (Retrieval-Argumented Generation)

検索拡張生成。外部の最新情報や特定の組織内データなどを組み合わせて回答させる技術。 手順として、事前準備（データ）、検索（Retrieval）、情報の追加（Argumenation）、回答の生成（Generation）で動作します。

RAGを導入する理由：

• 精度と関連性の向上: RAG を使用すると、LLM を外部ソースから取得した事実に基づく情報に基づかせることで、LLM はより正確で関連性の高い回答を提供できます。これは、時事問題に関する質問に答えたり、特定のトピックに関する情報を提供する場合など、最新情報が重要な場面で特に役立ちます。
• ハルシネーションの低減: LLM は、もっともらしく見えるものの、実際には不正確または意味をなさない回答を生成することがあります。RAG は、生成された情報を外部ソースと照らし合わせて検証することで、この問題を軽減します。
• 適応性の向上: RAG を使用すると、さまざまな分野やタスクに対する LLM の適応性が向上します。さまざまな情報源を活用することで、LLM を簡単にカスタマイズして幅広いトピックに関する情報を提供できます。
• ユーザー エクスペリエンスの向上: RAG は、より有益で信頼性の高い、関連性の高いレスポンスを提供することで、全体的なユーザー エクスペリエンスを改善できます。

テキスト埋め込み

テキスト埋め込みは、非構造化テキストを、意味論的意味を捕捉する密な数値ベクトル (例えば、数値の配列) に変換することです。 これらのベクトルにより、マシンはテキスト間の類似性を測定し、意味検索、クラスタリング、分類などのタスクをサポートできます。 例えば、*「金融業界向けの最良の LLM」*のようなクエリは、その意図と一致する LLM (Large Language Model) 記述または記事と照合することができます。

リランキング

リランキングは、よりきめの細かい関連性スコアに基づいて候補を並べ替えることによって、初期検索ステップの結果を精緻化することです。 埋め込みモデルは幅広い一致を取得しますが、リランカーはコンテキストに最も関連性のある結果を優先します。 たとえば、検索エンジンは、最初に埋め込みを使用して 100 件のドキュメントを取得し、次にリランカーを適用して、最も関連性の高い上位 10 件のドキュメントを選択します。

Function Calling

AIモデルが外部のAPI やプログラム機能を呼び出し、その結果をもとに推論を進める仕組み。モデルは自身の知識だけでなく、リアルタイムデータの取得や複雑な計算をツール経由で実行できます。

利点

• リアルタイム情報: 最新データベースやAPI から現在の情報を取得
• 複雑な処理: 数値計算や画像生成など、LLMでは難しい処理を委譲
• 精度向上: 外部ツールの結果に基づいた正確な回答が可能
• Self-correction: ツール実行結果に基づいて自動的に修正可能

実装例

ユーザー入力 → LLM が関数呼び出しを判断 → 外部ツール実行 → 結果をLLMに返却 → 最終回答生成

Agent Skills

単にAIモデルが「何かを知っている」状態から「特定のタスクを自律的に遂行できる」状態に拡張する機能。

主に4つのスキルで構成されている

ツール利用（Tool Use / Function Calling）

外部の機能を利用する能力。

推論・計画（Planning & Reasoning）

複雑なゴールを、実行可能なステップに分解する能力

メモリ管理（Memory / Context Management）

過去の経緯や長期的なルールを記憶し続ける能力

マルチモーダル操作（Multimodal Interaction）

テキスト以外を理解し、操作する能力。

Agent Skills のオープン規格

• Agent Skills

Anthropic によって開発され、オープン標準として公開されました。導入する主なメリットは、AIエージェントが実際の業務を確実にこなす上で不足しがちな「企業やチーム固有の背景知識（コンテキスト）」や「手順」を、バージョン管理可能な形でパッケージ化できることです。具体的には以下の3つの強みがあります。

• ドメインの専門知識（Domain expertise）の定着: 法務のレビュープロセスやデータ分析のパイプライン、プレゼン資料のフォーマット作成といった専門的な知識を、再利用可能なリソースとして保存できます
• 再現可能なワークフロー（Repeatable workflows）の構築: 複数のステップからなる複雑な作業を、いつでも一貫して実行できる監査可能な手順に変換できます
• 複数ツール間での再利用（Cross-product reuse）: スキルを一度作成してしまえば、Agent Skillsと互換性のある他のあらゆるAIエージェントでも横断的に使い回すことが可能です

AIエージェントがスキルを読み込み実行する仕組みは、「段階的開示（progressive disclosure）」と呼ばれる3つのステージに分かれています

• Discovery（発見） エージェントは起動時に、利用可能な各スキルの「名前」と「説明」のみを読み込みます。これにより、エージェントはどのようなタスクにそのスキルが関連するのかを判断するための最小限の情報を事前に把握します

• Activation（有効化） ユーザーからのタスク内容が特定のスキルの説明と一致した場合、エージェントはそのスキルの中心となる SKILL.md ファイルに書かれた詳細な指示（手順）を自身のコンテキスト内に読み込みます

• Execution（実行） エージェントは読み込んだ指示に従って実際のタスクを実行します。この際、必要に応じてスキルに同梱されているコード（スクリプト）を実行したり、参照されているファイルやテンプレートなどを読み込んだりして作業を進めます

• Claude Code

• Visual Studio Code

• Gemini CLI

Model Context Protocol（MCP）

Model Context Protocol は、LLM と外部システム間の標準的な通信プロトコル。Claude や GPT などのモデルが、ローカルファイルシステム、データベース、Web API など多様なデータソースに安全かつ効率的にアクセスするためのインターフェース仕様です。

主な特徴：

• 標準化: 異なるツールやデータソースとの連携を統一的に実装
• セキュリティ: モデルに与える権限を細粒度で制限可能
• スケーラビリティ: ローカルおよびリモートリソースの両方に対応
• 相互運用性: 複数の LLM や AI フレームワークで利用可能

使用シーン：

• RAG でドキュメントやデータベースにアクセス
• Function Calling の基盤となるプロトコル
• Agent が複数のツールを組み合わせて実行
• リアルタイムデータの取得と処理

MCPは、アプリケーションがLLMにコンテキストを提供する方法を標準化するオープンプロトコル。2024年11月にAnthropicによりオープンソースとして公開された。“⁠AIアプリケーション用のUSB-Cポートのようなもの⁠”と表現されている。

Deep Research

Web上にある多数の文献(もしくはユーザーがアップロードしたデータ)を元に多角的な視点から推論、洞察などを行ない、従来よりも詳細に回答する機能

• OpenAI/ChatGPT (Plus/Pro)
• Google/Gemini (Premium/Workspace)
• PerplexityAI/Perplexity (Free)
• xAI/Grok (Free)
• Microsoft/Think Deeper (Free)

ハーネスエンジニアリング

ハーネスエンジニアリングとは、人間が直接コードを書く代わりに、生成AIが自律的にコーディング、テスト、修正を行える「環境や仕組み（ハーネス）」を設計・構築する手法を指します。

具体的には以下の取り組みを含みます。

1. 環境の構築: AIが自らの変更を検証できるよう、テスト環境、UI操作、ログやメトリクスの読み取り機能をAIに与えること。
2. タスク分解とツール提供: 大規模な目標を細分化し、AIが失敗した際はコードを直すのではなく「AIに不足しているツールや抽象化は何か」を考え環境を改善すること。
3. コンテキスト管理: 巨大なプロンプトを与えるのではなく、リポジトリ内のドキュメントを構造化し、AIが適切に情報を探索できる目次等の仕組みを作ること。

人間の役割はコード記述から、AIが確実に作業できる環境設計へと移行します。

グラウンディング

生成 AI において、グラウンディングとは、モデルの出力を検証可能な情報源に紐付ける仕組みを指します。特定のデータソースにアクセスできるモデルを用意することで、グラウンディングによりその出力が特定のデータに紐づけされ、コンテンツのねつ造が起こりにくくなります。これは、精度と信頼性が重要な状況で特に重要です。

グラウンディングには次の利点があります。

• モデルのハルシネーション（モデルが事実に基づいていないコンテンツを生成すること）を削減します。
• モデルのレスポンスをデータソースに固定します。
• 情報源へのリンク（根拠）を提供することで、監査可能性を確保します。

REFERENCES

• Claude Codeで記憶領域を持つための独自のAgent Skillsを使っている
• YouMind
• The importance of Agent Harness in 2026