Libe City / Staff Handbook
CLAUDE ACADEMY · 2026.08.22
教材 02 / 必修
「このレッスンで学ぶこと」と「リベシティでの活かし方」を読んでから公式レッスンを開き、学習を終えたら「このレッスンを完了した」にチェックを入れてください。
AI Capabilities and Limitationsの13レッスンを公式の順番で確認し、要約と実務での活かし方を分けて掲載しています。
Learning progress / 02
ログインは任意です。ログインしなくても、このサイトのチェックはこのブラウザに保存されます。Googleでログインすると、パソコンやスマートフォンでもチェックを同期できます。
0 / 13 完了
この端末に保存中
Overview / 02
学ぶ前に、教材の対象者・前提条件・翻訳の状態を確認しましょう。
この教材で目指すこと
AIが得意なことと、もっともらしく間違う場面を見分けるための教材です。日付・数値・固有名詞・URLなど、仕事で必ず確かめる項目を自分の業務に合わせて決めます。
Build an accurate mental model of what large language models can and cannot do: next-token prediction, knowledge, working memory, steerability, and context limits.
翻訳について： 公式ページは英語表示（確認日: 2026-08-22）
Lesson list / 02
公式レッスンへのリンクから、公式の詳しい内容や学習アクティビティも確認できます。
Lesson 01
このレッスンは、AIと協働する人間側の4Dフレームワークに対して、AI側の性質を学ぶコースの全体像を示します。生成AIの中核特性を「次トークン予測」「知識」「ワーキングメモリ」「ステアラビリティ」の4つとして捉え、性質同士の衝突を経て安全・効果的・倫理的な利用へつなげます。最近のAI利用タスクを洗い出し、使い始めの結果がそのまま使えたか、手直しが必要だったかを記録して以降の学習の土台にします。
文章作成・情報整理でAIを使った作業を一つ棚卸しし、初回出力のまま使えたか、確認や修正が要ったかを記録する。結果を見返し、次の作業で見張る点を決める。
Lesson 02
生成AIは既存データを分類する仕組みではなく、トランスフォーマー型のテキストモデルとして新しい内容を一トークンずつ生成します。AIの強さと弱さは一様ではなく、次トークン予測・知識・ワーキングメモリ・ステアラビリティという4つの連続的な軸に現れます。利用中のAI機能を「生成」か「分類など」かに分け、作業ごとに関係しそうな軸を見立てて、課題に応じて信頼度を調整します。
リベシティのチャット整理やClaude Codeのファイル操作をひとまとめに「AI」と見なさず、生成・分類・検索のどれに近いかと、どの性質が効くかを確認する。軸に応じて検証や人の判断を差し込む場所を決める。
Lesson 03
AIの礼儀正しさ、役立ちやすさ、慎重さは自然に生まれるのではなく、事前学習と微調整を段階的に重ねて形づくられます。事前学習は次に来る内容を予測する文書補完から始まり、微調整によって依頼への応答や有害な依頼の拒否などの助手らしい振る舞いが加わります。人間の評価が微調整に入ることで、迎合、冗長さ、過剰な慎重さ、確信度と実際の信頼性のずれといった傾向も残ることがあります。
運営向け文案やコードレビューでAIを使うときは、前提への迎合、必要以上の長さ、過剰な注意書きが混じっていないかを見る。反対意見を求める、一文に制限するなど依頼を変えて出力を比べると、採用前の確認点を作れる。
Lesson 04
生成AIの回答は検索結果を取り出すのではなく、見たパターンをもとに次の語を順に選ぶ、非常に高度なオートコンプリートに近いです。よくある要約・整形・概念説明は得意ですが、未知の領域や「真実」と「もっともらしさ」の区別を要する課題は弱く、名前・日付・統計・引用・URLなど具体的な情報ほど捏造を検証する必要があります。出典表示や不確実性の提示、生成後の検証ループはこの制約を補う仕組みであり、生成過程を知ることが適切な吟味につながります。
AIが作るコードや文案は、流暢さを正しさの証拠にせず、固有名詞・日付・数値・URLを根拠や実行結果で確かめる。定型整形と、未知仕様や具体的事実を含む作業で確認の強さを変える。
Lesson 05
この実験では、マルコフ連鎖で語の遷移確率を表し、その分布からサンプリングして次の語を選びます。Temperature・Top-k・Top-pは候補分布からの選び方を変えるパラメータで、単純な表引きとLLMには規模や複雑さの違いがある一方、確率分布から次の語を選ぶ点は共通しています。
文案やコード生成を、検索結果の転載ではなく確率的に続きが選ばれた出力として読む。もっともらしい具体情報は、出典・仕様・実行結果を別途確認する。
Lesson 06
生成AIが持つ知識は訓練データと知識カットオフに限られ、ツールなしではその後の情報や実体験にアクセスしません。頻出で安定した主流テーマは比較的扱いやすい一方、希少・最新・ニッチ・地域限定・論争中のテーマでは古さ、偏り、網羅性の差、出所を説明できないといった問題が出ます。Web検索、RAG/MCP、ツール利用は訓練時になかった情報を補い、どこまで任せるかを判断する材料になります。
最新ルール、地域事情、業務内の固有知識は、AIが当然に持つとせず、一次資料や検索で補う。安定した説明と更新・地域・固有情報を含む作業を分け、人が確認する範囲を決める。
Lesson 07
埋め込みは、文章の意味を多数の数値で表す仕組みです。数値の並びを空間上の位置として捉え、近くにあるものを探すk近傍法や、向きの近さを測るコサイン類似度を使って、意味の似た内容を検索します。
過去資料やFAQを探す業務では、同じ言葉が書かれていなくても内容の近い資料を見つける方法として意味検索を検討できる。まずは検索結果から元資料を開き、現行の正本か、質問に本当に答えているかを人が確認する。
Lesson 08
AIがその時点で注意を向けられる範囲は、固定サイズのコンテキストウィンドウ内に限られます。入力が収まっていて関連情報が揃う間は機能しますが、長い文書・会話、セッションをまたぐ継続、長文の中に重要情報を埋める使い方では、警告なしの切り捨てや見落としが起こりえます。モデルは訂正を学習して恒久的に覚えるのではなく、メモリ機能や要約、プロジェクト、大きなウィンドウ、マルチエージェントはこの限界を先送りする手段として位置づきます。
長い議事録・仕様書・手順書を渡すときは、必要な文脈と重要な制約を整理し、別セッションでも自動的に覚えていると期待しない。継続して使う指示や参照資料を置く場所もあらかじめ決める。
Lesson 09
長いコンテキストに情報を足せば必ず精度が上がるわけではなく、中央に埋もれた情報は冒頭や末尾より見落とされやすいです。重要な指示や制約はコンテキストの最初と最後に置き、途中に入れる情報は目的に必要なものへ絞ります。人の記憶に見られる系列位置効果とLLMの注意の偏りを踏まえ、文脈を選び、配置し、重要事項を繰り返すコンテキスト設計を勧めます。
仕様・ログ・指示をまとめて渡すときは、量で安心せず必要部分を選び、完了条件や禁止事項を冒頭と末尾に置く。長い作業では、途中に埋もれた重要情報を再掲する確認手順を用意する。
Lesson 10
ステアラビリティとは、モデルが次トークン予測を通じて指示に従う性質で、短く具体的で検証可能な形式・長さ・役割の指定は扱いやすいです。長い推論の連鎖、抽象的・曖昧な指示、計算や論理の精密さをそのまま任せる課題では、推論のずれや指示の字面だけを満たして意図を外す失敗が起こります。指示が文字どおりでも役に立たないときは強く繰り返すのではなく目的を言い直し、チェックポイントや構造化出力などで意図の希薄化を抑えます。
案内文や作業依頼では、形式・文字数だけでなく、読む人、利用場面、達成したい目的を併記する。複数段階の作業には途中確認を入れ、字面を守っただけの成果物を採用しない。
Lesson 11
「短く」「プロらしく」「詳細に」といった曖昧な指示だけでは、モデルが字面には従っても依頼者の意図から外れます。読者、届けるチャネル、何の意思決定に使うかまで具体化して指示すれば、形式上の達成と実際の目的のずれを小さくできます。
案内文や画面を依頼するときは、「短く」だけで済ませず、読む人、掲載先、次にしてほしい行動まで書く。出力の見た目ではなく、使われ方に合っているかを確認する。
Lesson 12
AIの実際の失敗は、4つの性質のどれか一つだけでなく、二つが重なって起きることが多いです。次トークン予測と知識の組合せは具体情報の幻覚に、ワーキングメモリとステアラビリティの組合せは長い会話のずれにつながります。関係する性質を名指しできれば、具体情報の検証、文脈の再投入、コード実行への切り出し、反論の促しなど、原因に合った対処を選べます。
修正結果やAI文案の違和感を「AIが苦手」で終わらせず、知識・生成・文脈・指示のどの組み合わせが原因か切り分ける。原因に合わせて出典確認、文脈の渡し直し、実行検証、反対意見の依頼へ切り替える。
Lesson 13
このコースでは、4つの性質を連続的な軸として捉え、性質同士の交差が特徴的な失敗を生むという機械側のモデルをまとめます。これは4Dフレームワークの人間側の能力が何に対応するかを説明し、課題の位置に合わせて検証や文脈投入の習慣を調整する「較正された信頼」につながります。モデルが変わっても、この4つの性質という見方は役立つため、1つの作業と今週変える行動を決めて実践します。
定型作業を一つ選び、どの性質が弱点になりやすいかと必要な確認策を決める。今週は、検証、常設文脈、途中チェック、目的の明記のいずれかを実際の作業に組み込み、結果を振り返る。