AI用語集｜MCP・RAG・ファインチューニング など

AIまわりの基本用語をまとめています。今後も新しい用語を随時追加します。最新の用語は、リストの上に追加していきます。

バイブコーディング（Vibe Coding）

AIを使って、設計・コード理解・実装を同時並行で進める現代的な開発スタイル。まず動くものを作ってフィードバックを得る「試行型（ライト版）」と、AI にコードの構造を読ませて設計相談を行い、小さなスコープで安全に実装していく「高度版」がある。共通する特徴は、AI との対話を通して方向性を磨くこと。AI とやりとりしながらアイデアを出し、設計判断、コード生成までを行うこと。

AIコーディング支援ツール（AI Coding Assistants）

AIを利用してコードの生成・補完・修正・理解を支援するツール群の総称。自然言語での指示からコードを書くほか、既存コードの解釈、設計改善、リファクタリング、プロジェクト横断の変更提案など、開発プロセス全体を支援するのが特徴。IDEや独立したAI IDEとして提供されており、用途に応じて「補完特化」「設計理解特化」「大規模自動修正特化」など役割が異なる。2025年11月現在、主要なツールは以下の通り。

• Cursor（プロジェクト全体の自動修正や大規模リファクタリングに強い） / GitHub Copilot（VS Code に統合された補完特化ツール）
• Anthropic系：Claude Code（コード生成と同時に、設計意図の説明・整理に優れる）
• Google系：Gemini Code Assist / CLI（コード生成・修正に加えて、Google Cloud との統合が強み）

MCP（Model Context Protocol）

従来、AIモデルに文脈（コンテキスト）を与えるには、プロンプトにすべてを含める必要があった。MCPはアプリの状態やユーザーの目的などをプロンプトの外で共有する考え方。Anthropicが2024年に提案した、LLMなどのモデルとアプリケーションの間で文脈情報を構造的にやりとりするためのプロトコル。AIが「エージェント的な振る舞い」の基盤になると期待されている。

AIエージェント (AI Agent)

指示しなくても、自分で判断して動くAIプログラム。目的に向かって「何をやるか」をAIが決めて、タスクを実行する。エージェントには「知識」を持たせ、「タスクを実行させる仕組み」を作る必要がある。たとえば、誰かのレポートを書くAIエージェントなら、その人に関する情報をエージェントに持たせ、レポートの書き方を学習させる。RAGやファインチューニングを使って実現する。

チャットボット (Chatbot)

特定の話題について、自動で質問に答えたり、会話ができるAIプログラム。AIエージェントに似ているが、もっと汎用的に使う。

RAG (Retrieval-Augmented Generation)

データベースから情報を検索し、それをもとにAIが回答を生成する手法。 大規模言語モデル（LLM）の内部データではなく、主にVector Databaseなどの外部データベースから情報を探す仕組み。

ファインチューニング (Fine-tuning)

事前学習済みモデルに追加学習させ、特定のタスクや用途に最適化すること。モデルそのものに新しい知識やスキルを組み込む方法。たとえば既存の大規模言語モデル（LLM）に自分専用の知識を学習させることができる。

ベクターデータベース（Vector Database）

データをベクトル形式で保存・検索するデータベース。検索や類似した情報を見つけるために使われる。

学習 (Training)

モデルに大量のデータを使ってパターンやルールを学ばせること。これによって、大規模言語モデル（LLM）など、さまざまなAIモデルを作り上げる。

推論 (Inference)

学習（Training）やファインチューニングが終わったモデルを実際に使い、最適な答えを作り出すこと。会社でいえば、学習済みのモデルを活用して製品やサービスを提供する際に、この「推論 (Inference)」が必要になる。

エンベディング（Embedding）

AIが処理しやすい「数値のリスト（ベクトル）」に変換する技術。意味が近いものは、数値も近くなるように作られている。言語、画像、音声、動画など、さまざまなデータに使われる。

大規模言語モデル（LLM, Large Language Model）

大量のテキストデータで学習した、大規模な自然言語処理モデル。質問への回答、文章生成、要約など幅広いタスクに対応する。