AIエージェントの作り方｜あなたの知識を“AIに注ぎ込む”仕組みを作る１

---

AIエージェントの作り方（第3回）｜あなたの知識を“AIに注ぎ込む”仕組みを作る

この記事では、RAG型AIエージェントの構築方法について、初心者の方でも理解しやすいように解説します。 システムエンジニアやプログラマが担うべき役割も交えながら、現実的な導入ステップを紹介します。

はじめに：「どんなAIエージェントを作るか」を最初に決める

実は、本来一番初めに行うべきなのが「どのようなAIエージェントを目指すのか」という設計です。

• どこまで回答させるのか
• 回答できないときはどう対応させるのか（再質問？人に引き継ぐ？）
• どんな言葉づかいで応答するのか（丁寧？カジュアル？キャラクター性あり？）

といった“理想のエージェント像”を、ユーザー側とエンジニア側が一緒になって考える必要があります。

この設計フェーズでは：

• 誰がどこまで関わるかの「チーム設計」
• マニュアルを誰が作るのか（部署ごと）
• 衝突が起きたときの調整役をどうするか
• 人員の役割分担、確認体制、承認プロセス

など、技術だけでなく組織的な観点も重要になります。

※このあたりを曖昧にしたまま始めると、必ず途中で詰まります。 AIエージェントの設計とは、「仕組みの設計」だけでなく「関わる人の動き方まで含めてデザインすること」なのです。

ステップ1：“知識”を用意する（ユーザー側の作業）

AIは勝手に知識を持っているわけではありません。RAG型では、あなたが持っているノウハウや社内のマニュアル・資料がAIの“答えのもと”になります。

• 業務マニュアルや手順書、過去のQ&A、商品説明書など
• 形式はWord、PDF、テキスト、HTMLでもOK（後で加工）
• 整理されていない場合は、ヒアリングして文章にする作業が必要

ここが一番地味で大変。でもここがなければAIは何も答えられません。

ステップ2：情報を“構造化”する（ユーザー＋エンジニア協力）

次にやることは、情報をカテゴリーごとに分けて、チャンク（意味のかたまり＝最小単位）としてまとめることです。

たとえば「犬の無駄吠えをやめさせたい」という“問題A”があったとします。

この問題Aに対して、場面によって答えが変わります。

• 人が来ると吠える → 対策A1
• 玄関チャイムに吠える → 対策A2
• 特定の人にだけ吠える → 対策A3

つまり「1つの問題に対して、条件ごとの答えを整理していく」だけ。

このとき、「問題Aの場面1＋回答1」が1チャンクです。条件ごとに分けたそれぞれの回答単位がチャンクになります。

現実には「原因」「準備」「対策」のような段階構成になることもあります。どこまで細かく記述するか、粒度を揃えるのもエンジニアがサポートすべきところです。

※この“粒度の不一致”は現場で非常によく起きます。 ある部署では細かすぎて長文、しかも読みづらい。 一方で、別の部署では簡潔すぎて情報が足りない。 文体もバラバラになり、AIの理解精度が落ちる原因になります。

こうした問題に対処する方法として：

• 最初に「書き方マニュアル（テンプレート）」を配布する
• 専用のGPTsを用意し、文章をリライト・統一させる
• メンテナンス時の“破綻”を防ぐため、投稿チェックフローを整備する

これらの仕組みを整えるのも、エンジニアや構築支援者の役割です。

これをExcelでまとめるのでもOK。以下のように簡単に構成できます。
このように、“問題と場面ごとの対策”という分類ができれば、それは立派なナリッジデータになります。 エンジニアでなくても、分類が得意な人なら誰でもできる作業です。

ステップ3：AIが“読める形”に変換する（エンジニアの作業）

構造化されたデータは、そのままではAIに読めません。AIが読み取りやすいように、ひと工夫された形に変える必要があります。

• ユーザーから見れば、「AIが読めるように変換されている」と思ってくれればOK
• 実際の作業はエンジニアが専用のツールなどで行います
• この処理は、AIの辞書に情報を登録するようなイメージです

※難しく考える必要はありません。「AIが分かるように、知識を整理して登録する作業がある」くらいの理解で大丈夫です。

この処理で変換された情報は、通常クラウド上（インターネット上のサーバー）に保存されます。

※「自分のパソコンに置けないのか？」と思う人もいるかもしれませんが、今のAIはクラウド上で動いていることが多く、そこにある“AIの頭”に届くように、知識も同じ場所に置いておく必要があります。

だから、いきなり全部パソコン内だけで完結するのは難しいです。

とはいえ、「自分専用の知識帳（辞書やテンプレート）を持ちたい」「いつでも呼び出して使いたい」という願いはもっともです。

そういう“小さな自分用AI”を持てたら、作業効率は一気に上がります。

今後は、そうした個人向けの仕組みも進化していくはずです。

ステップ5：「答え」を“話せる形”にして返す（エンジニアの作業）

質問にぴったりの答えを探し出しても、それをそのまま返せばいい…というわけではありません。
最後のステップでは、“人に伝わるように話す形”に整えてから出力します。

ここで大事なのは、「どこに出力するか」「どういう見せ方をするか」です。

• チャット形式で会話のように返す？

• 管理画面に項目別で並べて見せる？

• PDFやメールとして送信する？

など、出力の形は目的によって変わります。

たとえば現場のスタッフに対して、機械の操作方法をAIに聞いたら、\n> 図付きの手順書が画面にポンと表示される。\n>\n> あるいは、営業がスマホで質問したら、1分以内に答えが会話形式で返ってくる。\n>\n> それだけでも“仕事が楽になる”実感につながります。

この出力の設計をどうするかも、エンジニアや導入支援者の役割です。

• 誰がどう使うのか

• どこで、何を使って見るのか

• どのくらいのスピードで応答が必要か

そういった“使う側の現実”をちゃんと聞き取って、技術的な出力方法に落とし込む必要があります。

ステップ6：導入後に“生きたAI”として育てる（運用フェーズ）

AIエージェントは、作って終わりではありません。
むしろ使い始めてからが本番です。

• 実際にどの質問にどう答えたか

• 想定外の質問が来たときどうなったか

• ユーザーが満足したか、困ったか

こうしたやりとりの中で、「あ、この部分はもっと分かりやすくできそうだな」とか
「この質問はまだ答えられていないな」という発見が出てきます。

それをフィードバックとして反映し、AIに“もう少し詳しい答え”や“別の言い回し”を教え直していく。
このサイクルを回すことで、AIエージェントはあなたの会社にフィットしていくのです。

---

※つまり「ナリッジを育てる」という視点が大事になります。\n> \n> 作ったあと、誰がそれを見直すか。更新するか。改善を提案するか。\n> そういった“育てる体制”まで含めて、AIエージェントの導入成功です。