生成AIパスポート プロンプト・RAG・活用「プロンプトエンジニアリング・RAG・AI エージェント・プロンプト技法の応用・RAG の仕組み・自律性・ユースケース・ファインチューニングとの違い」の練習問題8問です。解けなかった問題は、各問の解説末尾のリンクから対応する解説記事に進んでください。
Q1. プロンプトエンジニアリングの説明として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
プロンプトエンジニアリングは、生成 AI から望む出力を引き出すために、指示文（プロンプト）の書き方を工夫・設計する取り組みです。役割や前提、出力形式を具体的に伝えると、結果が安定しやすくなります。料理のレシピを丁寧に書くほど仕上がりが揃うのと似た関係です。
A はプログラム開発、B は機器の設置という説明で、いずれも指示文を工夫するプロンプトエンジニアリングとは異なるため誤りです。
Q2. RAG（検索拡張生成）の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
RAG（Retrieval-Augmented Generation: 検索拡張生成）は、外部の文書やデータベースを検索し、その内容を参照しながら回答を生成する手法です。モデルが学習していない最新情報や社内資料を反映しやすくなり、根拠を示した回答にもつなげやすくなります。手元の資料を調べてから答える進め方に近いイメージです。
A はモデルの作り直し、B は翻訳、C は暗号化という説明で、いずれも外部情報を検索して回答に活かす RAG とは異なるため誤りです。
Q3. AI エージェントの説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
AI エージェントは、与えられた目標に向けて必要な手順を自分で考え、外部ツールの利用や複数ステップの作業を組み合わせて進める仕組みを指します。単発の応答にとどまらず、調べる・実行する・確認するといった流れをこなそうとする点が特徴とされています。指示の意図をくんで段取りを組むアシスタントに近いイメージです。
A は定型文を返すだけ、C はボタン回数のカウントという説明で、いずれも自ら手順を組み立てる AI エージェントとは異なるため誤りです。
Q4. プロンプトの精度を高める工夫として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
プロンプトの精度を高めるには、役割・前提・出力形式・条件などを具体的に書いて指示を明確にするのが基本とされています。何を・どんな形で出してほしいかが伝わるほど、結果が安定しやすくなります。先ほどのレシピのたとえでいえば、分量や手順を具体的に書くほど仕上がりが揃うのと同じです。
B のあいまいな指示、C の単語の連呼、D の無関係な情報の詰め込みは、いずれも出力を不安定にしやすく、精度を高める工夫とはいえないため誤りです。
Q5. RAG が回答を作るおおまかな流れとして、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
RAGは、まず質問に関連する情報を検索して取り出し、その内容を踏まえて回答を生成する、という流れで動きます。検索結果という根拠をもとに答えるため、最新情報や特定分野の資料を反映しやすくなります。図書館で資料を探してから、それを参考に答えをまとめる流れに近いイメージです。
A は外部情報を参照しない点、B は順序が逆である点で、いずれも検索してから生成する RAG の流れとは異なるため誤りです。
Q6. AI エージェントの自律性に関する説明として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
AI エージェントは手順を自分で考えて進められる一方、判断を誤ったり想定外の動作をしたりすることもあり得ます。そのため、重要な操作では人による確認や制御を組み込むことが大切とされています。便利な自動運転でも、状況によっては人の判断が要るのと同じ考え方です。
A の確認不要、B の誤りが起こらない、C の目標を与えられないという説明は、いずれも実際の運用上の注意点と合わないため誤りです。
Q7. 生成 AI の活用例として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
生成 AI は、文章の要約・下書きの作成・アイデア出しの補助など、知的な作業の下支えに広く活用されています。たたき台を素早く用意し、人がそれを確認・修正して仕上げる、という使い方が一般的です。最初の原案を一緒に考えてくれるアシスタントのような位置づけです。
B の物理的な修理、C の配線組み替えは、ソフトウェアである生成 AI ができる作業ではないため、いずれも誤りです。
Q8. RAG とファインチューニングの違いとして、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
RAGは外部情報を検索して回答に活かす手法で、モデル自体は変えません。一方のファインチューニングは、追加データでモデルそのものを学習させて適応させます。最新情報や資料の反映には RAG、特定の用途への深い適応には追加学習が向く、というように目的で使い分けるとされています。資料を調べて答えるか、研修で力をつけるか、の違いにたとえられます。
A は両者の説明が入れ替わっており、C は同一とみなしている点で、いずれも誤りです。
試験全体の流れを俯瞰したい時は、生成AIパスポート 試験全体概要 に戻れます。