生成AIパスポート 第3章 AIエージェント（2027年2月試験の新シラバス）一問一答
2027年2月試験から適用される新シラバスの第3章 AIエージェントに当たる問題を60問収録しています。このページでは第1〜39問を解説つきで掲載します。
この章の中項目
- AIエージェントとは
- RAG（検索拡張生成）
- AIエージェントの仕組み
- MCP・Agent Skills と外部連携
- AIエージェントのツールと活用事例
- AIエージェントのリスク・安全性・評価
OpenAIが提供する、自然言語での指示からプログラムのコードを生成・記述することを主な用途とするものはどれか。
答えと解説を見る
正解は「Codex」である。OpenAIが提供する、自然言語の指示からプログラムのコードを生成・記述することを主な用途とするものがCodexである。Soraは動画を生成するモデル、Image Generationは画像を生成する機能、Operatorはブラウザを操作してWeb上のタスクを代行するもので、いずれもコード生成を主目的とするものではない。Operator・Image Generation・Soraは、それぞれブラウザ操作の代行、画像生成、動画生成という異なる用途を持つ点で、コードの生成・記述を主目的とするCodexとは用途が異なる。
https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）
人がWebブラウザの画面を見て入力やクリックを行うように操作し、Web上のタスクを自律的に代行するものはどれか。
答えと解説を見る
正解は「Operator」である。人がWebブラウザの画面を見て入力やクリックを行うように操作し、Web上のタスクを自律的に代行するものがOperatorである。Code Interpreterはコードを実行してデータ分析を行う機能、GPTsは独自にカスタマイズした対話AIを作成・公開する機能、Soraは動画を生成するモデルで、いずれもブラウザを操作してタスクを代行するものではない。Code Interpreter・Sora・GPTsは、それぞれコード実行によるデータ分析、動画生成、対話AIの作成・公開という異なる機能を持つ点で、ブラウザ操作を代行するOperatorとは機能が異なる。
https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）
RAG（Retrieval-Augmented Generation、検索拡張生成）の説明として正しいものはどれか。
答えと解説を見る
正解は「外部の知識（ベクトルデータベース等）を検索し、その結果を文脈に加えて回答の精度を高める手法」である。RAGは質問に関連する情報を外部知識（ベクトルデータベースに格納したチャンク等）から検索し、その内容を文脈として与えて生成させることで精度を高める手法。他の選択肢のうち、ファインチューニングはモデルの重みを更新する手法、GAN（敵対的生成ネットワーク）は二つのネットワークを競わせて生成する手法の説明。 生成手法は更新する対象と処理順で区別する。GANは二つのネットワークを競わせ、動画補間はフレーム間を生成し、ファインチューニングはモデルのパラメータを更新する。RAGは質問時に外部知識を検索し、取得文を入力文脈へ加えるため重み更新を必須としない。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
AIエージェントに関する記述として最も適切なものはどれか。
答えと解説を見る
正解は「目標達成のために手順を自ら計画し、外部のツールやサービス（MCPによる連携など）も使いながら自律的にタスクを実行するAI」である。AIエージェントは、与えられた目標に対して自らタスクを計画・分解し、外部ツールやサービスと連携（MCP等）しながら自律的に実行するAIを指す。GenSpark・Manus・Skywork AIなどがツール事例として挙げられる。別の誤答は匿名加工情報（特定の個人を識別できないよう加工し、復元できないようにした情報）の説明。見分ける軸は、単一の生成物を出すことではなく、目標から手順を組み立て、必要な外部機能を使ってタスクを進める点である。画像だけを生成するモデル、ルールだけで動くプログラム、個人情報の加工手法は、いずれも計画・外部連携・自律実行の3点をそろえていない。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
RAGで、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものを何というか。
答えと解説を見る
正解は「チャンク」である。RAGでは、検索・参照しやすいように文書をあらかじめ小さな単位へ分割し、この単位をチャンクと呼ぶ。ベクトルデータベースは、分割した文書をベクトル化して格納しておく保存先であり、分割そのものの単位を指す語ではない。潜在ベクトルはVAEなどでデータを圧縮して表した表現で、文書を検索用に分割する処理とは無関係である。自己回帰モデルは文章を単語単位で順に生成していく方式を指す語であり、文書を分割する処理ではない。文書をあらかじめ小さな単位に分割したものという条件に当てはまるのはチャンクだけである。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
次のうち、AIエージェントのツール事例として挙げられるものはどれか。
答えと解説を見る
正解は「GenSpark」である。GenSparkは、Manus・Skywork AIなどと並んでAIエージェントのツール事例として挙げられる。Geminiは対話形式で文章生成などができるテキスト生成AIであり、自律的にタスクを遂行するツールの事例ではない。Soraはテキストなどから動画を生成する動画生成AIであり、AIエージェントのツールとは分類が異なる。Claudeも対話型のテキスト生成AIであり、外部ツールと連携して自律的にタスクを遂行するAIエージェントの事例ではない。AIエージェントのツール事例という条件に当てはまるのはGenSparkだけである。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
AIエージェントが外部のツールやサービスと連携するための仕組みとして挙げられるものはどれか。
答えと解説を見る
正解は「MCP」である。MCPは、AIエージェントが外部のツールやサービスと連携するための仕組みとして挙げられる。RAGは外部の知識を検索して回答生成に活かす手法であり、外部ツール・サービスと連携する仕組みそのものではない。RLHFは人間のフィードバックをもとにモデルを調整する強化学習の手法であり、外部連携の仕組みではない。NLPは自然言語処理という技術分野を指す語であり、AIエージェントが外部と連携するための仕組みではない。外部のツールやサービスと連携するための仕組みという条件に当てはまるのはMCPだけである。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
RAGで、分割した文書をベクトル（数値の並び）に変換して格納し、質問に関連する情報を検索するために使われるデータベースを何というか。
答えと解説を見る
正解は「ベクトルデータベース」である。文書をベクトル化して格納し、質問に関連する情報を検索するために使う専用のデータベースがベクトルデータベースである。チャンクはそのデータベースに格納する前に文書を分割した小さな単位そのもの、データセットはモデルの学習に使うデータの集まりを指す一般名称、自己回帰モデルは直前までの出力から次を予測して文章を生成する生成方式であり、いずれも『ベクトル化して格納し検索する』という設問の条件そのものには当たらない。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
社内マニュアルなど自社固有の文書をRAGで参照させて回答させることの利点として、最も適切なものはどれか。
答えと解説を見る
正解は「モデルを再学習させなくても、社内の最新・固有の情報にもとづいた回答を得やすくなる」である。RAGは外部の文書を検索して文脈に加える仕組みなので、モデルを再学習（ファインチューニング）させなくても最新・固有の情報にもとづく回答を得やすくなる点が利点である。生成速度を上げる技術ではなく、ハルシネーションを軽減はしても完全にゼロにはできず、外部情報を検索して活用する手法なので内部知識だけで答えるという説明も誤り。 RAGはモデル内部の重みを更新する代わりに、質問時に外部文書から関連箇所を取得して文脈へ加える。したがって社内マニュアルを更新すれば回答根拠へ反映しやすいが、検索・生成の誤りは残り得て、速度向上や外部情報の不使用を保証しない。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
RAG（検索拡張生成）で外部の文書を回答に活用するときの処理の流れとして、最も適切なものはどれか。
答えと解説を見る
正解は「文書を小さな単位（チャンク）に分割してベクトルデータベースに格納し、質問に関連する部分を検索して文脈に加え、その内容をもとに回答を生成する」である。RAGでは、参照したい文書をあらかじめチャンクに分割してベクトルデータベースへ格納する。質問を受けたら関連するチャンクを検索し、その内容をプロンプトの文脈へ加えて回答を生成する。先に回答を生成してから保存する流れや、外部文書を使わずモデル内部の知識だけで答える流れではない。パラメータを追加学習で更新するのはファインチューニングであり、追加学習後に検索基盤を削除するという説明も誤りである。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
生成AIに自社の最新情報を反映した回答をさせたい。モデル自体の再学習を行わずに、外部の知識を検索して文脈に加えることで実現する手法はどれか。
答えと解説を見る
正解は「RAG（検索拡張生成）」である。RAG（Retrieval-Augmented Generation）は、外部の知識源（ベクトルデータベース等）から関連情報を検索して文脈に加える手法で、モデル自体の再学習は行わない。ファインチューニングは追加データでモデルのパラメータ自体を再学習させる手法、プレトレーニングは大量データによる事前学習の段階であり、いずれもモデル側を作る・変更する工程である点で『再学習を行わない』という設問の条件と矛盾する。ドロップアウトは学習時に一部のノードを無効化して過学習を防ぐ学習テクニックであり、外部知識を検索して文脈に加える処理とは無関係。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
RAG（検索拡張生成）の導入によって期待できる効果として、最も適切なものはどれか。
答えと解説を見る
正解は「回答の根拠となる検索結果を示せるため、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる」である。RAGは検索で取得した実在の文書を根拠として回答を生成するため、出典を確認しやすく、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる。モデルのパラメータ数や学習の電力消費はRAGでは変わらない。また、計算の正確性は検索で補える性質の課題ではないため、RAGを導入しても解決しにくい。設問が聞くのは検索結果を文脈に加えることの直接的な効果である。モデル自体の規模、学習工程の電力、計算能力を変える説明は、検索して根拠を補うRAGの処理から外れる。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
RAG（Retrieval-Augmented Generation）の「Retrieval」にあたる処理はどれか。
答えと解説を見る
正解は「質問に関連する情報を外部の知識源から検索して取り出す処理」である。Retrievalは「検索・取得」を意味し、質問に関連する情報をベクトルデータベースなどの外部知識源から検索して取り出す処理を指す。取り出した情報を文脈に加えて回答文を生成する部分はGeneration（生成）に当たり、Retrievalとは別の工程である。モデルの追加学習（ファインチューニング）はRAGの構成要素ではなくモデル側を変更する別の手法であり、人間によるレビューもRAGが自動で行う検索・生成の処理には含まれない。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
RAG（検索拡張生成）を導入しても解決しにくい課題はどれか。
答えと解説を見る
正解は「複雑な数値計算の答えを間違えることがある」である。RAGは外部知識の「検索」で回答の材料を補う手法であるため、学習時点より後の出来事への対応・社内規程など組織固有情報にもとづく回答・根拠となった情報源の提示はいずれもRAGが得意とし、むしろ解決しやすい領域である。一方、数値計算の正確性は検索で補える性質の課題ではなく、テキスト生成AIが正確な計算を不得意とする弱点は外部文書を検索して文脈に加えてもそのまま残る。設問は『RAGを導入しても解決しにくい課題』を問うており、検索によって補える情報面の課題と、モデル自体の計算能力に起因する課題とを区別する必要がある。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
RAG（検索拡張生成）が企業で注目されるようになった背景として、最も適切なものはどれか。
答えと解説を見る
正解は「大規模言語モデルは学習時点までの知識しか持たず、学習後の新しい情報や組織固有の情報にもとづいた回答が難しいため」である。大規模言語モデル（LLM）は学習時点までのデータから得た知識で回答するため、学習後に起きた出来事や、学習データに含まれない社内文書などの組織固有情報には対応しにくい。この弱点を、外部知識の検索によって補う手法としてRAGが広く使われるようになった。背景を問う問題では、LLMの知識の限界と、RAGが加える外部検索が因果関係でつながる選択肢を探す。情報量の減少、法律上の限定、画像や音楽の生成条件は、学習後の情報や組織固有情報を補うという導入理由になっていない。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
RAGにおいて、検索対象の文書をチャンク（小さな単位）に分割しておく目的として、最も適切なものはどれか。
答えと解説を見る
正解は「質問との関連が高い部分だけを取り出して、文脈に加えやすくするため」である。文書全体をそのまま扱うと、質問と無関係な部分まで文脈に含まれて精度が下がったり、一度に扱える文章量の制限を超えたりする。チャンクに分割しておくことで、質問との関連が高い部分だけを検索して取り出し、文脈に加えやすくなる。著作権・保存費用・法律上の制約は分割の目的ではない。チャンクは文書の法的状態や保存形式を変えるためではなく、検索で扱う単位を小さくするために使う。質問との関連部分を選び、その部分を回答用の文脈へ渡す流れまで結び付けて判断する。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）
質問に1回ずつ回答する従来の対話型生成AIと比べたときの、AIエージェントの特徴として最も適切なものはどれか。
答えと解説を見る
正解は「与えられた目標をタスクに分解し、計画・実行・結果の確認を自律的に繰り返して目標達成まで進める」である。AIエージェントは、目標を与えられると必要なタスクへ分解し、計画を立てて実行し、結果を確認しながら次の行動を決める、という一連の流れを自律的に繰り返す点が特徴である。人間の指示（目標設定）は前提であり、内部では学習済みモデルを活用する。テキスト生成ができないわけでもない。従来の一問一答との違いは、応答を一度返すだけでなく、目標に向けて計画・実行・確認の循環を続ける点にある。「完全に人間の指示がないこと」や「学習済みモデルを使わないこと」は自律性の意味ではない。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
次のうち、AIエージェントのツール事例として適切でないものはどれか。
答えと解説を見る
正解は「ベクトルデータベース」である。Manus・GenSpark・Skywork AIは、目標を与えると自律的にタスクを進めるAIエージェントのツール事例として挙げられる。一方、ベクトルデータベースはRAG（検索拡張生成）で文書のベクトルを格納・検索するためのデータベースであり、目標達成に向けてタスクを自律的に進めるツールではない点で、AIエージェントのツール事例には当たらない。設問は『AIエージェントのツール事例として適切でないもの』を選ぶ形式であり、自律的にタスクを進めるツールそのものと、RAGで使う検索用のデータベースという別の技術要素を混同しないことが判断の軸になる。 固有名詞かどうかではなく、目標から複数作業を進めるエージェント製品か、検索基盤を構成するデータストアかで分類する。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
AIエージェントにとって、MCPなどによる外部のツールやサービスとの連携が重要である理由として、最も適切なものはどれか。
答えと解説を見る
正解は「言語モデル単体ではできない操作（最新情報の取得、他のサービスの実行など）を行い、現実のタスクを完了できるようにするため」である。言語モデル単体でできるのは基本的にテキストの生成であり、最新情報の取得や他のサービスの操作など現実世界への働きかけはできない。MCP（Model Context Protocol）のような仕組みで外部のツール・データソースと連携することで、AIエージェントは検索・実行・操作を伴う現実のタスクを完了できるようになる。文章生成自体は連携なしでも可能で、学習データが不要になる効果や法律上の義務は存在しない。判断では、言語モデルが文章を作る能力と、外部から情報を取得したりサービスを実行したりする能力を分ける。MCP連携の役割は前者の成立条件ではなく、後者を加えてタスクを完了可能にすることである。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
RAG（検索拡張生成）とAIエージェントの関係の説明として、最も適切なものはどれか。
答えと解説を見る
正解は「AIエージェントが目標達成の過程で、外部知識の検索（RAG）を手段の一つとして利用することがある」である。RAGは外部知識を検索して回答の精度を高める手法、AIエージェントは目標に向けてタスクを自律的に実行する仕組みであり、別の概念である。両者は排他的ではなく、AIエージェントがタスク遂行の過程で社内文書の検索（RAG）をツールの一つとして使う、といった組み合わせが可能である。同一の技術ではなく、相互に必須の関係でもない。見分け方は、RAGを外部知識を検索する手法、AIエージェントを目標達成のために行動を進める仕組みとして別々に定義し、手段として組み合わせられるかを確認することである。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
RAG・AIエージェントに関する次の説明のうち、誤っているものはどれか。
答えと解説を見る
正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは目標のために手順を自ら計画し、外部のツールやサービスも使って自律的にタスクを実行するAIである。分割単位を指す説明はチャンクのものなので、用語の取り違えを探す問題では、AIエージェントの行に別の用語の定義が入っていないかを確認する。RAGの精度向上、チャンクによる分割、ベクトルデータベースによる保管と検索は、いずれも文書を扱う側の話である。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
AIエージェントに関する「特徴の説明」と「該当する概念」の組み合わせに関する次の説明のうち、誤っているものはどれか。
答えと解説を見る
正解は「言語モデル単体ではできない最新情報の取得や他サービスの実行を行い、現実のタスクを完了できるようにするのは、RAGの役割である」（誤り）である。言語モデル単体ではできない操作を行い現実のタスクを完了できるようにするのは、MCPなどによる外部ツール・サービスとの連携がAIエージェントにとって重要な理由であり、設問の説明はこれをRAGの役割に誤って当てはめている。AIエージェントの特徴・MCP・従来の対話型生成AIとの違いの説明はいずれも正しい。
https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）
RAG（検索拡張生成）に関する「効果・課題の説明」と「該当する内容」の組み合わせに関する次の説明のうち、誤っているものはどれか。
答えと解説を見る
正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、根拠を示せてハルシネーションを抑えやすくなること、再学習なしで自社固有の文書を参照させられることがRAGの効果・利点で、複雑な数値計算の誤りがRAGでも解決しにくい課題と、それぞれ区分が合っている。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））
社内文書を検索して関連箇所を回答生成へ渡す構成と、外部ツールを操作して処理を完了する仕組みを区別したい。誤っている説明はどれか。
答えと解説を見る
この事例では「検索拡張生成と自律的なツール実行を分けるか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。社内文書を検索して回答へ渡す構成はRAGとその部品（チャンク・ベクトルデータベース）の話で、外部ツールを操作して処理を完了する仕組みがAIエージェントである。分割単位という説明は前者の部品であるチャンクのもので、AIエージェントには当てはまらない。
本サイトの既存問題の定義との整合性確認
規程集を検索対象へ追加し、モデルの学習後に更新された社内ルールにも沿って回答させたい。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「外部の最新・固有情報を検索して回答へ加えるか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
旅行予約で検索、候補比較、予約操作まで複数の道具を順に使う仕組みを判断したい。AIエージェントと関連する用語について、誤っている説明はどれか。
答えと解説を見る
この事例では「目標達成に向けて計画しツールを実行するか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。旅行予約で検索、候補比較、予約操作を道具を使い分けながら順に進める仕組みは、計画してツールを実行するAIエージェントの特徴である。文書を小さく分けるという説明は、この一連の操作ではなくチャンクの定義にあたる。
本サイトの既存問題の定義との整合性確認
製品マニュアルをベクトル検索し、該当箇所とともに回答を生成する構成を導入する。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「検索した根拠を文脈へ加えて固有情報へ対応するか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
問い合わせ内容を読み、必要なら顧客DB検索とチケット登録を自律的に行う仕組みを判断したい。関連する用語について、誤っている説明はどれか。
答えと解説を見る
この事例では「言語モデルが計画と外部操作を組み合わせるか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。問い合わせを読み、必要なら顧客DB検索とチケット登録を自律的に行う仕組みは、言語モデルが計画と外部操作を組み合わせるAIエージェントにあたる。チャンクの定義を当てはめた選択肢は、この自律的な実行の説明になっていない。
本サイトの既存問題の定義との整合性確認
学習済みモデルを再訓練せず、毎日更新される在庫表を検索して回答へ反映する。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「更新可能な外部情報を取得して生成へ利用するか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
検索対象文書を小さな単位へ分ける作業と、目標に応じてツールを選ぶ主体を区別する。誤っている説明はどれか。
答えと解説を見る
この事例では「チャンクとAIエージェントを役割で分けるか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。検索対象文書を小さな単位へ分ける作業の名前はチャンクで、目標に応じてツールを選ぶ主体はAIエージェントである。設問は両者を役割で分けるもので、選択肢の説明はAIエージェントにチャンクの役割を割り当てている点が誤り。
本サイトの既存問題の定義との整合性確認
社内FAQだけでなく根拠となる最新規程も検索結果として渡した。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「モデル外の情報を根拠として回答へ反映するか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
経費申請AIが内容確認、規程検索、不備通知を順に実行して完了まで進める。この仕組みと関連する用語について、誤っている説明はどれか。
答えと解説を見る
この事例では「目標から手順を組み立て外部機能を使うか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。経費申請AIが内容確認、規程検索、不備通知を順に実行して完了まで進めるのは、目標から手順を組み立て外部機能を使うAIエージェントの動きである。規程検索の部分にRAGが使われることはあっても、分割単位という説明はAIエージェントの定義ではない。
本サイトの既存問題の定義との整合性確認
問い合わせ時点で関連文書を取得してプロンプトへ含める方式を選ぶ。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「検索結果で生成時の文脈を拡張するか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなるのが導入で期待できる効果、複雑な数値計算の誤りがRAGを導入しても解決しにくい課題、モデルを再学習させなくても自社固有の文書を参照させられるのがRAGの利点という説明で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
モデルがカレンダーとメールの機能を選び、候補日時抽出まで行う。この仕組みと関連する用語について、誤っている説明はどれか。
答えと解説を見る
この事例では「外部ツールを組み合わせてタスクを遂行するか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。モデルがカレンダーとメールの機能を選び、候補日時の抽出まで行う例は、外部ツールを組み合わせてタスクを遂行するAIエージェントの典型である。文書を小さな単位に分けるという説明はこの動きと関係がなく、チャンクのものである。
本サイトの既存問題の定義との整合性確認
法務文書の検索結果を回答と一緒に使い、社内固有の質問へ対応する。この構成の効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「検索と生成を結合して知識を補うか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなる効果、複雑な数値計算の誤りはRAGでも解決しにくい課題である点、再学習なしで自社固有の文書を参照させられる利点で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
文書分割、検索、回答生成という構成と、ツールを選んで操作する構成の違いを確認したい。誤った説明はどれか。
答えと解説を見る
この事例では「RAGの検索処理とエージェントの行動実行を区別するか」を確認すると、「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」という説明が誤りだと分かる。正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。文書分割、検索、回答生成という構成はRAGの流れで、ツールを選んで操作する構成はAIエージェントである。RAGの流れで出てくる分割単位をAIエージェントの定義として述べた選択肢が、2つの構成を混同した誤りにあたる。
本サイトの既存問題の定義との整合性確認
生成AIの学習時点より後に改訂された手順書を検索し、回答へ利用する。RAGの効果と課題について、誤っている説明はどれか。
答えと解説を見る
この事例では「再学習なしに更新情報を参照しやすくするか」を確認すると、「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」という説明が誤りだと分かる。正解は「社内の最新・固有の情報にもとづいた回答を得やすくなるのは、RAGを導入しても解決しにくい課題である」（誤り）である。社内の最新・固有の情報にもとづいた回答を得やすくなることはRAGを導入する利点であり、RAGを導入しても解決しにくい課題ではない。設問の説明は利点を課題に誤って当てはめている。残る3つは、検索結果を根拠として示せるため事実と異なる出力を抑えやすくなる効果、複雑な数値計算の誤りはRAGでも解決しにくい課題である点、再学習なしで自社固有の文書を参照させられる利点で、いずれも正しい。RAGは外部知識を参照できる一方、検索対象に含まれない複雑な数値計算などは依然として不得意な領域として残る。
本サイトの既存問題の定義との整合性確認
MCPサーバーが提供するPrompts・Resources・Toolsの役割を、利用例へ正しく対応させた組み合わせはどれか。
答えと解説を見る
正解は「Prompts＝利用者が選ぶ定型指示、Resources＝追加の文脈となるファイル等、Tools＝API呼び出し等の実行可能な関数」です。MCPのPromptsは対話を導く定義済みテンプレート、Resourcesはモデルへ文脈を与える構造化データや内容、Toolsは外部システムへ作用したり情報を取得したりする実行可能な関数である。三つを区別するときは、指示の雛形か、読む文脈か、実行する機能かを順に確認する。モデルの重み・追加学習・正規化はモデル開発やデータ前処理の概念であり、MCPサーバーの三プリミティブではない。
https://modelcontextprotocol.io/specification/2026-07-28/server/index （MCP Server Features）
AIエージェントがMCPサーバーで利用可能なツールを確認してから、選んだツールを引数付きで実行する基本的な要求順序はどれか。
答えと解説を見る
正解は「tools/listで利用可能なツールを取得し、続いてtools/callで名前と引数を送る」です。MCPのTools仕様では、クライアントはtools/list要求でサーバーが現在公開しているツールを取得し、実行したいツールを選んだ後、tools/call要求へツール名と引数を入れて送る。ツール名を推測して呼ぶ手順では、サーバーが公開する機能や入力形式を確かめられない。ResourcesやPromptsは追加文脈と定型指示を扱う別のプリミティブで、ツールの呼び出し要求ではない。モデルの再学習も、MCPで外部機能を発見・実行する手順には含まれない。
https://modelcontextprotocol.io/specification/2026-07-28/server/tools （MCP Tools）
情報源と編集区分
章名と中項目は公式シラバス（2027年2月試験より適用）の表に基づく。問題の振り分けは当サイトの編集。
公式シラバス（PDF）（公式）2026年10月までの旧シラバスで受ける場合
旧シラバスは章の内容が入れ替わっています。旧シラバスで受ける人は、旧シラバスの章別ページで演習してください。新旧の対応は新旧の章立て対照にまとめています。