<a href="/ja/glossary/claude-models/claude-opus/">Claude Opus</a> 4.8とSonnet 4.6に導入された推論メカニズム——モデルが問題の難易度に基づいて投入する推論リソース量を自動的に決定し、ユーザーのパラメータ設定は不要。単純な質問には素早い回答を、複雑な質問には自動的により深い推論を。明示的な有効化が必要な「Extended Thinking」とは異なり、Adaptive Thinkingは常時オンのバックグラウンド能力で、ユーザーには完全に透明です。

自律的に複数ステップのタスクを実行できるAIシステム——質問に答えるだけでなく、積極的に計画を立て、ツールを呼び出し、結果を観察し、タスクが完了するまでアクションを調整します。通常の質問応答AIとの最大の違いは、各ステップで人間の指示がなくても次に何をすべきかを自分で決められることです。

Claudeを開発した会社で、2021年に元OpenAI研究者によって設立されました。核心使命は安全で人間に有益なAIの開発です。Anthropicの安全性研究の方向性がClaudeの設計哲学と行動特性に直接影響しています。

Anthropicが提案したAIトレーニング方法で、個々の回答に対する人間の主観的なスコアリングに完全に依存するのではなく、明示的な行動原則（「憲法」）に従ってモデルが自己評価・改善できるよう訓練します。Claudeの誠実さと安全性の核心的なトレーニングメカニズムの一つです。

APIコールでの入力<a href="/ja/glossary/core-concepts/token/">トークン</a>数を体系的に管理するエンジニアリング実践。アウトプット品質を維持しながらコストとレイテンシを削減することを目的とし、会話履歴のトランケーション、要約圧縮、<a href="/ja/glossary/prompt-techniques/system-prompt/">システムプロンプト</a>のトリミングなどの技術を組み合わせて適用します。本番のClaude API展開に欠かせないスキルです。

AIモデルが一度の会話で「見る」ことができ処理できるテキストの最大量。この制限を超えると、最も古いコンテンツがウィンドウから押し出され、モデルはその会話の部分を「忘れます」。ClaudeのコンテキストウィンドウはAI 200,000トークンで、約15万英語単語または10万中国語文字——厚い小説ほどの長さです。

<a href="/ja/glossary/workspace-basics/extended-thinking/" target="_blank">拡張思考</a>は、Claudeが最終回答を出す前に「見えない下書きスペース」で推論を行う機能です。「思考バジェット」（<a href="/ja/glossary/core-concepts/token/">トークン</a>上限）を設定すると、Claudeはその範囲で自由に推論してから出力します。思考プロセス自体は通常見えませんが、複雑な問題でより深く体系的な推論が可能になります。

事前学習済みモデルを特定ドメインのデータでさらにトレーニングし、そのドメインでの性能を向上させる技術。汎用AIをドメイン専門家に変えるコア技術。

AIモデルがもっともらしく見えるが実際には誤りまたは捏造された情報を生成する現象。名前は人間の心理学から来ています：人が夢の中で存在しないものを「見る」ように、AIも根拠のないことを「言います」——名前、日付、引用、統計数字——すべて「正しく聞こえるが実際には存在しない」コンテンツの可能性があります。

AIモデルの「応答を生成する」（推論）段階での計算コストとレイテンシを削減するための技術のコレクション。トレーニングの最適化とは異なり、推論の最適化はすでにトレーニングされたモデルがどのようにより速く、より安価に結果を出力できるかに焦点を当てます。量子化、<a href="https://claudecowork-me.com/ja/glossary/workflow-automation/batch-processing/" target="_blank">バッチ処理</a>、投機的デコーディングなどの技術を含みます。

AIモデルのトレーニングデータが最後に更新された日付。この日付以降に起きたことはモデルには全くわかりません。Claudeの知識カットオフは2025年8月末です。

「<a href="https://crypto-bible.com/ja/glossary/blockchain-fundamentals/node/" target="_blank">ノード</a>（エンティティ）＋エッジ（関係）」のグラフ構造を使用して知識を表現・保存するデータ構造。ベクターデータベース（類似度検索）とは異なり、知識グラフは情報間の明示的な関係と論理的構造を保持します。AIアプリケーションでは、知識グラフは通常RAGと組み合わせて使用されます——ベクター検索が関連コンテンツを見つけた後、知識グラフがエンティティ間の構造化された関係を提供し、Claudeがより精確なマルチホップ推論を行えるようにします。

大量のテキストデータでトレーニングされ、人間の言語を理解・生成する能力を持つAIモデル。Claude、GPT-4、GeminiはすべてLLMです。「大規模」とはパラメータ数が膨大であることを指し、出力の長さではありません。

大きな「教師」モデルの出力を使って小さな「学生」モデルをトレーニングし、小さなモデルが大きなモデルの核心的な能力を保ちながら、計算要件を大幅に削減できるようにします。ベテランの専門家が新人を集中的に指導し、長年の暗黙知を圧縮して伝授するようなもの——新人は専門家の能力の80%を達成するが、「サイズ」はわずか10%。

テキスト、画像、文書など複数の種類の入力を同時に処理・理解するAIの能力。スクリーンショット、写真、PDFを直接アップロードして質問できます。

AnthropicのAPIが提供する機能で、頻繁に再利用されるプロンプトプレフィックス（固定のSystem Promptや長い背景ドキュメントなど）を一度だけ計算し、その後の呼び出しはキャッシュバージョンを読み取ることで、コストが90%低下し、レイテンシも改善されます。長い固定System Promptを持つアプリケーションでは、Prompt Cachingを有効にすることで通常、API総コストの20〜40%を即座に節約できます。

AIが回答を生成する前に外部ナレッジベースから関連情報を検索する技術アーキテクチャ。知識のカットオフと幻覚の問題を解決します。

AIアウトプットの「ランダム性」または「創造性レベル」を制御するパラメータで、通常は0から1の間です。0はモデルが毎回ほぼ同じ、最も確かな答えを出すようにします（コード生成、事実照会に適切）；1はアウトプットをより多様で創造的にしますが予測しにくくなります（創造的な文章作成に適切）。直感的な比喩：低温度は最も確かなことだけを言う慎重なアナリスト；高温度はより珍しいアイデアを声に出すインスピレーション豊かなクリエイター。

AIの言語モデルがテキストを処理する最小単位。トークンは単語と等しくありません——英語では平均約0.75語が1トークン；中国語では約1〜2文字が1トークン。APIのコストはトークン単位で課金されます：入力したトークン数とClaudeが出力したトークン数の合計がこの会話のコストです。トークンを理解することで、AIのコストとコンテキストウィンドウの使用効率をより効果的に制御できます。