AIを整える。

プロンプトを整える

＝ AIへの指示文のゴミ取り・整形

LLM投入前のテキストを掃除。ゼロ幅スペース・スマートクォート・連続空白を除去してトークン節約。

• ● 不可視文字・ゼロ幅の除去
• ● スマートクォート→普通の引用符
• ● 連続空白の正規化

トークン数を整える

＝ AIが数える文字のかたまり（料金の単位）

GPT-4o・Claude・Gemini等7モデルでの推定トークン数を一括表示。コンテキスト制限とAPI料金見積もりの前提値に。

• ● 7モデル一括トークン推定
• ● 英語/日本語の比率検出
• ● コンテキスト窓使用率

LLM料金を整える

＝ クラウドAIの利用料金の試算

プロンプトを貼ると主要LLM(GPT-4o/Claude/Gemini ほか14モデル)のAPI料金が一発で並ぶ。USD/JPY・バッチ・キャッシュ割引・月次予測まで。

• ● 14モデル横断比較・安い順ソート
• ● USD/JPY自動取得 (Frankfurter API)
• ● プロンプトキャッシュ/バッチAPI 割引

ローカルLLMを整える

＝ 自分のPCで動かすAIの選び方

自分のMac/PCでLlama・Qwen・Gemma等が動くかを判定。量子化・コンテキスト長を切替えてメモリ要件を算出。

• ● 14モデルの動作可否判定
• ● 量子化（4/8/16bit）切替
• ● コンテキスト長切替

1.58bit を整える

＝ AIを極限まで軽くする新技術（BitNet）

AIを軽くする新技術「BitNet b1.58」を体感。必要なメモリがどれだけ減るかをモデル別に比較し、スマホ・PCで動かせる大きさが分かる。

• ● 4×4 行列でリアルタイム量子化可視化
• ● 6 プリセット（1.5B〜405B）でメモリ比較
• ● 6 精度（fp32/fp16/int8/int4/1.58bit/1bit）対応

埋め込みサイズを整える

＝ 文章をAIが扱う数字に変えたときの「容量」

文章をAI用の数字（ベクトル）に変える「埋め込み」の容量とコストを、OpenAI・Cohere・Voyage・BGEなどモデル別に比較。AIに社内文書を検索させる仕組み(RAG)の設計に。

• ● 11モデルの次元比較
• ● 文書数×次元×float型のストレージ計算
• ● API/セルフホストのコスト比較

コンテキスト窓を整える

＝ AIが一度に読める文章の量

Claude 200K・GPT-4o 128K・Gemini 2.5 Pro 2M・Llama 4 10M。主要LLM 14モデルのコンテキスト窓を比較。

• ● Anthropic/OpenAI/Google/Meta等14モデル
• ● 入力サイズ→使用率バー（緑/橙/赤）
• ● サイズ感の基準（ツイート〜大百科事典）

画像生成サイズ・アスペクト比を整える

＝ 画像生成AIの「縦×横」と「比」をちょうどよく決める

画像生成AIの解像度とアスペクト比を整えるツール。幅×高さから比・MP・向きを算出し、比と目標pxから解像度を逆算。8/64倍数丸めとSD/SDXL/MJ/DALL·E別推奨サイズつき。送信ゼロ。

• ● 幅×高さ → アスペクト比（GCDで最簡分数）・メガピクセル・向き
• ● 比＋目標（長辺 or 合計画素数）から解像度を逆算
• ● 8の倍数／64の倍数に丸め（比のずれ%も表示）

temperature・top-pを整える

＝ AIの「ひらめき具合」を決めるツマミ

temperature・top-p・top-kを動かすと次トークンの確率分布がバーで即変化。低温=とがる/高温=平ら、絞り込みと再正規化をsoftmaxで可視化する教育デモ。送信ゼロ。

• ● temperature/top-p/top-k の3スライダーで即反映
• ● softmax後の確率をバーで可視化（採用/切り捨てを色分け）
• ● top-p・top-kの絞り込みと再正規化を表示

RAGチャンク設計を整える

＝ AIに大量の資料を読ませるときの「分け方」を決める

AIに大量の資料を読ませる「RAG」で、文書をどう分ける（チャンク）かを設計。必要な分割数・データ量・コストの見積もりに。送信ゼロ。

• ● 文字数⇄トークン概算（日本語1.2字/token・英語4字/token切替）
• ● チャンク数・必要ベクトル数・オーバーラップ込み総トークンを自動算出
• ● chunk×top-k＋余裕が文脈窓（8K/32K/128K）に収まるか判定