LLMs と AI が 2025 で: 実験、挫折、そしていくつかの大きな驚き

2025 は、私たちは LLMs と応用 AI について実際に試行錯誤した一年でした。ただ観察するだけではなく、我々は一年間、構築、テスト、問題を発見し、うまくいかない場合もあったアイデアを試しました。

全体的な印象は混在しています。技術の一部は印象的で非常に速く進んでいます。他の一部はまだ早くて脆いです。ここでは我々が学んだことと、これから何をしたいかについてまとめます。

意義的な検索と全文検索の組み合わせ

今年の作業の大きな部分は、LLMs に焦点を当てた検索システムでした。私たちはハイブリッド検索、つまり意味検索（埋め込み + ベクトルデータベース）と伝統的な全文検索を組み合わせる実験を多く行いました。

実際には、この組み合わせは強力です。意味検索は概念的に関連する情報を取得し、全文検索は正確で説明可能な情報を保持します。両者を適切に調整すると、単独で使用するよりも結果が明らかに良いです。

問題は複雑性です。ベクトルインデックスを同期し、ランクを調整し、インフラを管理するには実際のエンジニアリングの労力が必要です。まだプラグアンドプレイではありません。

今の誠実な推奨は: リスクのある実験や相当な試行錯誤のリソースがない場合は、今後待つ方が良いかもしれません。エコシステムは急速に改善していますが、今日のところは探索と反復を可能にするチームが有利です。

私たちはRAGパイプラインと大文脈に依存するアプローチを比較する時間を過ごしました。

私たちは明確な優勝者を見つけることを望んでいました。見つかりませんでした。

RAGは大規模または頻繁に変化する知識ベースを扱うときに良いです。大文脈アプローチはアーキテクチャを単純化しますが、スケーラビリティが高まると高価で予測困難になります。実際のシステムでは、常にハイブリッドが出てきます。

主要の結論は、まだ普遍的なレシピが存在しないということです。アーキテクチャの決定は依然としてアプリケーションごとに異なり、多くの成功は実験から来ています。既存のベストプラクティスではなくです。

実用的な観点から見ると、それほど成功していませんでした。標準的な予測タスクでは、伝統的な機械学習パイプラインがはるかに効率的でシンプルです。

しかし、この迂回路は驚くほど生産的でした。それはクラスタリング、類似度メトリクス、特徴エンジニアリングに深く浸かりました。その探索は新しい研究方向を開き、まだ開発中のワークペーパーに影響を与えました。

したがって、元のアイデアが製品アプローチとしてうまくいかなかったにもかかわらず、研究として成功しました。

今年最も印象的な変化はAIコードです。

2025の開始時、アジェンティコードシステムは比較的単純なタスクでも苦労していました。良いランディングページを作成するには多くの手動の修正が必要でした。しかし、その年の終わりには、同じシステムが複雑で多成分のプロジェクトを生成し、組織化することができ、実際に使いやすいように感じました。

これは小チームが実際に作成できるものにまで変化しました。AIコードはもう単なるスパニッシュなアカウンテントではありません。実際の開発パートナーに近づいています。

我々はここでの改善速度に本当に驚いています。

すべてのこれらは直接2026の計画につながっています。

我々はこれまで学んだことを活かし、AIコードを活用して、非常に具体的なiOSアプリケーションを通じて小企業を支援することに注力しています。広範なプラットフォームを建設するのではなく、具体的な問題を解決するためのターゲットツールに興味があります。

iOSについてなぜ注力しているのか、そして今後の製品戦略についてどのように考えているのかについて、今後のお知らせで詳しく説明します。

2025を一つの文で要約すると、技術は強力ですがまだ不均一です。

ハイブリッド検索は機能しますが複雑です。RAGとコンテキストの違いは状況によるものです。いくつかの実験的なアイデアは役に立つ方法で失敗します。また、AIコードは大きな進展を遂げ、小規模チームにとって新しい可能性を開きました。

今年は成熟度について混迷な気持ちですが、方向性について多くの希望があります。進展は速く、研究と実用的な応用の間のギャップは縮まっています。

実験に開かれており、不確実性を受け入れるチームにとって、建設する良い時代です。