{ "schema_version": "core-reviewed-term-ai-handoff-v2", "version": "core-reviewed-term-ai-handoff-v2", "compat": { "backward_compatible_schema_versions": [ "core-reviewed-term-ai-handoff-v1" ], "v1_fields_preserved": true }, "contract_status": "preview", "distribution": "per_term_read_only_ai_handoff", "no_write_operations": true, "content_tier": "db_backed", "canonical": { "url": "https://core.yogoq.com/ja-JP/core/context-window", "slug": "context-window", "locale": "ja-JP" }, "summary": { "schema_version": "core-reviewed-term-summary-v1", "term_id": "cb934536-6803-5a28-b436-123596b2c924", "canonical_slug": "context-window", "canonical_url": "https://core.yogoq.com/ja-JP/core/context-window", "locale": "ja-JP", "display_name": "コンテキストウィンドウ", "english_name": "Context Window", "abbreviation": null, "short_definition": "コンテキストウィンドウは、モデルが一度に参照できる入力と出力の範囲である。長いほど多くの情報を渡せるが、重要情報の選別、コスト、遅延、注意の分散も考える必要がある。", "content_tier": "db_backed", "quality": "reviewed", "publication_status": "published_reviewed", "version": "core-reviewed-term-summary-v1", "last_reviewed_at": "2026-07-04T15:30:00.000Z", "sources_count": 2, "limitations_key": "core-trust-policy-v1-2026-06-22" }, "aliases": [ { "text": "コンテキストウィンドウ", "type": "display_name", "locale": "ja-JP" }, { "text": "Context Window", "type": "english_name", "locale": "en-US" }, { "text": "コンテキスト・ウィンドウ", "type": "katakana", "locale": "ja-JP" }, { "text": "コンテキストウィンドウ", "type": "localized_title", "locale": "ja-JP" } ], "content": { "definition": { "key": "definition", "title": "一言でいうと", "text": "コンテキストウィンドウは、モデルが一度に参照できる入力と出力の範囲である。長いほど多くの情報を渡せるが、重要情報の選別、コスト、遅延、注意の分散も考える必要がある。", "items": [] }, "formula": { "key": "formula", "title": "計算の考え方", "text": "コンテキスト利用は、必要トークン、余裕、取得品質で見る。 利用率 | 使用トークン / 上限トークン | 上限に近いほど切り捨てやコストに注意する 根拠密度 | 有用な参照トークン / 参照トークン全体 | ノイズの多さを見る 圧縮効果 | 圧縮前トークン - 圧縮後トークン | 会話履歴や資料要約の効果を見る", "items": [ "利用率 | 使用トークン / 上限トークン | 上限に近いほど切り捨てやコストに注意する", "根拠密度 | 有用な参照トークン / 参照トークン全体 | ノイズの多さを見る", "圧縮効果 | 圧縮前トークン - 圧縮後トークン | 会話履歴や資料要約の効果を見る" ] }, "boundary": { "key": "boundary", "title": "含めるもの / 含めないもの", "text": "コンテキストウィンドウは記憶や知識ベースではなく、一回の処理で参照する作業領域である。 含める | 指示、会話履歴、参照文書、検索結果、ツール出力、生成中の出力 | 一回のリクエストで扱う情報 含めない | 恒久的な記憶、DB全体、アクセス権限、出典の保証 | 別の仕組みが必要 明示する | 何を優先して入れるか、何を要約するか、何を検索するか | 品質とコストを決める", "items": [ "含める | 指示、会話履歴、参照文書、検索結果、ツール出力、生成中の出力 | 一回のリクエストで扱う情報", "含めない | 恒久的な記憶、DB全体、アクセス権限、出典の保証 | 別の仕組みが必要", "明示する | 何を優先して入れるか、何を要約するか、何を検索するか | 品質とコストを決める" ] }, "usage": [ { "key": "meaning", "title": "意味", "text": "コンテキストウィンドウは、LLMが一回のリクエストで扱えるトークン範囲を指す。ユーザー入力、システム指示、会話履歴、参照文書、ツール結果、モデル出力がこの範囲を消費する。大きなウィンドウは長文資料や複数文書を扱いやすくするが、すべてを詰め込めばよいわけではない。重要度の低い情報が増えると、モデルが必要な根拠を見落としたり、コストと遅延が増えたりする。実務では、要約、チャンク化、検索、優先順位付け、履歴圧縮を組み合わせる。 大きいほど多くの情報を入れられるが、関連性の低い情報を詰め込むと重要な根拠が埋もれ、費用、速度、回答品質が悪化することもある。", "items": [] }, { "key": "usage", "title": "役立つ場面", "text": "長い資料をそのまま入れるか、RAGで必要部分だけ渡すかを判断できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 会話履歴を保持するプロダクトで、いつ要約や圧縮を行うべきか決められる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 コンテキスト不足による誤答と、コンテキスト過多によるノイズを分けて改善できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。", "items": [ "長い資料をそのまま入れるか、RAGで必要部分だけ渡すかを判断できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。", "会話履歴を保持するプロダクトで、いつ要約や圧縮を行うべきか決められる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。", "コンテキスト不足による誤答と、コンテキスト過多によるノイズを分けて改善できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。" ] }, { "key": "usage", "title": "使い方のポイント", "text": null, "items": [ "コンテキストウィンドウは、モデルが一度に参照できる作業領域である。", "長いウィンドウは便利だが、根拠選別と構造化が必要である。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。", "会話履歴、参照文書、ツール結果、出力が同じ上限を消費する。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。", "RAG、要約、チャンク化、履歴圧縮で効率よく使う。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。", "上限が大きくても、すべての情報を入れる設計は避ける。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。" ] }, { "key": "drivers", "title": "何が数字を動かすか", "text": "成果はウィンドウの大きさだけでなく、入れる情報の選別と構造化で決まる。 優先順位 | 目的に近い根拠を先に入れると精度が上がりやすい チャンク化 | 長文を意味単位で分けると検索と引用が安定する 履歴圧縮 | 長い会話では要点を残してノイズを減らす コスト | 大きな入力は遅延と費用を増やす場合がある", "items": [ "優先順位 | 目的に近い根拠を先に入れると精度が上がりやすい", "チャンク化 | 長文を意味単位で分けると検索と引用が安定する", "履歴圧縮 | 長い会話では要点を残してノイズを減らす", "コスト | 大きな入力は遅延と費用を増やす場合がある" ] } ], "misunderstandings": [ { "key": "misunderstandings", "title": "判断するときの注意点", "text": "コンテキストを増やせば常に精度が上がるとは限らない。 根拠に関係ない資料を大量に入れると、重要情報が埋もれることがある。 長い会話では、古い条件と新しい条件が矛盾しないように整理する。 コンテキスト内に機密情報を入れる場合は、ログと保持条件を確認する。", "items": [ "根拠に関係ない資料を大量に入れると、重要情報が埋もれることがある。", "長い会話では、古い条件と新しい条件が矛盾しないように整理する。", "コンテキスト内に機密情報を入れる場合は、ログと保持条件を確認する。" ] }, { "key": "misunderstandings", "title": "よくある誤解 / 落とし穴", "text": null, "items": [ "長ければ必ず良い、という誤解がある。ノイズが増えると品質が下がることがある。", "コンテキストウィンドウは記憶と同じ、という誤解がある。一回の処理範囲であり恒久保存ではない。", "資料を全部入れれば引用も正確、という誤解がある。引用箇所の設計と検証が必要である。" ] } ], "examples": [ { "key": "examples", "title": "最小例", "text": "社内規程100ページをAIに読ませて質問応答を作る。最初は全文を入れたが、回答が遅く、古い条文と新しい条文を混同した。チームは規程を章ごとにチャンク化し、質問に関連する数チャンクだけをRAGで取得する設計へ変えた。会話履歴は毎回全文を送らず、意思決定に必要な前提だけを要約して残す。これにより、入力トークンは減り、根拠箇所も示しやすくなった。大きなコンテキストより、必要な情報を選ぶ設計が重要だと分かった。 さらに、検索結果をそのまま全件入れるのではなく、定義、制約、最新変更、例外の順に短く圧縮した。関連性の低い過去ログは別ツールで参照できるように分けたため、入力量を減らしながら回答の根拠と速度を安定させられた。", "items": [] } ], "comparisons": [ { "key": "comparisons", "title": "似ている言葉との違い", "text": "コンテキストウィンドウ | 一度に扱える作業領域 | 入力と出力の範囲を決める メモリ | 長期的に保持する情報 | セッションや製品設計に依存する RAG | 外部情報を必要時に取得する | ウィンドウへ入れる情報を選ぶ", "items": [ "コンテキストウィンドウ | 一度に扱える作業領域 | 入力と出力の範囲を決める", "メモリ | 長期的に保持する情報 | セッションや製品設計に依存する", "RAG | 外部情報を必要時に取得する | ウィンドウへ入れる情報を選ぶ" ] }, { "key": "related_metrics", "title": "一緒に見る指標", "text": "コンテキストウィンドウは、RAG、プロンプト、LLMと一緒に理解する。 RAG | 必要な文書だけを検索して入れる | コンテキストの効率を上げる プロンプトエンジニアリング | 入力構造を設計する | 限られた枠を有効に使う 大規模言語モデル | コンテキストを処理する本体 | モデルごとに上限が異なる", "items": [ "RAG | 必要な文書だけを検索して入れる | コンテキストの効率を上げる", "プロンプトエンジニアリング | 入力構造を設計する | 限られた枠を有効に使う", "大規模言語モデル | コンテキストを処理する本体 | モデルごとに上限が異なる" ] } ], "faq": [ { "question": "コンテキストウィンドウは大きいほど良いですか？", "answer": "常にそうではありません。多く入れられても、不要な情報が増えると精度、速度、コストに悪影響が出ます。" }, { "question": "メモリと同じですか？", "answer": "違います。コンテキストウィンドウは一回の処理で参照できる範囲で、長期記憶とは別です。" }, { "question": "RAGとどう関係しますか？", "answer": "RAGは必要な情報を検索してコンテキストへ入れる方法です。ウィンドウを効率よく使うために使われます。" } ] }, "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "sources": { "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "visible_sources": [ { "label": "NIST: AI RMF", "url": "https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf", "kind": "tier_s" }, { "label": "NIST: Generative AI Profile", "url": "https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf", "kind": "tier_s" } ] }, "related_terms": [ { "topic_id": "slug:large-language-model", "canonical_slug": "large-language-model", "canonical_url": "https://core.yogoq.com/ja-JP/core/large-language-model", "title": "大規模言語モデル", "relation_type": "used_together" }, { "topic_id": "slug:prompt-engineering", "canonical_slug": "prompt-engineering", "canonical_url": "https://core.yogoq.com/ja-JP/core/prompt-engineering", "title": "プロンプトエンジニアリング", "relation_type": "used_together" }, { "topic_id": "slug:retrieval-augmented-generation", "canonical_slug": "retrieval-augmented-generation", "canonical_url": "https://core.yogoq.com/ja-JP/core/retrieval-augmented-generation", "title": "検索拡張生成（RAG）", "relation_type": "used_together" } ], "relations": [ { "term_id": "slug:large-language-model", "canonical_slug": "large-language-model", "canonical_url": "https://core.yogoq.com/ja-JP/core/large-language-model", "display_name": "大規模言語モデル", "relation_type": "related", "source_relation_type": "used_together" }, { "term_id": "slug:prompt-engineering", "canonical_slug": "prompt-engineering", "canonical_url": "https://core.yogoq.com/ja-JP/core/prompt-engineering", "display_name": "プロンプトエンジニアリング", "relation_type": "related", "source_relation_type": "used_together" }, { "term_id": "slug:retrieval-augmented-generation", "canonical_slug": "retrieval-augmented-generation", "canonical_url": "https://core.yogoq.com/ja-JP/core/retrieval-augmented-generation", "display_name": "検索拡張生成（RAG）", "relation_type": "related", "source_relation_type": "used_together" } ], "chunk_ids": [ "core:chunk:context-window:ja-JP:definition:5ce0512485454a06", "core:chunk:context-window:ja-JP:formula:c61ffa210efd9e35", "core:chunk:context-window:ja-JP:boundary:8727cb6856bf1d55", "core:chunk:context-window:ja-JP:meaning:728ff1dd345349e6", "core:chunk:context-window:ja-JP:usage:39714da838caaf98", "core:chunk:context-window:ja-JP:usage:affac4eb00d5d9ff", "core:chunk:context-window:ja-JP:drivers:34f6c4e20d3c5f41", "core:chunk:context-window:ja-JP:misunderstandings:76bc72aceadca189", "core:chunk:context-window:ja-JP:misunderstandings:d81ea7eac4f422ae", "core:chunk:context-window:ja-JP:examples:30f53cf537d0c128", "core:chunk:context-window:ja-JP:comparisons:36be4a00111784bc", "core:chunk:context-window:ja-JP:related_metrics:6cf32d13beb882ed", "core:chunk:context-window:ja-JP:faq:179ffe08d2979526", "core:chunk:context-window:ja-JP:faq:c548d7a209fa9957", "core:chunk:context-window:ja-JP:faq:1234818f1eb32cb5" ], "chunks": [ { "chunk_id": "core:chunk:context-window:ja-JP:definition:5ce0512485454a06", "section_key": "definition", "heading": "一言でいうと", "text": "コンテキストウィンドウは、モデルが一度に参照できる入力と出力の範囲である。長いほど多くの情報を渡せるが、重要情報の選別、コスト、遅延、注意の分散も考える必要がある。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "5ce0512485454a06a6b676d033704936d760f09cba518b9d270c293dac1aa942" }, { "chunk_id": "core:chunk:context-window:ja-JP:formula:c61ffa210efd9e35", "section_key": "formula", "heading": "計算の考え方", "text": "コンテキスト利用は、必要トークン、余裕、取得品質で見る。 利用率 | 使用トークン / 上限トークン | 上限に近いほど切り捨てやコストに注意する 根拠密度 | 有用な参照トークン / 参照トークン全体 | ノイズの多さを見る 圧縮効果 | 圧縮前トークン - 圧縮後トークン | 会話履歴や資料要約の効果を見る 利用率 | 使用トークン / 上限トークン | 上限に近いほど切り捨てやコストに注意する 根拠密度 | 有用な参照トークン / 参照トークン全体 | ノイズの多さを見る 圧縮効果 | 圧縮前トークン - 圧縮後トークン | 会話履歴や資料要約の効果を見る", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "c61ffa210efd9e35c678f051cf36c706beeca6fa239306a6630ddd87a1f1a190" }, { "chunk_id": "core:chunk:context-window:ja-JP:boundary:8727cb6856bf1d55", "section_key": "boundary", "heading": "含めるもの / 含めないもの", "text": "コンテキストウィンドウは記憶や知識ベースではなく、一回の処理で参照する作業領域である。 含める | 指示、会話履歴、参照文書、検索結果、ツール出力、生成中の出力 | 一回のリクエストで扱う情報 含めない | 恒久的な記憶、DB全体、アクセス権限、出典の保証 | 別の仕組みが必要 明示する | 何を優先して入れるか、何を要約するか、何を検索するか | 品質とコストを決める 含める | 指示、会話履歴、参照文書、検索結果、ツール出力、生成中の出力 | 一回のリクエストで扱う情報 含めない | 恒久的な記憶、DB全体、アクセス権限、出典の保証 | 別の仕組みが必要 明示する | 何を優先して入れるか、何を要約するか、何を検索するか | 品質とコストを決める", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "8727cb6856bf1d557d622afc47adbf30d1589c0256d48aca0d6b8c5ce5238a11" }, { "chunk_id": "core:chunk:context-window:ja-JP:meaning:728ff1dd345349e6", "section_key": "meaning", "heading": "意味", "text": "コンテキストウィンドウは、LLMが一回のリクエストで扱えるトークン範囲を指す。ユーザー入力、システム指示、会話履歴、参照文書、ツール結果、モデル出力がこの範囲を消費する。大きなウィンドウは長文資料や複数文書を扱いやすくするが、すべてを詰め込めばよいわけではない。重要度の低い情報が増えると、モデルが必要な根拠を見落としたり、コストと遅延が増えたりする。実務では、要約、チャンク化、検索、優先順位付け、履歴圧縮を組み合わせる。 大きいほど多くの情報を入れられるが、関連性の低い情報を詰め込むと重要な根拠が埋もれ、費用、速度、回答品質が悪化することもある。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "728ff1dd345349e697b354ec92237cc0508d18cc91caf9b317a0fab337e04f5f" }, { "chunk_id": "core:chunk:context-window:ja-JP:usage:39714da838caaf98", "section_key": "usage", "heading": "役立つ場面", "text": "長い資料をそのまま入れるか、RAGで必要部分だけ渡すかを判断できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 会話履歴を保持するプロダクトで、いつ要約や圧縮を行うべきか決められる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 コンテキスト不足による誤答と、コンテキスト過多によるノイズを分けて改善できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 長い資料をそのまま入れるか、RAGで必要部分だけ渡すかを判断できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 会話履歴を保持するプロダクトで、いつ要約や圧縮を行うべきか決められる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。 コンテキスト不足による誤答と、コンテキスト過多によるノイズを分けて改善できる。 判断時は、入れる情報量ではなく、目的に必要な根拠をどの順番で入れるかを重視する。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "39714da838caaf98f687042739a78f64eded86b75790bfc8558f136c81059c87" }, { "chunk_id": "core:chunk:context-window:ja-JP:usage:affac4eb00d5d9ff", "section_key": "usage", "heading": "使い方のポイント", "text": "コンテキストウィンドウは、モデルが一度に参照できる作業領域である。 長いウィンドウは便利だが、根拠選別と構造化が必要である。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。 会話履歴、参照文書、ツール結果、出力が同じ上限を消費する。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。 RAG、要約、チャンク化、履歴圧縮で効率よく使う。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。 上限が大きくても、すべての情報を入れる設計は避ける。 コンテキストウィンドウは容量ではなく、根拠選別と順序設計の制約として見る。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "affac4eb00d5d9ff92d2265e4411e374a34da5c53402bef0e18b79e84060a972" }, { "chunk_id": "core:chunk:context-window:ja-JP:drivers:34f6c4e20d3c5f41", "section_key": "drivers", "heading": "何が数字を動かすか", "text": "成果はウィンドウの大きさだけでなく、入れる情報の選別と構造化で決まる。 優先順位 | 目的に近い根拠を先に入れると精度が上がりやすい チャンク化 | 長文を意味単位で分けると検索と引用が安定する 履歴圧縮 | 長い会話では要点を残してノイズを減らす コスト | 大きな入力は遅延と費用を増やす場合がある 優先順位 | 目的に近い根拠を先に入れると精度が上がりやすい チャンク化 | 長文を意味単位で分けると検索と引用が安定する 履歴圧縮 | 長い会話では要点を残してノイズを減らす コスト | 大きな入力は遅延と費用を増やす場合がある", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "34f6c4e20d3c5f4133edbf27507aa6beee0f7fdfcd0cfad85bd43d833c3c6ee2" }, { "chunk_id": "core:chunk:context-window:ja-JP:misunderstandings:76bc72aceadca189", "section_key": "misunderstandings", "heading": "判断するときの注意点", "text": "コンテキストを増やせば常に精度が上がるとは限らない。 根拠に関係ない資料を大量に入れると、重要情報が埋もれることがある。 長い会話では、古い条件と新しい条件が矛盾しないように整理する。 コンテキスト内に機密情報を入れる場合は、ログと保持条件を確認する。 根拠に関係ない資料を大量に入れると、重要情報が埋もれることがある。 長い会話では、古い条件と新しい条件が矛盾しないように整理する。 コンテキスト内に機密情報を入れる場合は、ログと保持条件を確認する。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "76bc72aceadca189d45182352d6926b41cd8aa602ac25be6c23556438a20863b" }, { "chunk_id": "core:chunk:context-window:ja-JP:misunderstandings:d81ea7eac4f422ae", "section_key": "misunderstandings", "heading": "よくある誤解 / 落とし穴", "text": "長ければ必ず良い、という誤解がある。ノイズが増えると品質が下がることがある。 コンテキストウィンドウは記憶と同じ、という誤解がある。一回の処理範囲であり恒久保存ではない。 資料を全部入れれば引用も正確、という誤解がある。引用箇所の設計と検証が必要である。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "d81ea7eac4f422ae7c76605902f45d657c0acfdbf362d5aa431e177ad2dca9f9" }, { "chunk_id": "core:chunk:context-window:ja-JP:examples:30f53cf537d0c128", "section_key": "examples", "heading": "最小例", "text": "社内規程100ページをAIに読ませて質問応答を作る。最初は全文を入れたが、回答が遅く、古い条文と新しい条文を混同した。チームは規程を章ごとにチャンク化し、質問に関連する数チャンクだけをRAGで取得する設計へ変えた。会話履歴は毎回全文を送らず、意思決定に必要な前提だけを要約して残す。これにより、入力トークンは減り、根拠箇所も示しやすくなった。大きなコンテキストより、必要な情報を選ぶ設計が重要だと分かった。 さらに、検索結果をそのまま全件入れるのではなく、定義、制約、最新変更、例外の順に短く圧縮した。関連性の低い過去ログは別ツールで参照できるように分けたため、入力量を減らしながら回答の根拠と速度を安定させられた。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "30f53cf537d0c128d14ea7a3cfd065ff6b3551047a8d2aad882fc130732f12c0" }, { "chunk_id": "core:chunk:context-window:ja-JP:comparisons:36be4a00111784bc", "section_key": "comparisons", "heading": "似ている言葉との違い", "text": "コンテキストウィンドウ | 一度に扱える作業領域 | 入力と出力の範囲を決める メモリ | 長期的に保持する情報 | セッションや製品設計に依存する RAG | 外部情報を必要時に取得する | ウィンドウへ入れる情報を選ぶ コンテキストウィンドウ | 一度に扱える作業領域 | 入力と出力の範囲を決める メモリ | 長期的に保持する情報 | セッションや製品設計に依存する RAG | 外部情報を必要時に取得する | ウィンドウへ入れる情報を選ぶ", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "36be4a00111784bc238abbb5a0d3d30293097480e50fd13542597f558ac7793c" }, { "chunk_id": "core:chunk:context-window:ja-JP:related_metrics:6cf32d13beb882ed", "section_key": "related_metrics", "heading": "一緒に見る指標", "text": "コンテキストウィンドウは、RAG、プロンプト、LLMと一緒に理解する。 RAG | 必要な文書だけを検索して入れる | コンテキストの効率を上げる プロンプトエンジニアリング | 入力構造を設計する | 限られた枠を有効に使う 大規模言語モデル | コンテキストを処理する本体 | モデルごとに上限が異なる RAG | 必要な文書だけを検索して入れる | コンテキストの効率を上げる プロンプトエンジニアリング | 入力構造を設計する | 限られた枠を有効に使う 大規模言語モデル | コンテキストを処理する本体 | モデルごとに上限が異なる", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "6cf32d13beb882ed89569195cad154df53681154f62a0064a4da46676a165889" }, { "chunk_id": "core:chunk:context-window:ja-JP:faq:179ffe08d2979526", "section_key": "faq", "heading": "コンテキストウィンドウは大きいほど良いですか？", "text": "コンテキストウィンドウは大きいほど良いですか？ 常にそうではありません。多く入れられても、不要な情報が増えると精度、速度、コストに悪影響が出ます。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "179ffe08d2979526999a645e691628ca19401f9b18ab9abae8dfc01a3b4235ae" }, { "chunk_id": "core:chunk:context-window:ja-JP:faq:c548d7a209fa9957", "section_key": "faq", "heading": "メモリと同じですか？", "text": "メモリと同じですか？ 違います。コンテキストウィンドウは一回の処理で参照できる範囲で、長期記憶とは別です。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "c548d7a209fa9957540b0ab9c9096db9a5cddbaca9555f3327bee291dc4a5e4a" }, { "chunk_id": "core:chunk:context-window:ja-JP:faq:1234818f1eb32cb5", "section_key": "faq", "heading": "RAGとどう関係しますか？", "text": "RAGとどう関係しますか？ RAGは必要な情報を検索してコンテキストへ入れる方法です。ウィンドウを効率よく使うために使われます。", "source_refs": [ "concept:context-window:en-US", "concept:context-window:ja-JP", "core-product-update-ai-term-pack-v1:context-window" ], "content_hash": "1234818f1eb32cb58d75c737bf6f77e17390df2b7328a38c18b47301592d75f5" } ], "content_hash": "fecde1e9862c8379d9bfe446a7313782de9caafbe167eda0437efcc3417e9b47", "hash_algorithm": "sha256", "rag": { "chunk_id_policy": "core:chunk:{canonical_slug}:{locale}:{section_key}:{sha256_16}", "content_hash_policy": "sha256_stable_json", "source_refs_precision": "source_object_ref_or_source_key_current_snapshot" }, "quality": { "content_tier": "db_backed", "quality": "reviewed", "publication_status": "published_reviewed", "source_count": 2, "last_reviewed_at": "2026-07-04T15:30:00.000Z", "trust_policy_version": "core-trust-policy-v1-2026-06-22" }, "limitations": { "policy_version": "core-trust-policy-v1-2026-06-22", "professional_advice_boundary": "reference_only_not_professional_advice", "text": "このページは調査・学習のための参照情報です。会計、法務、金融、医療、セキュリティなどの個別判断では一次情報や専門家の確認を優先してください。", "items": [ "公開ページは一般的な理解と実務上の判断材料を提供するもので、個別案件の専門助言ではありません。", "制度、価格、規制、会計基準、製品仕様など変化が速い情報は、最終判断前に一次情報で確認してください。", "AI支援を含む制作・監査フローを使う場合も、公開可否は品質ゲートと人間が読める証跡に基づいて扱います。" ] } }