プロジェクト一覧に戻る

LLM・エージェント・RAG 2026年4月〜7月

ネットワーク設計レビューAIエージェント

【概要】ネットワーク設計書と実機コンフィグの照合・レビューを自動化する生成AIシステム。要件定義から運用まで一貫して担当。

役割
AIエンジニア(一貫して担当)
期間
2026年4月〜7月
案件
ICT系システムインテグレーター(ヒューマンリソシアより派遣)
規模
約10名
表1成果
18/19 レビュアー判定との一致。繰り返す誤検出パターンを解消
25 → 10 ジョブあたりのLLM呼び出し回数
分 → 秒 キャッシュ導入後の再処理時間
完全オフライン エアギャップ・CPUのみの環境で稼働

01課題とアプローチ

課題

設計レビューでは、形式もさまざまな長い設計書と実機コンフィグを人手で照合していました。LLMの指摘には同じ種類の誤検出が繰り返し現れ、運用先はGPUのないエアギャップ環境でした。

アプローチ

固定パイプラインを、一手ずつ計画する自律型エージェントとして再設計。すべての指摘をコードで原文と照合し、全体を完全オフラインで動かしました。

02処理の流れ

  1. 入力 設計書+コンフィグ 設計書(PDF・PPTX・DOCX・XLSX)と実機コンフィグを投入。
  2. ステップ 02 抽出・選択的OCR テキスト・表・VLAN凡例・トポロジーを抽出。OCRは低品質ページのみ。
  3. ステップ 03 オフライン・ハイブリッドRAG ChromaDB上でBM25+ベクトル検索。機器のホスト名単位で検索範囲を制御。
  4. ステップ 04 エージェントが計画・実行 LLMプランナーが型付きレジストリから次のツールを選択(判断→実行→観察)。
  5. ステップ 05 ガードレール・グラウンディング コードで強制するチェックの後、すべての指摘を原文と照合。
  6. 出力 レビューレポート 根拠付きの差異を提示。進捗は日本語でリアルタイム表示。
図1ネットワーク設計レビューAIエージェントの処理の流れ

03担当した内容

  1. 固定7段階のLLMパイプラインを自律型AIエージェントへ再設計。LLMプランナーが型付きツールレジストリから処理ごとにツールを選択(判断→実行→観察)。
  2. 事前条件・ステップ上限・確定前の再チェック必須化・決定論的フォールバックといったガードレールをコードで強制し、バックエンド障害時の縮退運転を実装。
  3. LLMの指摘に対する決定論的グラウンディング層を構築(NFKC/全角正規化による原文照合、表記体系ルール、セクション見出しによる機器の特定)。
  4. PDF・PPTX・DOCX・XLSXに対応したマルチフォーマット抽出パイプラインを構築。低品質ページのみを対象とする選択的OCR(Tesseract+OpenCV前処理)と、python-pptxによる表・VLAN凡例・ネットワークトポロジーの抽出を実装。
  5. エアギャップ(CPUのみ)環境で完全オフライン動作するRAGを構築(多言語sentence-transformers、ChromaDB、BM25+ベクトルのハイブリッド検索、ホスト名単位の検索範囲制御による機器間の情報混入防止)。
  6. ジョブあたりのLLM呼び出しを約25回から約10回に削減し、3段階のJSON自己修復を追加。コンテンツハッシュによるキャッシュで、再処理を分単位から秒単位へ短縮。
  7. 本番環境のasyncio障害(古いイベントループに紐づいたセマフォ、contextvars経由で引き継がれた停止済みExecutor)の原因を特定し、4層で修正。
  8. クラウド(Gemini/Claude)とローカル(Ollama/Qwen2.5-7B)のデュアルバックエンドを提供し、WebSocketで日本語の進捗をリアルタイム表示。

04使用技術

  • Python
  • Django · ASGI
  • LangChain
  • ChromaDB
  • sentence-transformers
  • BM25
  • PyMuPDF
  • python-pptx
  • Tesseract OCR
  • OpenCV
  • PostgreSQL
  • Gemini
  • Claude
  • Ollama · Qwen2.5
  • WebSockets
  • Docker

ご請求制

履歴書・職務経歴書のご請求

履歴書・職務経歴書はご請求制でお送りしています。以下をご入力いただければ、内容を確認のうえメールでお送りします。

お立場

ご希望の書類

0 / 100語

ご入力いただいた情報は、本請求の対応にのみ使用し、第三者に提供することはありません。