子どもの食に関する悩みに答えるAIチャットアプリを、Next.jsと生成AI向けSDKで開発しました。月齢やアレルギー情報に応じたモジュラープロンプト、栄養ガイドラインを参照するRAG、食材の適否チェックやレシピ提案のツール呼び出し、会話をまたぐコンテキスト管理、直近の食事記録の注入、回答品質のフィードバック計測といった機構で構成。データベースはPostgreSQL＋pgvector、認証はOAuthとメール認証で、E2E・ユニットテストとエラー監視も整備しました。
- 属性に応じたモジュラープロンプトとRAGの併用
- 月齢やアレルギー情報などの属性からプロンプトを組み立て、pgvectorで検索した栄養ガイドラインを回答に注入することで、一般論ではなくその子に合った回答を返します。
- ツール呼び出しによるデータ参照
- 食材の適否チェックやレシピ提案をツールとして定義し、LLMが必要に応じて呼び出すことで、データに基づいた回答にしています。
- 継続利用を前提としたコンテキスト設計
- 会話をまたぐコンテキスト管理と直近の食事記録の注入により、毎回状況を説明し直さなくても会話を続けられます。
- 回答品質のフィードバック計測
- 利用者からの評価を記録し、回答品質を継続的に計測できるようにしています。
- AI機能を機構ごとに分解
- モジュラープロンプト、RAG、ツール呼び出し、コンテキスト管理、食事記録の注入、フィードバック計測といった機構に分けて実装しました。回答が期待どおりでないとき、どの機構を調整すべきかを切り分けられる構造にしています。
- テストとエラー監視を併設
- Vitestのユニットテストと PlaywrightのE2Eテスト、エラー監視を合わせて整備しました。出力が揺れるAI部分と、認証や画面遷移のように挙動が決まっている部分を、別々の手段で確認できるようにしています。
この種のシステムで検討する論点（想定例）
以下は同種の案件で一般的に検討する内容の整理であり、上記事例の詳細を示すものではありません。
想定例: 健康・食に関わるAI回答の安全設計
乳幼児の食事やアレルギーに関する回答は、誤りがそのまま健康被害につながりかねない領域です。LLMの一般知識だけに頼らず、公的な栄養ガイドラインなど根拠のある資料を検索して回答に注入し、根拠を示せる状態にすることが最低限の設計になります。アレルギーや医療的な判断が必要な質問には、AIが断定せず専門家への相談を促す応答に切り替えるルールも必要です。一般的な情報であり、個別の事案は専門家・所管官庁にご確認ください。
想定例: 会話履歴と個人情報の扱い
月齢、アレルギー、食事記録は、子どもと家庭に関する機微な個人情報です。会話をまたいで文脈を保持する設計は利便性を高める一方で、保存する情報の範囲、保存期間、削除の手段を明確にしておく必要があります。LLMプロバイダへ送信するデータに何が含まれるかを把握し、利用規約やプライバシーポリシーに反映することも欠かせません。一般的な情報であり、個別の事案は専門家・所管官庁にご確認ください。
関連するサービス
関連する業種
関連する開発ガイド
- 中小企業のWebシステムに最低限必要なセキュリティ対策専任の担当者がいない中小企業でも押さえておきたい Web システムのセキュリティ対策を、SSL/TLS・認証と多要素認証・権限の最小化・アップデート・バックアップ・ログ・個人情報の順に優先度をつけて整理します。
- モバイル対応の考え方 — レスポンシブと専用サイトの違いスマートフォン対応の方法として、レスポンシブデザイン、モバイル専用サイト、アプリの3つを用途で比較します。それぞれの仕組みと運用の違い、自社に合う方式を選ぶための判断基準を整理します。
- 要件定義とは何をすることか — 発注前に整理したい5つのこと要件定義はシステムで何を実現するかを合意する工程です。発注前に整理したい目的と成功条件、現状業務の流れ、利用者と権限、扱うデータ、やらないことの5つを、想定例を交えて解説します。
他の開発事例
監修: Unlogical Systems合同会社（杉並区・西荻窪）公開