エンジニアの
コードを
出題の頻度は、国内の転職メディアと技術記事 (2026 年 10 月に調べました) に、分野ごとに調べた問い集のうち同じ問いが何本出ていたかで、よく
レベルの目安
- 未経験から
実務 2 年ほど - 一人で
機能を 作り切れる 3〜5 年ほど - 難しい
設計と 実装を 自分で 決めて作り切る - チームの
技術の 方針、 設計の 判断、 レビューと 育成、 事業との 折り合いを持つ
AI と LLM
RAG の
答えの 精度が 低いとき、 どこを 疑いますか 検索の
側 (文書の 分け方、 埋め込みの モデル、 キーワード 検索との 併用、 並べ直し) と、 生成の 側 (渡す文脈の 量と 順、 プロンプト) に 分け、 まず 正しい 文書が 取れているかを 測ると 答える 問い。 AI エージェントや
ツール 呼び出し (MCP など ) を 本番で 使う とき、 何に 気を つけますか ツールに
渡す権限を 最小にし、 戻せない 操作は 人の 確認を 挟む。 実行の 記録と、 回数や 費用の 上限で 暴走を 止める。 MCP で つなぐ 相手の 信頼性を 確かめる、と 答える 問い。 LLM の
出力の 品質を、 どう 評価し試しますか 想定の
質問と 期待する 答えの 組 (評価 データ) を 作って 変更の たびに 回し、 ルールと 別の LLM に よる 自動の 採点に 人の 確かめを 組み合わせ、 本番の ログで 評価 データを 育てる、と 答える 問い。 LLM の
API の 費用と 待ち時間を、 どう 抑えますか 作業に
合った 小さめの モデルを 選ぶ、 プロンプトの キャッシュと 結果の キャッシュ、 ストリーミングで 体感を 速く する、 重い 処理は 非同期に する、 呼び出しを 中継で まとめて 見る、と 答える 問い。 利用者の
データを LLM に 渡すとき、 プライバシーで 何に 気を つけますか 学習に
使われない 契約や 設定の 提供元を 選ぶ、 個人情報は 要る 物だけを 渡し伏せ字も 考える、 利用規約と プライバシーポリシーに 書き、 記録を 残す期間を 決める、と 答える 問い。
コードを