[{"data":1,"prerenderedAt":211},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Ftoken-economics-and-context-engineering":3},{"topic":4,"category":170,"seo":174,"breadcrumbs":179,"prerequisites":189,"nextTopics":190,"relatedTopics":199},{"id":5,"slug":6,"title":7,"summary":8,"canonicalPath":9,"categoryPath":10,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"generatedAt":14,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":16,"expectedKnowledge":25,"learningGoal":28,"keyTerms":29,"blocks":82},"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-token-economics-and-context-engineering","token-economics-and-context-engineering","トークン費用とコンテキストエンジニアリング","トークン費用とコンテキストエンジニアリングを、AIF-C01の公式objective 2.1.4・2.1.5に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Ftoken-economics-and-context-engineering","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals","beginner","cert_candidate",6,"2026-08-06","ai_generated",[17,18,19,20,21,22,23,24],"AWS Certified AI Practitioner","AIF-C01","生成AIの基礎","トークン","コンテキストエンジニアリング","費用","遅延","文脈",[26,27],"AWSクラウドの基本用語を聞いたことがある","AIを使う業務例を日常的な言葉で考えられる","トークン費用とコンテキストエンジニアリングについて、試験で問われる違いと選択基準を説明し、短い業務例へ適用できる。",[30,37,41,45,51,58,62,68,74,78],{"id":31,"label":21,"shortDefinition":32,"supplement":33,"role":36},"context-engineering","モデルへ渡す指示・履歴・検索結果・ツール出力全体を設計することです。",{"kind":34,"text":35},"comparison","プロンプト文の設計は、コンテキスト設計の一部です。","primary",{"id":38,"label":39,"shortDefinition":40,"role":36},"token-based-pricing","トークンベース料金","入出力などで処理したトークン量に応じて費用が変わる料金方式です。",{"id":42,"label":43,"shortDefinition":44,"role":36},"context-window","コンテキストウィンドウ","モデルが一回の処理で参照できるトークン範囲です。",{"id":46,"label":47,"shortDefinition":48,"supplement":49,"role":36},"prompt-engineering","プロンプトエンジニアリング","望む出力を得るため、指示・例・制約・形式を設計する手法です。",{"kind":34,"text":50},"コンテキスト設計は、履歴や検索結果なども含みます。",{"id":52,"label":20,"shortDefinition":53,"supplement":54,"role":57},"token","モデルが文章などの入力と出力を処理するときの基本単位です。",{"kind":55,"text":56},"misconception","一つのトークンが、常に一単語とは限りません。","contextual",{"id":59,"label":60,"shortDefinition":61,"role":57},"chunking","チャンク化","長いデータを、検索や処理に適した意味のまとまりへ分割することです。",{"id":63,"label":64,"shortDefinition":65,"supplement":66,"role":57},"embedding","埋め込み","文章や画像などの意味・特徴を数値ベクトルへ写した表現です。",{"kind":34,"text":67},"埋め込みは回答文ではなく、比較しやすい数値表現です。",{"id":69,"label":70,"shortDefinition":71,"supplement":72,"role":57},"retrieval-augmented-generation","検索拡張生成（RAG）","関連情報を検索し、その結果を文脈に加えて回答を生成する方式です。",{"kind":55,"text":73},"検索結果が正しいか、回答の根拠確認は必要です。",{"id":75,"label":76,"shortDefinition":77,"role":57},"latency","レイテンシ","要求を送ってから結果が返るまでにかかる時間です。",{"id":79,"label":80,"shortDefinition":81,"role":57},"inference","推論","学習済みモデルへ新しい入力を与え、予測や生成の出力を得る処理です。",[83,88,99,108,117,123,129,135,151,160],{"id":84,"type":85,"title":7,"subtitle":86,"shortDefinition":87},"hero","HeroBlock","必要な情報だけを文脈へ入れ、品質・遅延・費用を整える","モデルが一回の処理で参照する指示、会話、検索結果、ツール出力、例などを目的に合わせて選び、順序付け、管理する設計です。",{"id":89,"type":90,"term":21,"definition":91,"plainExplanation":92,"presentation":93,"supportLabel":94,"keywords":95},"definition","DefinitionBlock","[[cloze:context-engineering|コンテキストエンジニアリング]]とは、モデルへ渡す指示・履歴・検索結果・ツール出力全体を設計することです。","多くの生成AIサービスでは[[term:token-based-pricing|トークンベース料金]]が使われ、入力と出力の量が費用へ影響します。長い入力は情報を増やせる一方、[[term:context-window|コンテキストウィンドウ]]の上限や無関係情報による品質低下を招きます。[[term:prompt-engineering|プロンプトエンジニアリング]]は指示文を整える一部です。","natural","見分けるポイント",[96,97,98],"必要情報","費用と遅延","根拠保持",{"id":100,"type":101,"steps":102,"title":107},"decision-steps","StepBlock",[103,104,105,106],"回答に必要な事実とルールを特定する。","[[term:retrieval-augmented-generation|検索拡張生成（RAG）]]で[[term:embedding|埋め込み]]を使って関連する[[term:chunking|チャンク]]を選び、必要なら履歴を要約する。","指示、根拠、利用者入力、出力形式を明確に区切る。","一回の[[term:inference|推論]]で使う入出力[[term:token|トークン]]、[[term:latency|レイテンシ]]、正確さを測って調整する。","文脈を設計する順序",{"id":109,"type":110,"title":111,"points":112,"body":116},"exam-cues","KeyPointBlock","判断で押さえる境界",[113,114,115],"入力・出力トークンが費用へ影響","文脈は指示以外の資料・履歴・ツール結果も含む","削減後も必要根拠が残るか評価","全文を毎回投入する方法は簡単でも、常に最良とは限りません。長い会話は決定事項だけを要約し、社内資料は質問に関連するチャンクだけを取得します。ただし削り過ぎると前提を失うため、回答に必要な根拠が残っているかテストします。費用削減と品質維持を同じ評価で扱います。",{"id":118,"type":119,"src":120,"alt":121,"caption":122},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Ftoken-economics-and-context-engineering\u002Ftoken-economics-and-context-engineering.svg","トークン費用とコンテキストエンジニアリングについて履歴・資料・ツール結果、関連性で選別、指示と根拠を整形、短く十分な文脈の関係を文字ラベルと矢印で示した図","多量の候補情報から、回答に必要な根拠だけを文脈へ入れる絞り込み図です。削減量だけでなく回答品質も確認します。",{"id":124,"type":125,"scenario":126,"explanation":127,"result":128},"worked-example","ExampleBlock","半年分のサポート会話を毎回すべてLLMへ送っているアプリを改善します。","現在の問題に必要な顧客属性と未解決事項を要約し、関連する直近履歴だけを残します。製品資料は検索で該当部分を取得します。入力トークンと遅延を減らしつつ、過去の約束や禁止事項が失われないか代表ケースで評価します。出力上限も回答形式に合わせます。","単純な切り詰めではなく、必要情報を保つ文脈設計として費用と性能を改善できます。",{"id":55,"type":130,"warningTitle":131,"message":132,"severity":133,"action":134},"WarningBlock","長い文脈ほど正確とは限らない","無関係な文章、古い指示、矛盾する履歴が増えると、モデルが重要な根拠を選びにくくなります。トークン上限内でも品質が上がる保証はありません。","warning","残す情報ごとに『この回答の何に必要か』を説明できる状態にします。",{"id":136,"type":137,"title":138,"questions":139},"quiz","QuizBlock","AIF-C01 判断チェック",[140],{"question":141,"choices":142,"answerIndex":146,"choiceExplanations":147},"費用を下げながら回答の根拠を保つ改善はどれですか。",[143,144,145],"関連文書だけ検索し、会話の決定事項を要約して渡す","すべての履歴を重複して送る","必要な規程も含めて入力を空にする",0,[148,149,150],"正解です。必要文脈を選び直しています。","入力トークンとノイズを増やします。","根拠がなくなり品質を守れません。",{"id":152,"type":153,"title":154,"points":155},"summary","SummaryBlock","まとめ",[156,157,158,159],"トークン量は費用・遅延・上限へ影響","コンテキストはモデルへ渡す情報全体","関連性で選び、構造化して渡す","削減後の正確さを必ず評価する",{"id":161,"type":162,"title":163,"nextTopics":164,"relatedKeywords":166},"next-action","NextActionBlock","次は「エージェント型AI：MCP・記憶・ツール・オーケストレーション」へ",[165],"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-agentic-ai-mcp-memory-tools-and-orchestration",[167,168,169],"エージェント型AI","MCP","ツール利用",{"path":10,"title":19,"description":171,"parentPath":172,"accentToken":173},"生成AIの構成概念、ユースケース、エージェント型AI、モデル選択とAWS基盤をAIF-C01の範囲で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner","cloud-amber",{"title":175,"description":176,"canonicalUrl":177,"ogImage":178},"トークン費用とコンテキストエンジニアリング | AWS Certified AI Practitioner","AIF-C01対策としてトークン費用とコンテキストエンジニアリングの定義、判断軸、具体例、誤解しやすい境界を公式試験範囲に沿って学びます。","https:\u002F\u002Fzeqnilo.com\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Ftoken-economics-and-context-engineering","https:\u002F\u002Fzeqnilo.com\u002Fassets\u002Fsite\u002Fdefault-og.svg",[180,183,186,187,188],{"title":181,"path":182},"IT","\u002Fit",{"title":184,"path":185},"AWS","\u002Fit\u002Faws",{"title":17,"path":172},{"title":19,"path":10},{"title":7,"path":9},[],[191],{"id":165,"title":192,"summary":193,"canonicalPath":194,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":195},"エージェント型AI：MCP・記憶・ツール・オーケストレーション","エージェント型AI：MCP・記憶・ツール・オーケストレーションを、AIF-C01の公式objective 2.1.6に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fagentic-ai-mcp-memory-tools-and-orchestration",[17,18,19,167,168,169,196,197,198],"記憶","オーケストレーション","マルチエージェント",[200],{"id":201,"title":202,"summary":203,"canonicalPath":204,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":205},"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-genai-use-cases-and-foundation-model-lifecycle","生成AIユースケースと基盤モデルのライフサイクル","生成AIユースケースと基盤モデルのライフサイクルを、AIF-C01の公式objective 2.1.2・2.1.3に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-use-cases-and-foundation-model-lifecycle",[17,18,19,206,207,208,209,210],"生成AIユースケース","FMライフサイクル","評価","展開","フィードバック",1787370540114]