AI / ML
モデル学習、検索拡張生成、エージェントループ、サービング トポロジ。紫のテーマが ML 領域を示し、中央のエージェント / モデルが 派手な sizeScale を持ちます。
学習パイプライン
データ → 特徴 → 学習 → 評価 → レジストリ。テーマ上書きで パイプライン全体を領域に相応しいパレットに寄せ、学習ステージが 視覚的な重みを担います。
Frame 1 / 1–3
RAG: 検索拡張生成
モデルの回答はベクトルストアから取得したドキュメントに 基づきます。LLM を中央に置いて重みを担わせ、ストア / ドキュメントは リージョンとしてそこへフィードします。
doc {
cols: 4, rows: 2,
theme: { primary: '#6d28d9', accent: '#db2777' },
}
region @B1:C2 "Retrieve" color=primary/24
icon :q @A1 tabler/search "Query"
icon :embed @B1 tabler/brain "Embed"
icon :vec @C1 tabler/database "Vector DB" sizeScale=1.2
icon :docs @C2 tabler/files "Docs"
icon :llm @D1 tabler/sparkles "LLM" sizeScale=1.6
icon :ans @D2 tabler/message "Answer"
q --> embed
embed --> vec
vec --> docs "top-k"
docs --> llm "context" width=2
llm --> ansエージェント + ツール（MCP 風）
中央に巨大なエージェント、その周りにコンパクトなツール衛星を 配します。サイズの差で「オーケストレータ vs 能力」の関係が はっきり読み取れます。
doc {
cols: 3, rows: 3,
theme: { primary: '#6d28d9', accent: '#db2777' },
}
icon :user @A2 tabler/user "User"
icon :agent @B2 tabler/robot "Agent" sizeScale=2.0
icon :t1 @C1 tabler/search "Search"
icon :t2 @C2 tabler/code "Code"
icon :t3 @C3 tabler/database "DB"
user --> agent
agent <-> t1 "call"
agent <-> t2 "call"
agent <-> t3 "call"キャッシュ付きオンラインサービング
キャッシュの前段に推論サービスを置きます。コールドなクエリは モデルまで落ち、結果はキャッシュへ書き戻されます。
doc {
cols: 4,
theme: { primary: '#6d28d9', accent: '#db2777' },
}
region @A1:A1 "Client" color=accent/24
region @B1:C1 "Serve" color=primary/24
region @D1:D1 "Response" color=accent/32
icon :req @A1 tabler/device-mobile "Request"
icon :cache @B1 tabler/bolt "Cache"
icon :model @C1 tabler/brain "Model" sizeScale=1.4
icon :resp @D1 tabler/check "Response"
req --> cache
cache --> resp "hit" width=2
cache --> model "miss" dash="2 4"
model --> cache "store" dash="2 4"
model --> resp