Corpus2Skill 深掘り — RAG を捨てて『ナビゲート』する設計は何を変えるのか

LLM の出力を「何を答えるか」ではなく「どう答えるか」で制御する MTP（Mapping the Prompt）フレームワークを紹介。複数の出力モード（power、focus、grow など）を組み合わせることで、同じ入力に対して異なる視点・スタイルで出力を調整でき、差分分析や複数エージェントの制御に活用できる。ZIP ファイル形式の MTP Skill を Claude iOS アプリで利用する実装手順も解説。

著者は Microsoft Copilot で複数アクションの会議予約に失敗したが、同じタスクを Claude Opus で試すと成功した経験から、Microsoft が低リテラシーユーザー向けに意図的に制限を強めていると分析。AI リテラシーの差によって同じ LLM でも計画（プランニング）が変わることを実例で示し、ユーザー教育と資格制度によるアドバンスドモード構想を提案している。

論文「Don't Retrieve, Navigate」に基づくCorpus2Skillは、従来のRAGの受動的検索を改め、文書コーパスを階層スキルツリーにオフラインコンパイルしてLLMエージェントが鳥瞰ビューからドリルダウン探索する手法。ベクトルDBと検索APIが不要で、プロンプトキャッシュにより費用削減可能だが、社内マニュアルなど単一ドメイン・体系的分類のコーパスに最適で、雑多なFAQには不向き。

OpenAI の GPT-5.6（Sol・Terra・Luna）3モデルについて、Codex での使用視点からモデル選択・クレジット消費・推論レベル設定を整理。Sol は高精度向け（入出力 $5/$30）、Terra はバランス型（$2.50/$15）、Luna はコスト重視（$1/$6）で、タスク複雑度に応じた使い分けが推奨される。