Zhipu Qingyan（智谱清言）は、Zhipu AI が開発したエンタープライズグレードの対話型 AI プラットフォームであり、独自の General Language Model（GLM）アーキテクチャ上に構築されています。対話型のデスクトップおよびモバイル Web アシスタントとして、またノーコードのエージェント作成環境としても機能し、個人の専門職、クリエイター、チームが複雑な日常ワークフローに対処できるようにします。その中核において、Zhipu Qingyan はバイリンガルの自然言語理解、リアルタイム Web ブラウジング、隔離されたサンドボックスでのコード実行、マルチモーダル画像生成、そして永続的なエージェントフレームワークを統合しています。基盤となる GLM アシスタントが特殊なカスタムエージェントとどのように連携して動作するかを理解することで、ユーザーはドキュメントの要約や定量分析からコンテンツの自動ドラフト作成に至る日常業務を、構造化され再現可能なデジタルワークフローへと変換できます。
GLM アシスタントアーキテクチャの理解
Zhipu Qingyan におけるデフォルトの対話体験は、GLM 基盤モデルファミリー（GLM-4 および GLM-4V、CogView などのマルチモーダルバリアントを含む）によって駆動されます。単純なテキスト補完ボットとは異なり、このプラットフォームは動的なツールルーティングを備えた統合ワークベンチとして機能します。ユーザーが問い合わせを送信すると、基盤モデルはパラメータメモリから直接回答するか、リアルタイム検索を呼び出すか、Python コードを実行するか、アップロードされたメディアを処理するかを判断します。
組み込みツールエコシステム
標準アシスタントには、自動的またはユーザーの要求に応じて起動するいくつかの統合モジュールが含まれています：
- リアルタイム Web 検索： 外部の Web ソースを照会して最新ニュース、現行のドキュメント、財務指標、または最近の動向を取得し、生成された回答とともに検証可能な出典を提供します。
- 高度なデータ分析（コードサンドボックス）： 表形式のデータセット（CSV、XLSX）の読み込み、数学演算、統計計算の実行、ダウンロード可能な視覚化チャートのレンダリングが可能な、隔離された Python 実行環境を実行します。
- マルチモーダル認識と合成： ビジョンモデルを使用して図表、手書きメモ、写真入力を検査する一方、CogView エンジンを利用して記述的なプロンプトから高解像度のイラストやグラフィックスを直接生成します。
- 長文ドキュメント処理： 詳細な PDF レポート、研究論文、Word 原稿、スライド資料などの大容量ファイルを取り込み、ユーザーが数百ページにわたって要約を抽出したり、相反する視点を比較したり、埋もれたデータポイントを特定したりできるようにします。
汎用アシスタント vs. カスタムエージェント：使い分けの基準
デフォルトの GLM アシスタントはアドホックで自由形式の質問を処理しますが、反復的な業務責任には専用のカスタムエージェント（インターフェース上では智能体として知られる）が有効です。カスタムエージェントは、固定されたシステム指示、厳選された参照ドキュメント、特定のツール権限を、チーム間で再利用または共有できる永続的なアシスタントにカプセル化します。
| ディメンション | デフォルト GLM アシスタント | カスタムエージェント（GLMs） |
|---|---|---|
| 主な目的 | アドホックな調査、一般的な Q&A、自発的な執筆 | 標準化されたワークフロー、定期的なタスク、役割ベースの支援 |
| 設定のオーバーヘッド | 設定不要；開いてすぐにチャット可能 | 指示、ツール、ドキュメントの定義に 2〜5 分 |
| コンテキストの保持 | セッション限定；新しい会話スレッドでリセット | 永続的なシステムペルソナ、制約、および指示 |
| ナレッジベース | 一般的なパラメータ知識＋アクティブセッションのアップロード | エージェントに紐付けられた永続的なプライベートファイルライブラリ（RAG） |
| ツール設定 | すべてのプラットフォームツールにわたる自動動的ルーティング | 明示的に切り替えられたツール（例：検索のみ、サンドボックスのみ） |
| 最適な用途 | 単発の翻訳、簡単な説明、探索的なブレインストーミング | 週次レポート作成、スタイル統一コピーライティング、データ監査 |
Zhipu Qingyan におけるカスタムエージェントの構築方法
カスタムエージェントの作成には、ソフトウェア開発の経験や API の知識は不要です。プラットフォームは、デスクトップブラウザから Zhipu Qingyan を通じてアクセス可能なビジュアル設定スタジオを提供しています。
ステップ 1：エージェントセンターへのアクセス
Zhipu Qingyan にログインし、ナビゲーションパネルからエージェントセンター（智能体中心）を選択します。エージェントを作成（+创建智能体）をクリックして、左側に設定コントロール、右側にリアルタイムのインタラクティブプレビューサンドボックスを備えた 2 ペインのワークスペースに入ります。
ステップ 2：名前、ペルソナ、システム指示の定義
ユーザーは、対話形式のプロンプトまたは手動フォーム設定のいずれかを通じてエージェントの動作を設定できます：
- エージェントプロファイル： 明確な名前（例：「エグゼクティブブリーフィングエディター」や「E コマースコピーレビューアー」）と、運用の焦点を要約した簡潔な説明を入力します。
- システムプロンプト（指示）： エージェントの中核となる役割、行動の境界線、出力形式、および制約を定義します。適切に構成された指示セットには以下を含める必要があります：
- 主な役割と対象読者。
- 段階的な処理方法。
- 具体的なスタイル規則（例：プロフェッショナルなトーン、Markdown テーブル、箇条書きの要点）。
- ネガティブ制約（例：「提供されたナレッジベースドキュメントを超えて推測しないこと。情報が不足している場合は明確に述べること」）。
ステップ 3：プライベートナレッジベースの紐付け
モデルを微調整することなく特定分野の資料にエージェントを根拠づけるため、ナレッジベース（知识库）セクションにドキュメントをアップロードします：
- 対応形式： PDF ドキュメント、Microsoft Word ファイル、プレーンテキストレコード、スプレッドシートをアップロードできます。
- 自動インデックス作成： システムは、検索拡張生成（RAG）のためにアップロードされたファイルを解析、チャンク分割、ベクトル化します。ユーザーがエージェントと対話すると、関連する抜粋が取得され、プロンプトのコンテキストに注入されて事実の正確性が確保されます。
- ベストプラクティス： ベクトル検索の精度を向上させるため、重複する表紙、破損したフォーマット、古いバージョンを削除してドキュメントを整理してからアップロードします。
ステップ 4：ツールと外部機能の設定
エージェントがタスクを完了するために必要な特定の機能のオン・オフを切り替えます：
- エージェントが最新のソースを確認したり外部の主張を検証したりする必要がある場合は、Web 検索を有効にします。
- エージェントが数値計算、スプレッドシートの変換、チャートの生成を処理する場合は、コードサンドボックスを有効にします。
- エージェントがマーケティングビジュアルやコンセプトイラストを生成する場合は、AI 画像生成を有効にします。
- 技術チームの場合、標準化された OpenAPI スキーマを介してエージェントが社内 CRM エンドポイントやエンタープライズ在庫データベースからデータを取得できるように、**カスタムアクション（API）**を設定します。
ステップ 5：サンドボックスでのテストと公開
右側のプレビューパネルを使用して、エッジケースのテスト、ネガティブ制約の検証、ドキュメント取得品質の検査を行います。検証が完了したら、公開範囲を選択します：
- プライベート： 作成者のアカウントのみがアクセス可能。
- リンク共有： 直接 URL を介して同僚やコラボレーターが使用可能。
- パブリック： コミュニティの発見のために公開エージェントプラザに掲載。
日常タスクのための実践的ワークフロー
Zhipu Qingyan を効果的に展開するには、適切なインターフェースモードを特定の業務上のボトルネックと組み合わせる必要があります。
1. リサーチの統合と長文ドキュメント監査
年次報告書、学術プレプリント、競合他社のホワイトペーパーを分析する場合：
- 対象のドキュメントを GLM アシスタントまたは特殊なリサーチエージェントに直接アップロードします。
- 指標、方法論、戦略的リスクに焦点を当てた階層的なエグゼクティブサマリーを生成するようモデルに指示します。
- 次のようなプロンプトクエリを使用します：「第 3 節で言及されている設備投資額と第 6 節の収益予測を比較し、その差異を表形式で提示してください。」
- ソース資料を効率的に監査するために、明確なページ参照またはセクション見出しを要求します。
2. 定量的データのクレンジングと視覚化
週次指標レポートや業務スプレッドシートの場合：
- コードサンドボックスツールが有効になっているチャットセッションに CSV または Excel スプレッドシートをアップロードします。
- データセットのスキーマを検査し、欠損値を検出し、要約統計量を計算するようアシスタントに促します。
- 具体的な視覚的変換を要求します：「コンバージョン率が 2.5% 未満の行をフィルタリングし、マーケティングチャネルごとにグループ化して、平均獲得コストを表示する横棒グラフを生成してください。」
- 生成されたチャートグラフィックと、Python サンドボックスによって作成された変更後のスプレッドシートファイルの両方をダウンロードします。
3. マーケティングコピーライティングにおけるブランドガイドラインの適用
マーケティングチームは、ブランドの声に合わせてコピーを編集するのに多くの時間を費やすことがよくあります。カスタムエージェントは、制約を標準化することでこれを解決します：
- ブランドトーン、禁止用語、文字数上限、オーディエンスペルソナを指定する指示をエージェントに設定します。
- 社内のスタイルガイドや製品カタログをエージェントのナレッジベースにアップロードします。
- チームメンバーは製品の要点を入力するだけで、手作業による修正なしに、ブランド基準に厳密に従った洗練されたソーシャルメディア投稿、ニュースレターのスニペット、広告バリエーションを受け取ることができます。
4. 会議メモの構造化とアクションアイテムの追跡
構造化されていない会議の文字起こしや大まかなブレインストーミングのメモを実行可能な成果物に変換します：
- 会議の音声文字起こしまたは粗削りな箇条書きメモをアシスタントに貼り付けます。
- 構造化されたテンプレートを使用してモデルにプロンプトを出します：「決定された主な事項、未解決の質問、タスク・担当者・期限を含むアクションアイテムテーブルの 3 つのセクションを抽出してください。」
- モデルは会話の冗長な表現を排除し、文脈に基づいて曖昧な参照を解決し、配布可能な完成したメモを作成します。
より良い結果を得るための戦略的ヒント
デフォルトのアシスタントとカスタムエージェントの両方で一貫した出力品質を達成するために、以下の実践的な運用方法を適用してください：
- コンテキストとタスクの分離： 背景情報、ソースの抜粋、指示を単一の長文にまとめるのではなく、明確に区切られたブロックで提供します。
- ネガティブな境界線の確立： 推測的な見積もりを避ける、一般的な導入の挨拶を省く、出力を特定の形式に制限するなど、行わないことをアシスタントに明示的に伝えます。
- ナレッジチャンクの反復改善： カスタムエージェントが特定のナレッジベースの詳細を提示できない場合は、単一の巨大なドキュメントではなく、小さく焦点を絞ったモジュール化されたファイルとして資料を再アップロードします。
- 対話による反復改善の活用： 初期の出力をドラフトとして扱います。技術的な深さを求めたり、Markdown テーブルに再フォーマットしたり、トーンを変更したりするなど、的を絞った調整を重ねて最終的な結果を磨き上げます。