> This is a page from the ElevenLabs documentation. For a complete page index, fetch https://elevenlabs.io/docs/llms.txt. For the full documentation in a single file, fetch https://elevenlabs.io/docs/llms-full.txt.

# LLMコストの最適化

## 概要

大規模言語モデル（LLM）の推論コストを管理することは、持続可能なAIアプリケーションを開発するうえで不可欠です。このガイドでは、ElevenLabsプラットフォームの機能を効果的に活用して支出を最適化するための主要な戦略を紹介します。モデルの詳細な機能と料金については、メインの[LLMドキュメント](/docs/ja/eleven-agents/customization/llm)をご覧ください。

> **Note**
>
> ElevenLabsでは、無音期間中のモデル推論を削減することでコストを抑えられます。
> これらの期間は、通常の1分あたり料金の5%で課金されます。詳しくは[ElevenAgentsの概要ページ](/docs/ja/eleven-agents/overview#pricing-during-silent-periods)をご覧ください。

## 推論コストを理解する

プラットフォーム上のLLM推論コストは、主に次の要素によって決まります。

* **入力トークン**：ユーザーのクエリ、システム指示、コンテキストデータなど、プロンプトから処理されるデータ量。
* **出力トークン**：LLMが応答として生成するトークン数。
* **モデルの選択**：LLMごとにトークン単価は異なります。一般に、高性能なモデルほどコストが高くなります。

ElevenLabsダッシュボードまたはAPIで使用状況を監視することは、コスト削減の余地を特定するうえで重要です。また、[ホスト型MCPサーバー](/docs/ja/eleven-agents/operate/hosted-mcp)を通じてClaudeや別のMCPクライアントからエージェントの想定LLMコストを直接見積もることもできます。変更前にモデルを比較する際に便利です。

## 戦略的なモデル選択

最適なLLMを選ぶことは、コスト効率を左右する主要な要素です。

* **適切な規模の選定**：特定のタスクを確実に実行できる、最も複雑度の低い（通常はより低コストな）モデルを選びます。単純な処理に高コストのモデルを使用しないでください。たとえば、Googleの`gemini-2.0-flash`のようなモデルは、多くの一般的なタスクで非常に競争力のある料金を提供しています。最新の料金と機能については、必ず完全な[対応LLMリスト](/docs/ja/eleven-agents/customization/llm#supported-llms)で確認してください。
* **検証**：さまざまなモデルをタスクでテストし、出力品質と発生コストを比較します。言語サポート、必要なコンテキストウィンドウ、専門的なスキルを考慮してください。

## プロンプトの最適化

プロンプトエンジニアリングは、トークン消費量と関連コストを削減する強力な手法です。明確、簡潔、かつ曖昧さのないシステムプロンプトを作成することで、モデルを誘導してより効率的な応答を生成できます。トークン数を増やす可能性のある冗長な表現や不要なコンテキストは削除してください。たとえば、「応答は2文に制限してください」や「簡潔な要約を提供してください」といったフレーズを加え、希望する出力の長さを明示的に指示することも検討してください。こうしたシンプルな指示により、生成コンテンツの品質と関連性を保ちながら、出力トークン数を大幅に減らせます。

**モジュール設計**：複雑な会話フローには、[エージェント間転送](/docs/ja/eleven-agents/customization/tools/system-tools/agent-transfer)を活用してください。これにより、1つの大きなシステムプロンプトを、複数の小さくより専門的なプロンプトに分割し、それぞれを異なるエージェントで処理できます。あらゆる可能性を想定した包括的なプロンプトではなく、会話の現在の段階に関連するプロンプトだけを読み込むため、インタラクションごとのトークン数を大幅に削減できます。

## ナレッジと検索の活用

大量の情報へのアクセスが必要なアプリケーションでは、検索拡張生成（RAG）と適切に管理されたナレッジベースが重要です。

* **効率的なRAG**：
  * RAGでは、広範なデータをプロンプトに含める代わりに、[ナレッジベース](/docs/ja/eleven-agents/customization/knowledge-base)から関連する抜粋だけをLLMに提供するため、入力トークンを削減できます。
  * 最も関連性の高い情報の「チャンク」だけを取得するよう、リトリーバーを最適化します。
  * コンテキストとトークン数のバランスを取るため、チャンクサイズとオーバーラップを微調整します。
  * [RAG](/docs/ja/eleven-agents/customization/knowledge-base/rag)の実装について詳しく学びましょう。
* **コンテキストサイズ**：
  * [ナレッジベース](/docs/ja/eleven-agents/customization/knowledge-base)には、正確で最新かつ関連性のある情報を含めてください。
  * 適切に構造化されたコンテンツは検索精度を高め、無関係なコンテキストによるトークン使用量を削減します。

## インテリジェントなツール活用

[Webhookツール](/docs/ja/eleven-agents/customization/tools/webhook-tools)を使用すると、LLMは外部APIやカスタムコードにタスクを委任でき、よりコスト効率が高くなる場合があります。

* **タスクのオフロード**：決定論的なタスク、リアルタイムデータ、複雑な計算、またはAPI操作が必要なタスク（例：データベース検索、外部サービス呼び出し）を特定します。
* **オーケストレーション**：LLMはオーケストレーターとして機能し、構造化されたツール呼び出しを行います。これは、プロンプトだけで複雑なタスクを試みるよりも、多くの場合はるかにトークン効率に優れています。
* **ツールの説明**：LLMがツールを効率的かつ正確に使用できるよう、各ツールに明確で簡潔な説明を提供します。

## チェックリスト

コスト削減のために、以下の手法の適用を検討してください。

| 機能        | コストへの影響                       | 実施項目                                                                                             |
| :-------- | :---------------------------- | :----------------------------------------------------------------------------------------------- |
| LLMの選択    | トークン単価を削減                     | タスクを確実に実行できる、最小かつ最も経済的なモデルを選択します。検証し、コストと品質を比較してください。                                            |
| カスタムLLM   | 特化タスクの推論コストを抑えられる可能性          | 大量処理の特定タスクで評価し、独自データで微調整して小型で効率的なモデルを作成します。                                                      |
| システムプロンプト | 入力・出力トークンを削減し、モデルの動作を誘導       | 簡潔、明確、かつ具体的にします。希望する出力形式と長さを指示します（例：「簡潔に」「JSONを使用」）。                                             |
| ユーザープロンプト | 入力トークンを削減                     | 具体的なクエリを促し、few-shotの例を戦略的に使用し、関連する履歴を要約または選択します。                                                 |
| 出力制御      | 出力トークンを削減                     | 要約や主要情報を求め、`max_tokens`は慎重に使用し、自然な簡潔さを得られるようプロンプトを反復改善します。                                       |
| RAG       | プロンプト内の大きなコンテキストを避けて入力トークンを削減 | 関連性に応じてリトリーバーを最適化し、チャンクサイズ／オーバーラップを微調整し、高品質な埋め込みと検索アルゴリズムを確保します。                                 |
| ナレッジベース   | RAGの効率を向上し、無関係なトークンを削減        | 定期的にキュレーションし、古い情報を削除します。正確な検索のために、適切な構造、メタデータ、タグ付けを確保します。                                        |
| ツール（関数）   | 特定タスクでのLLM呼び出しを回避し、トークンを削減    | 決定論的、計算負荷の高い、または外部APIのタスクをツールに委任します。LLM向けに明確なツール説明を設計します。                                        |
| エージェント転送  | タスクの単純な部分に低コストなモデルを使用可能       | 初期トリアージ／FAQにはより単純で低コストなエージェントを使用し、必要な場合のみ高性能なエージェントに転送します。大きなプロンプトを複数のエージェントにまたがる小さなプロンプトに分解します。 |

> **会話履歴の管理**
>
> ステートフルな会話では、複数の会話書き起こしをシステムプロンプトの一部として渡す代わりに、
> 履歴要約またはスライディングウィンドウの手法を実装してコンテキストを簡潔に保ちます。
> これは特にコンシューマー向けアプリケーションの構築で効果的であり、多くの場合、
> 通話後のWebhookを受信した際に管理できます。

> **Tip**
>
> LLMの使用状況とコストを継続的に監視してください。継続的なコスト効率を確保するため、プロンプト、RAG設定、
> ツールインテグレーションを定期的に見直して改善してください。