使い方 — 素材 + 仕上げ モデル
jpcite が「素材」を出し、あなたの AI が「仕上げ」で完成 — 6 step flow
jpcite は「答え」を売りません。AI agent が答えを書くための素材 (Evidence Packet) を売ります。end-user の質問に最終回答するのは、いつも end-user 側の AI agent — そこに user 文脈 (地域 / 業種 / 規模 / 履歴) を 1 つ加えて仕上げするのが agent の役目です。 LLM が全部書く ¥120 経路に対して、素材 ¥30 + 仕上げ ¥10 = ¥40 で 67% 安く、 しかも一次資料 URL + Ed25519 attestation + freshness <24h 付き。
全体図 — end-user 質問から完成 deliverable まで
end-user AI agent jpcite
│ │ │
│ ① 質問 (自然言語) │ │
│ ────────────────────▶ │ │
│ │ ② discover (agent.json / │
│ │ llms.txt / Smithery) │
│ │ ───────────────────────────▶ │
│ │ ③ packet 取得 (= 素材) │
│ │ ◀─────────────────────────── │
│ │ ④ ingredient 返却 │
│ │ (JPCIR + Ed25519, │
│ │ ¥3 ~ ¥30) │
│ │ │
│ │ ⑤ finishing │
│ │ (user 文脈 + 素材 → answer, │
│ │ ~500 token = ~¥10) │
│ │ │
│ ⑥ 完成 deliverable │ │
│ ◀──────────────────── │ │
│ (出典付き回答) │ │
6 step を 1 つずつ
end-user が AI agent に質問する
Claude / Cursor / ChatGPT / Perplexity などに自然言語で投げる。 例: 「東京の中小製造業で使える 2024 年度の補助金を、採択率付きで教えて」。 end-user は jpcite の存在を意識しません — agent 側が裏で取りに行きます。
user: 「東京の中小製造業で使える 2024 年度の補助金、採択率込みで」cost: ¥0 (end-user の入力のみ)
agent が jpcite を discover する
agent は /.well-known/agents.json /
/llms.txt /
Smithery /
npm /
PyPI 等
8 channel から jpcite を見つけます。CLI AI は MCP server 経由、Browser AI は paywall URL 経由。
agent: discover jpcite via agent.json + llms.txt
capability: 補助金 / 採択率 / 47 都道府県 dataset
cost: ¥0 (discovery は無料、static manifest)
agent が jpcite に query を投げる (= 素材 取得開始)
agent は MCP tool (例: acceptance_probability /
company_public_baseline / program_lineage)
または REST 経由で関連 packet を要求。匿名 3 req / 日 / IP は無料、その先は Apple Pay 1-tap や
x402 USDC、Credit Wallet で agent 自走決済。
POST https://api.jpcite.com/v1/packets/lookup
{
"topic": "subsidy", "prefecture": "東京都",
"jsic_major": "E", "size": "SME", "year": 2024
}
cost: ¥3 ~ ¥30 / packet (税別、税込 ¥3.30 ~ ¥33)
freshness: fetched_at < 24h 保証
jpcite が ingredient (= 素材) を返却する
JPCIR schema で構造化された Evidence Packet が agent に届く。
制度概要 / 採択率 cohort / 47 都道府県 dataset / 一次資料 URL / known_gaps
/ 業法フェンス / Ed25519 attestation 同梱。
これは「素材」であって、end-user に直接見せる完成回答ではありません。
{
"schema": "jpcir.v1",
"fetched_at": "2026-05-19T03:14:22Z",
"source_url": "https://www.meti.go.jp/...",
"acceptance_rate_2024": 0.412,
"known_gaps": ["申請後 1 年以内の取消事例 未収録"],
"law_fence": ["税理士法 §52", "弁護士法 §72"],
"attestation": "ed25519:base64(...)"
}
課金: Step 3 の packet 価格 (¥3 ~ ¥30) で確定
領収書: 適格事業者番号 T8010001213708 付き自動発行
agent が「少し工夫」して finishing する
agent が受け取った素材に user 文脈 (地域 / 業種 / 規模 / 履歴 / 言語) を重ねて、 end-user 向けに加工。素材は構造化済みなので、ここは差し替え + 並べ替え + 自然言語化 だけ — token は ~500 token (~¥10) で済みます。 出典 URL と Ed25519 attestation は加工後も保持。
agent (Claude/Cursor/ChatGPT):
ingest packet → bind user_context (東京都, 製造業, SME)
→ narrate (~500 token output)
→ 出典 URL を inline citation で残す
→ end-user の言語 (ja) と tone に合わせる
cost: ~¥10 (Opus 4.7 output ~500 token, ¥75/Mtok, FX ¥150/USD)
出典: jpcite Ed25519 attestation は加工後も保持
agent が end-user に完成 deliverable を返す
出典付き・user 文脈に合わせた回答が end-user に届きます。 end-user 側からは「いつもの AI が、いつもより速く・正確に・出典付きで答えた」だけ — jpcite が裏にあることは知らなくて OK。 ¥30 + ¥10 = 合計 ¥40 で着地し、LLM 単独 ¥120 の 67% off。
agent → end-user: 「東京の中小製造業向け 2024 年度補助金は X / Y / Z の 3 つ。 採択率は X=41%, Y=38%, Z=29%。 出典: meti.go.jp/... (fetched 2026-05-19), ...」合計: ¥40 (素材 ¥30 + 仕上げ ¥10) — LLM 単独 ¥120 の 67% off
全部 LLM vs ingredient + finishing
同じ質問を 2 経路で比較 (Opus 4.7 anchor)
anchor: Anthropic 公開価格 (input $15 / output $75 per Mtok)、FX ¥150/USD、agent loop overhead 込み。 詳細: cost_saving_examples。 cost-saving 数値は projection (設計値) — multi-customer empirical telemetry 蓄積中。
免責: Step 5 の「finishing (= 仕上げ)」は agent 側の責任で行われます。 jpcite は素材 (Evidence Packet) の出典・鮮度・改ざん検出 (Ed25519) を保証しますが、 finishing 後の表現 / 解釈 / 推論 / 業法判断は agent 運用者が責任を持ちます。 業法フェンス (税理士法 §52 / 弁護士法 §72 等 8 業法) は素材に同梱され、agent は自動添付するだけで構いません。