包括的かつ詳細な解説＝
OCIでは、専用AIクラスタの使用時間は通常、ユニット時間で測定され、1ユニット時間はクラスタのアクティビティ1時間を表します。10日間、1日24時間と仮定すると、計算式は次のようになります。10日間 × 24時間/日 = 240時間。したがって、オプションB（240ユニット時間）が正解です。オプションA（480）は複数のクラスタまたはより高いレートを想定している可能性がありますが、質問では1つのクラスタのみが指定されています。オプションC（744）は10日間ではなく、1か月（31日間）を近似しています。オプションD（20）は恣意的に低い値です。
OCI 2025 生成型AIのドキュメントでは、専用AIクラスタの価格設定において、単位時間あたりの計算方法が明記されている可能性が高い。

包括的かつ詳細な解説＝
チャットボットシステムのプロンプトは、LLMに提供される入力であり、応答を開始および制御するために使用され、多くの場合、指示、コンテキスト、または例が含まれます。プロンプトは、チャットボットのコアメカニズムを変更することなく、その動作を形成します。したがって、オプションBが正解です。オプションAは、知識がモデルのパラメータに格納されているため、誤りです。オプションCは、プロンプトではなく、モデルのアーキテクチャに関連しています。オプションDは、プロンプトに直接関係するのではなく、メモリシステムに関連しています。プロンプトは、効果的なインタラクションの鍵となります。
OCI 2025 生成AI のドキュメントには、チャットボットの設計または推論のセクションにプロンプ​​トが記載されている可能性が高いです。

包括的かつ詳細な解説＝
RAGは、LLMの内部知識とソース（例：ベクトルデータベース）から取得した外部データを組み合わせることでテキスト生成を強化し、精度と関連性を向上させます。したがって、選択肢Bが正解です。選択肢AはスタンドアロンLLMについて説明しており、RAGについては説明していません。選択肢CはRAGの目的を誤って説明しています。データは保存されるだけでなく、使用されます。選択肢Dは誤りです。RAGは取得するだけでなく、新しいテキストを生成します。RAGは、動的で情報に基づいた応答に最適です。
OCI 2025 生成AI のドキュメントでは、高度な生成技術の項で RAG について説明されている可能性が高い。

包括的かつ詳細な解説＝
StreamlitChatMessageHistory は Streamlit のセッション状態と連携してチャット履歴を保存し、特定のキーに紐付けます (オプション A、true)。Streamlit セッションはユーザー固有のものであるため、セッションを超えて保持されることはなく (オプション B、true)、ユーザー間で共有されることもありません (オプション C、true)。ただし、Streamlit アプリケーション専用に設計されており、あらゆる LLM アプリケーション (Streamlit 以外のコンテキストなど) に汎用的に使用できるものではないため、オプション D は正しくありません。
OCI 2025 生成AI のドキュメントでは、LangChain メモリオプションの項目で Streamlit の統合について言及されている可能性が高い。

包括的かつ詳細な解説＝
コンテキスト内学習は、LLMの機能の一つで、追加のトレーニングなしに、入力プロンプトで提供される指示や例を解釈することで、モデルがタスクに適応します。これはモデルの事前学習済み知識を活用するため、選択肢Cが正解です。選択肢Aはドメイン固有の事前トレーニングを指し、コンテキスト内学習ではありません。選択肢Bは強化学習であり、異なるトレーニングパラダイムです。選択肢Dはアーキテクチャの変更に関するものであり、コンテキストによる学習ではありません。
OCI 2025の生成型AIに関するドキュメントでは、プロンプトベースのカスタマイズに関するセクションで、コンテキスト内学習について議論されている可能性が高い。