> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/jp/moderu/glm-5.3.md).

# GLM-5.3 - ローカルでの実行方法

Z.ai の新しい GLM-5.3 モデルを実行します。

GLM-5.3 は Z.ai の新しい 744B パラメータ（40B アクティブ）モデルです。2026年8月時点で、GLM-5.3 は **これまでで最強のオープンモデル** であり、Terminal Bench 3.0 と Agents' Last Exam で SOTA を達成しています。GLM-5.3 は [GLM-5.2](/docs/jp/moderu/glm-5.2.md)と同じ基盤モデルを使用しており、性能向上はすべて事後学習によるものです。モデルには **100万トークンのコンテキスト** ウィンドウがあり、現在は以下でローカル実行できます： [Unsloth Dynamic](https://unsloth.ai/docs/basics/dynamic-3.0-ggufs) GGUF を llama.cpp または [Unsloth Desktop](#run-glm-5.3-in-unsloth).

<a href="/docs/jp/moderu/glm-5.3-flash.md" class="button primary">GLM-5.3-Flash ガイド</a><a href="/pages/7fe1c93298372393263b40598adbb4f621a42097#run-glm-5.3-tutorials" class="button secondary">GLM-5.3 ガイド</a>

{% hint style="info" %}
もし [**GLM-5.3-Flash**](/docs/jp/moderu/glm-5.3-flash.md)を実行したいなら、こちらの [専用記事](/docs/jp/moderu/glm-5.3-flash.md) をお読みください。
{% endhint %}

Dynamic 1-bit GGUF は **\~76%** トップ1精度を達成しながら **85% 小型**です。Dynamic 2-bit は **\~81%** 精度を達成しながら **83% 小型**です。GLM-5.3 はサイズとアーキテクチャが GLM-5.2 と同じなので、ほとんどの要件／設定も同じです。Unsloth の発売当日アクセスを提供してくれた Z.ai に感謝します。 [**GLM-5.3-GGUF**](https://huggingface.co/unsloth/GLM-5.3-GGUF)

### **⚙️ 使用ガイド**

2-bit 動的量子化 `UD-IQ2_M` は **239GB** のディスク容量を使用し、 **256GB RAM** を搭載した 2x NVIDIA DGX Spark や Mac Studio のようなデバイスで快適に動作します。

その **1-bit** 量子化は 223GB RAM で収まり、8-bit には 810GB RAM が必要です。

**表：推論ハードウェア要件** （単位 = 合計メモリ：RAM + VRAM、またはユニファイドメモリ）

| 1-bit | 2-bit | 3-bit     | 4-bit     | 6-bit | 8-bit |
| ----- | ----- | --------- | --------- | ----- | ----- |
| 223GB | 245GB | 290～360GB | 372～475GB | 570GB | 810GB |

最高の性能を得るには、VRAM とシステム RAM を含む利用可能な合計メモリが、量子化モデルファイルサイズを十分に上回っていることを確認してください。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FJsaB5Sn5JEJXD40RU06i%2Fglm53_unsloth_dynamic_ggufs_top1_accuracy_updated.png?alt=media&amp;token=ef24f54e-c3a7-461e-aa02-ccb8f654fede" alt=""><figcaption></figcaption></figure>

#### 推奨設定

GLM-5.3 には **3 つの思考モード**: **Low**, **High**と **Max**があります。複雑なコーディング作業には Max Thinking を使ってください。In [Unsloth Desktop](/docs/jp/desktop.md) では、UI で Low、High、Max Thinking を簡単に切り替えられます。

ほとんどの用途では、以下の設定を使ってください：

| デフォルト設定（ほとんどのタスク）   | 長時間のエージェントタスク       |
| ------------------- | ------------------- |
| `temperature` = 1.0 | `temperature` = 1.0 |
| `top_p` = 0.95      | `top_p` = 1.0       |

その **最大コンテキストウィンドウ** は `1,048,576`.

GLM-5.3 はデフォルトで最大推論を使用し、thinking は無効化できません。 `reasoning_effort` は `low`, `high`、または `max`.

`clear_thinking` はデフォルトで false で、true を推奨しています。

推論 effort のカスタマイズ（'low' を 'high' または 'max' に変更）：

```bash
--chat-template-kwargs '{"reasoning_effort":"low"}'
```

複数ターンのチャットでは、 `clear_thinking=true` を使って前のターンの推論を削除してください（このモデルでは推奨）：

```bash
--chat-template-kwargs '{"reasoning_effort":"max","clear_thinking":true}'
```

### チャットテンプレートの修正

GLM には興味深い `.{id}.` というチャットテンプレートの表記があることが分かりましたが、多くのエンジンはこれをサポートしていません。そこで、すべて `[id]` に変更しました。つまり Python のリストインデックス構文です。詳しくはこの [コミット変更](https://huggingface.co/unsloth/GLM-5.3/commit/05cd131f7ab554f983b81c6be97916450b0ff8d2) をご覧ください。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F3d64OwoEjqpJ5fHum860%2Fimage.png?alt=media&amp;token=784da534-c703-4246-886d-bd058cf345f1" alt="" width="563"><figcaption></figcaption></figure>

## GLM-5.3 チュートリアルを実行：

これで、 [llama.cpp](https://unsloth.ai/docs/models/glm-5.3#run-glm-5.3-in-llama.cpp) および [Unsloth Desktop](#run-glm-5.3-flash-in-unsloth)で GLM-5.3 を実行できるようになりました。可用性と精度の最適なバランスのため、239GB の [`UD-IQ2_M`](https://huggingface.co/unsloth/GLM-5.3-GGUF/tree/main/UD-IQ2_M) 量子化版を使います。

### 🦥 Unsloth で GLM-5.3 を実行

GLM-5.3 は現在 [Unsloth Desktop](#run-qwen3.8-in-unsloth-desktop)、ローカル AI 向けのオープンソース UI アプリです。 **Unsloth は RAM へのオフロードとマルチ GPU 構成の検出を自動で行い**ます。Unsloth Desktop を使えば、次の環境でローカルにモデルを実行できます： **MacOS、Windows**、Linux、そして：

{% columns %}
{% column %}

* 検索、ダウンロード、 [GGUF を実行](/docs/jp/xin-zhe/studio.md#run-models-locally)、MLX および safetensor モデル
* [**自己修復** ツール呼び出し](/docs/jp/xin-zhe/studio/chat.md#auto-healing-tool-calling) + **ウェブ検索**
* [**コード実行**](/docs/jp/desktop.md#code-execution) （Python、Bash）
* [自動推論](https://unsloth.ai/docs/desktop#feature-deep-dive) パラメータ調整（temp、top-p など）
* MLX と llama.cpp による高速 CPU + GPU 推論
* [LLM を学習](/docs/jp/xin-zhe/studio.md#no-code-training) VRAM を 70% 削減しつつ 2倍高速
  {% endcolumn %}

{% column %}

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FYVcpYHcS7vpnYcZUiwpO%2Fglm52%20example.png?alt=media&amp;token=d218ed4e-5102-48a6-943a-7d6b7a10446f" alt=""><figcaption></figcaption></figure>
{% endcolumn %}
{% endcolumns %}

{% stepper %}
{% step %}

#### Unsloth をインストール

始める最も簡単な方法は、 [Unsloth Desktop アプリ](/docs/jp/desktop.md)をダウンロードすることです。 [macOS](/docs/jp/meru/install/mac.md), [Windows](/docs/jp/meru/install/windows-installation.md)と [Linux](/docs/jp/meru/install/linux.md).

<a href="https://unsloth.ai/download" class="button primary" data-icon="down-to-bracket">Unsloth をダウンロード</a>

* <i class="fa-apple">:apple:</i> [macOS 用をダウンロード](https://unsloth.ai/download/mac)
* <i class="fa-windows">:windows:</i> [Windows 用をダウンロード](https://unsloth.ai/download/windows)
* <i class="fa-linux">:linux:</i> [Linux 用をダウンロード](https://unsloth.ai/download/linux)

または、手動インストールしたい場合：

MacOS、Linux、WSL：

```bash
curl -fsSL https://unsloth.ai/install.sh | sh
```

Windows PowerShell：

```bash
irm https://unsloth.ai/install.ps1 | iex
```

{% endstep %}

{% step %}

#### GLM-5.3 を検索してダウンロード

次へ移動 [Unsloth Chat](/docs/jp/xin-zhe/studio/chat.md) または Model hub に行き、検索バーで GLM-5.3 を検索して、目的のモデルと量子化版をダウンロードしてください。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Fpcug1oswnDUemsv08ffL%2FScreenshot%202026-08-28%20at%209.45.17%E2%80%AFAM.png?alt=media&amp;token=716b05f9-b0e9-4433-a592-6f9fdcec13a3" alt=""><figcaption></figcaption></figure>
{% endstep %}

{% step %}

#### GLM-5.3 を実行

Unsloth を使用すると推論パラメータは自動設定されますが、手動で変更することもできます。コンテキスト長、チャットテンプレート、その他の設定も編集できます。

詳細については、こちらの [Unsloth 推論ガイド](/docs/jp/xin-zhe/studio/chat.md).
{% endstep %}

{% step %}

#### Unsloth API で GLM-5.3 を提供

次を使用できます `unsloth run` コマンドを使い、以下を用いて API 経由で GLM-5.3 を提供できます `llama-server` 実行時フラグ。コンテキストサイズ、GPU レイヤー、スレッディング、サンプリング、ネットワーキング、ツール設定を含みます。詳しくは [API ドキュメント](/docs/jp/ji-ben/api.md) または [unsloth start](/docs/jp/lian-xie/unsloth-start.md).

{% code overflow="wrap" %}

```bash
unsloth run --model unsloth/GLM-5.3-GGUF:UD-IQ2_M
```

{% endcode %}
{% endstep %}

{% step %}

#### Unsloth の準備ができました

Unsloth Desktop を通じて GLM-5.3 で他にもいろいろできます。たとえば：

* **ツール接続：** [Claude Code](/docs/jp/ji-ben/claude-code.md), [Codex](/docs/jp/ji-ben/codex.md), [ウェブ検索](/docs/jp/xin-zhe/studio/chat.md#advanced-web-search), [MCP](/docs/jp/ji-ben/mcp.md) など
* **モデルを学習：** テキスト、拡散、 [埋め込み](/docs/jp/ji-ben/embedding-finetuning.md)などを微調整
* **メディア生成：** 作成して学習 [画像](/docs/jp/ji-ben/diffusion-image.md)、動画、 [TTS](/docs/jp/ji-ben/text-to-speech-tts-fine-tuning.md) をローカルで

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FhxlaXPPPrWDFXhdkSdck%2FScreenshot%202026-08-27%20at%2011.59.01%E2%80%AFPM.png?alt=media&amp;token=a2ef8037-b657-473d-83e6-a5f5f22208ff" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

### 🦙 llama.cpp で GLM-5.3 を実行

このガイドでは、 `UD-IQ2_M` 量子化版を実行します。これには少なくとも 245GB RAM が必要です。量子化タイプは自由に変更してください。これらのチュートリアルでは、 [llama.cpp](https://https/github.com/ggml-org/llama.cpp) を高速ローカル推論に使用します。GGUF： [**GLM-5.3-GGUF**](https://huggingface.co/unsloth/GLM-5.3-GGUF)&#x20;

{% stepper %}
{% step %}
最新の `llama.cpp` **を取得** [**GitHub はこちら**](https://github.com/ggml-org/llama.cpp)。以下のビルド手順に従うこともできます。 `-DGGML_CUDA=ON` を `-DGGML_CUDA=OFF` に変更してください。GPU がない場合、または CPU 推論だけを使いたい場合です。 **Apple Mac / Metal デバイスでは**、 `-DGGML_CUDA=OFF` を設定し、その後は通常どおり続けてください。Metal サポートはデフォルトで有効です。

```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

{% endstep %}

{% step %}
これで `llama.cpp` を直接使ってモデルを読み込み、ダウンロードできます。 `ollama run`。まず、 `UD-IQ2_M`のように希望する量子化タイプを選択してください。さらに `export LLAMA_CACHE="unsloth/GLM-5.3-GGUF"` を使って `llama.cpp` を特定の場所に保存するよう強制できます。 **このダウンロード処理は非常に遅くなる可能性があることに注意してください**。そのため、次のセクションの手動ダウンロード手順を使う方がよいでしょう。

```bash
export LLAMA_CACHE="unsloth/GLM-5.3-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/GLM-5.3-GGUF:UD-IQ2_M \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01
```

{% endstep %}

{% step %}
モデルを手動でダウンロードしたい場合 **（かなり高速です！）**、以下のコードでモデルをダウンロードできます（ `pip install huggingface_hub`のインストール後）。ダウンロードが止まる場合は、こちらを参照： [Hugging Face Hub、XET のデバッグ](/docs/jp/ji-ben/troubleshooting-and-faqs/hugging-face-hub-xet-debugging.md)

```bash
hf download unsloth/GLM-5.3-GGUF \
    --local-dir unsloth/GLM-5.3-GGUF \
    --include "*UD-IQ2_M*" # ほぼフル精度には "*UD-Q8_K_XL*" を使用
```

動的 1-bit を使いたい場合は、次のようにします：

{% code overflow="wrap" expandable="true" %}

```bash
hf download unsloth/GLM-5.3-GGUF \
    --local-dir unsloth/GLM-5.3-GGUF \
    --include "*UD-IQ1_S*"
```

{% endcode %}
{% endstep %}

{% step %}
次に、会話モードでモデルを実行します。 `unsloth/GLM-5.3-GGUF/UD-IQ2_M/GLM-5.3-UD-IQ2_M-00001-of-00006.gguf` 2bit なら `unsloth/GLM-5.3-GGUF/UD-IQ1_S/GLM-5.3-UD-IQ1_S-00001-of-00006.gguf`  1bit なら。

{% code overflow="wrap" %}

```bash
./llama.cpp/llama-cli \
    --model unsloth/GLM-5.3-GGUF/UD-IQ2_M/GLM-5.3-UD-IQ2_M-00001-of-00006.gguf \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01
```

{% endcode %}
{% endstep %}

{% step %}
GLM-5.2 と同様に、llama-cli を起動すると次が表示されます：

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FUalNNvFxH613C9kcM3r4%2Fimage.png?alt=media&amp;token=f376e93d-26af-472f-8ea3-0968b57b004c" alt="" width="375"><figcaption></figcaption></figure>

その後のプロンプトでは、 `UD-IQ1_S` を使ってクールな小さな Snake ゲームを作りました。1-bit で、GLM-5.3 でもうまく動作しました！

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2FDmysmr1aSotb5nIbLou5%2Fglm53-ezgif.com-video-to-gif-converter.gif?alt=media&amp;token=dff4c0a8-cf4f-43e8-99a0-40430ab8153b" alt="" width="395"><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

#### 📐 KV Cache 量子化による長文コンテキスト

llama.cpp で長文コンテキストを利用するには、KV キャッシュ量子化を使ってメモリ使用量を削減します。

現在、以下の KV キャッシュ dtype がサポートされています： `f32`, `f16`, `bf16`, `q8_0`, `q4_0`, `q4_1`, `iq4_nl`, `q5_0`と `q5_1`。デフォルトでは `f16` が使用されます。 `q4_1` は重み 1 つあたり約 5 ビットを使用し、約 **3.2倍長いコンテキスト長**.

```bash
./llama.cpp/llama-cli \
    --model unsloth/GLM-5.3-GGUF/UD-IQ2_M-/GLM-5.3-UD-IQ2_M-00001-of-00006.gguf \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --cache-type-k q4_1 \
    --cache-type-v q4_1 \
    --jinja \
    --chat-template-kwargs '{"reasoning_effort":"max"}'
```

### 量子化分析

アップロードした量子化版についても KLD を実行したところ、Q4\_K\_XL と Q5\_K\_XL がベースラインに非常に近いことが分かったので、そのあたりを目指してください。

<figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2F1ClHNDXzzv9r4bLywjEJ%2Fglm53_unsloth_dynamic_ggufs_kld_benchmarks_updated.png?alt=media&amp;token=9e4677e8-df89-4718-acf2-5c14aad393c9" alt=""><figcaption></figcaption></figure>

| 量子化版         |    GB | トップ1 % |   平均 KLD | 99.9% KLD |    PPL |
| ------------ | ----: | -----: | -------: | --------: | -----: |
| UD-IQ1\_S    | 216.7 |  72.56 | 0.687991 |     9.104 | 4.6130 |
| UD-IQ1\_M    | 228.5 |  75.64 | 0.565455 |     8.595 | 4.1410 |
| UD-IQ2\_M    | 238.6 |  78.53 | 0.453992 |     7.717 | 3.7433 |
| UD-Q2\_K\_XL | 253.9 |  80.93 | 0.374219 |     7.076 | 3.5048 |
| UD-IQ3\_XXS  | 281.7 |  84.15 | 0.272796 |     6.252 | 3.2482 |
| UD-Q3\_K\_XL | 343.0 |  88.86 | 0.141406 |     4.127 | 2.9107 |
| UD-IQ4\_XS   | 365.3 |  90.59 | 0.101496 |     3.177 | 2.8460 |
| UD-Q4\_K\_XL | 467.3 |  94.29 | 0.036922 |     1.309 | 2.7006 |
| UD-Q5\_K\_XL | 562.5 |  95.82 | 0.019728 |     0.786 | 2.6842 |
| UD-Q6\_K\_XL | 684.4 |  96.59 | 0.013257 |     0.534 | 2.6771 |

### 📊 ベンチマーク

GLM-5.3 の主要なベンチマーク改善を、下の表形式で確認できます：

<div><figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Fm0D8JgqiMhFBvxu1IBfm%2Fglm53bench.jpg?alt=media&amp;token=fe3e5fdf-c5e8-45a2-8a7a-941fdcd5ec6b" alt=""><figcaption></figcaption></figure> <figure><img src="https://735611837-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FxhOjnexMCB3dmuQFQ2Zq%2Fuploads%2Ftqb0wwb4uhbrmjB3bOAr%2Fglmcodingper.png?alt=media&amp;token=fc306ac0-a542-4675-b361-ccac23b691a8" alt=""><figcaption></figcaption></figure></div>

| ベンチマーク                                 | GLM-5.3   | GLM-5.2 | Kimi K3 | <p>DeepSeek-V4</p><p>Pro-0813</p> | Qwen3.8-Max | Opus 4.8 | <p>Fable 5</p><p>（フォールバック付き）</p> | GPT-5.6 Sol |
| -------------------------------------- | --------- | ------- | ------- | --------------------------------- | ----------- | -------- | -------------------------------- | ----------- |
| コーディング                                 |           |         |         |                                   |             |          |                                  |             |
| Terminal Bench 2.1                     | 88.2      | 81.0    | 88.3    | 87.9                              | 86.6        | 85.0     | 88.0                             | 88.8        |
| Terminal Bench 3.0                     | 28.3      | 4.6     | 17.4    | -                                 | -           | 21.1     | 33.7                             | 34.6        |
| <p>DeepSWE</p><p>v1.1</p>              | 66.9      | 46.2    | 67.5    | 62.7                              | 56.6        | 58.0     | 69.7                             | 72.7        |
| NL2Repo                                | 58.0      | 48.9    | 58.0    | 61.1                              | 55.9        | 69.7     | -                                | -           |
| <p>ProgramBench</p><p>ほぼ解決</p>         | 19.0      | 9.5     | 17.5    | -                                 | 10.5        | 15.5     | 33.0                             | 23.0        |
| FrontierSWE                            | 78.1      | 67.5    | -       | -                                 | -           | 66.5     | 88.2                             | -           |
| <p>SWE-Marathon</p><p>v1.1</p>         | 42.5      | 19.4    | 48.1    | -                                 | -           | 48.8     | 33.1                             | 42.5        |
| PostTrainBench                         | 39.8      | 31.7    | 32.0    | -                                 | -           | 32.9     | 41.8                             | 36.2        |
| サイバー                                   |           |         |         |                                   |             |          |                                  |             |
| CyberGym                               | 84.5      | 77.2    | 80.0    | 83.3                              | 78.5        | 78.1     | 83.8                             | 83.6        |
| <p>ExploitGym</p><p>2h / 6h</p>        | 105 / 130 | 29 / 39 | 36 / 70 | -                                 | 14 / 26     | 80 / 120 | 181 / 247                        | 216 / 293   |
| ExploitBench                           | 54.4      | 24.4    | 32.2    | -                                 | 28.8        | 40.0     | 78.0                             | 76.5        |
| エージェント型                                |           |         |         |                                   |             |          |                                  |             |
| Toolathlon 検証済み                        | 73.0      | 59.9    | 76.5    | 74.1                              | 72.5        | 76.2     | 74.7                             | 74.9        |
| <p>AutomationBench</p><p>v1.0.6</p>    | 48.2      | 26.2    | 46.7    | 43.2                              | 39.8        | 41.0     | 46.2                             | 45.8        |
| <p>Agents' Last Exam</p><p>ALE-CLI</p> | 28.5      | 23.8    | 27.6    | 25.7                              | 27.0        | 25.7     | 23.8                             | 28.6        |
| ツール付き HLE                              | 62.5      | 54.7    | 59.8    | 60.0                              | 56.2        | 57.9     | 63.9                             | 64.5        |
| GDPval-AA v2                           | 1769      | 1508    | 1682    | 1590                              | 1739        | 1588     | 1743                             | 1730        |


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://unsloth.ai/docs/jp/moderu/glm-5.3.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.