学習ロードマップ

AI エージェント開発

LLM の基礎からコンテキスト設計・MCP・エージェント自作まで、ツール呼び出しで動く AI エージェントを 5 冊で組み上げる。

大規模言語モデルは新たな知能か : ChatGPTが変えた世界

直感 LLM : ハンズオンで動かして学ぶ大規模言語モデル入門

LLMの原理、RAG・エージェント開発から読み解く　コンテキストエンジニアリング

作って学ぶAIエージェント──TypeScriptとLLMで切り拓くAI時代のエンジニアリング

SCROLL TO BEGIN

このロードマップが扱うもの

- ChatGPT や Copilot を使う側から、エージェントを作る側へ踏み込みたいエンジニア - LangChain / LangGraph / MCP などを雰囲気で触っており、設計判断に軸が欲しい中級者 - RAG や自律エージェントを PoC から本番運用レベルへ引き上げたいバックエンド / AI 実務者

このロードマップの全体像

対象読者

ChatGPT や Copilot を使う側から、エージェントを作る側へ踏み込みたいエンジニア
LangChain / LangGraph / MCP などを雰囲気で触っており、設計判断に軸が欲しい中級者
RAG や自律エージェントを PoC から本番運用レベルへ引き上げたいバックエンド / AI 実務者

5 冊で到達する状態

LLM の内部構造と得手不得手を言語化し、エージェント設計の前提を踏まえられる
Transformer・埋め込み・推論コストの勘所を踏まえて、モデル選定とパイプライン設計ができる
RAG とコンテキストエンジニアリングを切り分け、入力設計で精度と安定性を引き上げられる
MCP でツール/データソースをエージェントに接続し、外部世界との境界を設計できる
ツール呼び出し・計画・実行ループを備えた AI エージェントを自力で実装し、評価できる

進め方のヒント

1〜2 冊目で LLM の原理とハンズオン感覚を揃え、推論の「限界」を体で掴む
3 冊目でコンテキスト設計と RAG を整理し、PoC 止まりの原因を構造的に理解する
4 冊目で MCP を読み、エージェントが外部世界に触れるインタフェースを掴む
5 冊目は写経ではなく、自分の業務ドメインに置き換えながら実装し、評価指標を決めて回す

01
ステップ 01 LLM の全体像を日本語で俯瞰
02
ステップ 02 ハンズオンで LLM の挙動を体感
03
ステップ 03 RAG とコンテキスト設計の原理
04
ステップ 04 MCP で外部世界に手足を伸ばす
05
ステップ 05 TypeScript でエージェントを自作

第 1 章

LLM の全体像を日本語で俯瞰

LLM の全体像を日本語で俯瞰

エージェント開発の前提となる大規模言語モデルの仕組みと射程を、数式に依存せず掴む導入。モデルの得手不得手を言語化し設計判断の軸を作る。
この章の 1 冊 大規模言語モデルは新たな知能か : ChatGPTが変えた世界
岡野原大輔 / 岩波書店 / 2023

LLM の仕組みと可能性・リスクを一般向けに数式なしで俯瞰する
この本で身につくこと
- トランザクション処理から確率的生成まで、言語モデルがどのように発展してきたかの大まかな経緯を説明できる
- ChatGPT のような対話型 AI がなぜ流暢に見えるのか、その仕組みを非技術者に伝えられる
- LLM が「まだできないこと」と「できると誤解されがちなこと」を区別して議論できる
- バイアス・著作権・誤情報生成など、LLM の社会的リスクの主要論点を整理できる
想定読者: ChatGPT の登場に驚き「なぜこれが動くのか」を理解したい非専門家・文系ビジネスパーソン、および AI を業務に取り込もうとしている現場担当者
本の詳細を見る →
ハンズオンで LLM の挙動を体感

Transformer や埋め込み、生成制御を Jupyter で動かしながら押さえる実装入門。モデル選定と推論コストの勘所をここで獲得する。
この章の 1 冊 直感 LLM : ハンズオンで動かして学ぶ大規模言語モデル入門
Jay Alammar/Maarten Grootendorst/中山光樹 / オライリー・ジャパン / 2025

LLMの仕組みをビジュアルで掴み、RAGまで実装する
この本で身につくこと
- Transformerのアテンション機構を図解で理解し、モデルの挙動を自分の言葉で説明できる
- Hugging Faceライブラリを使ってテキスト分類・要約・クラスタリングを Jupyter Notebook 上で実装できる
- 文章埋め込み（エンベディング）とセマンティック検索の仕組みを理解し、ベクトル類似度検索パイプラインを構築できる
- RAG（検索拡張生成）のアーキテクチャを理解し、外部ドキュメントを参照するLLMアプリケーションを組み上げられる
想定読者: Transformerの内部動作を直感的に理解したいML初学〜中級者、およびLLMを業務ツールに組み込みたいPythonエンジニア
本の詳細を見る →
RAG とコンテキスト設計の原理

LLM を制御する鍵となる入力設計を RAG・エージェント文脈で体系化する一冊。PoC が本番で崩れる原因を構造的に理解する位置付け。
この章の 1 冊 LLMの原理、RAG・エージェント開発から読み解く　コンテキストエンジニアリング
蒲生弘郷 / 技術評論社 / 2026

『LLM の原理、RAG・エージェント開発から読み解くコンテキストエンジニアリング』(2026 年 2 月、技術評論社)は、大規模言語モデル(LLM)の挙動を制御する技術「コンテキストエンジニアリング」を体系化した解説書。
この本で身につくこと
- 「コンテキストウィンドウ」を有限資源として設計できる — 何を入れて何を捨てるか
- RAG の検索戦略の判断軸が手に入る — 検索 + 再ランク + 圧縮の組み合わせ
- AI エージェントのメモリ管理を設計できる — 短期 / 長期 / 共有メモリ
- ツール呼び出し(Function Calling / MCP)の設計が分かる — ツール選択と出力フォーマット
本の詳細を見る →
MCP で外部世界に手足を伸ばす

エージェントがツールやデータソースに触れる標準規格 MCP の入門。ロードマップ中盤で外部接続の設計語彙を揃えるために読む。
この章の 1 冊 やさしいMCP入門
御田稔/大坪悠 / 秀和システム / 2025

MCP仕様から主要クライアント・サーバー活用例まで体系的に把握する
この本で身につくこと
- MCPの5プリミティブ（リソース・プロンプト・ツール・サンプリング・ルート）と各トランスポートの役割を説明できる
- Claude Desktop・Cursor・Cline・GitHub Copilot・Amazon Q等10種以上のMCPクライアントを特性で比較し選択できる
- SDKを用いてMCPサーバーの基本的な開発・デバッグができる
- RAGおよびFunction Callingとの差異を整理し、MCPを適切なユースケースで採用判断できる
想定読者: MCPをゼロから理解したいエンジニア、およびAIエージェント導入を検討するビジネス担当者

前提知識: ChatGPT・Claude等のLLMをAPIまたはUI経由で基本操作した経験 / HTTP通信の概念（リクエスト・レスポンスの仕組み） / JSONの読み書き程度のプログラミングリテラシー（Chapter 3・6の開発者向け内容を実践する場合はPythonまたはTypeScriptの基礎が別途必要）
本の詳細を見る →
TypeScript でエージェントを自作

ツール呼び出し・計画・実行ループを持つ AI エージェントを手を動かして組み上げる応用到達点。自分の業務に移植する土台として据える。
この章の 1 冊 作って学ぶAIエージェント──TypeScriptとLLMで切り拓くAI時代のエンジニアリング
laiso / 技術評論社 / 2026

AIコーディングエージェントをTypeScriptで自作し動作原理を掴む
この本で身につくこと
- LLM APIと接続した思考ループ（ReActパターン等）を自前実装できる
- ファイル読み取り・コマンド実行・テスト確認などのツール層をエージェントに組み込める
- Git操作を自動化するエージェント機能を設計・実装できる
- GitHub IssueからPull Request作成までを自動化するコーディングエージェントを構築できる
想定読者: TypeScriptでのアプリ・CLIツール開発経験があり、LLMをただ使うのではなくAIエージェントを自分で構築したいエンジニア

前提知識: TypeScriptでのアプリケーション開発経験（型注釈・async/await・モジュール分割の実務レベル） / Git・GitHubの基本操作（clone / commit / branch / PR作成） / LLM API（OpenAI API等）の概念的な理解。一度でも実際にAPI呼び出しを経験していると第1章からの読解がスムーズ
本の詳細を見る →