LangChainによるAIエージェント開発講座(AI & TECHNOLOGY) [単行本]

LangChainによるAIエージェント開発講座(AI & TECHNOLOGY) の 商品概要

• 目次

  Chapter1 AIエージェントとは？
  1.1 AIエージェントの定義
  1.1.1 自律性と独立した行動
  1.1.2 環境の認識
  1.1.3 目標指向性
  1.1.4 記憶・学習
  1.1.5 AIエージェントの主要な特徴
  1.1.6 自律性の詳細
  1.1.7 目標指向性：計画と実行
  1.1.8 反応性と先見性：変化への対応と将来の予測
  1.1.9 社会性：相互作用と協調
  1.1.10 学習能力：適応と改善
  1.1.11 認識プロセス：環境の感知
  1.1.12 思考段階：情報の処理と意思決定
  1.1.13 AIエージェントの進化：2022年以降の進展と大規模言語モデルの役割
  1.1.14 GPTやClaudeなどのLLMによる影響
  1.1.15 向上した自然言語理解と生成
  1.1.16 改善された文脈認識
  1.1.17 ツール利用と統合
  1.1.18 AIエージェントの応用と影響
  1.1.19 多様な分野での応用
  1.1.20 データ分析と意思決定の支援
  1.1.21 日常業務の自動化と効率化
  1.1.22 よりパーソナライズされた体験の提供
  1.1.23 まとめ
  1.2 AIエージェントの進化
  1.2.1 初期（1950年代～1990年代）
  1.2.2 エキスパートシステム時代（1980年代～1990年代）
  1.2.3 機械学習の台頭（2000年代～2010年代前半）
  1.2.4 ディープラーニング革命（2010年代中盤～後半）
  1.2.5 Transformer革命： 自己アテンション機構がもたらした新時代
  1.2.6 大規模言語モデルへの進化：TransformerからLLMへ
  1.2.7 LLM時代（2020年以降）
  1.2.8 現在のトレンドと将来の方向性
  1.3 AIエージェントとソフトウェア開発
  1.3.1 AIエージェントは 従来の開発自動化と何が違うのか？
  1.3.2 ソフトウェア開発におけるAIエージェントの主要な役割
  1.3.3 主要なAIエージェントツールの比較
  1.3.4 AIエージェントによる開発　ー今後の展望と課題
  1.4 AIエージェント開発の始め方
  1.4.1 AIエージェント選定のための意思決定プロセス
  1.4.2 主要な分岐点
  1.4.3 各ステップの詳細要素
  1.4.4 プロジェクト特性の精緻な分析
  1.4.5 利用目的の明確化と優先順位付け
  1.4.6 組織的制約の包括的考慮
  1.4.7 AIエージェントタイプの選定ガイド
  1.4.8 具体的ツール選定のチェックリスト
  1.5 AIエージェント導入の段階的ロードマップ
  1.5.1 フェーズ1：探索と学習（1～2ヶ月）
  1.5.2 フェーズ2：制限付き本格導入（2～3ヶ月）
  1.5.3 フェーズ3：拡大と最適化（3～6ヶ月）
  1.5.4 フェーズ4：文化とプロセスの変革（6ヶ月以降）
  1.5.5 AIエージェント導入の失敗パターンと回避策
  1.5.6 まとめ：初めの一歩を踏み出すために
  1.6 AIエージェントのアーキテクチャ概要
  1.6.1 主要構成要素の解説
  1.6.2 Swarmアーキテクチャの特徴
  
  Chapter2 LangChainとは？
  2.1 LangChainの概要
  2.2 LangChainが解決する課題
  2.3 LangChainの環境準備
  2.3.1 Google API Keyの取得とColabシークレットへの設定
  2.3.2 LangChainのインストール
  2.4 LangChainの主要コンポーネント
  2.4.1 Models（モデル）
  2.4.2 Prompts（プロンプト）
  2.4.3 Chains（チェーン）
  2.4.4 Memory（メモリ）
  2.4.5 Retriever（リトリーバー）とVectorstore（ベクトルストア）
  2.4.6 Tools（ツール）
  2.4.7 Agents（エージェント）
  2.4.8 カスタマーサポートAIエージェントのコード解説
  2.5 LangChainがAIエージェント開発に適している理由
  2.6 LangChainのエージェントタイプ
  2.7 LangChainを使う利点と課題
  2.7.1 LangChainを使う利点
  2.7.2 LangChainを採用する際の注意点
  2.8 まとめ
  
  Chapter3 LangChainを使ったAIエージェント開発演習
  3.1 Claude Codeのセットアップ
  3.1.1 システム要件
  3.1.2 Google Colab環境の準備
  3.1.3 Claude Codeのインストール
  3.1.4 Google Colabで擬似ターミナルの利用
  3.1.5 Claude Codeを起動する
  3.1.6 Claudeのアカウントの作成とAPI従量課金をする
  3.1.7 Anthropicアカウントを認証する
  3.2 キーボードタイピングゲームを作成する
  3.2.1 英語プロンプトでタイピングゲームを制作
  3.2.2 ゲームのマニュアルの依頼
  3.3 Gemini APIを呼び出すチャットボットを作ってもらう
  3.3.1 プロジェクトの開始
  3.3.2 開発用プロンプトの入力と承認
  3.4 LangChainツールとエージェントを使ったチャットボットに拡張
  3.5 ドキュメント処理
  3.5.1 ドキュメント処理の全体像
  3.5.2 ドキュメント読み込み（Document Loader）
  3.5.3 テキスト分割（Text Splitting）
  3.5.4 エンベディング変換（Embeddings）
  3.5.5 ベクトルストアの構築（Vector Stores）
  3.5.6 検索と取得（Retrieval）（＝類似性検索）
  3.5.7 RAG（Retrieval-Augmented Generation）の実装
  3.5.8 パフォーマンス最適化とトラブルシューティング
  3.5.9 実践的なRAGアプリケーション例：社内ナレッジベース
  3.6 実践的なアプリケーション例：QAシステム
  3.6.1 基本的なQAシステムの実装
  3.6.2 QAシステムの高度な最適化
  3.6.3 マルチエージェントQAシステムの簡易実装例
  3.6.4 QAシステムのデプロイと運用
  3.6.5 実践事例：企業ナレッジベースQA
  3.6.6 QAシステムの発展方向
  3.6.7 まとめ
  3.7 LangChainを使ってMCPのようにファイルアクセス可能な簡単なAIエージェントを作る
  3.7.1 MCPとは何か？
  3.7.2 MCPのアーキテクチャ
  3.7.3 LangChainとMCPの統合
  3.7.4 MCPのように動作するファイルシステムアクセスの実装
  3.7.5 ファイルシステム操作AIエージェントのコード解説
  3.7.6 まとめ
  3.8 MCPの現状の制約と将来性
  3.9 実際のユースケースと代替アプローチ
  3.10 まとめ
  
  Chapter4 AIエージェント開発のベストプラクティス
  4.1 エージェント設計の基本原則
  4.1.1 明確な目標設定と境界の定義
  4.1.2 モジュラー設計と責任分離
  4.1.3 ユーザー中心設計アプローチ
  4.2 効果的な開発プロセス
  4.2.1 反復的開発と迅速なフィードバックサイクル
  4.2.2 体系的なテスト戦略
  4.2.3 コードとプロンプトの管理手法
  4.3 パフォーマンス評価と継続的改善
  4.3.1 多角的評価フレームワーク
  4.3.2 モニタリングとメトリクス設計
  4.3.3 データ駆動型の最適化サイクル
  4.4 責任あるAI実践
  4.4.1 倫理的設計と透明性の確保
  4.4.2 セキュリティとプライバシーへの配慮
  4.4.3 ガバナンスと規制対応
  4.5 組織体制と人材育成
  4.5.1 チーム構成と役割設計
  4.5.2 AIリテラシーとスキル開発
  4.5.3 知識共有と学習文化の醸成
  4.5.4 まとめ
  
  Chapter5 高度なエージェントパターンと応用事例
  5.1 自己改善型エージェント
  5.1.1 自己改善の概念と重要性
  5.1.2 自己改善メカニズムの実装手法
  5.1.3 自己改善型エージェントの実践例
  5.1.4 自己改善型エージェントの課題と対策
  5.2 ツールを使いこなすエージェント
  5.2.1 ツールを使いこなすエージェントの基本概念
  5.2.2 主要なツール統合パターン
  5.2.3 高度なツール連携シナリオ
  5.2.4 ツールを使いこなすエージェントの実装例
  5.2.5 ツールを使いこなすエージェントの課題と展望
  5.3 マルチモーダルエージェント
  5.3.1 マルチモーダル処理の基本概念
  5.3.2 マルチモーダルモデルとLangChainの統合
  5.3.3 マルチモーダルエージェントの応用例
  5.3.4 マルチモーダルエージェント開発の実践的アプローチ
  5.3.5 マルチモーダルエージェントの課題と将来展望
  
  Chapter6 LangChainの産業応用と実践事例
  6.1 医療・ヘルスケア分野での応用
  6.1.1 医療文献支援システム
  6.1.2 電子健康記録（EHR）処理システム
  6.1.3 稀少疾患情報支援システム
  6.2 金融サービス分野での応用
  6.2.1 金融データ分析エージェント
  6.2.2 パーソナルファイナンシャルアドバイザー
  6.2.3 金融感情分析システム
  6.3 小売・Eコマース分野での応用
  6.3.1 インテリジェント商品リコメンドエンジン
  6.3.2 AIショッピングアシスタント
  6.3.3 スマート在庫管理システム
  6.4 製造業での応用
  6.4.1 スマート製造AIアシスタント
  6.4.2 予測保全システム
  6.4.3 プラットフォームエンジニアリング自動化
  6.4.4 通信事業者向けデータ運用システム
  6.5 その他の産業分野での革新的応用
  6.5.1 政府サービス分野
  6.5.2 カスタマーサービス自動化
  6.5.3 サイバーセキュリティ分野
  6.6 展望と将来の発展方向
  6.6.1 マルチエージェント協調システムの発展
  6.6.2 エージェント間相互運用性の標準化
  6.6.3 自己最適化エージェントの実現
  6.6.4 分散型エージェントネットワークの構築
  6.6.5 説明可能性とトラストの構築
  6.7 まとめ
  
  Chapter7 LangGraph/LangMem/LangSmithの概要と基本
  7.1 LangGraphの概要とコアコンセプト
  7.1.1 主要な機能と利点
  7.1.2 代表的な利用シーン
  7.1.3 Google Colabでサンプルを試す
  7.1.4 LangMem：エージェントに長期記憶を付与
  7.1.5LangSmith：LLMアプリケーションの監視、デバッグ、評価
  7.2 可観測性と制御のための主要な機能
  7.3 代表的な利用シーン
  
  Chapter8 総合演習：LangChainエコシステム演習問題5問
  8.1 演習1： インテリジェントカスタマーサポートボット
  8.2 演習2：ドキュメント分析エージェント
  8.3 演習3：研究アシスタントエージェント
  8.4 演習4：マルチステップ意思決定エージェント
  8.5 演習5：プログラミング教育アシスタント
  

• 出版社からのコメント

  AIエージェント時代の到来！LangChainを利用して実践的なマルチAIエージェントを開発しよう

• 内容紹介

  LLMとLangChainを組み合わせて
  マルチエージェント開発を体験!

  【本書の概要】
  本書はAIエージェント開発の基本やLangChainを活用した実践的なAIエージェントの構築方法を解説した書籍です。具体的には、Google Colaboratoryによる環境構築から始まり、ライブラリの活用法、LLMとの連携、AIエージェントの開発、エージェントの設計や応用事例まで解説します。

  【本書の対象読者】
  AIエージェントの開発に興味があるエンジニア

  【利用するツール】
  Google Colab
  LangChain
  Claude Code
  など

  【本書の特徴】
  ・AIエージェントの基礎がわかる
  ・無料のGoogleColaboratoryを利用して開発ができる
  ・LangChainの基礎がわかる
  ・AIエージェントの開発手法がわかる

  【目次】
  Chapter1 AIエージェントとは？
  Chapter2 LangChainとは？
  Chapter3 LangChainを使ったAIエージェント開発演習
  Chapter4 AIエージェント開発のベストプラクティス
  Chapter5 高度なエージェントパターンと応用事例
  Chapter6 LangChainの産業応用と実践事例
  Chapter7 LangGraph/LangMem/LangSmithの概要と基本
  Chapter8 総合演習：LangChainエコシステム演習問題5問

  【著者プロフィール】
  神田 良輝（かんだ・よしき）
  早稲田大学理工学部卒、同大学院修了。自然言語処理（NLP）および機械学習の研究開発とマネジメントに従事。外資系IT企業でのB2Bソフトウェア開発の経験や国内大手広告系WebメディアでのB2C領域でのWebアプリケーションテストの経験を経て、テキストマイニング企業にてLLMを活用したプロダクト開発をリード。文脈理解に基づく複数の特許を取得。現在、AIGYM（aigym.jp）にて最新のAI技術情報を配信し、Udemy等で2万人超の受講生にPythonと生成AIを指導。「AIと人間が協働する未来の社会基盤を創る」ことをミッションに生成AI技術を誰もが使いこなせる武器へと変え、個人と組織の「できた！」という成功体験を最大化することを目指している。

LangChainによるAIエージェント開発講座(AI & TECHNOLOGY) の商品スペック