大規模言語モデル講座基礎編 2025 Autumn 2024年の敗因を2025年の勝因に 35ツールと33の対応
https://qiita.com/kaizen_nagoya/items/34ffd2b0c47a5f3665d9

の改訂版です。

二度目まして++。2024年は、大規模言語モデル講座最後まで参加しました。納得いく処理ができませんでした。、道具にふりまわされた感が残っています。2024年の敗因を2025年の勝因にすべく道具類について整理しています。
去年と今年の違いは、職業訓練校でUML講座を担当するようになり、PlantUMLとChatGPTを使った図からPlantUMLの生成とソースコードの生成に取り組みました。生成AIを学生と一緒にいくつか授業で取り上げました。2026年の講座で使う道具類を使い倒そうという感じです。2024年の敗因を記録し、ふりかえります。
勝因へ変えようとしています。出たエラーは記録し、対策をたてようと思います。よろしくお願いします

講座の詳しい内容によっては、非公開を原則としている事項があり、間違って記載していた場合には、slackでコメントいただけると幸いです。
Qiitaでのコメントは、システムの制約で見えません。ログアウトしてコメントを見れば読めますが、コメントへの返事は書けない状況です。機密、著作権関係の事項については、編集リクエストをいただけると幸いです。

提供側の視点でのツールの調整についてと、システム権限のない利用者でもできることを分けて書き足すように努力中です。どちらの立場での記述か不明な場合は、突っ込み、突撃をお願いします。

LLM演習の資料をChatGPTで作成中。
作成中資料をもとに、実際に受講する際に、見る順番を示した資料を作りはじめました。

LLM講座の受講の仕方(案)
https://qiita.com/kaizen_nagoya/items/a49304c326a58c780565

Tool群

(new)というのは、自分が初めて使ったツール。
一つの資料に他の資料のありかが書いてなかったり、リンクがなかったりも迷子になった理由かもってなった。
ツールのそれぞれの機能と、使い方を確認していこうかなって思うんです。最後の３つは、自分では使おうと思っているもので、去年使ったかどうかの記憶はないかも。

ブラウザ(Chrome, Safari, Edge, ...)
Notion.site(new)
Omnicanpus(new)
Google Colab(new)
Hugging Face(new)
sli.do(new)
slack
Google form
Google drive
Zoom
Web
Mail
python
JupyterNotebook
git(github)
shell
docker
Canvas LMS(new)
Google Classroom(new)
Weights & Biases AI developer platform
x 20. Youtube
x 21. Connpass
x 23. Qiita
x 24. arXiv
x 25. bioRxiv(new)
x 25. X(Twitter)
X 26. Gemini(new)
X 27. Open AI ChatGPT(new)
X 28. Claude(new)
X 29. Google Calendar
X 30. Stack Overflow
X 31. Researchmap
X 32. Discord
X 33. IEEE
X 34. ACM
X 35. Facebook
X 36. Line
x 講義で正式に用いていないはず。arXivは、参考文献には頻出する。Paper & Hacksでも。
X 正式対応ツールではないかも。

困りごと

ダウンロードファイルを用意したといいつつ、次のいくつかのエラーが出てファイルがダウンロードできない。
404 Not Found Where the page should be, Empty space and missing words— A void in the code.
コードインタープリターのセッションの有効期限が切れました
原因と対策がたてれていない。

ChatGPT ダウンロードエラー
https://qiita.com/kaizen_nagoya/items/74dffaaeb80bf4da6681

ChatGPTでダウンロードできなかった（２）
https://qiita.com/kaizen_nagoya/items/0699f73b405e155da6ee

珍プレーがいろいろ収集できています。好プレーが披露できるかはこれからの努力次第かも。

<この項は書きかけです。順次追記します。>
This article is not completed. I will add some words and/or centences in order.
Este artículo no está completo. Agregaré algunas palabras en orden.

前提

非常勤講師をしていた岐阜大学で、全学共通言語がpythonになり、こりゃ自分もpythonしゃべらなきゃってなって。東北大学の１００本ノックをやりました。

言語処理100本ノックをdocker(19)で。python(1)覚えるのに最適。
https://qiita.com/kaizen_nagoya/items/7e7eb7c543e0c18438c4

企業の新人教育、機械技術者のプログラマへの転向教育などで利用した。

深層学習の教育の補助講師をしていて、WindowsへのPythonの導入などをお手伝いした。

「ゼロから作るDeep Learning ２自然言語処理編」読書会に参加する前に読んで置くとよい資料とプログラム, python(8)
https://qiita.com/kaizen_nagoya/items/537b1810265bbbc70e73

自分たちのやった深層学習の勉強会の脱落者の半分がWindowsに必要なpythonのインストールができなかった人たち。
その記事が、Qiitaでの自己最大Viewsを得た。

Windows(MS)にPython(Anaconda)を導入する（7つの罠）
https://qiita.com/kaizen_nagoya/items/7bfd7ecdc4e8edcbd679

さまざまなpythonの版でためすため、dockerを利用し、同時に多数の版の試験をできるようにした。

なぜdockerで機械学習するか書籍・ソース一覧作成中 (目標100)
https://qiita.com/kaizen_nagoya/items/ddd12477544bf5ba85e2

量子コンピュータの講師をしながら、python教育を担当した。

「量子(13)アニーリングの基礎」を読む
https://qiita.com/kaizen_nagoya/items/29580dc526e142cb64e9

pythonとjupyternotebookは、一応教える側っていう。

Web/blowser

ブラウザが一番最初の道具かも。

対応 1 blowser

pythonを使うにあたってブラウザは何がお勧めですか。　with ChatGPT
https://qiita.com/kaizen_nagoya/items/b6cc75edfe3798018e86

バーチャルソフトウェア研究所というサイトに掲載した「検索の哲人」に関する記事を雑誌に掲載されたくらいにはつかてちたかも。
所属の大同大学の学生が、名古屋市のホームページコンテストで優勝した。くらいにはすごいかも。

松尾研AIコミュニティ
https://qiita.com/organizations/matsuolab-aicommunity/items

「大規模言語モデル(LLM)講座2025 基礎編・応用編」募集開始
https://weblab.t.u-tokyo.ac.jp/news/「大規模言語モデルllm講座2025-基礎編・応用編」募集/

大規模言語モデル講座基礎編 2025 Autumn
https://weblab.t.u-tokyo.ac.jp/large-language-model/

LLM 2024 仕様
https://weblab.t.u-tokyo.ac.jp/llm_contents_2024/

対応 2 Web

Webとblowserは、一対で考えるとよい。

Web作業の調整 with ChatGPT
https://qiita.com/kaizen_nagoya/items/1fae382e859f9d4e5ddf

対応 3 文字コード/文字フォント

文字での演習は、文字化け処理がうまくいかないことがある。
macOSだとMicrosoft製品どおしで、文字化けすることがある。

言語

対応 4 python

pythonのエラーが取れないとうまくいかないこともある。
python初心者への対応を考えたい。

python, JupyterNotebook 初心者へ with ChatGPT
https://qiita.com/kaizen_nagoya/items/ea4d2024568b147c1be8

対応 5 jupyter notebook

jupyternotebookはどこにありますか。
https://qiita.com/kaizen_nagoya/items/2b9c2b4c9b4ee186ba9c

対応 6 shell command/shell script

コマンドプロンプトは、いろいろな局面で使えると便利なことがある。GUIだと手間がかかることを一発。
シェルスクリプトもプログラミング言語として扱う。
cd
ls
mkdir
cat
rm
mv
unzip
pip
conda
uv

pip不要！uvでMCPサーバーをスマートに実行する手順まとめ
https://qiita.com/TKfumi/items/5631bd954ceb42d1aeaf

MarkItDown-MCPをuvでセットアップする
https://qiita.com/samplebang/items/7726cb8d5176144dd3e8

LLM開発におけるShell Command例 with ChatGPT
https://qiita.com/kaizen_nagoya/items/61dcdc84f4b7848b0e2b

対応 7 Google Colab

はじめてのGoogle Colab with ChatGPT, JuyterNotebook知ってる人向け
https://qiita.com/kaizen_nagoya/items/a7452b9ba9f2d8036341

Tool

対応 8 git(github)

Githubに登録されているものを利用することがあるかもしれない。
一行コピペすれば、エラーがでないことがある。エラーがでると、たいへん。

LLM @ GitHub with ChatGPT
https://qiita.com/kaizen_nagoya/items/bc29150ad6054ac1adfb

対応 9 docker

dockerで実行した結果を、hub等に置いて共有するとすごく楽。

なぜdockerで機械学習するか書籍・ソース一覧作成中 (目標100)
https://qiita.com/kaizen_nagoya/items/ddd12477544bf5ba85e2

dockerでLLM with ChatGPT
https://qiita.com/kaizen_nagoya/items/e0f93d2c3eca3969c896

敗因１行事、資料、AIツール、意思疎通方法が、たくさんあり、めまぐるしく、今、どこで、何をやっているのかさっぱり。

slackは、それなりに使っているつもりでも、slackにどう情報を展開するかの文化が違うと、路頭に迷うことがわかった。

新たな利用システムが5つあった。それまで使ったことがあるシステムは6つだった。
こりゃだめだ。新たなシステムが２つでもPerformanceは50%になるって。

今年の４月から職業訓練校でUMLと構造化プログラミングを教えることになった。
UMLツールでは、いろいろ使いながらPlantUMLを使い始めた。
ChatGPTで、図からPlantUMLを生成したり、図からソースコード生成などをしてきた。

今年のUML講座のふりかえりと、昨年のLLM講座の反省になって、LLM講座で使っていたツールをUML講座でも使うとなったらどうしたらいいかを調べ始めた。

職業訓練(IT)
https://qiita.com/kaizen_nagoya/items/95368b63fa21d64271ec

1.notion.site(new)

https://notion.site/
詳細非公開。

対応 10. Notion.site

Notion.siteを理解するより、自分が担当している講義の資料をNotion.siteで作るにはという視点で調べた。

Notion.siteの使い方 UML講座を例に with ChatGPT
https://qiita.com/kaizen_nagoya/items/0007ddb0417900d3d531

対応 11 Canvas LMS

Canvas LMS 使ったことがありません。with ChatGPT
https://qiita.com/kaizen_nagoya/items/e35fed50c9c4f3d4875a

対応 12 Google Classroom

使ったことがありません。これはなんですか。
https://qiita.com/kaizen_nagoya/items/1cf08f04118075c8f550

2.Omnicampus (new)

初めて利用するシステム。

アンケートを送っても、画面が大きく切り替わらず、送れたのか送れなかったのかがわかりにくい。
不足事項は赤になるが、画面からはずれていると気がつかない。
送信できたというMSGは、一番上に現れ、画面からはずれていると気がつかない。

去年も送信をなん度も押したことを思い出した。

対応 13 Omnicumpus

Omnicanpus でUML講座 with ChatGPT
https://qiita.com/kaizen_nagoya/items/a33f99510e56a9b113e8

Google Colab(new)

演習の土台

対応 14 Gemini Colab連携

Gemini Colab連携
https://qiita.com/kaizen_nagoya/items/8765136bd360d6aeca1c

対応 15 Claude と Google Colabの連携

Claude と Google Colabの連携
https://qiita.com/kaizen_nagoya/items/e9348a4ab496ef96c58e

対応 16 Colab ChatGPT連携

Google Colab ChatGPT連携と3, 10 AI比較Script with ChatGPT
https://qiita.com/kaizen_nagoya/items/800039b91981919e4155

Hagging face(new)

演習の展開

対応 17 Hugging face

はじめてのHugging Face with ChatGPT
https://qiita.com/kaizen_nagoya/items/2bd8d603acc09517e34a

slido(new)

質疑のうけつけ(Paper & Hacks)

https://app.sli.do/
投票により優先順位が変わるのはいいかも。

対応 18 sli.do

sli.do　使いやすいですか？ with ChatGPT
https://qiita.com/kaizen_nagoya/items/c3fb03cb38055240208c

slack

コミュニティの参加そのものがslack。
資料URLの展開もここ。
基本質疑もここ。
毎日いれば、そのうちわかる。

対応 19 slackのローカルルールでよさげなものを厳選し、交通整理を誰かがやる

slackってなんですか。with ChatGPT
https://qiita.com/kaizen_nagoya/questions/87cfcf30a694cf93e30a

slackをプログラマが使う場合のよい使い方と課題
https://qiita.com/kaizen_nagoya/items/5ee6983d78c706f94771

Google form

本講座の質疑。月１くらいは使う。
会社によっては、Google formでのアンケート回答を許可していない場合がある。
業務上は他の方法を取ることがあるらしい。

対応 20 Google form slackとの連携など

google form 使いやすいか with ChatGPT
https://qiita.com/kaizen_nagoya/items/41471016506b32ba08ac

Google Drive

教材置き場。前年の資料は公開。今年は非公開。
知らないうちに週１くらいは使っているかも。

対応 21 Google Drive

会社によってはGoogleのサービスのうち、利用しないことを決めている場合がある。
業務上は他の方法を取ることがあるらしい。

Google Drive with ChatGPT
https://qiita.com/kaizen_nagoya/items/88b20b2598f96c960b25

Zoom

オンライン講義。
Paper & Hacksもzoomだから毎週利用。この１年間。

対応 22 connpass

Paper & Hacks
毎週火曜にある別行事 Paper & Hacksに参加し、できるだけ自分の感想、調査を追加しよう。

ある回の報告が、Qiitaのviews自己５位。Views 80,000以上。
MCP入門〜面倒なことはAIエージェントにやらせよう〜 by からあげを聞きながら
https://qiita.com/kaizen_nagoya/items/54b648c838fae8d57e38

松原研の講座を受けようと思ったのは、からあげさんがいるから。
地元のコミュニティでお世話になった。単なるおっかけです。
からあげさんのコミュニティからあげ帝国へもおいでください。

対応 23 Reserchmap

Researchmapは、学術利用であれば、研究データを置くことが可能かも。

researchmapサービス基本規約　の根拠法　探索
https://qiita.com/kaizen_nagoya/items/e4697b9d5c1b9cc399c2

Researchmap 研究データ置き場 with ChatGPT
https://qiita.com/kaizen_nagoya/items/be7fd30c06203431f43a

対応 24 Qiita

自己記事が多いと、下記のようなサイトにアクセスできない。なにしてくれちゃうのQiita。
表示しない仕様はこの２年くらい変化はない。
502: Bad Gateway

Qiitaは講座の内容を展開する公式対応サイトではないっぽい
関係者のIDを特定して、連携、相談するのがいいかも。

松尾研AIコミュニティ
https://qiita.com/organizations/matsuolab-aicommunity/items

松尾研AIコミュニティ@Qiita
https://qiita.com/kaizen_nagoya/items/6b904eacbbd9a55185cf

対応 25 X(twitter)

東京大学松尾・岩澤研究室 X(Twitter)における with ChatGPT
https://qiita.com/kaizen_nagoya/items/d4859ecafe6dda7c4aff

Youtube

Youtubeは便利。わかりやすい動画を選べばもうばっちり。

対応 26 Youtube

見た動画の感想、疑問、参考文献などを整理したい。今のところは原則Qiita

東京大学松尾・岩澤研究室
https://qiita.com/kaizen_nagoya/items/a17b82951a60dbb32103

メール

登録完了はメールで来る。
きたらきがつく。こないときがつかない。あたりまえ。

対応 27 mail

mailで来た情報は、自分のPrivate Webに記載している。
slack, Google Drive, Notion, Zoomなど４箇所以上に同じ情報があると嬉しいかも。

mail アラカルト with ChaatGPt
https://qiita.com/kaizen_nagoya/items/6ae2ad4a16fa2bfc82cc

Google Calendar

行事をGoogle Calendarで管理している人は、LLM講座もGoogle Calendarに登録するだろう。

対応 28 Google Calenar

Google Calendar with ChatGPT
https://qiita.com/kaizen_nagoya/items/51933aad72f8088980f5

敗因2 毎日のわからないことを、どこで、どう投げればいいかがわからず。

この記事を書いていることも勝因の一つっていう。
課題は、作研も、同じような記事をかきながら進もうとした。

はじめて触るツールが２つ以上あると、もう闇雲になるっていうr。

先頭に当時のQiitaへの記事を記録。
Slackに気軽に書き込めるといい。指揮者がいれば、誰がどういう能力があるから、どこに聞くといいよってわかるかもってなった。自分が指揮者にならなきゃ。

それぞれの節では、ていねいな説明がある。
講義と演習が同一講師だとつながりがわかるが、別の方だと方向性がやや違うのか、話の仕方が違う感じで、自分で誤解するか、どつぼにはまっていく感じ。

コンペティションの課題がわかりにくいだけでなく、エラーが初出だったりして、誰が、どう聞くと、誰が応えてくれるかって勘所がうろうろ。

対応 29 stackoverflow

今年は、エラーをいろいろ記録し、その対応を可能な限りでChatGPTなどに頼って解しよう。
Slackでの質問には、正解がわからなくても自分のやったことを回答してみよう。
じゃまだったらごめんなさい。

QAは、StackOverflowが楽。
公開できることは、StackOverflowで聞くのも手かも。

stack overflow連携の利点と課題 with ChatGPT
https://qiita.com/kaizen_nagoya/items/ecfe851fd98fa17a9397

今年の目標はまだない。

ここまでお読みいただきありがとうございます。
一つひとつの記事は、どんどん複雑になり役に立たないと思います。

slackでご質問いただければご回答さしあげれるように努力します。
Qiitaにコメントでご質問いただいても、著者には表示されず、コメントへのQiitaでの返事ができず、回答に時間がかかってしまいます。

対応 30 Discor連携

全然違う視点の取り組みも大事かも。

discord連携の利点と課題 with MCP by ChatGPT
https://qiita.com/kaizen_nagoya/items/879b807c19ed67b6ef24

discor利用されていない方は、次をご参照ください。。
からあげマニアのためのコミュニティ「からあげ帝国」が誕生しました
https://karaage.hatenadiary.jp/entry/2022/11/30/073000

対応 31 QA　アラカルト

macOSにおける文字化け with ChatGPT
https://qiita.com/kaizen_nagoya/items/44d82fd97614b5923d0a

理論・道具

理論は道具と表裏一体かも。上記ツール以外に、汎用的な概念で抑えられるところは抑えたい。

arXiv

LLMの論文をかたっぱしから読みつつ、プログラムを動かしつつ、データを工藤しつつ、、、

対応 32 arXiv LLM

LLM @ arXiv with ChatGPT
https://qiita.com/kaizen_nagoya/items/91191ea22577ae18778e

Transformers

Robot Transformer

対応 33 arXiv Transformer

robot transformer @arXiv
https://qiita.com/kaizen_nagoya/items/bb68899be7d985b56222

MCP

対応 34 arXiv MCP

MCP論文 @arXiv with ChatGPT
https://qiita.com/kaizen_nagoya/items/8ba05d667673ff98af28

対応 35 Facebook

FacebookのAI関連のグループにはいくつか参加してる。
ほぼ何も書いていない。ごめんなさい。

対応 36

Weights & Biases AI developer platform
https://wandb.ai/site

Weights & Biases AI developer platform
https://qiita.com/kaizen_nagoya/items/845300cf7100bfb0dede

領域固有の知識・手法

From ChatGPT

LLMを学ぶのに、https://qiita.com/kaizen_nagoya/items/06a090a9667eddd10848　で紹介したツール、サービス以外に大事そうなツール、サービスを１６あげてください。

Kiyoshi Ogawaさんが上記記事で既に挙げているツール・サービス（例：ブラウザ、Notion、GitHub、Docker、Colab、Hugging Faceなど）を除いて、LLM（大規模言語モデル）を学び／活用／実装する上で「これは知っておいたほうが良さそう」なツール・サービスを16個挙げます。用途やレベル（学習／実験／本番）に応じてご参考ください。

推薦ツール・サービス16選（既出分を除く）

以下、ツール名＋簡単な説明です。

LangChain
　LLMを用いたアプリケーション（チャットボット、ドキュメント解析、チェーン処理など）を構築するためのフレームワーク。 (ウィキペディア)
　→ 学習用として「どうやってLLMを組み合わせて外部データ／外部APIを使うか」を学ぶのに有効です。

llama.cpp
　CPU環境でもオープンソースLLM（例：LLaMA系）を実行できるライブラリ。 (ウィキペディア)
　→ 手元PCで「軽量なLLM」を試したいときに便利。

ToolRegistry
　“関数呼び出し”形式などでLLMと外部ツールを統合管理するライブラリ。 (arXiv)
　→ LLMをただ使うだけでなく「どのタイミングで／どのツールを／どう呼び出すか」を設計する学びとして。　

Codellm‑Devkit
　コードLLM（プログラム生成・解析）向けに「プログラム解析を付加」してコンテキストを向上させるためのライブラリ。 (arXiv)
　→ プログラミング支援型LLMを扱うなら知っておくと良い。

CodeTF
　トランスフォーマーモデルをコード／プログラミングタスク用に統一インターフェースで使えるライブラリ。 (arXiv)
　→ 自作モデルを扱ったり、コード関連LLMを内部で触るなら。

garak
　LLMの脆弱性／レッドチーミング（攻撃・評価）ツール。 (ウィキペディア)
　→ セキュリティ面／信頼性を考慮するなら。LLM応用時には無視できない項目です。

Weights & Biases
　機械学習／生成AIモデルの実験管理・追跡・可視化を行えるプラットフォーム。
　→ 論文実験を真似る／自分でファインチューニングや評価をやるなら使いたい。

Pinecone（例：ベクトルデータベース）
　LLMを使った検索型・リトリーバル強化（RAG: Retrieval-Augmented Generation）でよく使われるベクトル検索／インデックスツール。
　→ 実用的なLLMアプリを作るなら「知っておくべき構成部品」。

**Haystack（deepset社）
　RAG構築用のオープンソースフレームワーク。
　→ 自分で「ドキュメント＋LLM」を使ったシステムを組んでみたいときに便利。

**MLflow
　モデルのライフサイクル（実験→デプロイ→監視）を管理するプラットフォーム。
　→ LLMを「学習だけ」ではなく「運用まで」考えるなら押さえておきたい。

**Ray Serve／FastAPI
　LLMをAPI化／マイクロサービス化し、実用環境で使うためのフレームワーク。
　→ 「LLMをWebアプリやサービスに組み込む」フェーズを想定。

**Open Telemetry／類似の監視・ロギングツール
　LLM運用時のログ追跡・異常検出・パフォーマンス監視のため。
　→ 応用・本番運用を視野に入れるならこれは軽視できません。

**Optuna
　ハイパーパラメータ最適化ツール。
　→ モデルの微調整をするなら、効率よく探索したい時に役立つ。

**ONNX Runtime／TensorRT
　モデルをより高速／軽量化して実行するためのランタイム。
　→ 「重いモデルを軽く」「エッジ／ローカルで動かしたい」ケースで役立ちます。

**Gradio／Streamlit
　LLMをUI付きで試せる簡易インターフェース構築ツール。
　→ 学習／プロトタイプフェーズで「とりあえず使える形」を作るのにお勧め。

**Snowflake／類似のデータレイク／データウェアハウス
　LLMに学習させるデータ・外部データを整備／運用するための、データ基盤ツール。
　→ データ量／データ活用まで見据えるなら、こういった“裏側”も意識すべき。

補足・活用のヒント

これらを一気に全てマスターする必要はありません。まずは「自分がやりたいフェーズ（学習／実験／本番）」を決めて、2～3個ずつ抑えていくと良いです。

例えば「Python／ColabでLLMを触る学習フェーズ」なら、LangChain／Gradio／Pineconeあたりを。

「サービス化／運用フェーズ」なら、MLflow／Ray Serve／OpenTelemetryあたりも見ておくと良い。

「モデルを軽くしてローカルで動かしたい」なら、llama.cpp／ONNX Runtimeあたりが鍵になります。

セキュリティ・信頼性も重要です。例えば garak のようなツールで「LLMがどう誤用されるか」「どこが脆弱か」を学ぶのもおすすめです。
もしよければ、これら16個を「用途別（学習／実験／運用）」に分類して一覧表にまとめましょうか？それとも日本語対応／日本国内で使いやすいサービス限定でさらに別途10個探しますか？
1: https://en.wikipedia.org/wiki/LangChain?utm_source=chatgpt.com "LangChain"
2: https://en.wikipedia.org/wiki/Llama.cpp?utm_source=chatgpt.com "Llama.cpp"
3: https://arxiv.org/abs/2507.10593?utm_source=chatgpt.com "ToolRegistry: A Protocol-Agnostic Tool Management Library for Function-Calling LLMs"
4: https://arxiv.org/abs/2410.13007?utm_source=chatgpt.com "Codellm-Devkit: A Framework for Contextualizing Code LLMs with Program Analysis Insights"
5: https://arxiv.org/abs/2306.00029?utm_source=chatgpt.com "CodeTF: One-stop Transformer Library for State-of-the-art Code LLM"
6: https://en.wikipedia.org/wiki/Garak_%28software%29?utm_source=chatgpt.com "Garak (software)"

それぞれのWikipedia以外での参考文献を３つづつあげてください。

以下、それぞれご紹介したツール／サービスについて、ウィキペディア以外の参考文献（ドキュメント／ブログ／チュートリアル等）を 3つずつ挙げます。書誌的には「より深く使ってみる／理解する」ための入口になります。

1. LangChain

“How to Use LangChain and LangGraph: A Beginner’s Guide to AI Workflows” — freeCodeCamp。 (FreeCodeCamp)

“LangChain: A Beginner’s Guide to Harness the Power of Language Models” — DigitalOcean チュートリアル。 (DigitalOcean)

“LangChain: A Complete Guide & Tutorial” — nanonetsブログ。 (Nanonets)

2. llama.cpp

“llama.cpp guide - Running LLMs locally, on any hardware …” — steelph0enixブログ。 (Steel Phoenix)

“Llama.cpp Tutorial: A Complete Guide to Efficient LLM Inference and Implementation” — DataCamp チュートリアル。 (DataCamp)

“Running LLaMA Locally with llama.cpp: A Complete Guide” — Medium 投稿。 (Medium)

3. Weights & Biases

“実験管理 - Weights & Biases Documentation (日本語版)” — W&B 公式ドキュメント。 (Weights & Biases Documentation)

“WandBで実験管理をシンプルに #Python” — Qiita 記事。 (Qiita)

“深層学習のための実験管理スイート Weights & Biases” — kumpei.ikuta.me ブログ。 (くんぺい)

4. Pinecone（ベクトルデータベース）

“What is a Vector Database & How Does it Work? Use … ” — Pinecone公式学習ページ。 (Pinecone)

“Mastering Vector Databases with Pinecone Tutorial” — DataCamp チュートリアル。 (DataCamp)

“Pinecone Vector Database: A Complete Guide” — Analytics Vidhya ブログ。 (Analytics Vidhya)

5. Haystack（deepset社のRAGフレームワーク）

“Creating Your First QA Pipeline with Retrieval-Augmentation” — Haystack 公式チュートリアル。 (Haystack)

“Tutorials — Haystack” — チュートリアル一覧ページ。 (Haystack)

“Haystackのチュートリアルを全部やってみる（やっぱりやめた）” — Zenn ブログ。 (Zenn)

6. Optuna（ハイパーパラメータ最適化）

“Tutorial — Optuna 4.6.0 documentation” — 公式ドキュメント。 (Optuna)

“Mastering Hyperparameter Optimization with Optuna: A Comprehensive Guide” — Medium ブログ。 (Medium)

“Hyperparameter Optimization with Optuna and Transformers” — Hugging Face Learn レシピ。 (huggingface.co)
もしよければ、残りのツール・サービス（他の10個分）についても同様に参考文献を探してリスト化しますか？
1: https://www.freecodecamp.org/news/how-to-use-langchain-and-langgraph-a-beginners-guide-to-ai-workflows/?utm_source=chatgpt.com "How to Use LangChain and LangGraph: A Beginner's ..."
2: https://www.digitalocean.com/community/tutorials/langchain-language-model?utm_source=chatgpt.com "LangChain: A Beginner's Guide to Harness the Power of ..."
3: https://nanonets.com/blog/langchain/?utm_source=chatgpt.com "LangChain: A Complete Guide & Tutorial"
4: https://steelph0enix.github.io/posts/llama-cpp-guide/?utm_source=chatgpt.com "llama.cpp guide - Running LLMs locally, on any hardware ..."
5: https://www.datacamp.com/tutorial/llama-cpp-tutorial?utm_source=chatgpt.com "Llama.cpp Tutorial: A Complete Guide to Efficient LLM ..."
6: https://medium.com/hydroinformatics/running-llama-locally-with-llama-cpp-a-complete-guide-adb5f7a2e2ec?utm_source=chatgpt.com "Running LLaMA Locally with Llama.cpp: A Complete Guide"
7: https://docs.wandb.ai/ja/guides/track/?utm_source=chatgpt.com "実験管理 - Weights & Biases Documentation - Wandb"
8: https://qiita.com/eikichi838/items/11df5117b823eab5e2a8?utm_source=chatgpt.com "WandBで実験管理をシンプルに #Python - Qiita"
9: https://kumpei.ikuta.me/wandb-intro/?utm_source=chatgpt.com "深層学習のための実験管理スイート Weights & Biases - ikuta.me"
10: https://www.pinecone.io/learn/vector-database/?utm_source=chatgpt.com "What is a Vector Database & How Does it Work? Use ..."
11: https://www.datacamp.com/tutorial/mastering-vector-databases-with-pinecone-tutorial?utm_source=chatgpt.com "Mastering Vector Databases with Pinecone Tutorial"
12: https://www.analyticsvidhya.com/blog/2024/06/pinecone-vector-databases/?utm_source=chatgpt.com "Building and Implementing Pinecone Vector Databases"
13: https://haystack.deepset.ai/tutorials/27_first_rag_pipeline?utm_source=chatgpt.com "Creating Your First QA Pipeline with Retrieval-Augmentation"
14: https://haystack.deepset.ai/tutorials?utm_source=chatgpt.com "Tutorials"
15: https://zenn.dev/kun432/scraps/52700695e1eb58?utm_source=chatgpt.com "Haystackのチュートリアルを全部やってみる（やっぱりやめた）"
16: https://optuna.readthedocs.io/en/stable/tutorial/index.html?utm_source=chatgpt.com "Tutorial — Optuna 4.6.0 documentation - Read the Docs"
17: https://medium.com/%40moussadoumbia_90919/mastering-hyperparameter-optimization-with-optuna-a-comprehensive-guide-0bd6b4b1bc67?utm_source=chatgpt.com "Mastering Hyperparameter Optimization with Optuna"
18: https://huggingface.co/learn/cookbook/en/optuna_hpo_with_transformers?utm_source=chatgpt.com "Hyperparameter Optimization with Optuna and Transformers"

はい。

承知しました。残りの 10 個のツール・サービスに対して、それぞれ Wikipedia 以外 の参考文献を３つずつリストアップします。

7. ONNX Runtime／軽量化ランタイム

“Tutorials – ONNX Runtime Tutorials” — 公式 ONNX Runtime ドキュメント。 (ONNX Runtime)
“Day 49: Serving LLMs with ONNX Runtime” — dev.to ブログ。 (DEV Community)
“『LLM が重すぎる問題』を解決するために Hugging Face Optimum や ONNX Runtime を使って計算が高速化される…” — Qiita 記事（日本語）。 (Qiita)

8. Gradio／Streamlit（UI付きプロトタイピングツール）

“Quickstart” — Gradio 公式ガイド。 (Gradio)
“Introduction to Gradio – Hugging Face LLM Course” — Hugging Face 学習ページ。 (Hugging Face)
“How To Build a UI for LLM with Gradio” — F22 Labs ブログ。 (F22 Labs)

9. MLflow（モデル管理・実験管理プラットフォーム）

“Evaluating LLMs/Agents with MLflow” — MLflow 公式ドキュメント。 (MLflow)
“Evaluating LLMs with MLflow: A Practical Beginner’s Guide” — DataCamp チュートリアル。 (DataCamp)
“MLOps for LLMs with MLflow: A Complete Guide” — Medium ブログ。 (Medium)

10. Pinecone（ベクトルデータベース）

“Mastering Vector Databases with Pinecone Tutorial” — DataCamp チュートリアル。 (DataCamp)
“What is a Vector Database & How Does it Work? Use …” — Pinecone 公式学習ページ。 (Pinecone)
“Building and Implementing Pinecone Vector Databases” — Analytics Vidhya ブログ。 (Analytics Vidhya)

11. Haystack（RAG／ドキュメント＋LLMフレームワーク）

“Creating Your First QA Pipeline with Retrieval-Augmentation” — Haystack 公式チュートリアル。 (Haystack)
“A Practical Guide to RAG with Haystack and LangChain” — DigitalOcean チュートリアル。 (DigitalOcean)
“Haystack AI Tutorial: Building Agentic Workflows” — DataCamp チュートリアル。 (DataCamp)

12. Ray Serve／FastAPI（LLMをサービス化・API化するフレームワーク）

“Set Up FastAPI and HTTP – Ray Serve” — Ray 公式ドキュメント。 (Ray)
“How to Scale Up Your FastAPI Application Using Ray Serve” — Medium ブログ。 (Medium)
“Running Phi 3 with vLLM and Ray Serve” — İnfraCloud ブログ。 (InfraCloud)

13. OpenTelemetry／監視・ロギングツール

※ 明確な LLM 特化の資料が少ないため、一般的なモニタリング／観測の文脈から。

“MLflow for ML model lifecycle | Databricks on AWS” — Databricks ドキュメントの監視・モデル運用部分。 (Databricks Documentation)
“How to Manage LLM Prompts With MLflow” — Python & Chill サブスタック。（監視・ログというより管理寄りですが参考） (Python and Chill)
「Ray Serve Monitoring / Dashboard」についてのドキュメント。（Ray による監視例） (Ray)

14. Optuna（ハイパーパラメータ最適化）

※ 先に挙げた分の追加資料：

“Tutorial — Optuna 4.6.0 documentation” — 公式ドキュメント。 (MLflow) （補完として）
“Hyperparameter Optimization with Optuna and Transformers” — Hugging Face Learn レシピ。 (MLflow)
“Mastering Hyperparameter Optimization with Optuna: A Comprehensive Guide” — Medium ブログ。 (Medium)

15. llama.cpp（手元PC・軽量なLLM実行ライブラリ）

※ 参考資料：

“llama.cpp guide - Running LLMs locally, on any hardware …” — steelph0enix ブログ。 (DEV Community)
“Running LLaMA Locally with llama.cpp: A Complete Guide” — Medium 投稿。 (Qiita)
ONNX Runtime 経由の軽量化文脈も応用可。 (DataRobot)

16. garak（LLMの脆弱性・レッドチーミングツール）

※ 資料がやや限定的だったため、一般的な “LLMセキュリティ／脆弱性評価” の文脈から代替資料を紹介。

“RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation” — 論文（LLMの誤り・リスク含む） (arXiv)
“HASH-RAG: Bridging Deep Hashing with Retriever for Efficient, Fine Retrieval and Augmented Generation” — 論文（RAG／LLMの効率・潜在リスク含む） (arXiv)
“Analysis of Failures and Risks in Deep Learning Model Converters: A Case Study in the ONNX Ecosystem” — 論文（モデル変換・運用上のリスク含む） (arXiv)

もしよろしければ、これらの参考文献を 日本語資料限定／備忘録形式 でも探すことができますが、どうしますか？

参照

MCP入門〜面倒なことはAIエージェントにやらせよう〜 by からあげを聞きながら
https://qiita.com/kaizen_nagoya/items/54b648c838fae8d57e38

MCP入門〜面倒なことはAIエージェントにやらせよう〜 by からあげを聞きながら、補足と反論 by ChatGPT
https://qiita.com/kaizen_nagoya/items/0939d58d31666562090c

C言語(C++)が必要な人と必要ない人
https://qiita.com/kaizen_nagoya/items/2afe9e846b55b24cb6f1

C言語(C++)が必要な人、必要ない人　with ChatGPT
https://qiita.com/kaizen_nagoya/items/a074cb8cd292d8d94bd4

C言語を習得する３つの方法
https://qiita.com/kaizen_nagoya/items/84cab0888c193bba429b

C言語を習得する３つの方法　with ChatGPT
https://qiita.com/kaizen_nagoya/items/4a3518a18fa49f46787f

20241009 memo LLM AI
https://qiita.com/kaizen_nagoya/items/80f00b3d6b44e00fec05

Colab の生成 AI(24) warning 理解
https://qiita.com/kaizen_nagoya/items/34ffd2b0c47a5f3665d9

スケーリング法則が何故スケーラブルなのか? LLM memo 2024100802
https://qiita.com/kaizen_nagoya/items/b5a27b0a41a80b3feaa6

「スケーリング法則が何故スケーラブルなのか?」 LLM memo 2024100801
https://qiita.com/kaizen_nagoya/items/88bf53ed79c554e94688

ModuleNotFoundError python(41) error(138)
https://qiita.com/kaizen_nagoya/items/d364dd7e31d8853f37da

＜この記事は個人の過去の経験に基づく個人の感想です。現在所属する組織、業務とは関係がありません。＞
This article is an individual impression based on my individual experience. It has nothing to do with the organization or business to which I currently belong.
Este artículo es una impresión personal basada en mi experiencia personal. No tiene nada que ver con la organización o empresa a la que pertenezco actualmente.

文書履歴(document history)

ver. 0.01 初稿　20251111

最後までおよみいただきありがとうございました。

いいね　💚、フォローをお願いします。

Thank you very much for reading to the last sentence.

Please press the like icon 💚　and follow me for your happy life.

Muchas gracias por leer hasta la última oración.

Por favor, haz clic en el ícono Me gusta 💚 y sígueme para tener una vida feliz.