はじめに

自分はここ半年ほど、社内向けのRAGパイプラインとAIエージェントの構築に取り組んでいる。最初はLangChainのドキュメントとブログ記事だけで進めていたが、検索精度が上がらない、エージェントが暴走する、デプロイ後にレイテンシが跳ね上がるといった問題に次々とぶつかった。

そのたびにネットで断片的な情報を拾い集めていたが、根本的な理解が足りないまま場当たり的に対処している感覚が拭えなかった。結局、体系的にまとめられた書籍を腰を据えて読むのが一番の近道だと気づいた。

実際に手を動かしながら数十冊を拾い読みした中で、RAGとAIエージェントの本番運用に直接効いた本を5冊に絞って紹介する。選定基準は「コード例や図が豊富」「日本語で読める、もしくは技術英語として平易」「全体像から実装まで段階的にカバーできる」の3点だ。

① データエンジニアリングの基礎 ―データプロジェクトで失敗しないために — Joe Reis, Matt Housley

Amazonで見る

Joe ReisとMatt Housleyはデータエンジニアリング領域のコンサルタント兼教育者で、実務と教育の両面から業界に影響を与えてきた人物だ。

RAGを組むとき、最初にぶつかる壁は「どうやって信頼できるデータを安定してLLMに流し込むか」である。ベクトルDBに突っ込むドキュメントの前処理、メタデータの管理、データパイプラインの信頼性。これらは全部データエンジニアリングの基本が分かっていないと設計が崩壊する。

本書はデータのライフサイクル全体、取り込み・保存・変換・オーケストレーション・サービングを一貫した視点で解説している。RAG特化の本ではないが、RAGの「R」を支える基盤を固めるには最適だ。

自分が刺さったのは、オーケストレーションとデータ品質の章。パイプラインが壊れたとき何が起きるか、リカバリをどう設計するかが具体的に書かれていて、本番障害で冷や汗をかいた経験と直結した。

こんな人に: RAGの検索精度以前に、データの取り込みや前処理で苦戦している人。

② 機械学習システムデザイン ―実運用レベルのアプリケーションを実現する継続的反復プロセス — Chip Huyen

Amazonで見る

Chip HuyenはStanford出身で、大規模MLシステムの設計・運用に関する実践知で知られるエンジニアだ。

MLモデルを研究で動かすのと本番で運用するのは全く別の話で、その差を埋めてくれるのがこの一冊。データパイプライン、特徴量ストア、テスト、デプロイ、モニタリングまで、プロダクション視点で必要な全工程を網羅している。

RAGやAIエージェントもMLシステムの一種だ。モデルの精度だけ追いかけていると、デプロイ後に地獄を見る。フィードバックループの設計、データドリフトの検知、A/Bテストの回し方。こうしたプロダクション特有の課題に対するパターン集として極めて有用である。

個人的には、イテレーションの考え方が一番参考になった。完璧なv1を目指すのではなく、小さく出して改善し続ける設計思想が、AIエージェントの開発サイクルにそのまま適用できる。

こんな人に: プロトタイプは動くのに本番投入で毎回つまずく人。

③ 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

Amazonで見る

Jay Alammarは「The Illustrated Transformer」で有名なビジュアル解説の名手。Maarten Grootendorstはトピックモデリングライブラリ BERTopicの作者だ。

本書の強みは、Embeddingの仕組みからRAG、ファインチューニングまでを一本の流れで解説している点にある。図やビジュアルが非常に豊富で、Transformerの内部構造やAttentionの挙動が直感的に理解できる。

RAGを組むうえで「なぜこのEmbeddingモデルだと検索精度が出ないのか」「チャンク戦略をどう変えると類似度計算に効くのか」を判断するには、LLMの内部動作をある程度掴んでおく必要がある。本書はその理解を最短で得られる。

自分はEmbeddingの章を読んでから、ベクトル検索のチューニング方針が明確に変わった。闇雲にチャンクサイズを変えるのをやめ、モデルの特性に合わせた分割戦略を取れるようになった。

こんな人に: LLMをブラックボックスとして使っていて、RAGの精度改善で手詰まりになっている人。

④ AIエンジニアリング ―基盤モデルを用いたAIアプリケーション開発の基礎と実践 — Chip Huyen

Amazonで見る

②と同じくChip Huyenの著作だが、こちらはLLM時代に特化した内容になっている。

RAGパイプラインの設計、LLMのオーケストレーション、マルチモーダル対応、インフラの選定まで、2024〜2025年時点の最新アーキテクチャを扱っている。②が「MLシステム全般の基礎」だとすれば、本書は「LLMベースのAIアプリに特化した実践ガイド」だ。

レイテンシの最適化、プロンプトのバージョニング、評価フレームワークの構築など、RAGやエージェントを本番で回す際に避けて通れないテーマが具体的に論じられている。理論だけの本とは違い、著者自身がスケールで戦ってきた経験がにじみ出ている。

自分にとって特に有益だったのはモニタリングの章。LLMの出力品質をどう定量化し、劣化を検知するか。ここは独学だと体系的に学びにくい領域で、本書のおかげで監視ダッシュボードの設計が格段に良くなった。

こんな人に: RAGやAIエージェントを本番運用中で、品質とコストのバランスに悩んでいる人。

⑤ LLM Engineer's Handbook — Paul Iusztin, Maxime Labonne

Amazonで見る

Paul IusztinはMLOpsとLLMプロダクションの専門家、Maxime LabonneはLLMのファインチューニングと評価に関するコンテンツで広く知られている。

本書はプロンプトエンジニアリングからファインチューニング、評価、本番デプロイまでを一冊でカバーしている。コード例が豊富で、読みながら手を動かせる構成になっているのが特徴だ。

RAGの精度を上げるためにリランカーを挟む、エージェントのツール呼び出しを安定させる、ファインチューニングで特定ドメインの精度を底上げする。こうした実務で頻出するシナリオに対して、再現可能なコードとアーキテクチャパターンが提示されている。

英語だが技術書としては平易な部類で、コードを追えば内容は掴める。自分はエージェント設計のパートで、ツール定義とエラーハンドリングのパターンを直接プロジェクトに取り入れた。

こんな人に: LLMアプリの開発経験があり、次のレベルとしてファインチューニングやエージェント設計を深めたい人。

まとめ

5冊を段階的に読むことで、データ基盤からLLM運用まで一貫したスキルセットが身につく。

ステップ	読む本	得られるもの
1. データ基盤を固める	データエンジニアリングの基礎	信頼性の高いデータパイプライン設計力
2. ML本番運用の型を学ぶ	機械学習システムデザイン	デプロイ・監視・改善サイクルの設計力
3. LLMの中身を理解する	直感 LLM	Embedding・RAGの精度改善に必要な直感
4. LLMシステム設計を実践する	AIエンジニアリング	RAG・エージェントの本番アーキテクチャ
5. 手を動かして深掘りする	LLM Engineer's Handbook	ファインチューニング・エージェント実装力

今の課題に応じて1冊選ぶなら:

RAGの検索精度が出ない → 「直感 LLM」でEmbeddingの理解を深める
デプロイ後に品質が安定しない → 「AIエンジニアリング」で監視と評価を体系化する
そもそもパイプラインがよく壊れる → 「データエンジニアリングの基礎」でインフラ層を見直す
エージェントの設計パターンが分からない → 「LLM Engineer's Handbook」で実装例を掴む
MLシステム全体の設計力を上げたい → 「機械学習システムデザイン」でプロダクション思考を身につける

全部読む時間がなければ、自分の今のボトルネックに一番近い1冊から始めればいい。読んだ内容を即座にプロジェクトに反映する。そのサイクルが回り始めると、成長速度が段違いに上がる。