はじめに
最近、自分のチームで社内向けのドキュメント検索エージェントを構築する機会があった。最初は既存フレームワークのチュートリアルをなぞるだけで動くものが作れたが、実運用に入ると問題が噴出した。ツール呼び出しの失敗時にどうリカバリさせるか、複数ステップの計画がトークン制限で破綻したとき何が起きているのか、評価をどう自動化するか。表面的な使い方だけでは太刀打ちできない壁にぶつかった。
Claude CodeやOpenAI Codexのようなコーディングエージェントが急速に普及している今、汎用ツールを「使う」だけでなく、自分のドメインに特化したエージェントを「作る」スキルが求められている。コーディングエージェントの内部で動いているのは、ツール呼び出し・メモリ管理・オーケストレーション・評価といったパターンの組み合わせだ。これらを理解すれば、法務文書レビューや金融分析、カスタマーサポートなど任意のドメインに応用できる。
自分がこの壁を越えるために読んだ書籍の中から、実際に手を動かしながら学べる5冊を紹介する。LLMの内部構造を理解するところから始め、設計パターンを身につけ、マルチエージェントの実装に至るまで、段階的にステップアップできる構成にした。
① つくりながら学ぶ！LLM 自作入門 — Sebastian Raschka
Sebastian Raschkaは「Python Machine Learning」シリーズで知られる機械学習研究者で、Lightning AIのリサーチディレクターを務めている。
この本はエージェントの話を一切しない。代わりに、アテンション機構・トークナイゼーション・事前学習・ファインチューニング・LoRAといったLLMの根幹をPyTorchでゼロから実装する。GitHub上のボーナス実装にはLlama 3.2やQwen3、Gemma 3も含まれている。
なぜエージェント開発者にこれが必要か。エージェントが指示を無視する、トークンを異常消費する、マルチステップの計画が途中で崩壊する——こうした問題のデバッグには、モデル内部で何が起きているかの直感が不可欠だからだ。コンテキストウィンドウの物理的制約やアテンションのスケーリング特性を体感として持っていると、プロンプト設計やチャンク戦略の判断が格段に速くなる。
個人的には、KVキャッシュの実装部分が特に刺さった。推論コストの見積もりに直結する知識で、エージェントの設計時にどこまで長いコンテキストを渡すべきかの判断基準になった。
こんな人に: エージェントの挙動がブラックボックスに感じられる人、モデルレイヤーからの理解で問題解決力を上げたい人
② 生成AIデザインパターン — Valliappa Lakshmanan, Hannes Hapke
Valliappa LakshmananはGoogle Cloudのデータ・AI部門で長年Principal Data Scientistを務めた人物。Hannes Hapkeは ML パイプラインの構築で豊富な実務経験を持つエンジニアだ。
本書は32の生成AIデザインパターンを「問題→解決策」の形式で整理している。RAG、Chain-of-Thought、Tree-of-Thought、コンテンツ制御、ガードレール、信頼性パターンなど幅広い。エージェント固有のパターンは第7章でツール呼び出しやコード実行、マルチエージェント協調を扱うが、本書の真価はそれ以外の31パターンにある。
エージェントは複数の低レベルパターンを組み合わせて動くシステムだ。RAGの精度が出ないときにリランキング戦略を変えるか、推論パターンをChain-of-ThoughtからTree-of-Thoughtに切り替えるか——こうした判断には各パターンの特性と限界を知っている必要がある。本書はその語彙と判断基準を体系的に与えてくれる。
日本語訳が出ているのも大きなメリットだ。パターンカタログとして手元に置いておき、エージェントの特定コンポーネントで問題が起きたときにリファレンスとして引ける。
こんな人に: エージェントを構成する要素技術を網羅的に押さえたいMLエンジニア、RAGや推論戦略で選択肢を増やしたい人
③ 実践 AIエージェント開発 — Michael Albada
Michael AlbadaはAIエージェント領域でLangChain・AutoGenなど複数フレームワークを実務で使い分けてきたエンジニアだ。
本書の最大の特徴は、同一のシナリオをLangGraph・LangChain・AutoGenの3フレームワークで実装し比較している点にある。Eコマース、金融、ヘルスケア、法務、サプライチェーンといった業界別シナリオも揃っている。ヒューマンインザループの設計やインターフェース設計、さらにSFT・DPO・RLによるモデル改善手法も扱う。
フレームワーク固有のコードは陳腐化が早いという注意点はある。しかし「同じ問題を異なるフレームワークで解くとどんなトレードオフが生じるか」を可視化してくれる構成は、技術選定の場面で非常に参考になった。自分のチームではLangGraphとAutoGenで迷っていた時期にこの本が判断材料を与えてくれた。
日本語版が出ているので、フレームワーク比較を日本語で読めるのは現時点で貴重だ。
こんな人に: チームでエージェント基盤の技術選定をしている人、業界別ユースケースの実装例が欲しい人
④ Designing Multi-Agent Systems — Victor Dibia
Victor DibaはMicrosoft ResearchのPrincipal Research Software Engineerで、GitHub上で5万スター超のAutoGenフレームワークとAutoGen Studioの開発者だ。
本書はフレームワーク非依存のアプローチを取る。特定のライブラリの使い方を教えるのではなく、エージェント・ツール・メモリ・構造化出力・コンピュータ操作エージェント・決定的ワークフロー・自律オーケストレーションといった要素を15章かけてスクラッチで実装していく。6つのオーケストレーション戦略、4つのUX原則、軌跡ベーステストとLLMジャッジによる評価、MCP/A2Aプロトコルまでカバーしている。
GitHubリポジトリには独自フレームワーク「picoagents」の実装に加え、Microsoft Agent Framework・Google ADK・LangGraphでの等価実装も含まれる。これにより「原理を学んだあと、好きなフレームワークで実装する」という流れが自然にできる。
自分にとっての収穫は、オーケストレーション戦略の分類だった。どの程度の自律性をエージェントに与えるかという設計判断を体系化してくれたおかげで、プロダクト要件からアーキテクチャへの落とし込みが明確になった。
こんな人に: 「自社ドメイン向けClaude Code」を作りたいエンジニア、フレームワークに依存しない設計力を身につけたい人
⑤ AI Agents with MCP — Kyle Stratis
Kyle StratisはO'Reillyから出版するPythonエンジニアで、Model Context Protocolに関する初の体系的書籍の著者だ。
Model Context Protocolは、Claude CodeやCursorなどが外部ツールと連携するための標準プロトコルとして急速に普及している。本書はMCPのアーキテクチャ全体をカバーする。プロトコル構造、Pythonでのサーバー/クライアント構築、トランスポート層、エージェントワークフローへの統合まで一貫して学べる。
現在O'Reillyのアーリーリリース段階であり、内容が更新される可能性はある。しかしMCPは2026年のエージェント開発で避けて通れない技術になりつつあり、早い段階でプロトコルの全体像を掴んでおく価値は高い。自分もMCPサーバーを自作する際に、トランスポート層の設計判断で本書の解説が助けになった。
こんな人に: MCPサーバーやクライアントを自作したい人、Claude CodeやCursor向けのカスタムツール統合を構築する人
まとめ
| ステップ | 読む本 | 得られるもの |
|---|---|---|
| 1. 基盤理解 | つくりながら学ぶ！LLM 自作入門 | モデル内部の動作原理、デバッグの直感 |
| 2. パターン習得 | 生成AIデザインパターン | RAG・推論・信頼性の設計語彙 |
| 3. フレームワーク選定 | 実践 AIエージェント開発 | 技術選定の判断基準、業界別実装例 |
| 4. 設計と実装 | Designing Multi-Agent Systems | フレームワーク非依存の設計力 |
| 5. ツール連携 | AI Agents with MCP | MCP準拠のサーバー/クライアント構築 |
今の課題別に1冊選ぶなら：
- エージェントの予測不能な挙動に悩んでいる → 「つくりながら学ぶ！LLM 自作入門」でモデル層から理解する
- RAGや推論の精度が出ない → 「生成AIデザインパターン」でパターンの引き出しを増やす
- どのフレームワークを使うか決められない → 「実践 AIエージェント開発」で比較検討する
- 自社ドメイン特化のエージェントをゼロから設計したい → 「Designing Multi-Agent Systems」で原理から組み上げる
- 外部ツール連携の標準的な方法を知りたい → 「AI Agents with MCP」でプロトコルを押さえる