はじめに
先日、社内でLLMを使ったチャットボットを本番環境にデプロイした。動くものはすぐできた。しかし問題はそこからだった。メモリ管理、プロンプトの精度劣化、外部APIとの連携エラー、監視の仕組み。モデル単体の知識だけでは到底カバーできない領域が山ほどあると痛感した。
さらに最近はエージェント型のAIシステムが注目を集めている。LLMが自律的に判断し、ツールを呼び出し、複数ステップのタスクをこなす。魅力的なアーキテクチャだが、設計を間違えると制御不能な代物が出来上がる。
自分自身、手探りで学んできた中で「この順番で読んでおけば遠回りしなかった」と思える本が何冊かある。LLMの内部構造からエージェント理論、そして実装フレームワークまで、段階的にカバーできる5冊を紹介する。
理論だけの本は外した。コードが書いてあること、実装に直結すること、そして日本語で読めるものがあればそちらを優先した。これからエージェント開発に踏み込む人の道標になれば嬉しい。
① つくりながら学ぶ！LLM 自作入門 — Sebastian Raschka
Sebastian Raschkaはウィスコンシンマディソン大学で機械学習の研究に携わり、Lightning AIのリードエンジニアでもある。Pythonの機械学習本でも著名な著者だ。
この本はTransformerアーキテクチャをゼロからPyTorchで実装する内容になっている。Self-Attention、Multi-Head Attention、位置エンコーディングといった要素を一つひとつコードに落とし込みながら、GPTライクなモデルを組み上げていく。
トークナイゼーションの仕組みや事前学習・ファインチューニングの違いも実装ベースで解説されている。「なぜプロンプトエンジニアリングが効くのか」をアーキテクチャレベルで理解できるのが強みだ。
自分がこの本で一番刺さったのは、Attentionの数式をコードで追体験できる点。論文を読むだけでは曖昧だった部分が、テンソルの形状を追いかけることでクリアになった。ただし線形代数とPyTorchの基礎知識は前提になるため、完全初学者にはやや厳しい。
こんな人に: LLMの中身をブラックボックスのまま使いたくない人、モデルのカスタマイズやファインチューニングを視野に入れている人
② エージェントアプローチ人工知能 原著第4版 — Stuart Russell, Peter Norvig
Stuart RussellはUCバークレーの教授、Peter NorvigはGoogle Researchの元ディレクター。本書はAI分野で最も広く使われている教科書であり、世界中の大学で採用されている。
「エージェントとは、環境をセンサーで知覚し、アクチュエータを通じて環境に作用するもの」という定義は本書が原点だ。LLMエージェントの設計を考えるとき、この古典的な定義に立ち返ることで設計の指針がぶれなくなる。
探索アルゴリズム、プランニング、不確実性下の意思決定、知識表現など、エージェントが自律的に動くために必要な理論基盤が網羅されている。第4版ではNLP章も大幅に更新された。
正直、分量は膨大だ。全部読む必要はない。エージェント開発の文脈なら、第2章のインテリジェントエージェント、第10〜11章のプランニング、第22〜24章のNLPあたりを重点的に読むのが効率的だと感じた。理論を知っているかどうかで、エージェントのアーキテクチャ設計に明確な差が出る。
こんな人に: エージェント設計の理論的裏付けが欲しい人、LLMエージェントが「なぜそう動くか」を体系的に理解したい人
③ 機械学習システムデザイン — Chip Huyen
Chip HuyenはStanford出身のMLエンジニアで、Claypot AIの共同創業者。Stanfordで「ML Systems Design」の講義も担当していた。
モデルの精度だけを追いかけても、本番環境では通用しない。本書はデータ収集からモデルのデプロイ、監視、継続的な改善サイクルまで、MLシステム全体の設計思想を扱っている。
エージェントシステムでは、LLMが複数の外部APIを呼び出し、結果を統合し、次のアクションを決定する。この一連の流れを安定稼働させるには、堅牢なシステム設計が不可欠だ。データパイプラインの設計やモデル監視の手法など、本書で学べる内容がそのまま活きる。
個人的には、データ分布のシフトにどう対応するかという章が特に実用的だった。エージェントが扱う入力は時間とともに変わる。本番で精度が劣化したとき、原因の切り分けに本書の知識が役立った。日本語訳の質も高く、読みやすい。
こんな人に: LLMアプリを本番運用する予定がある人、MLOpsやシステム設計の観点を強化したい人
④ Generative AI with LangChain — Ben Auffarth
Ben Auffarth はデータサイエンティスト兼ソフトウェアエンジニアで、生成AIの実装に関する解説で知られている。
本書はLangChainフレームワークを軸に、LLMアプリケーションとエージェントの構築を実践的に学べる一冊だ。メモリ機能を持つチャットボット、RAGを活用した文書Q&Aシステム、マルチエージェント連携まで、具体的なプロジェクトを通じて段階的にスキルが身につく。
コード量が多い点が最大の魅力で、ConversationBufferMemoryによる会話履歴管理やベクトルデータベースとの統合など、すぐに動かせるサンプルが豊富に用意されている。
注意点として、LangChainはAPIの変更が頻繁にある。書籍のコードがそのまま動かない場面にも遭遇するだろう。ただ、設計パターンやアーキテクチャの考え方自体は陳腐化しにくいので、フレームワークのバージョン差は公式ドキュメントで補完すれば問題ない。英語の書籍だが、コード中心なので読み進めるハードルは低い。
こんな人に: 今すぐエージェントを動かしたい人、LangChainを使ったRAGやマルチエージェントの実装パターンを知りたい人
⑤ The Art of Prompt Engineering with ChatGPT — Nathan Hunter
Nathan HunterはAI活用のコンサルタントとしてプロンプト設計の実践的な手法を発信している人物だ。
エージェントの内部では、各ステップでプロンプトが生成・実行される。プロンプトの質がエージェント全体の挙動を左右する。本書ではZero-shot、Few-shot、Chain-of-Thoughtなどの基本テクニックから、実務でそのまま使えるパターンまで体系的にカバーしている。
プロンプト設計は「書き方」の問題だと思われがちだが、実際にはLLMの応答特性を理解した上での構造設計だ。本書はその視点を養うのに向いている。
一つ補足すると、プロンプトエンジニアリングの分野は進化が速い。本書と合わせて、DAIR.AIが公開しているPrompting Guide（promptingguide.ai）も併読するのがおすすめだ。書籍で基礎を固め、オンラインリソースで最新手法をキャッチアップするのが効率的な学び方だと感じている。
こんな人に: エージェントのプロンプト設計を体系的に学びたい人、ハルシネーション対策やレスポンス品質の改善に取り組みたい人
まとめ
| ステップ | 読む本 | 得られるもの |
|---|---|---|
| 1. LLMの中身を知る | つくりながら学ぶ！LLM 自作入門 | Transformerの実装力、モデルの動作原理 |
| 2. エージェント理論を学ぶ | エージェントアプローチ人工知能 | 自律エージェントの設計原則 |
| 3. 本番運用の設計力を得る | 機械学習システムデザイン | MLOps、監視、データパイプライン |
| 4. エージェントを実装する | Generative AI with LangChain | RAG、メモリ、マルチエージェント |
| 5. プロンプト設計を磨く | The Art of Prompt Engineering | エージェントの推論精度向上 |
今の課題別に1冊選ぶなら:
- LLMがどう動いているか分からない → 「つくりながら学ぶ！LLM 自作入門」
- エージェントの設計方針に自信がない → 「エージェントアプローチ人工知能」
- 本番デプロイ後のトラブルに悩んでいる → 「機械学習システムデザイン」
- とにかく動くエージェントを早く作りたい → 「Generative AI with LangChain」
- プロンプトの品質にばらつきがある → 「The Art of Prompt Engineering」
どれか1冊だけ選ぶ余裕しかないなら、自分の現在地に一番近いものを手に取ってほしい。全部読む必要はないが、理論と実装の両輪を意識して選ぶと、遠回りせずに済む。