The Complete Agentic AI Engineering Course (2025) のバックアップ(No.13)

[ トップ ]   [ 新規 | 一覧 | 単語検索 | 最終更新 | ヘルプ ]

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• The Complete Agentic AI Engineering Course (2025) へ行く。
  • 1 (2025-07-26 (土) 14:54:26)
  • 2 (2025-07-26 (土) 15:05:16)
  • 3 (2025-07-31 (木) 12:08:37)
  • 4 (2025-08-18 (月) 12:14:24)
  • 5 (2025-08-18 (月) 20:17:39)
  • 6 (2025-08-19 (火) 11:35:32)
  • 7 (2025-08-19 (火) 19:09:45)
  • 8 (2025-08-19 (火) 23:20:08)
  • 9 (2025-08-21 (木) 12:10:18)
  • 10 (2025-08-21 (木) 13:54:23)
  • 11 (2025-08-21 (木) 18:42:20)
  • 12 (2025-08-21 (木) 22:07:02)
  • 13 (2025-08-22 (金) 03:12:18)
  • 14 (2025-08-22 (金) 17:37:00)
  • 15 (2025-08-22 (金) 19:06:42)
  • 16 (2025-08-23 (土) 08:26:56)
  • 17 (2025-08-24 (日) 16:25:09)
  • 18 (2025-08-25 (月) 17:52:18)
  • 19 (2025-08-25 (月) 23:42:28)
  • 20 (2025-08-26 (火) 15:37:19)
  • 21 (2025-08-26 (火) 23:11:23)
  • 22 (2025-08-27 (水) 03:44:41)
  • 23 (2025-08-27 (水) 16:43:13)
  • 24 (2025-08-27 (水) 20:13:28)
  • 25 (2025-08-28 (木) 02:14:22)
  • 26 (2025-08-28 (木) 15:50:29)
  • 27 (2025-08-28 (木) 21:47:33)
  • 28 (2025-08-29 (金) 02:11:57)
  • 29 (2025-09-04 (木) 09:29:57)
  • 30 (2025-09-05 (金) 11:30:07)
  • 31 (2025-09-07 (日) 18:13:52)
  • 32 (2025-09-08 (月) 18:47:56)
  • 33 (2025-09-08 (月) 23:57:13)
  • 34 (2025-09-09 (火) 11:58:25)
  • 35 (2025-09-09 (火) 15:20:29)
  • 36 (2025-09-10 (水) 01:51:10)

---

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

• 戻る > 教育系
  • LLM Engineering：Master AI、Large Language Models＆Agents
  • The Complete Agentic AI Engineering Course (2025)

目次 †

概要 †

• https://www.udemy.com/course/the-complete-agentic-ai-engineering-course/
• 世界10万人が学んだ講師が教えるAIエージェント開発(日本語字幕)
  https://www.udemy.com/course/the-complete-agentic-ai-engineering-course-japanese/

このコースは、経験豊富なプログラマーの方から、初心者の方まで、Agentic AIの変革の可能性を探求したい方に最適です。自律型AIエージェントの設計、構築、導入スキルを習得し、現実世界のビジネス課題の解決を支援します。実践的なプロジェクトに積極的に参加することで、刺激を受け、需要の高い専門知識を習得できます。この刺激的な旅にご参加いただき、AIの世界であなたの未来を切り開きましょう！

1. キャリアアバター（自己紹介AIエージェント）：将来の雇用主にあなたを代表する独自のエージェントを構築して展開。
2. 即席のSDR（セールス・ディベロップメント・レプレゼンタティブ）エージェント：プロフェッショナルなメールを作成して送信する営業担当者を作成。
3. 独自のDeep Researchエージェント：OpenAIのホスト型ツールを使用して任意のトピックについて徹底的な調査を行うエージェント・チームを実装。
4. CrewAI を使用して数分で財務調査・分析エージェントを構築し、良い投資先の検索を自動化。
5. Docker上にCrewAI と 独自の4エージェント エンジニアリング チームを展開してアプリを開発。
6. OpenAI の Operator Agent の独自バージョンを構築します。Sidekick は、LangGraph を介してブラウザー内で連携。
7. エージェント クリエーター - AutoGen を使用して新しいエージェントを構築および起動し、無限の AI の可能性を解き放つエージェント。
8. キャップストーン - 6 台の MCP サーバーと 44 個のツールを活用し、4 人のエージェントが自律的に取引を行うトレーディング フロアを構築。

詳細 †

• 前提知識として、エージェントの下位スタックにあたる「LLM Engineering：Master AI、Large Language Models＆Agents」程度の前提知識はあった方が良い。
• 何気に「LLM Engineering：Master AI、Large Language Models＆Agents」でもエージェントは出てきていたが、コチラは、より今風（2025）のエージェント
• しかし、これらの前提知識（E資格相当）がなくとも、エージェントについて理解したりコードを書けるようにするだけの目的で、コンテンツは十分に機能はする。
• その他「LLM Engineering：Master AI、Large Language Models＆Agents」と同様で、講師のローカル環境はMACのM1でGitHub上にコードが配置されている。
• なお、私は、WindowsのWSL2のUbuntuなので、Cursor IDEはWindows側に入れてWSLプラグインでUbuntuと接続する。

• その他、個人的に思ったコト...

• 何故自前で実装する？ → 一応、SDKでカスタム開発されたエージェントは、ライブラリの汎用エージェントと比べ、特化型のタスクにおいて性能差を示す事がある。
  • 出力制御と品質保証：関数呼び出しだけでは「応答が壊れていた場合のハンドリング」が弱いので、結果のバリデーション + 評価ループによる再実行を書く必要あり。
  • 複数エージェントやツールのオーケストレーション：複数のツール選択やハンドオフ制御は、単純な関数呼び出しではなく「フロー制御」が必要

• ...

前提ソフト †

パッケージ †

• エージェント
  • OpenAI Agents SDK
  • CrewAI
  • AutoGen
  • LangChain/LangGraph/LangSmith

• ツール
  • LightLLM：LangChainのような複雑な構造がなく、あらゆるLLMに簡単に接続。
  • ...

アプリ †

• Cursor IDE
• Playwright
• SQLite

サービス †

• OpenAI、Anthropic、Gemini、DeepSeek?、Grok

• MCPサーバー
  • Brave Search
  • Alpha Vantage API

• SendGrid?

Week1 †

• キャリアアバター（自己紹介AIエージェント）：将来の雇用主にあなたを代表する独自のエージェントを構築して展開。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/1_foundations

Day1 †

• 内容
  • 自律型AIエージェントデモ：n8nを使ったスマートホームデバイスの制御
  • AIエージェントフレームワーク解説：OpenAI SDK、CrewAI、LangGraph、AutoGen
  • エージェント開発環境のセットアップ：Cursor IDE、UV、APIオプションの理解
  • WindowsでのAI開発環境セットアップ：Git、Cursor IDE、UVパッケージマネージャー
  • MacでのAIプロジェクトセットアップ：GitHub、Cursor IDE、OpenAI APIキー
  • 初めてのエージェントAIワークフロー構築：OpenAI APIを使ったステップバイステップガイド
  • エージェントAI入門：自律性を持つマルチステップLLMワークフローの作成

• 要約
  • n8n というローコード／ノーコードのワークフローアプリを用いて、生成AIとツールを組み合わせたエージェントの動作例を実演。
  • LLMチャットから、Philips Hueの照明制御ツールを接続し部屋の電球を点灯・色変更（Philips Hue MCPサーバー）。
  • 今後のコースではローコードツールを離れ、実際にコードを書いてAIエージェントを構築し、複数のエージェントを連携させて問題解決に挑む
  • コーディング開始前に環境設定が必要。IDEは Cursor、仮想環境管理には UV を使用（Anacondaの代替）。
  • 環境設定：Windows/Mac/Linux（GitHubリポジトリの取得 → Cursor IDE導入 → uvで環境構築 → OpenAIキー設定 → .envファイル作成）
  • 演習課題：エージェント的 (1) LLMにビジネスセクターを選ばせる (2) そのセクターのペインポイントを特定させる (3) AIソリューションを提案させる

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/1_foundations/1_lab1.ipynb

Day2 †

（座学）

• 内容
  • 効果的なエージェントの構築：LLMの自律性とツール連携の解説
  • 堅牢なAIシステムを構築するための5つの必須LLMワークフローデザインパターン
  • LLMアプリケーション設計におけるエージェントパターンとワークフローパターンの理解

• 要約

• エージェントの定義は曖昧だが「エージェントアーキテクチャ」の理論解説。
  • 一般的な特徴：複数LLM呼び出し、ツール使用、連携、プランナー、自律性。
  • Hugging Faceの定義：LLMの出力がワークフローを制御するプログラム
  • Anthropicの区分：ワークフロー vs エージェント
  • 多くの「エージェント」と呼ばれるものは実際にはワークフロー

• Anthropic社が提示する「ワークフローを持つエージェントシステムの5つのデザインパターン」
  • プロンプトチェイニング：固定された一連のサブタスクに分解し、LLM呼び出しを連鎖させる方式
  • ルーティング：LLMが入力を分類し、専門性の異なる複数のLLMの中から最適なものを選択
  • 並列化：「コードが」タスクを複数に分割し、複数のLLMで同時処理
  • オーケストレーター・ワーカー：「LLMが」複雑なタスクを分解・再結合
  • エバリュエーター・オプティマイザー：生成LLM と 評価LLM の二段構えのフィードバックループ

• オープンエンド型のエージェントデザインパターン
  • 固定パスがない：一連のステップに従うのではなく、動的で流動的。
  • 継続可能でフィードバックループがある：LLMは環境から情報を受け取りつつ繰り返し行動できる。
  • 大きな柔軟性：より複雑で広範な問題を扱える。
  • 予測不可能性：時間、コスト、品質が予測できない。
  • 対策として、モニタリングやガードレールを実装

• コンテンツ

Day3 †

• 内容
  • 複数LLMのオーケストレーション：GPT-4o、Claude、Gemini、DeepSeek?の比較
  • マルチLLM API連携：OpenAI、Anthropic、その他のモデルの比較
  • LLM APIの比較：OpenAIクライアントライブラリでClaude、Geminiなどを利用する
  • マルチモデルオーケストレーション：AIの応答を評価するシステムの構築
  • エージェントパターンとツール利用の連携：AI構築に不可欠な要素

• 要約
  「エージェント型ワークフローの構築」と「複数LLMのオーケストレーション」に焦点
  • 使用モデル（OpenAI、Claude、Gemini、DeepSeek?、Grok、Ollama）をVellum Leaderboardで比較
  • Cursor IDE上で複数のLLMを設定・呼び出し、応答を取得・比較しながら学ぶ実践型ラボ
  • Anthropic以外、OpenAI互換API形式を採用。ローカル実行はリソースに依存、適切なモデルを選択。
  • 複数LLMの回答を評価・順位付けするPythonモデル間オーケストレーション実装と商業的応用例

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/1_foundations/2_lab2.ipynb

Day4 †

• 内容
  • AIエージェントフレームワークの比較：LLMオーケストレーションにおけるシンプルさとパワー
  • リソース vs. ツール：エージェントAIでLLMの能力を強化する2つの方法
  • GradioとOpenAIであなたのように振る舞うWebチャットボットを構築する
  • Geminiを使ってGPT-4の応答を評価する：マルチLLMパイプライン
  • エージェントLLMワークフローの構築：リソース、ツール、構造化出力

• 要約
  

• フレームワーク「使わない：MCP直」、「軽量：OpenAI、Crew AI」、「重量：LangGraph、AutoGen」
• リソース・構造化出力・ツールを組み合わせ、エージェント的フローを構築する。
• 「リソース：LLMの回答を強化する情報やデータ」「ツール：LLMに拡張アクションを実行させる手段」
  • リソース実装：GradioのUIからPyPDF2で読んでLLMに投げるキャリアアバター（自己紹介AI）
  • 構造化出力：自己紹介の内容を構造化出力
  • ツール実装：結果をLLMで評価 → 必要に応じて再回答（デバッグ技術で内部動作を把握）

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/1_foundations/3_lab3.ipynb

Day5 †

• 内容
  • あなたのキャリアの分身を構築：LLMの関数呼び出しとプッシュ通知
  • LLMのツール呼び出しを解明：関数リクエストの処理と実行方法
  • AIアシスタントの構築：未知の質問を処理するためのツールの実装
  • AIエージェントの作成とデプロイ：チャットループからHuggingFace? Spacesまで
  • キャリア会話チャットボットをGradioにデプロイする
  • 基礎週間の総括：APIとツールで完全なAIエージェントを構築する

• 要約

• LLMからのJSONツール呼び出しを受け取り、Pythonで関数を実行する仕組みの解説
  • プロンプトやAPIの設定から、Function Callingを実装し、tool_calls を取得する。
  • handle_tool_calls：tool_calls に含まれる下記の各ツール呼び出しを順番に処理
  • record_user_details：ユーザー情報（メール、名前、メモ）を記録してプッシュ通知
  • record_unknown_question：答えられなかった質問を記録して通知

• GradioでチャットUIを作成し、Hugging Face Spaces にデプロイ。
• 改善と拡張の提案、商業的活用の観点についての解説。

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/1_foundations/4_lab4.ipynb

Week2 †

• 即席のSDR（セールス・ディベロップメント・レプレゼンタティブ）エージェント：プロフェッショナルなメールを作成して送信する営業担当者を作成。
• 独自のDeep Researchエージェント：OpenAIのホスト型ツールを使用して任意のトピックについて徹底的な調査を行うエージェント・チームを実装。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/2_openai

Day1 †

• 内容
  • 非同期Pythonの理解：OpenAI Agents SDKの基礎
  • OpenAI Agents SDKの基礎：エージェントの作成、トレース、実行
  • OpenAI Agents SDK入門：Agent、Runner、Traceクラスの概要
  • Vibe Coding：LLMで効率的にコードを生成するための5つの必須テクニック
  • OpenAI Agents SDK：AI開発のためのコアコンセプトの理解

• 要約
  • OpenAI Agents SDK
    • asyncioの基本概念を理解することが必須で、特にI/O待ちの多いエージェント処理で威力を発揮
    • 重要な用語：エージェント、ハンドオフ、ガードレール
    • 実行ステップ：create、with trace、await runner.run

• バイブコーディング
  • LLMにコードを生成させ、それに少し修正を加えながら進めるアドホックな作業モード
  • 5つのヒント：１つ１つ丁寧に、鵜呑みにせず、検証的に、段階的に、根拠含め多様な解を得る。

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/2_openai/1_lab1.ipynb

Day2 †

• 内容
  • SendGrid?でAIセールスエージェントを構築：Agent SDKでのツールと連携
  • 並行LLM呼び出し：並列エージェント実行のためのAsyncioの実装
  • エージェントをツールに変換する：階層的なAIシステムの構築
  • エージェントの制御フロー：ハンドオフとエージェント・アズ・ツールの使い分け
  • 関数呼び出しからエージェントの自律性へ：OpenAI SDKによるセールスオートメーション
  • ビジネス向けエージェントAI：インタラクティブなセールスアウトリーチツールの作成

• 要約
  • SendGrid?を使ったメール送信環境を準備し、3種類のSales Development Agentを作成してストリーミングでメールコンテンツを生成
  • OpenAIの@function_toolデコレータを使うことで、以前は大量のJSONを手動で書く必要があったツール化が大幅に簡略化
  • 複数のエージェントをツール化し、管理エージェントは与えられたツールを使ってメールを生成し最良のモノを選びハンドオフで送信。
  • 「ツール化：エージェントを外部から呼び出せる道具として提供」「ハンドオフ化：タスクを他のエージェントやシステムに引き渡す」

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/2_openai/2_lab2.ipynb

Day3 †

• 内容
  • マルチモデル連携：OpenAIエージェントでGemini、DeepSeek?、Grokを使用する
  • 堅牢なAIエージェントシステムのためのガードレールと構造化出力の実装
  • 実践におけるAIセーフティ：LLMエージェントアプリケーションのためのガードレールの実装

• 要約
  • 異なるLLM（OpenAI以外含む）をAgents SDKで扱う。ツール化とハンドオフ、構造化出力とガードレール導入。
  • 事例から、自律型エージェントは本質的に不安定さを持ち、明示的制御が必要とが確認された。
  • AnthropicのClaudeがOpenAI互換でないためOpenRouter?やMCPプロトコルといった代替手段を紹介。
  • 「careful sales manager」というエージェントで構造化出力 → ガードレールでPII（個人情報）入力を防ぐ。

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/2_openai/3_lab3.ipynb

Day4 †

• 内容
  • 深層リサーチエージェントの構築：OpenAIのWeb検索ツールの実装
  • プランナーエージェントの構築：AIにおけるPydanticによる構造化出力の活用
  • GPT-4エージェントと非同期タスクによるエンドツーエンドのリサーチパイプライン構築
  • 深層リサーチエージェントの構築：AsyncIOによる並列検索

• 要約

• Deep Researchはエージェント型AIの典型的なユースケースを紹介
  • 独自のDeep ResearchエージェントをOpenAIのホスト型ツールを使用して実装。
  • ホスト型ツールには「Web検索ツール」「ファイル検索ツール」「コンピュータ・ツール」がある。
  • 今回は「Web検索ツール」を使い、コレは、1回あたり2.5セント程度のコストがかかる。
  • 実際に「2025年の最新AIエージェントフレームワーク」を検索、
    LangChain, LangGraph, Crew AI, Semantic Kernel, AutoGen などの結果を得る。

• クエリを受け取り、その調査に役立つ複数の検索クエリを考案するエージェントを作成
  • 実際に検索を行うのではなく、検索計画（検索すべきキーワードと理由）を構造化出力で返す。
  • 1回の検索に約2.5セントかかるため、初期設定は3回の検索に制限。回数を増やせば網羅性は増すがコストも上がる。
  • 構造化は、WebSearchPlan?（searches = WebSearchItem?（reason、query）のリスト）のPydanticモデルとして出力される。
  • docstringで注釈を加えることでモデルの出力品質を高める（内容、意味や制約、期待する値の形式を自然言語で補足）

• AIエージェント（検索計画、検索実行、レポート作成、メール送信）を組み合わせて調査レポートを作成・メール送信
• 各エージェントを関数でラップする。関数を順次呼び出すフローを書くことで、エージェント・フローを実装できる。

• コンテンツ
  • https://github.com/ed-donner/agents/blob/main/2_openai/4_lab4.ipynb

Day5 †

• 内容
  • Gradio UI実装によるモジュール型AIリサーチシステムの構築
  • 深層リサーチアプリ：Gradioで自律型AIエージェントを可視化・監視する
  • GradioとHuggingFace? Spacesでスマートリサーチエージェントをデプロイする

• 要約
  • ノートブックで試作したエージェントを整理されたPythonモジュールとGradio UIへ移行
  • 試作コードから本格的なアプリケーション構造へ進化させるプロセスを学ぶ
  • deep_researchスクリプトをUV経由で実行し、Gradio UIに非同期リサーチ結果を表示
  • GradioでUIを調整し、Gradio deployでHugging Faceにデプロイして共有可能。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/2_openai/deep_research

Week3 †

• CrewAI を使用して数分で財務調査・分析エージェントを構築し、良い投資先の検索を自動化。
• Docker上にCrewAI と 独自の4エージェント エンジニアリング チームを展開してアプリを開発。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew

Day1 †

• 内容
  • Crew AIフレームワーク：協調型AIエージェントチームの作成
  • Crew AIフレームワーク解説：エージェント、タスク、処理モードのチュートリアル
  • Crew AIとLightLLM：複数LLMを連携させる柔軟なフレームワーク
  • Crew AIチュートリアル：GPT-4o miniを使ったディベートプロジェクトのセットアップ
  • Crew AIと複数LLMでAIディベートシステムを作成する方法
  • CrewAIでAIディベートシステムを構築：異なるLLMの比較

• 要約
  • Crew AI は uv ツールを利用しており、プロジェクトも uv ベースでセットアップされる。
  • Crew AIが提供する3つのプロダクト、Enterprise / UI Studio / Frameworkで、ココでは、OSSのFrameworkにフォーカス。
  • Frameworkのエージェントには、Crews：自律協調的に問題解決を行う方式と、Flows：決定論的で監査可能なワークフロー方式がありココでは前者にフォーカス。
  • Crewの概念：「エージェント」と「タスク」の集合体で、実行モードにはシーケンシャル・ヒエラルキー型がある。「エージェント」は「役割・目標・バックストーリー」を持ち「タスク」を処理する。
  • Crewごとに 完全なプロジェクトとディレクトリ構造 が自動生成され、エージェントやタスクは、@CrewBase?, @agent, @crew, @taskなどのデコレータで整理、YAMLファイルで設定可能
  • CursorでCrewプロジェクトをゼロから作成し、ディレクトリ構成や自動生成ファイルを確認。続いて、エージェントの定義をYAMLで行い「役割・目標・バックストーリー」の重要性を解説。
  • Crew AI を使った複数エージェント（ディベーターとジャッジに異なるLLMを割り当て）構成のディベート・シナリオを構築するデモンストレーション

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew/debate

Day2 †

• 内容
  • Crew AIプロジェクトの構築：ツール、コンテキスト、Google検索連携
  • Crew.aiでマルチエージェント金融リサーチシステムを構築する
  • Web検索でAIエージェントを強化：知識のカットオフ問題を解決する

• 要約
  • CrewAI を使った財務調査・分析エージェントの設定、タスク構築、モデル選択、実行までのフローをステップごとに解説
  • 高速Google検索APIのSerper API（無料クレジット）を準備、サインアップ後、APIキーを取得し環境変数「SERPER_API_KEY」を設定
  • 最新のテスラの財務調査・分析レポートを生成。ツール追加で最新情報を取得できるようになり、高品質な自動レポート作成が可能に。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew/financial_researcher

Day3 †

• 内容
  • Crew AIで株式ピッカーを構築：投資のためのマルチエージェントシステム
  • Crew AIでのPydantic出力の実装：株式ピッカーエージェントチュートリアル
  • Crew AIのカスタムツール開発：JSONスキーマとプッシュ通知

• 要約
  • 新しいプロジェクト「株式銘柄選択ツール」を構築し、CrewAIの応用例を学ぶ。
  • 3つの新要素:「Crewでの構造化出力」「カスタムツール（Serper＋Pushover）」「ヒエラルキー型」
  • エージェント・タスクを1対1で対応させる。
    • エージェント（Manager、Trending Company Finder、Financial Researcher、Stock Picker）
    • タスク（Find Trending Companies、Research Trending Companies、Pick Best Company）

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew/stock_picker

Day4 †

• 内容
  • Crew AIのメモリ：AIエージェントのためのベクトルストレージとSQL実装
  • コーディングタスクのためのCrew AI：Pythonコードを生成・実行するエージェント
  • Pythonを記述するAIエージェントの作成：Coderによる実践的な実装

• 要約

• 銘柄選択プロジェクトへのメモリ組み込み。
  • 5つのメモリタイプ（種類）：長期（RDB）、短期（RAG）、実体（RAG）、文脈（統合）
  • 短期・長期・エンティティメモリをインポートし、RAGストレージやSQLiteストレージを設定。

• Pythonコードを書き、実行できる「コーダーエージェント」をCrew環境で作成する。
  • Dockerコンテナを利用することで、隔離された安全な環境でコード実行が可能。
  • 「コーダーエージェント」は単なるコード生成ツールではなく問題解決のための手段。
  • 円周率πの近似（交互級数 を10,000項計算し、合計に4を掛ける）のコードを生成して実行。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew/stock_picker
  • https://github.com/ed-donner/agents/tree/main/3_crew/coder

Day5 †

• 内容
  • AIチームの構築：協調開発のためのCrew AIの設定
  • 株式取引フレームワークのための協調型AIエージェント開発
  • GPT-4oとClaudeを使って取引アプリケーションを構築する
  • 単一モジュールから完全なシステムへ：高度なCrewAIテクニック

• 要約
  • さらにCrewに、リードに設計、バックエンドに実装、フロントエンドにUI作成、テストエンジニアに単体テストを割り当て。
  • 最後に、取引プラットフォーム用の口座管理・ポートフォリオ管理フレームワークを作るコーディングチャレンジを実行
  • UIやバックエンド・フロントエンドの連携がスムーズに動作した体験に非常に感動し、これを強調
  • CrewAIは多機能で便利だが、処理が隠蔽されているためデバッグが難しいというトレードオフがある。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/3_crew/coder

Week4 †

1. OpenAI の Operator Agent の独自バージョンを構築します。Sidekick は、LangGraph を介してブラウザー内で連携。
2. エージェント クリエーター - AutoGen を使用して新しいエージェントを構築および起動し、無限の AI の可能性を解き放つエージェント。
3. キャップストーン - 6 台の MCP サーバーと 44 個のツールを活用し、4 人のエージェントが自律的に取引を行うトレーディング・フロアを構築。

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/4_langgraph

Day1 †

• 内容
  • LangGraph解説：堅牢なAIエージェントを実現するグラフベースアーキテクチャ
  • LangGraph解説：フレームワーク、Studio、Platformコンポーネントの比較
  • LangGraphの理論：高度なエージェントシステムを構築するためのコアコンポーネント

• 要約

• コンテンツ

Day2 †

• 内容
  • LangGraph深掘り：グラフベースのエージェントワークフローにおける状態管理
  • LangGraphをマスターする：状態オブジェクトの定義とリデューサーの使用方法
  • LangGraphの基礎：ノード、エッジ、ワークフローのステップバイステップ作成
  • LangGraphチュートリアル：グラフ構造を持つOpenAIチャットボットの構築

• 要約

• コンテンツ

Day3 †

• 内容
  • LangGraph上級チュートリアル：スーパーステップとチェックポイント機能の解説
  • LangsmithのセットアップとLangGraphアプリケーション用カスタムツールの作成
  • LangGraphのツール呼び出し：条件付きエッジとツールノードの操作
  • LangGraphのチェックポイント機能：会話間でメモリを維持する方法
  • SQLiteによる永続的AIメモリの構築：LangGraphの状態管理

• 要約

• コンテンツ

Day4 †

• 内容
  • LangGraphとPlaywrightの連携：WebブラウジングAIエージェントの作成
  • AIウェブアシスタントの作成：Playwright、LangChain、Gradioの実装
  • LLM評価者エージェント：構造化出力によるフィードバックループの作成
  • LLMフィードバックループの作成：LangGraphでのワーカー・評価者パターンの実装
  • LangGraph、Gradio、ブラウザオートメーションでAIサイドキックを構築する

• 要約

• コンテンツ

Day5 †

• 内容
  • エージェントAI：アシスタントにWeb検索、ファイルシステム、Python REPLを追加する
  • LangChainツール連携：強力なAIサイドキックをゼロから構築する
  • AIワークフローの作成：グラフビルダーとノード間通信技術
  • Gradioアプリで状態管理を使い、独立したユーザーセッションを作成する
  • AIフィードバックループの内部：AIがエラーを評価・修正する仕組みを見る
  • AIアシスタントのアップグレード：メモリ、明確化の質問、カスタムツール

• 要約

• コンテンツ

Week5 †

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/5_autogen

Day1 †

• 内容
  • Microsoft Autogen 0.5.1：初心者のためのAIエージェントフレームワーク解説
  • AutoGenと他のエージェントフレームワークの比較：機能とコンポーネント
  • AutoGen Agent Chatチュートリアル：ツール作成とデータベース連携
  • AIの必須コンポーネント：モデル、メッセージ、エージェントの解説

• 要約

• コンテンツ

Day2 †

• 内容
  • 高度なAutogen Agent Chat：マルチモーダル機能と構造化出力
  • AutoGenとLangchainでプライマリーエージェントと評価者エージェントを実装する
  • ヘッドレスWebスクレイピングチュートリアル：AutoGenでのMCPサーバーフェッチ連携

• 要約

• コンテンツ

Day3 †

• 内容
  • AutoGen Core：分散エージェント通信のバックボーン
  • Autogen Coreでのエージェント通信：メッセージハンドラとディスパッチ
  • AutoGenCore?のエージェント登録とメッセージハンドリング：実践例
  • AutoGenCore?スタンドアロンエージェント：GPT-4oとLlamaでじゃんけん

• 要約

• コンテンツ

Day4 †

• 内容
  • Autogen Core分散ランタイム：アーキテクチャとコンポーネントの解説
  • AutoGen CoreとgRPCランタイムで分散AIエージェントを実装する
  • 分散エージェントシステムの構築：AutoGenのクロスプロセス通信

• 要約

• コンテンツ

Day5 †

• 内容
  • AutoGenで他のエージェントを記述・デプロイする自律型エージェントの作成
  • Autogen Coreとテンプレートによるエージェント間メッセージングの実装
  • 非同期Pythonを使って連携する自律型AIエージェントの作成

• 要約

• コンテンツ

Week6 †

• コンテンツ
  • https://github.com/ed-donner/agents/tree/main/6_mcp

Day1 †

• 内容
  • モデルコンテキストプロトコル（MCP）入門：AnthropicのAIコネクタ
  • MCPアーキテクチャ解説：ホスト、クライアント、サーバーの理解
  • MCPサーバー・スタジオ：LLMを強力な外部ツールに接続する
  • MCPサーバーマーケットプレイス：OpenAIエージェントのための数千のツールへのアクセス

• 要約

• コンテンツ

Day2 †

• 内容
  • MCPサーバーの作成方法：共有可能なツールコレクションの構築
  • 独自のMCPサーバーを構築：PythonコードからAIアクセス可能なツールへ
  • OpenAIでポートフォリオ管理のためのカスタムMCPツールを実装する
  • OpenAIとAnthropicのツール連携のためのMCPクライアントの実装方法
  • MCPアーキテクチャ：LLMエージェントツールのためのクライアント・サーバーシステムの構築

• 要約

• コンテンツ

Day3 †

• 内容
  • MCPナレッジグラフサーバーでAIエージェントに永続メモリを追加する
  • MCPサーバーでBrave SearchとAlpha Vantage APIをセットアップする
  • 金融データAPIのセットアップ：MCPサーバー接続のクローンと設定

• 要約

• コンテンツ

Day4 †

• 内容
  • メモリ共有とWeb検索を備えたマルチエージェント取引システムの作成
  • エージェントの連携：OpenAI SDKでリサーチャーをツールに変換する
  • ツールを使用する取引エージェント：株式市場リサーチのためのMCP実装
  • OpenAI Agents SDK：マルチエージェント取引システムモジュールの開発
  • 高度な手法：OpenAI Agents SDKでの取引関数の実装
  • 回復力のある取引エージェントの構築：金融AIシステムにおけるエラーハンドリング

• 要約

• コンテンツ

Day5 †

• 内容
  • 最終課題の集大成：AIトレーダーのためのプッシュ通知と戦略の進化
  • AI取引ダッシュボード：Gradioでポートフォリオのパフォーマンスを可視化する
  • エージェントAIエンジニアリング：コースの結論と実社会への応用

• 要約

• コンテンツ

参考 †

• WSL2で構築するWindows 11で動くLinux環境とCursor（カーソル）のセットアップ｜sojin
  http://note.com/sojin25/n/nd50cb457d882

コード †

• https://github.com/ed-donner/agents/
• 日本語化：https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/

スライド †

     

Site admin: TechInfoOfMicrosoftTech

PukiWiki 1.4.7 Copyright © 2001-2006 PukiWiki Developers Team. License is GPL.
Based on "PukiWiki" 1.3 by yu-ji. Powered by PHP 5.3.3. HTML convert time: 0.125 sec.