The Complete Agentic AI Engineering Course (2025) のバックアップ(No.37)

「.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 †

目次
概要
詳細
- 前提ソフト
- Week1
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
- Week2
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
- Week3
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
- Week4
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
- Week5
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
- Week6
  - Day1
  - Day2
  - Day3
  - Day4
  - Day5
参考

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！

第1週：基礎を学ぶ
- PJ1：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。

第2週：OpenAI Agents SDKを学ぶ
- PJ2：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。
- PJ3：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。

第3週：CrewAI を学ぶ
- PJ4：財務調査・分析エージェント（Stock Picker）：CrewAI を使用して数分で構築し、良い投資先の検索を自動化。
- PJ5：4エージェント・エンジニアリング・チーム：Docker上にCrewAIの独自エージェント・チームを展開してアプリを開発。

第4週：LangGraphを学ぶ
- PJ6：OpenAIのAIエージェント「Operator」の独自バージョン、相棒・相方（Sidekick）：コレは、LangGraphを介してブラウザー内で連携。

第5週：AutoGenを学ぶ
- PJ7：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Agent Creator：

第6週：MCP を学ぶ
- PJ8：最終課題（集大成）：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。

その他、個人的に思ったコト...

まず、LLMエージェントについてコチラを見ておく。

何故、自前で実装する？
→ SDKでカスタム開発されたエージェントが、特化型のタスクにおいて顕著な性能差を示すため。
- ローコードの汎用エージェント＜ライブラリの汎用エージェント＜ SDKで開発されたカスタム・エージェント
- ローコードは設定可能な範囲が限られ、微調整や複雑な条件分岐が困難、SDKカスタムは、内部のデータ、アルゴリズムまで制御可能
- 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

何故、複数のフレームワークを紹介する？
→ エージェントはタスクが複雑で多様で、抽象化レイヤーが多く、フレームワークごとに得意領域が異なる。
- このため、エージェント設計では「どのフレームワークを使うか」がパフォーマンスや拡張性に直結する。
- 様々なフレームワークに触れておくことで、最適な選択を可能にする選択・比較能力の養成が目的。

↑

前提ソフト †

↑

環境 †

ちなみに講師のローカル環境はMACのM1だが、私は、WSL2 Ubuntu 24.04 LTSだった。
Cursor IDEはWindows側に入れてPython、Jupyter、WSLプラグインでUbuntuと接続（参考）。
仮想環境を起動したら、Jupyter Labを起動して、カーネルを[Existing Jupyter Server]からURLで指定する。
（手順では）カーネルから直接、仮想環境を選択できるような説明だったが、WSL経由だとできないのかもしれない。
プロキシ環境下、特にSSLフォワード・プロキシでは少々手こずる可能性がある。

※ Cursor IDEは、VS Code＋GitHubに切り替えても良い。。なお、可視性は、Jupyter Labの方が良い。

↑

パッケージ †

LLMクライアント
- OpenAI
- Anthropic：OpenAI SDK互換性を2025/8/1に停止（ClaudeでGPT-5の開発を支援していたとか）
- 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。

UI（Gradio、Streamlit）

LLM向けフレームワーク
- LangChain
- Semantic Kernel

エージェント

OpenAI Agents SDK
（以前はSwarmと呼ばれていた）

CrewAI

AutoGen

LangGraph

データストア
- SQLite
- Chroma

Agentツール
- langchain_community
  - FileManagementToolkit?：ローカルファイルと対話
  - GoogleSerperAPIWrapper：Google検索Serper APIのラッパ
  - WikipediaAPIWrapper：Wikipedia検索MediaWiki? APIのラッパ
  - PlayWrightBrowserToolkit?：次世代Selenium、MS製 - UIオートメーション
  - PythonREPLTool：対話型実行環境(≒即時実行結果確認)ツール

↑

アプリ †

JupyterLab

Cursor IDE
VS CodeベースのAI支援機能を搭載したコードエディタでJupyterの代替にNotebook系の開発に使える。

Visual Studio Code
...と言う事は、VS Code＋GitHubでも、大凡、Cursor IDEと同じ様に使える。

↑

サービス †

OpenAI、Anthropic、Gemini、DeepSeek?、Groq
OpenRouter?（紹介のみ、互換API、課金の一本化）

MCPサーバー
- Brave Search
- Alpha Vantage API

Serper API
MediaWiki? API

Pushover(✕ Twilio）
SendGrid?（→ Resend）

↑

Week1 †

基礎を学ぶ
- PJ1：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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/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 API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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/1_foundations/1_lab1_ja.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
- エージェントの定義（エージェントらしさ、デザインパターン）

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
- 複数LLMの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
- エージェントのデザイン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?、Groq、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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/1_foundations/2_lab2_ja.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＆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キャリアアバター（経歴紹介AI）を構築
- 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、CrewAI」、「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（経歴紹介AI）
- 構造化出力：自己紹介の内容の評価を構造化出力
- ツール実装：評価 → 再回答（今回は手書き、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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/1_foundations/3_lab3_ja.ipynb

↑

Day5 †

内容
- キャリアアバター（経歴紹介AI）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GradioチャットボットをHuggingFace? Spaces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

Function Callingでツール実装したキャリアアバター（経歴紹介AI）
- Gradioのチャット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

↑

Week2 †

OpenAI Agents SDKを学ぶ
- PJ2：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。
- PJ3：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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/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 １つ１つ丁寧に、② 鵜呑みにせず、③ 検証的に、④ 段階的に、⑤ 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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/2_openai/1_lab1_ja.ipynb

↑

Day2 †

内容
- SendGrid?（→ Resend）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 as 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?（→ Resend）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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/2_openai/2_lab2_ja.ipynb

※ ハンドオフはエージェントフローを「指揮」せず「委任」の形で実装できる感じ。

↑

Day3 †

内容
- マルチモデル連携：OpenAIエージェントでGemini、DeepSeek?、Groq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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/2_openai/3_lab3_ja.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, CrewAI, 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
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/2_openai/4_lab4_ja.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

↑

Week3 †

CrewAIを学ぶ
- PJ4：財務調査・分析エージェント（Stock Picker）：CrewAIを使用して数分で構築し、良い投資先の検索を自動化。
- PJ5：4エージェント・エンジニアリング・チーム：Docker上にCrewAIの独自エージェント・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
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/

↑

Day1 †

内容
- CrewAIフレームワーク：協調型AIエージェントチームの作成
- CrewAI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
- CrewAIとLightLLM：複数LLMを連携させる柔軟なフレームワーク
- CrewAI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
- CrewAI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
- CrewAI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。
- CrewAI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。
- CrewAI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

↑

Day2 †

内容
- CrewAIプロジェクトの構築：ツール、コンテキスト、Google検索連携
- CrewAI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
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/2_financial_researcher

↑

Day3 †

内容
- CrewAI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
- CrewAI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
- CrewAI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
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/3_stock_picker

↑

Day4 †

内容
- CrewAI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CrewAI：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

↑

Day5 †

内容
- AIチームの構築：協調開発のためのCrewAI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/engineering_team
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/5_engineering_team

↑

Week4 †

LangGraphを学ぶ
- PJ6：OpenAIのAIエージェント「Operator」の独自バージョン、相棒・相方（Sidekick）：コレは、LangGraphを介してブラウザー内で連携。

コンテンツ
- https://github.com/ed-donner/agents/tree/main/4_langgraph
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/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
- LangChain社は3つの製品を提供している：LangChain（最初期のLLMフレームワーク） / LangSmith（モニタリング） / LangGraph（エージェント）
- 複雑なマルチエージェントワークフローを（ノード、エッジ、状態の）「グラフ」構造で設計、安定性（人間の関与）・回復性（メモリ、状態復元）・再現性を重視。
- LangGraphの商用戦略として、Platformを前面に出して「LangGraph」と同一視して宣伝しているが、実際に学習対象となるのはフレームワーク部分
- LangChain系は便利だが、抽象化が増えることで内部の仕組みが不透明になり、デバッグが難しくなる。使う場合も内部の動きを理解することが重要。
- 構築の2フェーズと5ステップ：構築フェーズ（状態クラスを定義 / グラフビルダー起動 / ノード作成 / エッジ作成 / グラフをコンパイル）、実行フェーズ

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
- LangGraphは、状態を不変オブジェクトとして扱い、ノード関数とReducerによって安全に状態遷移を管理
- 余談：Redux の Reducer と同じで、現在の state と一連の Action の流れを通じ state を段階的に変化・集約。
- 変数や戻り値に「意味付け」をするPythonの型ヒント（特にAnnotated）がReducerを指定するために重要な役割を果たす。
- ノードを作り、グラフに追加し、エッジで接続し、コンパイルしてGradioチャットで実行する一連の流れをランダム文章生成を例に紹介。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/4_langgraph/1_lab1.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/4_langgraph/1_lab1_ja.ipynb

↑

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

スーパーステップの概念、状態管理とReducer、チェックポイント機能に付いて説明
- スーパーステップ：「グラフ全体の1回呼び出し」で並列実行ノードをまとめる。
- 状態管理とReducer：同一スーパーステップの状態変化をReducerで結合する。
- チェックポイント機能：各スーパーステップ終了後に状態を記録（凍結）

LangGraph上で、LangSmithの設定、LangChainの既製ツール利用、カスタムツール作成、ツール呼び出し方法
GradioのチャットボットとLangGraphのエージェント・ツール呼び出しを統合する手順と実行
チェックポイント機能により、独立した呼び出し間でも状態を保持・再現可能になり、任意の時点に戻って再実行できる。
メモリをSQLiteで永続化し、ツール呼び出しや会話の状態を保持、再起動や再利用時にも情報が維持されることを確認。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/4_langgraph/2_lab2.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/4_langgraph/2_lab2_ja.ipynb

↑

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

Playwright
- LangGraphを用いた非同期マルチエージェントワークフローの構築と、Playwrightブラウザツールの統合手順の解説
- Pythonでブラウザ操作ツールを自動化し、LLMと組み合わせてユーザー入力に応答するエージェントを構築・実行

Sidekick
- 「Sidekick」と呼ばれる大きなプロジェクトに向け、構造化出力とマルチエージェントフローを学ぶ。
- ワーカーLLMとエバリュエーターLLMを組み合わせたマルチエージェントフローで、LLMの出力を構造化して評価・状態管理、フィードバック処理を通じてタスク完遂を管理
- エージェントのワークフロー設計とルーティング→評価プロセスの解説（条件付きルーティングでワーカーとエバリュエーターを連携させ、状態と成功基準に応じてフローを制御）
- GradioとLangGraphを使った「Sidekick personal coworker」のデモで実装した内部的な仕組みを説明。

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
- Sidekickアプリに様々なツールを組み込み、より強力なAIエージェントとして機能させる
- 機能：ウェブ検索、プッシュ通知送信、FSアクセス、Wikipedia参照、Pythonコード実行（注意：自由度が上がれば危険性も高まる）
- ノートブックでのプロトタイピングを経て、モジュールとして本番環境で利用する。
- 構成と調整（ワーカーのプロンプト → ルーティング → エバリュエーター設定 → グラフ管理（構築と実行）→ クリーンアップ）
- Gradio での UI 操作はUIイベントハンドリングされ、Sidekickのエージェントのワークフローが呼び出され、そこで状態が管理される。
- デモ：Sidekickが計算や情報収集、レポート作成、ファイル更新などを自律的に行い、評価フィードバックを取り込みながら正確にタスクを完遂
- 課題：＝カスタマイズ、ポイントは「プロンプト、ツール追加、メモリやユーザー識別機能、エージェント権限とタスクの分散、意欲的に実験」など。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/4_langgraph/
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/4_langgraph/5_lab5_ja.ipynb

↑

Week5 †

AutoGenを学ぶ
- PJ7：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Agent Creator：

コンテンツ
- https://github.com/ed-donner/agents/tree/main/5_autogen
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/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
- AutoGenは手早く学べる非常に軽量でシンプルなフレームワークで、他との共通点も多い。
- 同名の分派 AG2 が存在するため、混同しないよう注意が必要。ココではMS公式版を採用。
- AutoGenは単一ではなく集合体（Core、AgentChat?、Studio、Magenta One）
- 中心的な構成要素（特にAgentChat?の）Models、Messages、Agents、Teams

コンテンツ
- https://github.com/ed-donner/agents/blob/main/5_autogen/1_lab1_autogen_agentchat.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/5_autogen/1_lab1_autogen_agentchat_ja.ipynb

↑

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
- AutoGen Agent Chatでは、マルチモーダル会話が可能、構造化出力が容易、LangChainツールへのアクセスが可能
- エージェント間でフィードバックを回すチーム形式で、より精度の高いアウトプットを生成可能だが無限ループや処理長時間化のリスクに注意する必要がある。
- エージェントが脱線する問題は、よりインテリジェントな終了条件を設定することで防げる。ハードコードされたテキスト検索だけに頼るのは避ける。
- MCP準拠のツールはAutoGenから簡単に利用可能。mcp_server_toolsで任意の処理をMCPクライアント対応のエージェントから使用できるようにMCPサーバから配信できる。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/5_autogen/2_lab2_autogen_agentchat.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/5_autogen/2_lab2_autogen_agentchat_ja.ipynb

↑

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
- AutoGen Coreのエージェント登録とメッセージハンドリング：実践例
- AutoGen Core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
- AutoGen Core は、多様で分散した自律型エージェント同士のインタラクションを管理する基盤。
- ライブラリ非依存でメッセージング機構とエージェント管理のみ提供、エージェント間の相互作用に焦点を置く。

基本概念
- 分離の原則：エージェントのロジック（実際の動作）とメッセージの配信方法、およびその相互作用を分離する。
- フレームワークの役割：エージェントの作成・ライフサイクル管理、メッセージ通信

ランタイムの種類
- スタンドアロン：ローカルマシンでシンプルに実行
- 分散型：リモートのエージェント間で相互作用

AutoGen Coreが「エージェント型の登録」「ID指定のメッセージルーティング」を提供、実際の処理はエージェントの実装に委ねられる。
「Hi there」→「You said 'Hi there' and I disagree」と回答するエージェントを組み合わせて、どのようになるかを示す簡単なデモ
続いて「じゃんけんゲーム」を構築・実行し、AutoGenの本質は異なるエージェント同士が相互作用できる仕組みを提供することを説明

コンテンツ
- https://github.com/ed-donner/agents/blob/main/5_autogen/3_lab3_autogen_core.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/5_autogen/3_lab3_autogen_core_ja.ipynb

↑

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
- AutoGen Core の分散ランタイムはまだ実験的で、本番利用には早いが将来性がある仕組み。
- 単一マシン上の処理ではなく、プロセスやマシンをまたいでメッセージングを行う。

構成要素は2つ：エージェントをホストサービスに登録し、分散環境で利用可能にする。
- ホスト・サービス：ワーカー・ランタイムを管理（セッション管理、メッセージ間通信）
- ワーカー・ランタイム：実際にエージェントを保持しコードを実行

エージェント起動のコードを変えるだけで、エージェントの登録先ワーカー（プロセス）を変更できる。
- 各エージェントを1つのワーカーに登録するか、別々のワーカーに登録するか変更できる。
- ワーカーの実体はプロセスで、単一プロセスか？複数プロセス構成か？を起動コードで変更できる。
- なお、スレッドは基本使わず、非同期（asyncio）でタスク並列処理がされる。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/5_autogen/4_lab4_autogen_distributed.ipynb
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/5_autogen/4_lab4_autogen_distributed_ja.ipynb

↑

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
- AutoGenの柔軟で動的な側面を学ぶため教育的で実験的な試としてAutoGenを使って"エージェント"を生成する"エージェント"を作る。
- agent.pyテンプレートからcreator.pyが生成したエージェントをworld.pyがオーケストレーション、対話、協力してアイデアを出す。
- コレには、importlib.import_moduleを使う。ただし、Pythonコードをガードレールなしで生成・実行するためリスクがある。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/5_autogen/
- https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/5_autogen/5_lab5_autogen_ja.ipynb

↑

Week6 †

MCP を学ぶ
- PJ8：最終課題（集大成）：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/6_mcp
- https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/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
- Anthropic社のModel Context Protocol (MCP) を中心に解説（MCP は Anthropic社が提唱・開発したプロトコル）
- 目的は、AIエージェントやLLMが外部のツールやデータソースと安全かつ標準化された方法でやり取りできるようにすること。
- LLMエージェントと外部ツール（データベース、API、アプリケーションなど）を接続する仕組みとして設計されている。
- MCPは大きく3つの要素で構成される（ホスト / クライアント / サーバー）。ホストがクライアントを使ってサーバからツールを取得。
- 3つのアーキテクチャモデル（ローカル実行（テスト） / ローカル＋外部（実際） / リモートサーバー（レア））
- よくある誤解、サーバーという言葉からサーバーで動作するものと考えがちだが、多くはローカル起点で動作。
- 通信方式（トランスポート）：stdio：一般的だがリモートでは利用不可。SSE：HTTPSベースでリモートで利用可。
- OpenAI Agents SDKにMCP（Model Context Protocol）が統合された最新機能を使ったデモ
- MCPサーバーは、PlaywrightやWeb Storage、MCP Weather、Slack、GitHub、Blender接続など多数が公開されている。
- MCPは、これら数千もの外部ツールを数行のコードで統合できる仕組みがシンプルながら強力。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/6_mcp/1_lab1.ipynb

↑

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
MCPクライアントとサーバーを使ったツール実行の裏側を理解し、統一的にリソースを管理・共有できる仕組みを示し、演習を通して体験

MCPサーバーを開発する（作らない場合、Function Callingだけで事足りる）
- Cursorのラボで独自の MCP サーバーを作成し、Python モジュールをツールとして公開
- クライアント実装 (accounts.py) とサーバー実装 (accounts_server.py) を分離して実装。
- 口座名、残高、戦略、保有資産、取引リスト、ポートフォリオ価値の時系列データから株の売買やポートフォリオ計算を行う。
- サーバーにデコレートされた関数（get_balance、get_holdings、buy_shares、sell_shares）が自動的にクライアントに公開される。
- MCPの実装は、データアクセスツールを取得し、ビジネスロジックはクライアント側に書くので、3C/Sの結果論的実装に近くなる（笑）。

MCPクライアントを開発する（クライアントはありモノ実装を使えばいいが、ココでは、あえて自作）
- クライアントを使用してMCPサーバーと通信、ツールやパラメーターを取得＆呼出。
- 必要になるのは、独自アプリケーションで複数のMCPサーバーを呼び出す場合や、既存のSDKが利用できない場合。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/6_mcp/2_lab2.ipynb

↑

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
3つのアーキテクチャモデル（ローカル実行 / ローカル＋外部 / リモートサーバー）の実装
- ローカル実行：ローカルストレージを使って、構造化された関係性ベースのメモリをエージェントに追加
- ローカル実行：ローカルMCPサーバーで、Brave Searchのウェブ検索を利用
- ローカル＋外部：Alpha VantageのリモートMCPサーバーによる株価取得の試行

コンテンツ
- https://github.com/ed-donner/agents/blob/main/6_mcp/3_lab3.ipynb

↑

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 Agents 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
最終課題では、OpenAI Agents SDKとMCPを用いた自律型エージェント「Autonomous Alpha Agents」のシミュレーターを開発。
- 金融市場を対象とした株式取引シミュレーションで、3人のトレーダーと1人のリサーチャーが、5つのMCPサーバーからツールやデータを取得して完全自律的に動作。
- リサーチャー：オンライン検索ツール（PlaywrightやBrave）を使用し市場調査やニュース収集など調査タスク担当に特化。MCPツールに変換される。
- トレーダー：MCPツールのリサーチャーが提供する情報に基づき取引判断を行う。口座情報、メモリ共有、ウェブ取得、検索ツールを持ち、キャッシュ機能で効率化。
- 先ずは、アリスというトレーダーをリサーチャーMCPツールで初期化し、戦略に基づく意思決定・株取引を実行、トレースで活動全体を検証。
- さらに、trade と rebalance という2つの主要タスクをエージェントに実行させ、自律的に株取引を行い、トレース様子を確認する。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/6_mcp/
- https://github.com/ed-donner/agents/blob/main/6_mcp/4_lab4.ipynb

↑

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
- 複数の自律エージェントがシミュレーション取引環境で取引を行うAutonomous Alpha Agentsに機能を追加し完成させる。
- 3人の典型的なトレーダー、アリス（積極的デイトレ）ボブ（長期的価値投資）キャロル（テクニカル投資）
- トレーダー毎にLLMを変え、新しいMCPツールとして「戦略変更」「プッシュ通知」を追加して使用。
- フロア（各トレーダーの取引やリバランスを実行）を追加し、GradioによるUIを実装する。

コンテンツ
- https://github.com/ed-donner/agents/blob/main/6_mcp/
- https://github.com/ed-donner/agents/blob/main/6_mcp/5_lab5.ipynb

↑

参考 †

↑

Cursor †

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
CursorやWindsurfを日本語化する方法【忘備録】 #VSCode - Qiita
https://qiita.com/k1mu0419/items/2d903660d1f571abb8f2

↑

コード †

↑

スライド †

...