![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
「[[.NET 開発基盤部会 Wiki>http://dotnetdevelopmentinfrastructure.osscons.jp]]」は、「[[Open棟梁Project>https://github.com/OpenTouryoProject/]]」,「[[OSSコンソーシアム .NET開発基盤部会>https://www.osscons.jp/dotNetDevelopmentInfrastructure/]]」によって運営されています。 -[[戻る>テキスト生成系（Transformer系）]] > [[教育系>テキスト生成系（Transformer系）#eab0d86b]] --[[LLM Engineering：Master AI、Large Language Models＆Agents]] --The Complete Agentic AI Engineering Course (2025) *目次 [#h8073cbd] #contents *概要 [#cd603494] -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>LangChain]]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>LangChain]]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 [#s39e8b29] -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。 -前提 --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。 -解説 --英語版のトランスクリプトは微妙なので日本語版を選択する。しかし、時間の関係からか、講師はコードの詳細をあまり解説できていない。 --幸いにも、詳細の解説はGitHub上にコードが配置されているので、Copilotに生成して貰う事で代替できる。講師より詳細に説明してくれる。 --余談：日本語版と英語版を比べると、日本語版が最新版（英語版とGitHub実装）に追いついていないケースがエージェント版で観測されたので、そういうケースもありそうだと認識しておくと良いかも。 -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>LLMエージェント]]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 [#ve30029a] ***環境 [#ea76807c] -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>WSL2 Ubuntu 24.04 LTS 2025/1/21]]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>#def28b57]]）。 -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。>プロキシの設定方法]] ※ [[Cursor IDEは、VS Code＋GitHubに切り替えても良い。>#k5b7df6d]]。なお、可視性は、Jupyter Labの方が良い。 ***パッケージ [#i87adacc] -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>LangChain]] -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 [#k5b7df6d] -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 [#o833f7b3] -[[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 --Polygon.io %%Alpha Vantage API%% -Serper API -MediaWiki API -Pushover(✕ Twilio） -SendGrid（→ Resend） **Week1 [#td286183] -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 [#g92eb7d5] -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>LangChain]]、[[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 [#o1d5f7f8] （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）>LLMエージェント#x3f0673e]] -コンテンツ -- ***Day3 [#u9408f0b] -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 [#of86c961] -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>LangChain]]、[[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 [#kc86084a] -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 --https://github.com/ed-donner/agents/blob/main/1_foundations/4_lab4.ipynb --https://github.com/ed-donner/agents/blob/main/1_foundations/app.py --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/1_foundations/4_lab4_ja.ipynb --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/1_foundations/app.py **Week2 [#c23688fe] -[[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 [#n8daf7f2] -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 [#ncd0ab68] -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 [#d646dd11] -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 [#j67cddf1] -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>LangChain]], [[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 [#h6c42a49] -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 --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/2_openai/deep_research --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/2_openai/5_lab5_ja.ipynb **Week3 [#h7fab763] -[[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 [#c9871b08] -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 --https://github.com/ed-donner/agents/tree/main/3_crew/debate --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/my_crew --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/jp_crew --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/1_debate ***Day2 [#b480dc68] -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 [#x38dd3cd] -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 [#k450b6cf] -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 --https://github.com/ed-donner/agents/tree/main/3_crew/stock_picker --https://github.com/ed-donner/agents/tree/main/3_crew/coder --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/3_stock_picker --https://github.com/OpenTouryoProject/DxCommon/tree/master/Notebook/path/ed-donner_agents/3_crew/4_coder ***Day5 [#t641dbc5] -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 [#n9914116] -[[LangGraph>LangChain]]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>LangChain]]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 [#k64f2799] -内容 --[[LangGraph>LangChain]]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>LangChain]]解説：フレームワーク、Studio、Platformコンポーネントの比較 --[[LangGraph>LangChain]]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）>LangChain]] --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>LangChain]]の商用戦略として、Platformを前面に出して「[[LangGraph>LangChain]]」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 [#k2f14df5] -内容 --[[LangGraph>LangChain]]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>LangChain]]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>LangChain]]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>LangChain]]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>LangChain]]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 [#t40cf0b5] -内容 --[[LangGraph>LangChain]]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>LangChain]]のセットアップと[[LangGraph>LangChain]]アプリケーション用カスタムツールの作成 --[[LangGraph>LangChain]]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>LangChain]]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>LangChain]]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>LangChain]]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>LangChain]]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 [#nab60c2e] -内容 --[[LangGraph>LangChain]]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>LangChain]]でのワーカー・評価者パターンの実装 --[[LangGraph>LangChain]]、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>LangChain]]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>LangChain]]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 --https://github.com/ed-donner/agents/blob/main/4_langgraph/3_lab3.ipynb --https://github.com/ed-donner/agents/blob/main/4_langgraph/4_lab4.ipynb --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/4_langgraph/3_lab3_ja.ipynb --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/4_langgraph/4_lab4_ja.ipynb ***Day5 [#l14398ec] -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 [#i48413af] -[[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 [#t7ce4ee5] -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 [#ec214a8a] -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 [#s0f5746c] -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 [#ucfd48c6] -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>https://techinfoofmicrosofttech.osscons.jp/index.php?async%2Fawait]]。 -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 [#b0ee9256] -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 [#g1a56535] -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 [#z758d941] -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 --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/1_lab1_ja.ipynb ***Day2 [#yd0d4c77] -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 --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/2_lab2_ja.ipynb ***Day3 [#i4d224ab] -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 Polygon.io 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：Polygon.io 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 --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/3_lab3_ja.ipynb ***Day4 [#t908df0a] -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 Polygon.io 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、4人のトレーダーと1人のリサーチャーが、6つのMCPサーバーから16の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（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、Ed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 --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/ --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/4_lab4_ja.ipynb ***Day5 [#v9fb2635] -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 Polygon.io Agentsに機能を追加し完成させる。 --4人のトレーダー：ウォーレン（ファンダメンタル）、ジョージ（マクロ経済イベント）、レイ（マクロ経済サイクル）、キャシー（イノベーション） --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。 --重要なこと ---解決策ではなく、問題から始める ---成功を評価する指標を持つ ---最初は自律性よりもワークフローを優先する ---トップダウンではなくボトムアップで作業する ---シンプルに始め、それから追加していく ---大規模なフロンティアモデルから始め削減していく ---メモリではなく実際のコンテキストを考慮 ---ほとんどの問題はプロンプトで解決する ---トレースを見ること ---研究者になる。研究開発への近道はない。 -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 --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/ --https://github.com/OpenTouryoProject/DxCommon/blob/master/Notebook/path/ed-donner_agents/6_mcp/5_lab5_ja.ipynb *参考 [#def28b57] **Cursor [#f4157fc6] -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 [#l8a17173] -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 [#uf357c75] ...
