出版書誌データベース

本書では、OpenAIによるAIサービスを利用するためのOpenAI API、オープンソースのLLMアプリ開発ライブラリLangChain を使って、LLM（大規模言語モデル）を活用したRAG（検索拡張生成）アプリケーション、そしてAIエージェントシステムを開発するための実践的な知識を基礎からわかりやすく解説します。
OpenAI のチャットAPI、プロンプトエンジニアリング、LangChainの基礎知識 について解説したあと、RAGの実践的手法や評価のハンズオンを行います。今後の生成AIシステム開発で重要となるAIエージェント開発はLangGraphを使って行い、さらにAIエージェントのデザインパターンと、パターン別のAIエージェントハンズオンまで解説します。
Open AIのAPIとフレームワークLangChainを学ぶことで、LLMの性質を活かしたサービスや業務システムを構築するのに必要な知識体系を習得し、業界地図を頭に描くことができるようになります。

第1章 LLMアプリケーション開発の基礎
1.1 活用され始めた生成AI
1.2 Copilot vs AIエージェント
1.3 すべてはAIエージェントになる
1.4 AIエージェントの知識地図
1.5 まとめ
第2章 OpenAIのチャットAPIの基礎
2.1 OpenAIのチャットモデル
ChatGPTにおける「モデル」
OpenAIのAPIで使えるチャットモデル
モデルのスナップショット
2.2 OpenAIのチャットAPIの基本
Chat Completions API
Chat Completions APIの料金
発生した料金の確認
COLUMN GPT-4とGPT-4 Turbo
COLUMN Batch API
2.3 入出力の長さの制限や料金に影響する「トークン」
トークン
Tokenizerとtiktokenの紹介
日本語のトークン数について
2.4 Chat Completions APIを試す環境の準備
Google Colabとは
Google Colabのノートブック作成
OpenAIのAPIを使用するための登録
OpenAIのAPIキーの準備
2.5 Chat Completions APIのハンズオン
OpenAIのライブラリ
Chat Completions APIの呼び出し
会話履歴を踏まえた応答を得る
ストリーミングで応答を得る
基本的なパラメータ
JSONモード
Vision（画像入力）
COLUMN Completions API
2.6 Function calling
Function callingの概要
Function callingのサンプルコード
パラメータ「tool_choice」
COLUMN Function callingを応用したJSONの生成
COLUMN Structured Outputs.
2.7 まとめ.
COLUMN Assistants API
第3章 プロンプトエンジニアリング
3.1 プロンプトエンジニアリングの必要性
COLUMN プロンプトエンジニアリングとファインチューニング
3.2 プロンプトエンジニアリングとは
3.3 プロンプトの構成要素の基本
題材：レシピ生成AIアプリ..
プロンプトのテンプレート化
命令と入力データの分離
文脈を与える..
出力形式を指定する
プロンプトの構成要素のまとめ
3.4 プロンプトエンジニアリングの定番の手法
Zero-shotプロンプティング
Few-shotプロンプティング.
COLUMN Few-shotプロンプティングのその他の形式
Zero-shot Chain of Thoughtプロンプティング
3.5 まとめ.
COLUMN マルチモーダルモデルのプロンプトエンジニアリング
第4章 LangChainの基礎
4.1 LangChainの概要
なぜLangChainを学ぶのか..
LangChainの全体像
LangChainの各種コンポーネントを提供するパッケージ群
LangChainのインストール
COLUMN LangChain v0.1からの安定性の方針
LangSmithのセットアップ
LangChainの主要なコンポーネント
4.2 LLM/Chat model
LLM
Chat model
ストリーミング
LLMとChat modelの継承関係
LLM/Chat modelのまとめ..
4.3 Prompt template
PromptTemplate
ChatPromptTemplate
MessagesPlaceholder
LangSmithのPrompts
COLUMN マルチモーダルモデルの入力の扱い
Prompt templateのまとめ
4.4 Output parser
Output parserの概要
PydanticOutputParserを使ったPythonオブジェクトへの変換
StrOutputParser
Output parserのまとめ
4.5 Chain―LangChain Expression Language（LCEL）の概要
LangChain Expression Language（LCEL）とは
promptとmodelの連鎖
StrOutputParserを連鎖に追加
PydanticOutputParserを使う連鎖
Chainのまとめ
COLUMN with_structured_output
4.6 LangChainのRAGに関するコンポーネント
RAG（Retrieval-Augmented Generation）.
LangChainのRAGに関するコンポーネントの概要
Document loader
Document transformer
Embedding model
Vector store..
COLUMN 4次元以上のベクトルの距離
LCELを使ったRAGのChainの実装
LangChainのRAGに関するコンポーネントのまとめ
COLUMN Indexing API
4.7 まとめ
COLUMN Agent
第5章 LangChain Expression Language（LCEL）徹底解説
5.1 RunnableとRunnableSequence―LCELの最も基本的な構成要素
Runnableの実行方法―invoke・stream・batch
COLUMN LCELはどのように実現されているのか
LCELの「|」でさまざまなRunnableを連鎖させる
LangSmithでのChainの内部動作の確認.
COLUMN なぜLCELが提供されているのか..
5.2 RunnableLambda―任意の関数をRunnableにする
chainデコレーターを使ったRunnableLamdaの実装
RunnableLambdaへの自動変換
Runnableの入力の型と出力の型に注意
COLUMN 独自の関数をstreamに対応させたい場合
5.3 RunnableParallel―複数のRunnableを並列につなげる
RunnableParallelの出力をRunnableの入力に連結する
RunnableParallelへの自動変換
RunnableLambdaとの組み合わせ―itemgetterを使う例
5.4 RunnablePassthrough―入力をそのまま出力する
assign―RunnableParallelの出力に値を追加する
COLUMN astream_events
5.5 まとめ
COLUMN Chat historyとMemory
COLUMN LangServe
第6章 Advanced RAG
6.1 Advanced RAGの概要
6.2 ハンズオンの準備
COLUMN インデクシングの工夫
6.3 検索クエリの工夫
HyDE（Hypothetical Document Embeddings）
複数の検索クエリの生成
検索クエリの工夫のまとめ.
6.4 検索後の工夫
RAG-Fusion.
リランクモデルの概要
Cohereのリランクモデルを使用する準備
Cohereのリランクモデルの導入
検索後の工夫のまとめ
6.5 複数のRetrieverを使う工夫
LLMによるルーティング
ハイブリッド検索の例
ハイブリッド検索の実装
複数のRetrieverを使う工夫のまとめ
COLUMN 生成後の工夫
6.6 まとめ
COLUMN マルチモーダルRAG
第7章 LangSmithを使ったRAGアプリケーションの評価
7.1 第7章で取り組む評価の概要
オフライン評価とオンライン評価
7.2 LangSmithの概要..
LangSmithの料金プラン
LangSmithの機能の全体像
7.3 LangSmithとRagasを使ったオフライン評価の構成例
Ragasとは
この章で構築するオフライン評価の構成.
7.4 Ragasによる合成テストデータの生成
Ragasの合成テストデータ生成機能の概要
パッケージのインストール.
検索対象のドキュメントのロード
Ragasによる合成テストデータ生成の実装
LangSmithのDatasetの作成
合成テストデータの保存
COLUMN 評価用のデータセットのデータ数.
7.5 LangSmithとRagasを使ったオフライン評価の実装
LangSmithのオフライン評価の概要
利用可能なEvaluator（評価器）
Ragasの評価メトリクス
COLUMN Ragas以外の検索の評価メトリクス
カスタムEvaluatorの実装..
推論の関数の実装
オフライン評価の実装・実行
オフライン評価の注意点
7.6 LangSmithを使ったフィードバックの収集
この節で実装するフィードバック機能の概要
フィードバックボタンを表示する関数の実装
フィードバックボタンを表示
COLUMN Online Evaluator
7.7 フィードバックの活用のための自動処理
Automation ruleによる処理
良い評価のトレースを自動でDatasetに追加する
7.8 まとめ
第8章 AIエージェントとは
8.1 AIエージェントのためのLLM活用の期待
8.2 AIエージェントの起源とLLMを使ったAIエージェントの変遷
LLMベースのAIエージェント
WebGPT
Chain-of-Thoughtプロンプティング
LLMと外部の専門モジュールを組み合わせるMRKL Systems
Reasoning and Acting（ReAct）
Plan-and-Solveプロンプティング
8.3 汎用LLMエージェントのフレームワーク
AutoGPT
BabyAGI
AutoGen
crewAI
crewAIのユースケース
8.4 マルチエージェント・アプローチ.
マルチエージェントの定義.
マルチエージェントでText-to-SQLの精度を上げる
マルチエージェントでソフトウェア開発を自動化する
8.5 AIエージェントが安全に普及するために
8.6 まとめ
第9章 LangGraphで作るAIエージェント実践入門
9.1 LangGraphの概要..
LangGraphとは何か
LangGraphにおけるグラフ構造アプローチ
9.2 LangGraphの主要コンポーネント
ステート：グラフの状態を表現
ノード：グラフを構成する処理の単位
エッジ：ノード間の接続
コンパイル済みグラフ
9.3 ハンズオン：Q&Aアプリケーション
LangChainとLangGraphのインストール.
OpenAI APIキーの設定
ロールの定義
ステートの定義
Chat modelの初期化
ノードの定義
グラフの作成
ノードの追加
エッジの定義
条件付きエッジの定義
グラフのコンパイル
グラフの実行
結果の表示
COLUMN グラフ構造をビジュアライズして表示する
COLUMN LangSmithによるトレース結果
9.4 チェックポイント機能：ステートの永続化と再開
チェックポイントのデータ構造
ハンズオン：チェックポイントの動作を確認する
9.5 まとめ
第10 章 要件定義書生成AIエージェントの開発
10.1 要件定義書生成AIエージェントの概要
要件定義とは何か
先行研究のアプローチを参考にする
LangGraphのワークフローとして設計する
10.2 環境設定
10.3 データ構造の定義
10.4 主要コンポーネントの実装
PersonaGenerator
InterviewConductor
InformationEvaluator
RequirementsDocumentGenerator
10.5 ワークフロー構築
10.6 エージェントの実行と結果の確認
10.7 全体のソースコード
10.8 まとめ
第11章 エージェントデザインパターン
11.1 エージェントデザインパターンの概要
デザインパターンとは
エージェントデザインパターンが解決する課題領域
エージェントデザインパターンの位置付け
11.2 18のエージェントデザインパターン
エージェントデザインパターンの全体図..
1. パッシブゴールクリエイター（Passive Goal Creator）
2. プロアクティブゴールクリエイター（Proactive Goal Creator）
3. プロンプト／レスポンス最適化（Prompt/Response Optimizer）
4. 検索拡張生成（Retrieval-Augmented Generation：RAG）
5. シングルパスプランジェネレーター（Single-Path Plan Generator）.
6. マルチパスプランジェネレーター（Multi-Path Plan Generator）
7. セルフリフレクション（Self-Reflection）
8. クロスリフレクション（Cross-Reflection）
9. ヒューマンリフレクション（Human-Reflection）
10. ワンショットモデルクエリ（One-Shot Model Querying）
11. インクリメンタルモデルクエリ（Incremental Model Querying）
12. 投票ベースの協調（Voting-Based Cooperation）
13. 役割ベースの協調（Role-Based Cooperation）
14. 議論ベースの協調（Debate-Based Cooperation）
15. マルチモーダルガードレール（Multimodal Guardrails）
16. ツール／エージェントレジストリ（Tool/Agent Registry）
17. エージェントアダプター（Agent Adapter）
COLUMN LangChainのTool機能
18. エージェント評価器（Agent Evaluator）
11.3 まとめ
第12 章 LangChain/LangGraphで実装するエージェントデザインパターン
12.1 本章で扱うエージェントデザインパターン
12.2 環境設定
各パターンの実装コードの掲載について..
12.3 パッシブゴールクリエイター（Passive Goal Creator）
実装内容の解説
COLUMN Settingsクラスについて
実行結果
12.4 プロンプト／レスポンス最適化（Prompt/Response Optimizer）
実装内容の解説
プロンプト最適化
レスポンス最適化
12.5 シングルパスプランジェネレーター（Single-Path Plan Generator）
実装内容の解説
COLUMN タスクの並列実行への対応方法
COLUMN LangGraphのcreate_react_agent関数の解説..
実行結果
12.6 マルチパスプランジェネレーター（Multi-Path Plan Generator）
実装内容の解説
COLUMN 実装の発展
実行結果
12.7 セルフリフレクション（Self-Reflection）
実装内容の解説
COLUMN Faissとは
実行結果
12.8 クロスリフレクション（Cross-Reflection）
実装内容の解説
実行結果
12.9 役割ベースの協調（Role-Based Cooperation）..
実装内容の解説
実行結果
12.10 まとめ
付録 各種サービスのサインアップと第12章の各パターンの実装コード
A.1 各種サービスのサインアップ
LangSmithのサインアップ
Cohereのサインアップ
Anthropicのサインアップ..
A.2 第12章の各パターンの実装コード
1. パッシブゴールクリエイター（Passive Goal Creator）
2. プロンプト／レスポンス最適化（Prompt/Response Optimizer）
3. シングルパスプランジェネレーター（Single-Path Plan Generator）.
4. マルチパスプランジェネレーター（Multi-Path Plan Generator）
5. セルフリフレクション（Self-Reflection）
6. クロスリフレクション（Cross-Reflection）
7. 役割ベースの協調（Role-Based Cooperation）

著：西見 公宏
株式会社ジェネラティブエージェンツ 代表取締役CEO ChatGPTの利活用を中心に大規模言語モデルを活用したアプリケーション開発ならびにアドバイザリーを提供する中で、吉田、大嶋と出会い、株式会社ジェネラティブエージェンツを共同創業。AIエージェントを経営に導入することにより、あらゆる業種業態の生産性を高めるための活動に尽力している。 「その仕事、AIエージェントがやっておきました。――ChatGPTの次に来る自律型AI革命」（技術評論社）単著、Software Design「実践LLMアプリケーション開発」（技術評論社）連載。

著：吉田 真吾
株式会社ジェネラティブエージェンツ 取締役COO / 株式会社セクションナイン 代表取締役CEO AWS Serverless Heroとして日本におけるサーバーレスの普及を促進。 「ChatGPT/LangChain によるチャットシステム構築［実践］入門」（技術評論社）共著、「Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門」（技術評論社）共著、「AWSによるサーバーレスアーキテクチャ」（翔泳社）監修、「サーバーレスシングルページアプリケーション」（オライリー）監訳、「AWSエキスパート養成読本」（技術評論社）共著。 ChatGPT Community（JP）主催。

著：大嶋 勇樹
株式会社ジェネラティブエージェンツ 取締役CTO 大規模言語モデルを組み込んだアプリケーションやAIエージェントの開発を実施。個人ではエンジニア向けの勉強会開催や教材作成など。オンラインコースUdemyではベストセラー講座多数。勉強会コミュニティStudyCo運営。 「ChatGPT/LangChain によるチャットシステム構築［実践］入門」（技術評論社）共著。