AI エージェント開発

LLM を「ただ呼ぶ」ところから、自律的に動くエージェントを作るまで。 Claude / Anthropic API を中心に、ツール使用・メモリ・RAG・評価・運用を一通り押さえる。

このセクションの全体像

1. LLM API の基礎 — メッセージ形式、トークン、温度、ストップシーケンス
2. プロンプト設計 — System / User / Assistant、構造化、思考の引き出し方
3. Tool Use — 関数呼び出し、JSON スキーマ、エージェントループ
4. メモリと文脈管理 — 会話履歴、コンテキスト圧縮、永続メモリ
5. RAG — 検索拡張生成、Embedding、ベクトル DB
6. ストリーミング — SSE、Server Streams、UI 表示
7. フレームワーク — Vercel AI SDK / LangChain / Mastra / Claude Agent SDK
8. 評価・コスト・安全性 — eval、観測、ガードレール、コスト最適化

そもそも「AI エージェント」とは

単発の質問応答ではなく、目的を達成するために LLM が複数ステップを自律的に繰り返す仕組み。 最小構成は「LLM + ツール + ループ」の 3 点セット。

┌──────────────────────┐
│  ユーザーの目的       │
└────────┬─────────────┘
         ▼
┌──────────────────────┐
│  LLM                  │ ← System Prompt + History
│  (推論する)           │
└────────┬─────────────┘
         ▼
   ┌────┴────┐
   │ tool?   │ Yes ──▶ ツール実行 ──▶ 結果を履歴に追加 ──▶ ループ
   └────┬────┘
        │ No
        ▼
   最終応答
      

なぜ今「エージェント」なのか

• LLM の長い文脈と関数呼び出し精度が実用域に到達した
• Claude / GPT が 200K〜1M トークンを扱える（履歴を捨てなくてよい）
• Tool Use がほぼ「動く」レベルで、コードを書いたり API を叩いたり実環境を操作できる
• MCP（Model Context Protocol）でツール提供の標準ができた

Claude を使う理由

• 1M トークンの長い文脈（Opus 4.7 1M context など）
• Tool Use の精度と並列ツール呼び出し
• 長時間タスクの安定性（Claude Code が成立している）
• Computer Use でブラウザや OS を操作する素地
• Anthropic API が直接 / AWS Bedrock / Google Vertex で使える

3 つの実装レベル

必要な前提知識

• HTTP / fetch / JSON（API 操作）
• 非同期プログラミング（async/await、ストリーム）
• JSON Schema（ツール定義）
• TypeScript or Python
• キーの管理と料金感覚

料金感覚（2026 年初頭時点）

• Claude Haiku 系: 入力 $0.25 / 出力 $1.25 (1M トークン）— 最安・高速
• Claude Sonnet 系: 入力 $3 / 出力 $15 (1M)
• Claude Opus 系: 入力 $15 / 出力 $75 (1M) — 最高性能
• Prompt Caching で繰り返す System Prompt は 90% OFF
• Batch API で非同期処理は 50% OFF

プロダクションではHaiku でできるところは Haiku、難しい推論だけ Sonnet/Opus、というルーティングが王道。

実用パターン

• カスタマー対応 Bot（FAQ + RAG）
• 社内ナレッジ検索
• コード自動修正（Claude Code 系）
• リサーチ自動化（複数サイトを横断）
• データ抽出（PDF → 構造化 JSON）
• ライティング支援
• マルチモーダル（画像・PDF を読ませる）

用語の整理