AIエージェント完全マスター：LangGraph・RAG・MCP・マルチエージェント実践開発

ドキュメントを探して回答し、ツールを選んで照会し、承認済みのチケットを実際に作成するカスタマーサポートエージェントをゼロから構築します。応答が途切れたり、同じリクエストが再度届いたりしても、業務が一度だけ最後まで処理されることを実行ログで確認します。

単純なシステムプロンプトを超えて、ペルソナ設計とStructured Outputsを活用し、ユーザーを記憶し関係性が変化するAIキャラクターチャットボットを実装します。提供されるスタータープロジェクトを基にOpenAI APIを安全に呼び出し、JSON SchemaとZodで感情・信頼度・記憶を検証可能な形で処理し、AIコーディングエージェントを制約条件の中で活用する方法を30分の実習で完成させます。

フレームワークを使わず、Pythonとwhile文ひとつでAIエージェントを自作します。入門パートでは、ツール設計、失敗とコスト、記憶、人による承認、評価、Web画面を一つずつ追加し、小さなコーディングエージェントを完成させます。実践パートでは、実際の事業報告書（DART）を使ってRAG・マルチエージェント・MCPサーバーを自ら実装し、その後LangChain・LangGraphと数値で比較します。

Spring AI Router Pattern + RAG + MCPを活用した「知能型協業」専門家エージェントチームの構築 単一エージェントを超えてアーキテクチャへ：ルーターパターンとエージェント隔離（Isolation）設計の定石

OpenClawの1・2部まで進めると、結局一人のエージェントにすべてを任せることになります。 そうなると、プロンプトが絡まり、メモリが混ざり、フォルダが整理できなくなり、「これからどう整理すればいいのか」と途方に暮れる瞬間がやってきます。 この講義は、その地点から一段階上へと引き上げるための「マルチエージェント入門編（2.5部）」です。 一つのボットを維持したまま、planner / editorの二つのエージェントに役割を分離し、 各エージェントに異なるワークスペースとTelegramフォーラムのトピックを連携させることで、 「どの部屋で話すかによって異なるエージェントが応答する構造」を実際に構築してみます。 実習を進めると、自分の環境内に - `content_planner`と`content_editor`の二つのエージェントが定義された設定ファイル、 - 企画と下書きが分離されたコンテンツフォルダ構造、 - フォーラムのトピックごとに異なるエージェントが紐付いたTelegramグループ、 - そして、二つのエージェントが協力して作成したInflearn講義紹介文の下書き1つが実際に残ります。 つまり、この講義は「AI秘書1人」で始めたTelegramボットを、 「役割が分かれた小さなAIチーム」へとアップグレードする第一歩を共に設計する実践授業です。

3つの文書で小さなRAGを作り、答えが間違っているときに、文書・検索・コンテキスト・生成のどこから直すべきかを、実際の実行記録に基づいて判断します。ハイブリッド検索と再ランキング、多段階検索、権限と運用のチェックまで、改善効果を数値で確認します。

このOnline Classesは、Transformerを単に「実装する方法」ではなく、 なぜこのような構造が作られたのか、各モジュールがどのような役割を果たすのか、 そしてモデル全体がどのように動作するのかを設計者の視点から解剖する過程です。 Self-AttentionとMulti-Head Attentionの内部計算原理を深く分析し、 Positional Encoding、Feed-Forward Network、Encoder・Decoder構造が どのような限界を解決するために登場したのかを数式・論文・実装コードで直接確認します。 Attentionから出発してTransformer全体の構造を直接組み立て、 実際に学習まで実行しながらモデルがどのように動作するのかを体得します。 このOnline Classesは「Transformerを完全に理解したい人」のための 最も構造的で実践的なロードマップです。

LLMアプリケーションが開発パラダイムをどのように変化させているかを探求します。既存の技術との比較を通じて、LLMがなぜ持続可能な核心技術として定着しているのかを理解し、開発者として備えるべき必須の逆量と思考法の変化を学習します。専門講師のインサイトを通じて、LLMアプリケーション開発の本質と未来の方向性を把握することができます。

大規模言語モデル、検索拡張生成、エージェント型AIシステムを活用し、最新の生成AIアプリケーション構築における完全なライフサイクルを習得します。プロンプトエンジニアリングからデプロイまで、LLMとベクトルデータベース、外部ナレッジソースを組み合わせ、実運用に対応したアプリケーションを実現するエンタープライズグレードのAIソリューション設計を学びます。

Pythonの文法は知っていてもサービスを作るのが難しいという問題を、NAVERでの実務経験と段階的な実習で解決します。

コーディングの知識がなくても、ChatGPTを活用して株式や暗号資産の自動売買プログラムを自ら構築するプロセスです。データ収集から予測モデルの開発、銘柄推薦システム、実際の自動売買まで全過程を実習し、AI活用の開発能力と金融投資の知識を同時に習得します。

なぜAttentionが必要だったのか、そしてどのように動作するのかを「コードで直接実装しながら」理解します。 この講義はRNNとSeq2Seqモデルの構造的限界から出発し、 固定されたコンテキストベクトルが作り出す情報ボトルネック問題、長期依存性問題を実験で検証し その限界を解決するためにAttentionがどのように登場したのかを自然に繋げて説明します。 単純に概念を紹介するのではなく、 RNNの構造的限界とSeq2Seqの情報ボトルネック問題を直接実験で確認し、 これを解決するために登場した**Bahdanau Attention（加算的アテンション）**と **Luong Attention（内積アテンション）**を一つずつ実装しながらその違いを明確に理解します。 各アテンションが どのような方式でQuery–Key–Value関係を形成し、 重みを計算する過程でどのような数学的・直感的違いを持ち、 なぜ後代モデルに繋がらざるを得なかったのか その特性と進化の流れまで自然に繋がります。 Attentionが文章と単語をどのように捉え、 各単語がどのような方式で重要度を付与されて情報を統合するのかを 数式 → 直感 → コード → 実験が一つに繋がった形で学習します。 この講義はTransformerを正しく理解するための「基礎体力」を築く過程として、 Attentionという概念がなぜ革命的だったのか、 そしてその後のすべての最新NLPモデル（Transformer、BERT、GPTなど）が なぜAttentionを核心構成要素とするのかを深く理解するようになります。 RNN → Seq2Seq → Attentionに繋がる流れを 概念ではなくコードと実験で体化したい学習者に最適化された講義です。

LLMベースのマルチエージェント技術を実装可能にするCrewAI、LangChain、AutoGenなどの様々なエージェントフレームワーク、知識グラフ、推論システムを組み合わせ、人工知能（AI）裁判官を構築する方法について探求します。

この講義は拡散モデル(Diffusion Model)の進化過程を論文とコードで完全制覇する実戦中心のマスタークラスです。 DDPM(Denoising Diffusion Probabilistic Model)とDDIMなど、生成AIの核心モデルたちを論文原理から直接実装しながら学習します。 各モデルの登場背景、数式、ネットワーク構造(U-Net、VAE、Transformer)、学習過程(Noise Schedule、Denoising Step)、そして性能向上を導いたアイデアたちを段階別に分析します。受講生はすべてのモデルをPyTorchベースで直接コーディングし、論文を理解することに留まらず「再現し応用できる実務能力」を得ることになります。 また、モデル間の違いと発展の流れを比較し、どのように拡張されるかを明確に理解するようになります。 この講義は理論・コード・実習を一つに、研究者・開発者・創作者すべてに生成モデルの進化を体系的に習得できる旅程を提供します。 論文を「読むこと」を超え、直接実装しながら「理解し再創造」する経験を今始めてください。

GPT APIを活用したプログラムを作成し、画像生成や動画生成まで！

一度で身につく線形代数。一度学べば一生、思考の糧となる線形代数の概念を詳しく解説します。単なる概念の説明にとどまらず、実習を通して実際の活用方法まで丁寧にお伝えします。

手の認識サンプルは動かしてみたものの、自分の手の動きをAIに学習させ、実用に耐える成果物に仕上げる道筋が見えず途方に暮れている方へ。開発統括と職業訓練の講師向け研修の経験を生かし、インストールからデータ収集、学習、Web画面の完成まで、ウェブカメラ1台で最後までご案内します。

👉 AIを初めてしっかり理解したい方のための出発点です。 AIが何をするものかは分かるけれど、なぜそのように動作するのかはよく分からないという方は、この講座から始めてみてください。 このコースでは、人工知能が従来のプログラムとどのように異なるのか、学習と判断がどのような流れで行われるのかを、最初から順を追って説明します。 複雑な数式やコーディングを使わずに、AIの動作原理を全体像として理解できるように構成しています。

<大規模言語モデル、要点だけを素早く！>（インサイト、2025）をもとに、LLMの理論と実践例を扱う講義です。