ai-agent-book/chapter1/README.ja.md

第1章 · Agent の基礎

「モデルこそが Agent」という新しいパラダイムから出発し、中核となる公式 Agent = LLM + コンテキスト + ツール を確立し、Harness エンジニアリングを紹介する。モデルを超えたすべてのエンジニアリング能力こそが、真の競争優位性である。

← メイン README に戻る · 📖 章の本文を読む

実験の読み方

本文では短い mechanism skeleton で制御フローを説明し、実験ディレクトリには完全な SDK アダプター、ログ、テスト、受け入れ証拠を置きます。すべてのファイルを一行ずつ読む必要はありません。

• Starter: 目的・最小コマンド・受け入れ条件から始め、まず context;
• Builder: エントリポイント、中心ループ、状態／メッセージ schema、ツール、検証器を追います。
• Maintainer: 最後にテスト、証拠 manifest、失敗処理、rollback 経路、provider adapter を読みます。

初読では認証情報、表示層、provider 互換層を飛ばし、数値を再現するときに戻ってください。

付随プロジェクト

実験	プロジェクト	種類	説明
1-1	context	✅	体系的なアブレーション（実験）を通じて、Agent のさまざまなコンテキスト構成要素の重要性を示す。複数の LLM プロバイダー（SiliconFlow Qwen、ByteDance Doubao、Moonshot Kimi）をサポートし、異なるコンテキストモードを設定して Agent の挙動の変化を観察できる。
1-2	web-search-agent	✅	基本的なディープ検索能力を持つ Agent を実装し、複数ラウンドの検索と情報統合を可能にする。
1-3	search-codegen	✅	基本的なディープ検索とコードサンドボックス能力を備えた Agent を構築し、Web 検索やコード実行などのツールを活用して複雑な分析を行う。
7-1, 7-2	learning-from-experience	✅	従来の強化学習（Q 学習）と LLM ベースのインコンテキスト学習を比較し、Shunyu Yao のブログ記事「The Second Half」の重要な洞察を再現する。宝探しゲームを通じて、LLM が 250〜400 倍のサンプル効率で従来の RL を上回る様子を示す。

プロジェクトの種類

アイコン	種類	意味
✅	単独実行	このリポジトリに完全なコードがあり、API キーを設定すれば実行できる
📖	再現ガイド	git clone が必要な外部リポジトリに依存する詳細ドキュメント
🚧	設計ドキュメント	アーキテクチャ/実装計画のみで、実行可能なコードは未完成