Skip to content
プロジェクト

rohitg00/ai-engineering-from-scratch

GitHubで見る

rohitg00/ai-engineering-from-scratch has 78,493 GitHub stars and 13,974 forks. GitHot measured +197 stars in 24 hours, +1,747 in 7 days, and +4,245 in 15 days. Last checked 2026-11-11 23:10 UTC. Last push 2026-10-29.

この数値の測り方

AIエンジニアリングを学ぼう。学び、自分で作り、ほかの人のために届けよう。

78,493 スター13,974 forks +197 24時間

計測したスター増加

24時間
+197
7日間
+1,747
15日間
+4,245
1か月
履歴を収集中

期間ごとの純増数です。期間は重複しており、日別の値ではありません。未計測の値は空欄です。スター数は注目度の指標であり、品質の保証ではありません。

i18n/ja/README.md

オリジナル

AIの支援を受けた翻訳です。内容の基準は英語版です。

ゼロから学ぶ AI エンジニアリング

モデルの内部処理、検索パイプライン、エージェントの実行環境を実装します。テストして失敗を調べ、コードと評価結果を残してください。

学習を始める · 学習パスを選ぶ · ラボを試す · プロジェクトを作る · カリキュラムを見る

無料、オープンソース、MIT ライセンスです。ウェブサイト、コーディングエージェント、ローカルでのコード実行から学び方を選べます。

542 授業. 20段階. Python, TypeScript, Rust, Julia.

MITライセンス 542 授業 20段階 GitHubのスター ウェブサイト

自分の言語で読む

🇬🇧 English · 🇨🇳 简体中文 · 🇹🇼 繁體中文（台灣） · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇵🇹 Português · 🇧🇷 Português (Brasil) · 🇪🇸 Español · 🇩🇪 Deutsch · 🇫🇷 Français · 🇮🇹 Italiano · 🇳🇱 Nederlands · 🇵🇱 Polski · 🇨🇿 Čeština · 🇷🇴 Română · 🇭🇺 Magyar · 🇬🇷 Ελληνικά · 🇸🇪 Svenska · 🇩🇰 Dansk · 🇳🇴 Norsk · 🇫🇮 Suomi · 🇷🇺 Русский · 🇺🇦 Українська · 🇹🇷 Türkçe · 🇮🇱 עברית · 🇸🇦 العربية · 🇮🇷 فارسی · 🇮🇳 हिन्दी · 🇧🇩 বাংলা · 🇵🇰 اردو · 🇹🇭 ไทย · 🇻🇳 Tiếng Việt · 🇮🇩 Bahasa Indonesia · 🇵🇭 Tagalog

スポンサー

SerpApi。AIアプリ向けのWeb検索API。あらゆる連携に使えるMarkdown形式とJSON形式に対応しています。

皆さまの支援により、すべてのレッスンを無料かつオープンソースで提供できます。 すべての支援者を見る · 支援者になる

学習ルート

ルート 最初のレッスン
モデルの基礎 環境構築とツール
LLM システム プロンプトエンジニアリング
エージェントとデリバリー エージェントループ

キャリアパスを比較する · 前提知識と学習時間

勾配降下法

20 個の開始点が二次損失関数上で勾配降下法に従って移動します。グラフには各更新後の位置と平均損失が表示されます。

勾配降下法によって、分散した開始点が損失の最小点に近づきます。更新のたびに平均損失が減少します。

レッスンで学習率を調整する · コードで GD、モメンタム、Adam を比較する

プロジェクト

段階別の開始コード、参照実装、ローカルの採点ツールを備えた 3 つのプロジェクトです。環境構築の後、リポジトリのルートでコマンドを実行してください。各段階を実装するまでは、開始コードは検査に失敗します。

01 · 検索評価ラボ · Python · ランキング指標と品質低下の検査

候補システムの平均 NDCG は改善していても、あるクエリでは最も関連する根拠の順位が下がります。クエリごとの比較を作り、品質低下を報告してリリース検査を失敗させられるようにします。

Python 3.10+ を使います。RAGとモデル評価を復習してください。順位の検証、適合率と再現率、順位を考慮した指標、システム比較の順に実装します。

python3 scripts/project_test.py retrieval-evaluation-lab \
  --init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
  --stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
  --all --path learning-artifacts/retrieval-evaluation-lab --strict

**残すもの：**クエリごとの差分と採点に使った関連度判定を含む、再現可能な比較結果。指標が表すのはその判定に対する結果であり、回答の正しさを証明するものではありません。

プロジェクトを始める · 参照実装を確認する · 自分の入力で実行する

02 · エージェントトレースのデバッガー · TypeScript · トレースの解析と時間計算

付属のトレースの所要時間は 100 ms のままですが、総トークン使用量が 200 増え、1 つのスパンが失敗するようになります。重複する子スパンの処理と親スパン自身の実行時間を分け、変化を示すレポートを作ります。

Node.js 22.18+ と、採点ツール用の Python 3 を使います。JSONL の解析、親子関係の検証、区間演算、確認可能なタイムラインの順に実装します。

python3 scripts/project_test.py agent-trace-debugger \
  --init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
  --stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
  --all --path learning-artifacts/agent-trace-debugger --strict

**残すもの：**入力トレース、HTML タイムライン、JSON の品質低下レポート。親子の使用量を二重計上しないよう、各スパン自身が消費したトークン数だけを記録します。

プロジェクトを始める · 参照実装を確認する · 時間の計算を対話的に調べる

03 · ツール呼び出しファイアウォール · Rust · ロールの検査と承認記録

レビュー後に書き込み内容が変わる、または承認が再利用される場面を扱います。呼び出しのエンベロープを検証し、呼び出し元のロールとパスを確認してから、正確なリクエストと内容に結び付いた承認を消費します。

Rust と Python 3.10+ を使います。ツールスキーマの設計とセキュリティ境界を復習してください。呼び出し元アプリケーションが識別情報を提供し、モデルは操作を提案します。

python3 scripts/project_test.py tool-call-firewall \
  --init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
  --stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
  --all --path learning-artifacts/tool-call-firewall --strict

**残すもの：**要求された操作とポリシー判定を示す監査記録。承認は 1 回の呼び出しの中で一度だけ使用できます。このプロジェクトは永続的な認可や OS のサンドボックスを提供しません。

プロジェクトを始める · 参照実装を確認する · 承認の境界を調べる

すべてのプロジェクトを見る · キャリア実践ガイド

学び方を選ぶ

ウェブサイトで学ぶ

aiengineeringfromscratch.comで完了したレッスンを開くか、目次からフェーズを展開してください。セットアップもクローンも不要です。

AI チューターと学ぶ

Node.js、npx、スキルに対応したコーディングエージェントがすでにインストールされていれば、エージェントをチューターとして使えます。チューターをインストールしたり読んだりするだけなら、リポジトリのクローンは不要です。学習パスを絞った実行可能なラボにはpython3が必要です。Agent Skillsのホストラボには、利用するホストの選択と、書き込み可能なユーザーまたはプロジェクトのスキル領域も必要です。

npx skills add rohitg00/ai-engineering-from-scratch

インストーラーの質問に応じてホストと適用範囲を選びます。Codex では start-learning、Claude Code では /start-learning を使うか、ホストにスキル名を指定して使用を依頼します。

チューターの設定とホストのコマンド

まず、ローカルの要件を確認します。

node --version
npx --version
python3 --version

skillsはインストール時に選んだホストとスコープに書き込みます。保存先は.claude/skills/、.cursor/skills/、.codex/skills/などです。選択したホストがその保存先を検出できることを確認してください。

呼び出し構文はホストごとに異なります。ポータブルなSKILL.md形式に含まれるものではありません。

ホスト コースを始める Model Context Protocol（MCP）を始める Agent Skillsを始める フェーズのクイズを実行する
Codex start-learning、または/skillsから選択 learn-mcp、または/skillsから選択 learn-agent-skills、または/skillsから選択 check-understanding 13、または/skillsから選択
Claude Code /start-learning /learn-mcp /learn-agent-skills /check-understanding 13
その他の対応ホスト Use start-learning to begin the course. Use learn-mcp to start the Model Context Protocol (MCP) path. Use learn-agent-skills to start the Agent Skills Engineering path. Use check-understanding to quiz me on Phase 13.

10問のレベル判定クイズで既習内容を確認し、開始フェーズを決めて、個別の学習計画をLEARNING.mdに保存します。その後、learnスキルが1セッションにつき1レッスンを、概念、数学、コード、クイズの順に教えます。レッスンはこのリポジトリから直接読み込まれます。course-guideスキルを使うと、つまずいている内容を扱うレッスンに移動できます。Codexではlearnとcourse-guideを呼び出し、Claude Codeでは/learnと/course-guideを使います。その他の対応ホストでは、スキル名を指定して使用を依頼してください。

Model Context Protocol（MCP）だけを学ぶ場合は、ホストに対応したMCPの呼び出し方法を使ってください。MCP-LEARNING.mdを作成し、ステートレスなリクエスト、トランスポート、双方向処理、セキュリティ、信頼性、レジストリガバナンス、適合性の証跡を扱う17レッスンのパスを進みます。正確な順序とチェックポイントはModel Context Protocol（MCP）マニフェストに記載されています。

Agent Skillsだけを学ぶ場合は、ホストに対応したAgent Skillsの呼び出し方法を使ってください。AGENT-SKILLS-LEARNING.mdを作成し、契約、発見、呼び出し、サンドボックス境界、評価によるリリースと実ホストでの移植性を扱う、一貫した5レッスンのパスを進みます。ウェブではAgent Skillsのパスから始められます。

インストーラーは設定可能なホストを一覧表示し、インストール先を尋ねます。Node.js、npx、python3、対応ホスト、書き込み可能なスコープのいずれかをまだ利用できない場合は、ウェブサイトを使うか、docs/en.mdを手動で読んでください。そこで概念は学べますが、実ホストでの検出、呼び出し、スクリプト実行、アンインストールの証跡は、事前チェックを実行できるようになるまで取得できません。aiengineeringfromscratch.comでレッスンを読むこともできます。

学習スキル

スキル できること
start-learning 初回の受講案内。学習目的を確認し、レベル判定クイズを行い、個別計画をLEARNING.mdに保存します。
learn チューターとして学習を進行します。復習から始め、次のレッスンを対話形式で教え、そのクイズを出し、進捗と復習キューを記録します。
course-guide トピック案内。「アテンションはどこで学べる？」「損失がNaNになる」などの質問から、関連レッスンとリンクを案内します。
learn-mcp Model Context Protocol（MCP）に特化したチューターです。MCP-LEARNING.mdを作成して17レッスンのマニフェストに沿って進み、ワイヤ形式、セキュリティ、信頼性、適合性の証跡を記録します。
learn-agent-skills Agent Skillsに特化したチューターです。AGENT-SKILLS-LEARNING.mdを作成し、レッスン22、24、25、26、27を教えて、実ホストでの証跡を記録します。
learn-reverse-engineering リバースエンジニアリングに特化したチューターです。REVERSE-ENGINEERING-LEARNING.mdを作成し、フェーズ13のレッスン32から45を自分で作ったプログラムで教えて、ラボの証跡を記録します。
claude-certification 認定資格チューターです。CCAO-F、CCDV-F、CCAR-F、CCAR-Pからトラックを選び、各レッスンを教え、ラボを実行し、成果物をレビューし、診断と模擬試験を実施して、進捗を保存します。
mcpa-certification MCPAチューターです。2026-07-28プロトコルに対応する34レッスンのmcpa-fパスに沿って教え、ラボとワイヤ形式チェッカーを実行し、診断と模擬試験3回分を実施して、進捗を保存します。
find-your-level 10問のレベル判定クイズで知識を確認し、開始フェーズと所要時間の目安を含む個別パスを作成します。
check-understanding <phase> 各フェーズの8問クイズを出し、フィードバックと復習する具体的なレッスンを示します。上記の呼び出し表にあるCodex、Claude Code、自然言語での形式を使えます。

コードをローカルで実行する

git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py

事前チェックでは、今必要な要件と後で必要になるツールを分けて確認します。必須項目の確認に失敗すると、検出した理由と修正コマンドが表示されます。vectors.py のコマンドは依存関係のないレッスンを実行し、行列とベクトルの積がニューラルネットワーク層の内部で行われる演算であることを示します。ターミナルの出力を最初の実行証拠として保存してください。

どのレッスンも同じ方法で進める

どのレッスンも同じ方法で進める

  1. 読む：docs/en.mdを読み、中心となる考えを自分の言葉で説明する。
  2. 入力して作る：コードブロックを飾りとして眺めるのではなく、重要なコードを自分で入力して実装する。
  3. 実行する：README.mdとphases/があるリポジトリのルートからレッスンのコマンドを実行する。
  4. 証拠を残す：実行したコマンド、作業ディレクトリ、終了コード、意味のある出力、変更または作成した成果物を記録する。
  5. 先へ進む：出力を説明でき、推測に頼らず小さな変更を1つ加えられるようになってから次へ進む。

レッスンに記載されたコマンドは、ディレクトリを変更するよう明記されていない限り、リポジトリのルートからのパスです。複数の言語で実装例がある場合は、学習中の言語の実装を実行してください。

学習パスを選ぶ

始める前に542レッスンすべてに目を通す必要はありません。目標を1つ選んでください。どのリンクからもGitHubまたはウェブサイトで同じカリキュラムを開けます。どちらも同じレッスンコードを使っています。

目標 GitHubで学ぶ ウェブサイトで学ぶ
初心者として、基礎を一通り学びたい フェーズ0：セットアップとツール 開発環境
Pythonは知っていて、数学と機械学習の基礎を学びたい フェーズ1：数学の基礎 線形代数の直観
本番向けのLLMアプリケーションを構築したい フェーズ11：LLMエンジニアリング プロンプトエンジニアリング
エージェントを構築したい フェーズ14：エージェントエンジニアリング エージェントループ
実際のリポジトリでコーディングエージェントを使いたい エージェント支援エンジニアリングの学習パス エージェント支援エンジニアリング
実装に着手する前に、適切なものを作る判断をしたい プロダクト判断とデリバリーの学習パス プロダクト判断とデリバリー

自分に合う内容がわからない場合は、start-learningレベル判定チューターまたはウェブサイトの前提条件ガイドを使ってください。

4つの主要分野と6つのキャリアパスをAIエンジニアリング学習パスで比較できます。

MCP、Agent Skills、リバースエンジニアリングの専門学習パス
目標 GitHubで学ぶ ウェブサイトで学ぶ
Model Context Protocol（MCP）を使って構築したい Model Context Protocol（MCP）の学習パス Model Context Protocol（MCP）のパス
Agent Skillsを書いて公開したい Agent Skills集中学習パス Agent Skillsのパス
コンパイル済みプログラムを読み解きたい リバースエンジニアリング学習ルート リバースエンジニアリングのパス
前提知識と学習時間

前提条件

  • 何らかの言語でコードを書けること（Pythonを知っていると役立ちます）。
  • APIを呼び出すだけでなく、AIが実際にどう動くのかを理解したいこと。

どこから始めるか

現在の経験 開始フェーズ 推定時間
プログラミングとAIは初めて フェーズ0 — セットアップ 約306時間
Pythonは知っていて、機械学習は初めて フェーズ1 — 数学の基礎 約270時間
機械学習は知っていて、ディープラーニングは初めて フェーズ3 — ディープラーニングの中核 約200時間
ディープラーニングは知っていて、LLMとエージェントを学びたい フェーズ10 — LLMをゼロから構築 約100時間
シニアエンジニアで、エージェントエンジニアリングだけを学びたい フェーズ14 — エージェントエンジニアリング 約60時間
本番向けMCPシステムだけを構築したい Model Context Protocol（MCP）のパス 約23時間15分
本番向けAgent Skillsだけを作りたい Agent Skillsエンジニアリングのパス 約9.5時間
リバースエンジニアリングだけを学びたい リバースエンジニアリングのパス 約32.5時間

カリキュラムの全体像

20のフェーズを積み重ねて学びます。土台は数学、最上部はエージェントと本番運用です。下の層をすでに知っていれば先へ進んでもかまいません。ただし、基礎を飛ばしたあとで上の層がうまく動かない理由に悩まないようにしてください。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
  P0["フェーズ0 — セットアップとツール"] --> P1["フェーズ1 — 数学の基礎"]
  P1 --> P2["フェーズ2 — 機械学習の基礎"]
  P2 --> P3["フェーズ3 — ディープラーニングの中核"]
  P3 --> P4["フェーズ4 — コンピュータービジョン"]
  P3 --> P5["フェーズ5 — 自然言語処理"]
  P3 --> P6["フェーズ6 — 音声とオーディオ"]
  P3 --> P9["フェーズ9 — 強化学習"]
  P5 --> P7["フェーズ7 — Transformer"]
  P7 --> P8["フェーズ8 — 生成AI"]
  P7 --> P10["フェーズ10 — LLMをゼロから構築"]
  P10 --> P11["フェーズ11 — LLMエンジニアリング"]
  P10 --> P12["フェーズ12 — マルチモーダルAI"]
  P11 --> P13["フェーズ13 — ツールとプロトコル"]
  P13 --> P14["フェーズ14 — エージェントエンジニアリング"]
  P14 --> P15["フェーズ15 — 自律システム"]
  P15 --> P16["フェーズ16 — マルチエージェントとスウォーム"]
  P14 --> P17["フェーズ17 — インフラと本番運用"]
  P15 --> P18["フェーズ18 — 倫理とアラインメント"]
  P16 --> P19["フェーズ19 — 総合プロジェクト"]
  P17 --> P19
  P18 --> P19

目次

全20フェーズです。各フェーズをクリックすると、レッスン一覧が開きます。

フェーズ0：セットアップとツール 13 レッスン

これから学ぶ内容に備えて、開発環境を整えましょう。

# レッスン 種別 言語
01 開発環境 制作 Python
02 Gitとコラボレーション 学習 —
03 GPUのセットアップとクラウド 制作 Python
04 APIとキー 制作 Python
05 Jupyter Notebook 制作 Python
06 Python環境 制作 Shell
07 AIのためのDocker 制作 Docker
08 エディターのセットアップ 制作 —
09 データ管理 制作 Python
10 ターミナルとシェル 学習 —
11 AIのためのLinux 学習 —
12 デバッグとプロファイリング 制作 Python
13 AIエンジニアリングのためのPython 制作 Python
フェーズ1 — 数学の基礎  22 レッスン  コードを通じて、あらゆるAIアルゴリズムの背景にある直観を学びます。
# レッスン 種別 言語
01 線形代数の直観 学習 Python, Julia
02 ベクトル、行列と演算 制作 Python, Julia
03 行列変換と固有値 制作 Python, Julia
04 機械学習のための微積分：導関数と勾配 学習 Python
05 連鎖律と自動微分 制作 Python
06 確率と分布 学習 Python
07 ベイズの定理と統計的思考 制作 Python
08 最適化：勾配降下法の各種手法 制作 Python
09 情報理論：エントロピーとKLダイバージェンス 学習 Python
10 次元削減：PCA、t-SNE、UMAP 制作 Python
11 特異値分解 制作 Python, Julia
12 テンソル演算 制作 Python
13 数値安定性 制作 Python
14 ノルムと距離 制作 Python
15 機械学習のための統計 制作 Python
16 サンプリング手法 制作 Python
17 線形システム 制作 Python
18 凸最適化 制作 Python
19 AIのための複素数 学習 Python
20 フーリエ変換 制作 Python
21 機械学習のためのグラフ理論 制作 Python
22 確率過程 学習 Python
フェーズ2 — 機械学習の基礎  21 レッスン  古典的な機械学習は、今も多くの本番AIシステムを支えています。
# レッスン 種別 言語
01 機械学習とは 学習 Python
02 ゼロから実装する線形回帰 制作 Python
03 ロジスティック回帰と分類 制作 Python
04 決定木とランダムフォレスト 制作 Python
05 サポートベクターマシン 制作 Python
06 k近傍法（KNN）と距離尺度 制作 Python
07 教師なし学習：K-Means、DBSCAN 制作 Python
08 特徴量エンジニアリングと選択 制作 Python
09 モデル評価：指標と交差検証 制作 Python
10 バイアス、分散と学習曲線 学習 Python
11 アンサンブル手法：ブースティング、バギング、スタッキング 制作 Python
12 ハイパーパラメーターの調整 制作 Python
13 機械学習パイプラインと実験追跡 制作 Python
14 ナイーブベイズ 制作 Python
15 時系列の基礎 制作 Python
16 異常検知 制作 Python
17 不均衡データへの対処 制作 Python
18 特徴量選択 制作 Python
19 機械学習システム設計：課題からデプロイ済みモデルまで 制作 Python
20 本番環境でのモデル監視：データドリフトとコンセプトドリフト 制作 Python
21 特徴量ストアと学習・推論間のずれ 制作 Python
フェーズ3 — ディープラーニングの中核  13 レッスン  第一原理からニューラルネットワークを構築します。自分で実装するまではフレームワークを使いません。
# レッスン 種別 言語
01 パーセプトロン：すべての始まり 制作 Python
02 多層ネットワークと順伝播 制作 Python
03 ゼロから実装する誤差逆伝播法 制作 Python
04 活性化関数：ReLU、Sigmoid、GELUとその役割 制作 Python
05 損失関数：MSE、交差エントロピー、対照損失 制作 Python
06 最適化手法：SGD、Momentum、Adam、AdamW 制作 Python
07 正則化：Dropout、Weight Decay、BatchNorm 制作 Python
08 重みの初期化と学習の安定性 制作 Python
09 学習率スケジュールとウォームアップ 制作 Python
10 ミニフレームワークを自作する 制作 Python
11 PyTorch入門 制作 Python
12 JAX入門 制作 Python
13 ニューラルネットワークのデバッグ 制作 Python
フェーズ4 — コンピュータービジョン  28 レッスン  ピクセルから理解へ：画像、動画、3D、VLM、世界モデルを扱います。
# レッスン 種別 言語
01 画像の基礎：ピクセル、チャンネル、色空間 学習 Python
02 ゼロから実装する畳み込み 制作 Python
03 CNN：LeNetからResNetまで 制作 Python
04 画像分類 制作 Python
05 転移学習とファインチューニング 制作 Python
06 物体検出：YOLOをゼロから実装 制作 Python
07 セマンティックセグメンテーション：U-Net 制作 Python
08 インスタンスセグメンテーション：Mask R-CNN 制作 Python
09 画像生成：GAN 制作 Python
10 画像生成：拡散モデル 制作 Python
11 Stable Diffusion：アーキテクチャとファインチューニング 制作 Python
12 動画理解：時間モデリング 制作 Python
13 3Dビジョン：点群とNeRF 制作 Python
14 Vision Transformer（ViT） 制作 Python
15 リアルタイムビジョン：エッジデプロイ 制作 Python
16 完全なビジョンパイプラインを構築する 制作 Python
17 自己教師ありビジョン：SimCLR、DINO、MAE 制作 Python
18 オープンボキャブラリービジョン：CLIP 制作 Python
19 OCRと文書理解 制作 Python
20 画像検索と距離学習 制作 Python
21 キーポイント検出と姿勢推定 制作 Python
22 ゼロから実装する3D Gaussian Splatting 制作 Python
23 Diffusion TransformerとRectified Flow 制作 Python
24 SAM 3とオープンボキャブラリーセグメンテーション 制作 Python
25 視覚言語モデル（ViT-MLP-LLM） 制作 Python
26 単眼深度推定と幾何推定 制作 Python
27 複数物体追跡と動画メモリ 制作 Python
28 世界モデルと動画拡散 制作 Python
フェーズ5 — NLP：基礎から応用まで  29 レッスン  言語は知能とやり取りするためのインターフェースです。
# レッスン 種別 言語
01 テキスト処理：トークン化、語幹抽出、見出し語化 制作 Python
02 Bag of Words、TF-IDFとテキスト表現 制作 Python
03 単語埋め込み：Word2Vecをゼロから実装 制作 Python
04 GloVe、FastTextとサブワード埋め込み 制作 Python
05 感情分析 制作 Python
06 固有表現認識（NER） 制作 Python
07 品詞タグ付けと構文解析 制作 Python
08 テキスト分類：テキスト向けCNNとRNN 制作 Python
09 系列変換モデル 制作 Python
10 アテンション機構：ブレークスルー 制作 Python
11 機械翻訳 制作 Python
12 テキスト要約 制作 Python
13 質問応答システム 制作 Python
14 情報検索 制作 Python
15 トピックモデリング：LDA、BERTopic 制作 Python
16 テキスト生成 制作 Python
17 チャットボット：ルールベースからニューラルへ 制作 Python
18 多言語NLP 制作 Python
19 サブワードトークン化：BPE、WordPiece、Unigram、SentencePiece 学習 Python
20 構造化出力と制約付きデコーディング 制作 Python
21 自然言語推論（NLI）とテキスト含意 学習 Python
22 埋め込みモデルを深掘りする 学習 Python
23 RAGのチャンク分割戦略 制作 Python
24 照応解析 学習 Python
25 エンティティリンキングと曖昧性解消 制作 Python
26 関係抽出と知識グラフ構築 制作 Python
27 LLM評価：RAGAS、DeepEval、G-Eval 制作 Python
28 長文脈評価：NIAH、RULER、LongBench、MRCR 学習 Python
29 対話状態追跡 制作 Python
フェーズ6 — 音声とオーディオ  17 レッスン  聞き、理解し、話す。
# レッスン 種別 言語
01 音声の基礎：波形、サンプリング、FFT 学習 Python
02 スペクトログラム、メル尺度と音声特徴量 制作 Python
03 音声分類 制作 Python
04 音声認識（ASR） 制作 Python
05 Whisper：アーキテクチャとファインチューニング 制作 Python
06 話者認識と話者照合 制作 Python
07 テキスト読み上げ（TTS） 制作 Python
08 音声クローニングと音声変換 制作 Python
09 音楽生成 制作 Python
10 音声言語モデル 制作 Python
11 リアルタイム音声処理 制作 Python
12 音声アシスタントのパイプラインを構築する 制作 Python
13 ニューラル音声コーデック：EnCodec、SNAC、Mimi、DAC 学習 Python
14 音声区間検出とターン交替 制作 Python
15 音声間ストリーミング：Moshi、Hibiki 学習 Python
16 音声なりすまし検出と音声電子透かし 制作 Python
17 音声評価：WER、MOS、MMAU、リーダーボード 学習 Python
フェーズ7 — Transformerを深掘りする  16 レッスン  すべてを変えたアーキテクチャを学びます。
# レッスン 種別 言語
01 Transformerが必要な理由：RNNの課題 学習 Python
02 ゼロから実装する自己注意機構 制作 Python
03 マルチヘッドアテンション 制作 Python
04 位置エンコーディング：正弦波、RoPE、ALiBi 制作 Python
05 Transformer全体：エンコーダーとデコーダー 制作 Python
06 BERT：マスク言語モデル 制作 Python
07 GPT：因果言語モデル 制作 Python
08 T5、BART：エンコーダー・デコーダーモデル 学習 Python
09 Vision Transformer（ViT） 制作 Python
10 音声Transformer：Whisperのアーキテクチャ 学習 Python
11 専門家混合（MoE） 制作 Python
12 KVキャッシュ、FlashAttentionと推論最適化 制作 Python
13 スケーリング則 学習 Python
14 Transformerをゼロから構築する 制作 Python
15 アテンションの各種手法：スライディングウィンドウ、スパース、微分型 制作 Python
16 投機的デコーディング：草案、検証、反復 制作 Python
フェーズ8 — 生成AI  15 レッスン  画像、動画、音声、3Dなどを生成します。
# レッスン 種別 言語
01 生成モデル：分類と歴史 学習 Python
02 オートエンコーダーとVAE 制作 Python
03 GAN：生成器と識別器 制作 Python
04 条件付きGANとPix2Pix 制作 Python
05 StyleGAN 制作 Python
06 拡散モデル：DDPMをゼロから実装 制作 Python
07 潜在拡散とStable Diffusion 制作 Python
08 ControlNet、LoRAと条件付け 制作 Python
09 インペインティング、アウトペインティングと編集 制作 Python
10 動画生成 制作 Python
11 音声生成 制作 Python
12 3D生成 制作 Python
13 フローマッチングとRectified Flow 制作 Python
14 評価：FID、CLIPスコア 制作 Python
19 視覚的自己回帰モデリング（VAR）：次スケール予測 制作 Python
フェーズ9 — 強化学習  12 レッスン  RLHFとゲームAIを支える基礎を学びます。
# レッスン 種別 言語
01 MDP、状態、行動と報酬 学習 Python
02 動的計画法 制作 Python
03 モンテカルロ法 制作 Python
04 Q学習とSARSA 制作 Python
05 深層Qネットワーク（DQN） 制作 Python
06 方策勾配法：REINFORCE 制作 Python
07 Actor-Critic：A2C、A3C 制作 Python
08 PPO 制作 Python
09 報酬モデリングとRLHF 制作 Python
10 マルチエージェント強化学習 制作 Python
11 シミュレーションから実環境への転移 制作 Python
12 ゲームのための強化学習 制作 Python
フェーズ10 — LLMをゼロから構築する  24 レッスン  大規模言語モデルを構築し、学習させ、その仕組みを理解します。
# レッスン 種別 言語
01 トークナイザー：BPE、WordPiece、SentencePiece 制作 Python, Rust
02 トークナイザーをゼロから構築する 制作 Python
03 事前学習のためのデータパイプライン 制作 Python
04 小型GPT（1億2,400万パラメーター）の事前学習 制作 Python
05 分散学習、FSDP、DeepSpeed 制作 Python
06 指示チューニング：SFT 制作 Python
07 RLHF：報酬モデルとPPO 制作 Python
08 DPO：直接選好最適化 制作 Python
09 Constitutional AIと自己改善 制作 Python
10 評価：ベンチマークと評価テスト 制作 Python
11 量子化：INT8、GPTQ、AWQ、GGUF 制作 Python
12 推論最適化 制作 Python
13 完全なLLMパイプラインを構築する 制作 Python
14 オープンモデル：アーキテクチャ解説 学習 Python
15 投機的デコーディングとEAGLE-3 制作 Python
16 差分アテンション（V2） 制作 Python
17 ネイティブスパースアテンション（DeepSeek NSA） 制作 Python
18 マルチトークン予測（MTP） 制作 Python
19 DualPipe並列化 学習 Python
20 DeepSeek-V3のアーキテクチャ解説 学習 Python
21 Jamba：SSMとTransformerのハイブリッド 学習 Python
22 非同期推論とHogwild! 制作 Python
25 投機的デコーディングとEAGLE 制作 Python
34 勾配チェックポイントと活性化再計算 制作 Python
フェーズ11 — LLMエンジニアリング  17 レッスン  LLMを本番環境で活用します。
# レッスン 種別 言語
01 プロンプトエンジニアリング：手法とパターン 制作 Python
02 Few-shot、CoT、Tree-of-Thought 制作 Python
03 構造化出力 制作 Python
04 埋め込みとベクトル表現 制作 Python
05 コンテキストエンジニアリング 制作 Python
06 RAG：検索拡張生成 制作 Python
07 高度なRAG：チャンク分割と再ランキング 制作 Python
08 LoRAとQLoRAによるファインチューニング 制作 Python
09 関数呼び出しとツール利用 制作 Python
10 評価とテスト 制作 Python
11 キャッシュ、レート制限とコスト 制作 Python
12 ガードレールと安全性 制作 Python
13 本番環境向けLLMアプリを構築する 制作 Python
14 Model Context Protocol（MCP） 制作 Python
15 プロンプトキャッシュとコンテキストキャッシュ 制作 Python
16 エージェントの状態機械：グラフ、ノード、チェックポイント 制作 Python
17 エージェントフレームワークのトレードオフ 学習 Python
フェーズ12 — マルチモーダルAI  25 レッスン  ViTのパッチからコンピューター操作エージェントまで、複数のモダリティを横断して見て、聞き、読み、推論します。
# レッスン 種別 言語
01 Vision Transformerとパッチトークンの基本要素 学習 Python
02 CLIPと対照学習による視覚言語事前学習 制作 Python
03 モダリティ間をつなぐBLIP-2 Q-Former 制作 Python
04 Flamingoとゲート付きクロスアテンション 学習 Python
05 LLaVAと視覚指示チューニング 制作 Python
06 任意解像度ビジョン：Patch-n'-PackとNaFlex 制作 Python
07 オープンウェイトVLMの実践法：本当に重要なこと 学習 Python
08 LLaVA-OneVision：単一画像、複数画像、動画 制作 Python
09 Qwen-VLシリーズと動的FPS動画 学習 Python
10 InternVL3のネイティブなマルチモーダル事前学習 学習 Python
11 Chameleon：トークンのみの早期融合 制作 Python
12 Emu3：生成のための次トークン予測 学習 Python
13 Transfusion：自己回帰と拡散 制作 Python
14 Show-o：離散拡散の統合 学習 Python
15 Janus-Pro：分離型エンコーダー 制作 Python
16 MIO：任意入出力間のストリーミング 学習 Python
17 動画言語の時間的位置合わせ 制作 Python
18 100万トークンのコンテキストで扱う長尺動画 制作 Python
19 音声言語モデル：WhisperからAF3まで 制作 Python
20 Omniモデル：Thinker-Talkerストリーミング 制作 Python
21 身体性を備えたVLA：RT-2、OpenVLA、π0、GR00T 学習 Python
22 文書と図の理解 制作 Python
23 視覚ネイティブな文書RAG：ColPali 制作 Python
24 マルチモーダルRAGとクロスモーダル検索 制作 Python
25 マルチモーダルエージェントとコンピューター操作（総合課題） 制作 Python
フェーズ13 — ツールとプロトコル  45 レッスン  AIと現実世界をつなぐインターフェースを学びます。
# レッスン 種別 言語
01 ツールインターフェース 学習 Python
02 関数呼び出しを深掘りする 制作 Python
03 ツール呼び出しの並列化とストリーミング 制作 Python
04 構造化出力 制作 Python
05 ツールスキーマの設計 学習 Python
06 MCPの基礎：ステートレスリクエストとJSON-RPC 学習 Python
07 MCPサーバーを構築する：PythonとTypeScriptによるステートレス実装 制作 Python, TypeScript
08 MCPクライアントを構築する：探索、ルーティング、2世代対応のフォールバック 制作 Python
09 MCPトランスポート：stdioとステートレスなStreamable HTTP 学習 Python
10 MCPのリソースとプロンプト：ステートレスサーバー向けの参照可能なコンテキスト 制作 Python
11 MCPモデル入力：サンプリング移行とステートレスMRTR 制作 Python
12 明示的なスコープとステートレスな情報要求 制作 Python
13 MCP Tasks拡張：ステートレスなコア上での永続的な処理 制作 Python
14 ステートレスプロトコル上のMCP Apps 制作 Python
15 MCPのセキュリティ：汚染されたメタデータ、ルーティング、MRTRの状態 学習 Python
16 MCPの認可：CIMD、発行者バインディング、PKCE、ステップアップ認証 制作 Python
17 ステートレスMCPゲートウェイとレジストリへの登録審査 学習 Python
18 本番環境のMCP認証：発行者に紐づく登録とトークン 制作 Python
19 A2Aプロトコル 制作 Python
20 OpenTelemetry GenAI 制作 Python
21 LLMルーティングレイヤー 学習 Python
22 Agent Skills：移植可能な契約とランタイム境界 制作 Python
23 総合課題：ステートレスなツールエコシステム 制作 Python
24 スキルの発見と段階的な情報開示 制作 Python
25 スキルの呼び出しとルーティング 制作 Python
26 スキルの権限、サンドボックス、信頼性 制作 Python
27 スキルの評価、パッケージ化、移植性 制作 Python
28 MCPツールの契約とコンテンツ 制作 Python
29 MCPの信頼性、キャンセル、フロー制御 制作 Python
30 MCPレジストリのサプライチェーン：登録審査、ドリフト、ロールバック 制作 Python
31 MCP適合性エンジニアリング：バージョン管理、証跡、運用 制作 Python
32 プログラムの構造：ELFをゼロから読む 制作 Python
33 逆アセンブルと制御フローグラフ 制作 Python
34 機械語を疑似コードへ持ち上げる 制作 Python
35 バイナリ解析における証拠、確信度、未知の点 制作 Python
36 再構築して同一性を証明する 制作 Python
37 リバースエンジニアリングの全体像 制作 Python
38 呼び出し規約とスタックフレーム 制作 Python
39 コンパイラのイディオムと最適化 制作 Python
40 リンク、ロード、ストリップされたバイナリ 制作 Python
41 データと型の復元 制作 Python
42 自作プログラムの動的解析 制作 Python
43 バイトコードとマネージド形式 制作 Python
44 バイナリ差分とシンボリック実行 制作 Python
45 AIを活用したリバースエンジニアリング 制作 Python

レッスン06–18および28–31がModel Context Protocol（MCP）集中学習パスを構成します。マニフェストの順序は06、07、08、09、10、11、12、13、14、15、16、18、17、28、29、30、31です。上のホスト別呼び出し方法でlearn-mcpを開始してください。レッスン23は唯一の任意の総合課題で、レッスン19と20も必要です。

レッスン22および24–27がAgent Skillsの集中学習パスを構成します。パッケージ契約から実ホストでのリリースゲートまでを扱います。上に示したホスト別の呼び出し方法でlearn-agent-skillsを開始してください。レッスン22から23へ番号順に進まないでください。

フェーズ14 — エージェントエンジニアリング  54 レッスン  エージェントを第一原理から構築し、コーディングエージェントを確実に使い、実装前に作業を適切に定義します。
# レッスン 種別 言語
01 エージェントループ 制作 Python
02 ReWOOと計画・実行方式 制作 Python
03 Reflexionと自然言語による強化学習 制作 Python
04 Tree of ThoughtsとLATS 制作 Python
05 Self-RefineとCRITIC 制作 Python
06 ツール利用と関数呼び出し 制作 Python
07 エージェントメモリ：仮想コンテキストとメモリページング 制作 Python
08 メモリブロックとスリープタイム計算 制作 Python
09 ハイブリッドメモリ：ベクトル＋グラフ＋KV 制作 Python
10 スキルライブラリと生涯学習（Voyager） 制作 Python
11 HTNと進化的探索による計画 制作 Python
12 Anthropicのワークフローパターン 制作 Python
13 ステートフルなグラフオーケストレーション：永続実行とチェックポイント 制作 Python
14 エージェントのためのアクターモデル 制作 Python
15 役割ベースのエージェントチーム：役割、タスク、プロセス 制作 Python
16 OpenAI Agents SDK：ハンドオフ、ガードレール、トレーシング 制作 Python
17 ライブラリとしてのハーネス：サブエージェントとセッションストア 制作 Python
18 本番環境向けエージェントランタイム 学習 Python
19 ベンチマーク：SWE-bench、GAIA、AgentBench 学習 Python
20 ベンチマーク：WebArenaとOSWorld 学習 Python
21 コンピューター操作：Claude、OpenAI CUA、Gemini 制作 Python
22 音声エージェント：PipecatとLiveKit 制作 Python
23 OpenTelemetry GenAIの意味規約 制作 Python
24 エージェントの可観測性：Langfuse、Phoenix、Opik 学習 Python
25 マルチエージェントの議論と協調 制作 Python
26 失敗モード：エージェントが破綻する理由 制作 Python
27 プロンプトインジェクションとPVE防御 制作 Python
28 オーケストレーションパターン：スーパーバイザー、スウォーム、階層型 制作 Python
29 本番環境向けランタイム：キュー、イベント、Cron 学習 Python
30 評価主導のエージェント開発 制作 Python
31 エージェントワークベンチ：高性能モデルが失敗する理由 学習 Python
32 最小構成のエージェントワークベンチ 制作 Python
33 実行可能な制約としてのエージェント指示 制作 Python
34 リポジトリメモリと永続状態 制作 Python
35 エージェント用初期化スクリプト 制作 Python
36 スコープ契約とタスク境界 制作 Python
37 ランタイムのフィードバックループ 制作 Python
38 検証ゲート 制作 Python
39 レビュアーエージェント：実装者と採点者を分離する 制作 Python
40 複数セッション間のハンドオフ 制作 Python
41 実際のリポジトリで使うワークベンチ 制作 Python
42 総合課題：再利用可能なエージェントワークベンチ一式を公開する 制作 Python
43 エージェントがコードを書く前にタスクを定義する 制作 Python
44 証拠に基づく実行計画を立てる 制作 Python
45 分離とマージの契約を定めてエージェント作業を委任する 制作 Python
46 エージェントへの修正指示をすべてシステム改善につなげる 制作 Python
47 成果物を決める前に目標を定義する 制作 Python
48 人々が実際に行うワークフローを見つける 制作 Python
49 前提を洗い出し、最もリスクの高いものから検証する 制作 Python
50 判断を変えられる最小単位を選ぶ 制作 Python
51 判断の余地を保つ仕様を書く 制作 Python
52 結果が出る前に成功指標を設計する 制作 Python
53 プロトタイプ、パイロット、本番のいずれかを意図的に選ぶ 制作 Python
54 責任者と廃止条件を定め、フィードバックを継続的な改善につなげる 制作 Python

フェーズ14の各ワークベンチレッスン（31–42）はmission.mdでエージェントに事前ブリーフィングを与えます。エージェントはレッスンの全文資料を開く前にこれを確認します。

レッスン31–46がエージェント支援エンジニアリングのパスを構成します。マニフェストの順序では、ワークベンチの基礎に、タスクの定義、計画、委任、継続的なフィードバックを組み合わせます。 レッスン47–54がプロダクト判断とデリバリーのパスを構成します。成果の定義から、証拠、リスク、スコープ、測定、段階的なリリース、フィードバックの責任までを扱います。

フェーズ15 — 自律システム  22 レッスン  長期タスクに取り組むエージェント、自己改善、2026年の安全性スタックを学びます。
# レッスン 種別 言語
01 チャットボットから長期計画エージェントへ（METR） 学習 Python
02 STaR、V-STaR、Quiet-STaR：自己学習型推論 学習 Python
03 AlphaEvolve：進化的コーディングエージェント 学習 Python
04 Darwin Gödel Machine：自己改変型エージェント 学習 Python
05 AI Scientist v2：ワークショップ水準の研究 学習 Python
06 自動化されたアラインメント研究（Anthropic AAR） 学習 Python
07 再帰的自己改善：能力とアラインメントの両立 学習 Python
08 範囲を限定した自己改善の設計 学習 Python
09 自律型コーディングエージェントの全体像（SWE-bench、CodeAct） 学習 Python
10 自律エージェントの権限モード 学習 Python
11 ブラウザーエージェントと間接プロンプトインジェクション 学習 Python
12 長時間稼働するエージェントの永続実行 学習 Python
13 アクション予算、反復上限、コスト制御 学習 Python
14 キルスイッチ、サーキットブレーカー、カナリアトークン 学習 Python
15 HITL：提案してから確定する 学習 Python
16 チェックポイントとロールバック 学習 Python
17 Constitutional AIとルールの上書き 学習 Python
18 Llama Guardと入出力分類 学習 Python
19 AnthropicのResponsible Scaling Policy v3.0 学習 Python
20 OpenAI Preparedness FrameworkとDeepMind FSF 学習 Python
21 METRの時間軸と外部評価 学習 Python
22 CAIS、CAISIと社会規模のリスク 学習 Python
フェーズ16 — マルチエージェントとスウォーム  25 レッスン  協調、創発、集合知を学びます。
# レッスン 種別 言語
01 マルチエージェントが必要な理由 学習 TypeScript
02 FIPA-ACLの系譜と発話行為 学習 Python
03 通信プロトコル 制作 TypeScript
04 マルチエージェントの基本モデル 学習 Python
05 スーパーバイザー／オーケストレーター・ワーカーパターン 制作 Python
06 階層型アーキテクチャと分解ドリフト 学習 Python
07 心の社会とマルチエージェント議論 制作 Python
08 役割の専門化：プランナー／批評役／実行役／検証役 制作 Python
09 並列スウォームとネットワーク型アーキテクチャ 制作 Python
10 グループチャットと発言者の選択 制作 Python
11 ハンドオフとルーティン（ステートレスなオーケストレーション） 制作 Python
12 A2A：エージェント間プロトコル 制作 Python
13 共有メモリとブラックボードパターン 制作 Python
14 合意形成とビザンチン障害耐性 制作 Python
15 投票、自己一貫性、議論のトポロジー 制作 Python
16 交渉と取引 制作 Python
17 生成エージェントと創発的シミュレーション 制作 Python
18 心の理論と創発的な協調 制作 Python
19 スウォーム最適化（PSO、ACO） 制作 Python
20 マルチエージェント強化学習：MADDPG、QMIX、MAPPO 学習 Python
21 エージェント経済、トークンによるインセンティブ、評判 学習 Python
22 本番環境でのスケーリング：キュー、チェックポイント、永続性 制作 Python
23 失敗モード：MAST、集団浅慮、単一文化 学習 Python
24 評価と協調のベンチマーク 学習 Python
25 事例研究と2026年の最新動向 学習 Python
フェーズ17 — インフラと本番運用  29 レッスン  AIを現実の世界に届けます。
# レッスン 種別 言語
01 マネージドLLMプラットフォーム：Bedrock、Azure OpenAI、Vertex AI 学習 Python
02 推論プラットフォームのコスト構造：Fireworks、Together、Baseten、Modal 学習 Python
03 KubernetesでのGPU自動スケーリング：Karpenter、KAI Scheduler 学習 Python
04 サービングエンジンの内部：PagedAttention、連続バッチ処理、チャンク化プリフィル 学習 Python
05 本番環境でのEAGLE-3投機的デコーディング 学習 Python
06 Prefix Cacheサービング：RadixAttentionとKV再利用 学習 Python
07 ハードウェア特化の推論コンパイル：Blackwell上のFP8とNVFP4 学習 Python
08 推論指標：TTFT、TPOT、ITL、Goodput、P99 学習 Python
09 本番環境向け量子化：AWQ、GPTQ、GGUF、FP8、NVFP4 学習 Python
10 サーバーレスLLMのコールドスタート対策 学習 Python
11 マルチリージョンLLMサービングとKVキャッシュ局所性 学習 Python
12 エッジ推論：ANE、Hexagon、WebGPU、Jetson 学習 Python
13 LLM可観測性スタックの選定 学習 Python
14 プロンプトキャッシュとセマンティックキャッシュのコスト構造 学習 Python
15 バッチAPI：50%割引が業界標準に 学習 Python
16 コスト削減の手段としてのモデルルーティング 学習 Python
17 プリフィルとデコードの分離：NVIDIA Dynamoとllm-d 学習 Python
18 本番サービングスタック：KVオフロードとキャッシュ対応ルーティング 学習 Python
19 AIゲートウェイ：LiteLLM、Portkey、Kong、Bifrost 学習 Python
20 シャドー、カナリア、段階的デプロイ 学習 Python
21 LLM機能のA/Bテスト：GrowthBookとStatsig 学習 Python
22 LLM APIの負荷テスト：k6、LLMPerf、GenAI-Perf 制作 Python
23 AIのためのSRE：マルチエージェントによるインシデント対応 学習 Python
24 本番LLMのためのカオスエンジニアリング 学習 Python
25 セキュリティ：シークレット、個人情報の除去、監査ログ 学習 Python
26 コンプライアンス：SOC 2、HIPAA、GDPR、EU AI Act、ISO 42001 学習 Python
27 LLMのFinOps：単位経済性とマルチテナントのコスト帰属 学習 Python
28 セルフホスト型サービングの選定：エンジンとハードウェア、規模の適合 学習 Python
29 モデルのデモインターフェース：関数から共有できるアプリへ 制作 Python
フェーズ18 — 倫理、安全性、アラインメント  30 レッスン  人類に役立つAIを構築します。安全性は必須です。
# レッスン 種別 言語
01 アラインメントのシグナルとしての指示追従 学習 Python
02 報酬ハッキングとグッドハートの法則 学習 Python
03 直接選好最適化の手法群 学習 Python
04 RLHFによって増幅される迎合 学習 Python
05 Constitutional AIとRLAIF 学習 Python
06 メサ最適化と欺瞞的アラインメント 学習 Python
07 スリーパーエージェント：持続的な欺瞞 学習 Python
08 最先端モデルにおけるコンテキスト内の策略 学習 Python
09 アラインメントの偽装 学習 Python
10 AI制御：妨害下でも保つ安全性 学習 Python
11 スケーラブルな監督と弱から強への一般化 学習 Python
12 レッドチーミング：PAIRと自動攻撃 制作 Python
13 多ショット脱獄 学習 Python
14 ASCIIアートと視覚的な脱獄 制作 Python
15 間接プロンプトインジェクション 制作 Python
16 レッドチームツール：Garak、Llama Guard、PyRIT 制作 Python
17 WMDPとデュアルユース能力の評価 学習 Python
18 最先端AIの安全性フレームワーク：RSP、PF、FSF 学習 Python
19 モデルのウェルフェア研究 学習 Python
20 バイアスと表象による害 制作 Python
21 公平性の基準：集団、個人、反実仮想 学習 Python
22 LLMのための差分プライバシー 制作 Python
23 電子透かし：SynthID、Stable Signature、C2PA 制作 Python
24 規制の枠組み：EU、米国、英国、韓国 学習 Python
25 EchoLeakとAI関連CVE 学習 Python
26 モデルカード、システムカード、データセットカード 制作 Python
27 データの来歴と学習データのガバナンス 学習 Python
28 アラインメント研究のエコシステム：MATS、Redwood、Apollo、METR 学習 Python
29 モデレーションシステム：OpenAI、Perspective、Llama Guard 制作 Python
30 デュアルユースのリスク：サイバー、生物、化学、核 学習 Python
フェーズ19 — 総合プロジェクト  85 レッスン  エンドツーエンドのプロダクト17件と、深く実装するトラック9件。1プロジェクトあたり20～40時間、各トラック4～12レッスン。
# プロジェクト 組み合わせるフェーズ 言語
01 ターミナルネイティブなコーディングエージェント P0 P5 P7 P10 P11 P13 P14 P15 P17 P18 Python
02 コードベースを対象にしたRAG（リポジトリ横断セマンティック検索） P5 P7 P11 P13 P17 Python
03 リアルタイム音声アシスタント（ASR → LLM → TTS） P6 P7 P11 P13 P14 P17 Python
04 マルチモーダル文書QA（視覚優先） P4 P5 P7 P11 P12 P17 Python
05 自律型研究エージェント（AI Scientist級） P0 P2 P3 P7 P10 P14 P15 P16 P18 Python
06 Kubernetes向けDevOpsトラブルシューティングエージェント P11 P13 P14 P15 P17 P18 Python
07 エンドツーエンドのファインチューニングパイプライン P2 P3 P7 P10 P11 P17 P18 Python
08 規制業界向け本番RAGチャットボット P5 P7 P11 P12 P17 P18 Python
09 コード移行エージェント（リポジトリ単位のアップグレード） P5 P7 P11 P13 P14 P15 P17 Python
10 マルチエージェントのソフトウェア開発チーム P11 P13 P14 P15 P16 P17 Python
11 LLMの可観測性・評価ダッシュボード P11 P13 P17 P18 Python
12 動画理解パイプライン（シーン → QA） P4 P6 P7 P11 P12 P17 Python
13 レジストリとガバナンスを備えたステートレスMCPサーバー P11 P13 P14 P17 P18 Python
14 投機的デコーディング推論サーバー P3 P7 P10 P17 Python
15 Constitutional AI安全性ハーネスとレッドチーム環境 P10 P11 P13 P14 P18 Python
16 GitHubのIssueからPRを作成する自律エージェント P11 P13 P14 P15 P17 Python
17 個人向けAIチューター（適応型、マルチモーダル） P5 P6 P11 P12 P14 P17 P18 Python

本格的な実装トラック：複数のレッスンを通じて、サブシステム全体をゼロから構築します。

# プロジェクト 組み合わせるフェーズ 言語
20 エージェントハーネスのループ契約 A. エージェントハーネス Python
21 スキーマ検証付きツールレジストリ A. エージェントハーネス Python
22 改行区切りstdio上のJSON-RPC 2.0 A. エージェントハーネス Python
23 関数呼び出しディスパッチャー A. エージェントハーネス Python
24 計画・実行の制御フロー A. エージェントハーネス Python
25 検証ゲートと観測予算 A. エージェントハーネス Python
26 拒否リストとパス隔離を備えたサンドボックスランナー A. エージェントハーネス Python
27 フィクスチャータスクを使う評価ハーネス A. エージェントハーネス Python
28 OTel GenAIスパンとPrometheus指標による可観測性 A. エージェントハーネス Python
29 ハーネス上で動くエンドツーエンドのコーディングエージェント A. エージェントハーネス Python
30 BPEトークナイザーをゼロから実装する B. NLP・LLM Python
31 スライディングウィンドウを使ったトークン化データセット B. NLP・LLM Python
32 トークン埋め込みと位置埋め込み B. NLP・LLM Python
33 マルチヘッド自己注意機構 B. NLP・LLM Python
34 Transformerブロックをゼロから実装する B. NLP・LLM Python
35 GPTモデルの組み立て B. NLP・LLM Python
36 学習ループと評価 B. NLP・LLM Python
37 事前学習済み重みの読み込み B. NLP・LLM Python
38 ヘッド交換による分類器のファインチューニング B. NLP・LLM Python
39 教師ありファインチューニングによる指示チューニング B. NLP・LLM Python
40 直接選好最適化をゼロから実装する B. NLP・LLM Python
41 完全な評価パイプライン B. NLP・LLM Python
42 大規模コーパスのダウンローダー C. エンドツーエンド学習 Python
43 HDF5形式のトークン化コーパス C. エンドツーエンド学習 Python
44 線形ウォームアップ付きコサイン学習率スケジュール C. エンドツーエンド学習 Python
45 勾配クリッピングと混合精度 C. エンドツーエンド学習 Python
46 勾配累積 C. エンドツーエンド学習 Python
47 チェックポイントの保存と再開 C. エンドツーエンド学習 Python
48 分散データ並列（DDP）とFSDPをゼロから実装する C. エンドツーエンド学習 Python
49 言語モデル評価ハーネス C. エンドツーエンド学習 Python
50 仮説生成器 D. 自動化研究 Python
51 文献検索 D. 自動化研究 Python
52 実験実行ツール D. 自動化研究 Python
53 結果評価器 D. 自動化研究 Python
54 論文執筆ツール D. 自動化研究 Python
55 批評ループ D. 自動化研究 Python
56 反復スケジューラー D. 自動化研究 Python
57 エンドツーエンドの研究デモ D. 自動化研究 Python
58 視覚エンコーダーのパッチ E. マルチモーダルVLM Python
59 Vision Transformerエンコーダー E. マルチモーダルVLM Python
60 モダリティ整合のための射影層 E. マルチモーダルVLM Python
61 クロスアテンション融合 E. マルチモーダルVLM Python
62 視覚言語事前学習 E. マルチモーダルVLM Python
63 マルチモーダル評価 E. マルチモーダルVLM Python
64 チャンク分割戦略の比較 F. 高度なRAG Python
65 BM25と密ベクトル埋め込みによるハイブリッド検索 F. 高度なRAG Python
66 クロスエンコーダー再ランキングモデル F. 高度なRAG Python
67 クエリ書き換え：HyDE、複数クエリ、分解 F. 高度なRAG Python
68 RAG評価：適合率、再現率、MRR、nDCG、忠実性、回答関連性 F. 高度なRAG Python
69 エンドツーエンドのRAGシステム F. 高度なRAG Python
70 タスク仕様の形式 G. 評価フレームワーク Python
71 古典的な評価指標 G. 評価フレームワーク Python
72 コード実行指標 G. 評価フレームワーク Python
73 パープレキシティとキャリブレーション G. 評価フレームワーク Python
74 リーダーボードの集計 G. 評価フレームワーク Python
75 エンドツーエンドの評価ランナー G. 評価フレームワーク Python
76 Collective Opsをゼロから実装する H. 分散学習 Python
77 データ並列DDPをゼロから実装する H. 分散学習 Python
78 ZeROによるオプティマイザー状態のシャーディング H. 分散学習 Python
79 パイプライン並列化とバブル分析 H. 分散学習 Python
80 シャーディングしたチェックポイントとアトミックな再開 H. 分散学習 Python
81 エンドツーエンドの分散学習 H. 分散学習 Python
82 脱獄の分類体系 I. 安全性ハーネス Python
83 プロンプトインジェクション検出器 I. 安全性ハーネス Python
84 拒否応答の評価 I. 安全性ハーネス Python
85 コンテンツ分類器の統合 I. 安全性ハーネス Python
86 Constitutional AIのルールエンジン I. 安全性ハーネス Python, YAML
87 エンドツーエンドの安全性ゲート I. 安全性ハーネス Python

書籍と認定資格

コアカリキュラムを本として読む

phases/にある20フェーズのコアカリキュラムは、全6巻の書籍シリーズになります。EPUBとPDFは同じコアレッスンのソースからCIで生成され、GitHubの各リリースに添付されます。以下のリンクは常に最新リリースを指します。巻番号はシリーズ内の番号であり、版番号ではありません。各巻には日付入りの版表示があり、以前の版も各リリースから引き続きダウンロードできます。

認定カリキュラムは意図的に書籍化していません。AIチューターの状態、実行可能なラボ、対話型図表、診断、時間制限付き模擬試験は、GitHubとウェブサイトでそのまま利用できます。

巻 タイトル フェーズ ダウンロード
1 基礎 — 数学、ツール、古典的機械学習 00-02 EPUB · PDF
2 ディープラーニング — ネットワーク、ビジョン、音声 03, 04, 06 EPUB · PDF
3 言語 — NLPの基礎とTransformer 05, 07 EPUB · PDF
4 大規模言語モデル — 生成、強化学習、事前学習、エンジニアリング 08-11 EPUB · PDF
5 エージェント — マルチモーダル、プロトコル、自律性、スウォーム 12-16 EPUB · PDF
6 本番運用 — インフラ、安全性、総合プロジェクト 17-19 EPUB · PDF

書籍はある時点のスナップショットで、このリポジトリは更新が続く版です。各章の末尾には、レッスンのアニメーション図、クイズ、実行可能なコードへのリンクがあります。python3 scripts/build_book.pyでローカル生成できます（pandocが必要です）。パイプラインの詳細はbook/README.mdをご覧ください。

Claude認定資格の準備

Claude認定アカデミーは、公式のClaude認定資格4種類（Associate Foundations、Developer Foundations、Architect Foundations、Architect Professional）に向けた無料のオープンソース教材です。各学習パスには、試験要項に対応したレッスン、実行可能なラボ、診断テスト、総合課題、オリジナルの模擬試験が含まれます。

AIネイティブなGitHub受講ガイドは、Claude Code、Codex、ChatGPT、Cursorなどのエージェントで利用できます。Codexではclaude-certificationを、Claude Codeでは/claude-certificationを実行します。その他のホストではclaude-certificationを使うよう依頼してください。ガイドが認定トラックを選び、CLAUDE-CERTIFICATION.mdに継続的な学習ルートを作成し、各段階を教え、実際のラボを実行して、成果物に基づくフィードバックを返します。同じカリキュラムは認定資格ウェブサイトでも利用できます。

アカデミーは公開されている試験要項に基づく自主学習教材です。Anthropicとは提携していません。実際の試験問題を転載せず、合格を保証するものでもありません。

MCP Associate（MCPA）認定資格の準備

MCPA認定カリキュラムは、Linux Foundation Trainingを通じて提供されるAgentic AI FoundationのModel Context Protocol Associate試験に向けた、無料のオープンソース教材です。34レッスンで、2026-07-28版のステートレスプロトコルを5つの試験分野に沿って学びます。内容には、従来のハンドシェイクに代わるリクエストごとの_metaとserver/discover、複数回の往復を行うリクエスト、サブスクリプション、キャッシュ、TasksとMCP Appsの拡張、OAuth認可、レジストリとSDKの各層が含まれます。すべてのレッスンに実行可能な標準ライブラリのラボがあり、実行記録が現在のワイヤ形式に照らして検証されます。さらに、診断テスト、総合課題、公開済みの試験要項に沿った出題比率のオリジナル模擬試験3回分も用意しています。

AIネイティブなGitHub受講ガイドは、Claude Code、Codex、ChatGPT、Cursorなどのエージェントで利用できます。Codexではmcpa-certificationを、Claude Codeでは/mcpa-certificationを実行します。その他のホストではmcpa-certificationを使うよう依頼してください。ガイドがMCPA-CERTIFICATION.mdに継続的な学習ルートを作成し、各段階を教え、実際のラボを実行して、成果物に基づくフィードバックを返します。同じカリキュラムはMCPAトラックページでも利用できます。

このカリキュラムは公開されている試験要項に基づく自主学習教材です。Agentic AI FoundationまたはLinux Foundationとは提携していません。実際の試験問題を転載せず、合格を保証するものでもありません。

ツールキット

各レッスンで再利用できる成果物を作ります。エージェントにインストールするか、リポジトリのルートから以下のスクリプトを使ってください。

レッスンの構成と再利用できる成果物

レッスンの構成

各レッスンは専用のフォルダーにあり、カリキュラム全体で同じ構成を使います。

phases/<NN>-<phase-name>/<NN>-<lesson-name>/
├── code/      実行可能な実装（Python、TypeScript、Rust、Julia）
├── docs/
│   └── en.md  レッスンの解説
└── outputs/   レッスンで作成するプロンプト、スキル、エージェント、MCPサーバー

各レッスンは6つの段階で進みます。中核となるのは自分で実装する / ライブラリで使うの流れです。まずアルゴリズムをゼロから実装し、その後、本番用ライブラリで同じ処理を実行します。小さな実装を自分で書いているので、フレームワークの動作を理解できます。

%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
  M["合言葉<br/><sub>核心を一行で</sub>"] --> Pr["課題<br/><sub>具体的な困りごと</sub>"]
  Pr --> C["概念<br/><sub>図解と直観</sub>"]
  C --> B["作る<br/><sub>生の数学、フレームワークなし</sub>"]
  B --> U["使う<br/><sub>PyTorch / sklearnで同じ処理</sub>"]
  U --> S["公開する<br/><sub>プロンプト · スキル · エージェント · MCP</sub>"]

どのレッスンも成果物を生み出す

ほかのカリキュラムは「Xを学びました。おめでとう」で終わります。このカリキュラムでは、各レッスンが日々のワークフローにインストールしたり貼り付けたりできる再利用可能なツールで締めくくられます。

FIG_001.A プロンプト
FIG_001 · A
プロンプト		 FIG_001.B スキル
FIG_001 · B
スキル		 FIG_001.C エージェント
FIG_001 · C
エージェント		 FIG_001.D MCPサーバー
FIG_001 · D
MCPサーバー
狭いタスクについて専門的な助言を得るため、任意のAIアシスタントに貼り付けて使えます。 `SKILL.md`を読み込めるClaude、Cursor、Codex、OpenClaw、Hermesなどのエージェントに追加できます。 フェーズ14で自分でループを実装した自律ワーカーとしてデプロイできます。 MCP互換クライアントに接続して使えます。フェーズ13でエンドツーエンドに構築します。
レッスンの成果物をインストールする

レッスン成果物。 リポジトリにはphases/**/outputs/に414個のスキルと100個のプロンプトが含まれます。scripts/install_skills.pyでインストールできます。こちらはリポジトリのクローンが必要です。タグによる絞り込み、ドライラン、エージェント別レイアウトをサポートします。

python3 scripts/install_skills.py <target>                                 # every skill, default --layout skills (nested)
python3 scripts/install_skills.py <target> --layout skills                 # same as above, explicit
python3 scripts/install_skills.py <target> --type all                      # skills + prompts + agents
python3 scripts/install_skills.py <target> --phase 14                      # one phase only
python3 scripts/install_skills.py <target> --tag rag                       # filter by tag
python3 scripts/install_skills.py <target> --layout flat                   # flat files
python3 scripts/install_skills.py <target> --dry-run                       # preview without writing
python3 scripts/install_skills.py <target> --force                         # overwrite existing files

<target>はエージェントのスキルディレクトリです。例：~/.claude/skills/、~/.cursor/skills/、~/.config/openclaw/skills/、.skills/、またはエージェントが読み込む任意のパス。

既定では、スクリプトは保存先にあるファイルを上書きせず、衝突したパスをすべて表示して終了コード1を返します。--dry-runで衝突を事前確認でき、--forceで上書きできます。ドライランでない実行では、種類とフェーズごとに全項目を分類したmanifest.jsonが保存先に書き込まれます。エージェントが読み込むレイアウトを選んでください。

--layout 書き込まれるパス
skills <target>/<name>/SKILL.md（Claude / Cursor / Codex / OpenClaw / Hermes対応のネスト形式）
by-phase <target>/phase-NN/<name>.md
flat <target>/<name>.md
エージェントワークベンチを自分のリポジトリに追加する

フェーズ14の総合課題では、再利用可能なAgent Workbenchパック（AGENTS.md、スキーマ、初期化・検証・引き継ぎスクリプト）を作ります。任意のリポジトリに配置するには、次を実行します。

python3 scripts/scaffold_workbench.py path/to/your-repo            # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal  # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run  # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force    # overwrite

ワークベンチを構成する7つの要素が接続され、初期状態のtask_board.jsonと新規のagent_state.json（schema_version: 1）が用意されます。タスクとAGENTS.mdを編集し、scripts/init_agent.pyを実行して、契約をエージェントに渡します。パックのソースはphases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/にあります。

コース全体をJSONで参照する

scripts/build_catalog.pyは全フェーズ、全レッスン、ディスク上の全成果物を走査し、リポジトリのルートにcatalog.jsonを作成します。1つのファイルにコースの情報をまとめます。

python3 scripts/build_catalog.py               # writes <repo>/catalog.json
python3 scripts/build_catalog.py --stdout      # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json

カタログはREADMEではなくファイルシステムから作られるため、件数は常にディスク上の実データと一致します。サイトのビルドや下流ツールで使ったり、READMEの件数がずれていないか確認したりできます。スキーマはスクリプトの先頭に記載されています。

カリキュラムのワークフローは catalog.json を Git の追跡対象外の一時ファイルとして生成します。コミットしないでください。同じワークフローで audit_lessons.py を必須の検査として実行します。

すべてのレッスンのPythonコードをスモークチェックする

scripts/lesson_run.pyは各レッスンのcode/ディレクトリにあるすべての.pyファイルをバイトコンパイルします。既定では実行せずに構文だけを確認するため、APIキーや重い機械学習用依存関係は不要です。インデントの誤り、壊れたf文字列、意図しない編集など、コントリビューターが起こしやすい不具合を検出します。

python3 scripts/lesson_run.py                  # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14       # one phase only
python3 scripts/lesson_run.py --json           # JSON report on stdout
python3 scripts/lesson_run.py --strict         # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute        # actually run, 10s timeout per lesson

--executeは各レッスンのcode/main.py（または最初の.pyファイル）を実行し、レッスンごとに10秒でタイムアウトします。エントリーファイルの冒頭に# requires: pkg1, pkg2のように標準ライブラリ以外の依存関係を列挙したコメントがある場合、そのレッスンはneeds <deps>を理由にスキップします。このスクリプトは任意実行で、CIには組み込まれていません。

リンクチェックは標準ライブラリのみで動作し、Python 3.10以降が必要です。LINK_CHECK_SKIP=domain1,domain2で既定のスキップ対象（twitter.com、x.com、linkedin.com、instagram.com、medium.com）を変更できます。これらのドメインは自動化されたHEAD/GETリクエストを強く制限します。

基礎となる論文とプロトコル

コントリビュート

目標 読み
レッスンの追加・修正に貢献する CONTRIBUTING.md
チームや学校のためのフォーク FORKING.md
レッスンのテンプレート LESSON_TEMPLATE.md
進捗を確認する ROADMAP.md
用語集 glossary/terms.md
行動規範 CODE_OF_CONDUCT.md

レッスンを提出する前に、必須条件のチェックを実行してください。

python3 scripts/audit_lessons.py           # full curriculum
python3 scripts/audit_lessons.py --phase 14  # single phase
python3 scripts/audit_lessons.py --json    # CI-friendly output

いずれかのルールに違反すると、終了コードは0以外になります。ルール（L001–L010）は、ディレクトリ構成、docs/en.mdとH1見出しの存在、code/が空でないこと、quiz.jsonのスキーマ、レッスン文書内の相対リンクを検証します。問題#102の原因となった旧形式のq/choices/answerキーは受け付けません。

プロジェクトを支援する

114,584 人の読者  ·  181,995 過去30日間のページビュー  ·  2026-08-29時点

無料、MITライセンス、542レッスン。この取り組みを支えるスポンサーと支援者の皆さまに感謝します。すべてのスポンサーと支援者を見る。

この取り組みを支援するには、スポンサーシップの選択肢とハードウェアスポンサーシップをご覧になるか、GitHubでスポンサーになることができます。

このマニュアルが役に立ったら、リポジトリにスターを付けてください。プロジェクトを続ける支えになります。

ライセンス

MIT。好きなように使ってください。フォークする、教える、売る、公開する。クレジットは歓迎しますが、必須ではありません。

Rohit Ghumare とコミュニティが保守しています。

@ghumare64  ·  aiengineeringfromscratch.com  ·  報告/提案

関連プロジェクトを探す

affaan-m/ECC

エージェント実行・制御フレームワークの性能最適化システム。Claude Code、Codex、Opencode、Cursor などに向けたスキル、本能、メモリ、セキュリティ、研究優先の開発を備えています。

301,418 スター

NousResearch/hermes-agent

あなたと共に成長するエージェント

262,749 スター

multica-ai/andrej-karpathy-skills

Claude Code の挙動を改善するための単一の CLAUDE.md ファイルで、Andrej Karpathy による LLM コーディングの落とし穴に関する観察に基づいています。

232,247 スター

firecrawl/firecrawl

ウェブをはじめとする幅広いデータで、AI エージェントを強化します。超知能のためのライブラリを構築しています。🔥

200,932 スター