内容紹介
ヘルプデスク、データ分析、情報収集、
目次
第Ⅰ部 AIエージェントを知る
第1章 AIエージェントの概要
1.1 AIエージェントとは？
1.1.1 AIエージェントの定義
1.1.2 AIエージェントが持つ特性
1.2 AIエージェントのビジネス状況
1.2.1 AIエージェントのビジネスの流れ
1.2.2 AIエージェントの活用例
1.3 AIエージェントの技術的な位置づけ
1.3.1 エージェントの作り方は学習か、推論か
column エージェント学習（Agent-Tuning）
1.3.2 LLMからAIエージェントまでの階段
1.4 AIエージェント開発の選択肢
1.4.1 エージェント構築フレームワーク
1.4.2 構築フレームワークを使う懸念
1.5 まとめ
第2章 AIエージェントの構成
2.1 AIエージェントの内部構成
2.1.1 AIエージェントの構成図
2.1.2 AIエージェントの環境
2.2 プロフィール（Profile）
2.2.1 プロフィールとは
2.2.2 実装上で気をつけること
column 知覚（Perception）
2.3 ツール呼び出し
2.3.1 ツール呼び出しとは
2.3.2 ツールの設計において気を付けたいこと
column Model Context Protocol
2.4 計画（Planning）
2.4.1 計画とは
2.4.2 実装上で気をつけること
2.5 自己修正（Self-Correction）
2.5.1 自己修正とは
2.5.2 実装上で気をつけること
2.6 メモリ（Memory）
2.6.1 メモリとは
2.6.2 実装上で気をつけること
2.7 シングルエージェントワークフロー
2.7.1 シングルエージェントワークフローとは
2.7.2 実装上で気をつけること
column AIワークフロー
2.8 マルチエージェントワークフロー
2.8.1 マルチエージェントワークフローとは
2.8.2 実装上で気をつけること
column 推論モデルはAIエージェントに役立つのか
2.9 まとめ
第Ⅱ部 AIエージェントを作る
第3章 開発準備
3.1 生成AI時代におけるAPI利用のメリット
3.1.1 Chat Completions API の基本
3.1.2 OpenAI API の使い方
3.1.3 代表的なモデル
3.1.4 推論モデル（Reasoning models）
3.1.5 構造化出力（Structured Outputs）
3.1.6 Prompt caching
3.2 Function calling の活用方法
3.3 AIエージェントで利用されるツール
3.3.1 Web検索
3.3.2 非公開情報を対象とした検索
3.3.3 Code Interpreter
3.4 Embedding APIの紹介
3.5 Assistants APIの紹介
column OpenAI 以外のAPIとローカルLLMの紹介
3.6 LangGraphによるエージェントワークフロー構築
3.6.1 LangGraphとは
3.6.2 エージェントワークフローの構築方法
3.7 まとめ
第4章 ヘルプデスク担当者を支援する
4.1 ヘルプデスク業務について知る
4.1.1 ヘルプデスク業務の流れ
4.1.2 ヘルプデスク業務の課題
4.1.3 なぜヘルプデスク業務にAIエージェントを用いるのか
4.2 Plan-and-Execute型エージェントについて
4.2.1 Plan and Execute型エージェントの概要
4.2.2 ヘルプデスク用計画実行型エージェント
4.3 実行環境のセットアップ
4.4 ツール作成
4.4.1 検索準備
4.4.2 マニュアル検索ツール
column RAGとロングコンテキスト
4.4.3 過去QA検索ツール
column 単純なRAGで回答できる質問の種類
4.5 計画実行型エージェントのLangGraphによる設計
4.5.1 LangGraphのステート・グラフ定義
4.5.2 計画作成
4.5.3 ツール選択
4.5.4 ツール実行
4.5.5 サブタスク回答
4.5.6 自己修正
4.5.7 最終回答ステップ
4.5.8 動作確認
4.6 正確な回答が得られない原因と対策
4.6.1 計画不備
4.6.2 検索ツールの改善
4.7 展望
4.8 まとめ
第5章 データ分析者を支援する
5.1 データ分析を伴う業務
5.1.1 データ分析におけるBIツールの課題
5.1.2 データ分析エージェントによる分析業務の代替
column データ分析エージェントの具体例
5.2 データ分析エージェントの設計
5.2.1 エージェントワークフロー
5.2.2 実装コードのディレクトリ
5.2.3 ライブラリ
5.3 実装準備
5.3.1 生成されたコードの実行環境のセットアップ
column E2Bの基本情報
column プログラムの実行環境
5.3.2 解析対象のデータセットの概要
5.3.3 LLMの呼び出し
5.4 プログラム生成を行うシングルエージェントワークフロー
5.4.1 コード生成
5.4.2 コード実行
5.4.3 リフレクション
5.4.4 コード生成・実行・リフレクションのサイクル実行
5.5 データ分析レポートの作成
5.5.1 計画立案（仮説構築）
5.5.2 プログラムの実行
5.5.3 実行結果を反映したレポート生成
5.5.4 作成された分析レポート
5.6 課題と展望
5.7 まとめ
第6章 情報収集者を支援する
6.1 情報収集タスクで生じる課題
6.1.1 リサーチ担当者に事前知識があるとは限らない、という問題
6.1.2 エージェントによる情報探索プロセスの自動化アプローチ
6.2 情報収集タスクにおけるエージェントプロセスの概要
6.3 実行環境のセットアップ
6.3.1 ソースコードの主な構成
6.3.2 利用している主要な外部サービス
6.4 arXiv探索エージェントのLangGraphによる設計
6.4.1 メインエージェントの設計（ResearchAgent）
6.4.2 論文調査エージェントの設計（PaperSearchAgent）
6.4.3 論文分析エージェントの設計（PaperAnalyzerAgent）
6.5 arXiv探索エージェントのLangGraphによる実装
6.5.1 メインエージェントの実装 （ResearchAgent）
6.5.2 論文調査エージェントの実装（PaperSearchAgent）
6.5.3 論文分析エージェントの設計（PaperAnalyzerAgent）
6.6 LangGraph Studioによる動作確認
6.6.1 langgraph.jsonの定義
6.6.2 LangGraph Studioの起動と実行
6.7 arXiv探索エージェントの課題と今後の発展性
6.7.1 文献調査の「深さ」の限界
6.7.2 文県内の実験結果や図表の取り扱い
6.7.3 検索クエリ生成の精度向上
6.7.4 エージェントの体験設計
6.8 まとめ
第7章 マーケティングを支援する
7.1 マーケティング業務とは
7.1.1 購買意思決定プロセスとは
7.1.2 マーケティング業務の内容
7.2 マーケティング業務におけるAIエージェントの活用
7.2.1 マーケティング業務の課題
7.2.2 AIエージェントのメリット
7.2.3 マーケティングを支援するAIエージェントの活用事例（ソリューション詳解）
7.2.4 マーケティングを支援するAIエージェントによる課題解決のアプローチ
7.2.5 各エージェントやツールの紹介
7.3 ロールプレイングによる意思決定支援エージェント
7.3.1 コンテンツ案の評価・改善を行うマルチエージェント
7.3.2 各エージェントやツールの紹介
7.3.3 ロールプレイングによる意思決定支援エージェントの挙動確認
7.4 パーソナライズ施策支援エージェント
7.4.1 会話型レコメンドを行うマルチエージェント
7.4.2 各エージェントやツールの紹介
7.4.3 パーソナライズ施策支援エージェントの挙動確認
7.5 まとめ
第Ⅲ部 AIエージェントを現場で使う
第8章 AIエージェントの評価
8.1 AIエージェントの評価とは
8.1.1 AIエージェント能力の評価
8.1.2 問題解決能力の評価
column ドメイン空間とタスク空間ってなに？
8.2 評価指標
8.2.1 エージェント能力に関する指標
8.2.2 問題解決能力に関する指標
8.2.3 エージェントの運用に関する指標
8.3 評価の準備
column LLM-as-a-Judge
8.4 エラー分析
8.4.1 よくある計画・推論に関するエラー
8.4.2 よくある行動・実行に関するエラー
8.4.3 よくある環境・知覚に関するエラー
8.4.4 よくあるマルチエージェントに関するエラー
8.5 まとめ
第9章 AIエージェントの活用
9.1 AIエージェントとUX
9.1.1 AIエージェント実利用に至るまでのステップ
9.1.2 AIエージェントと人間のタッチポイント
column AIエージェントの信頼性を高めるUX
9.2 AIエージェントのリスク
9.2.1 リスクの種類
9.2.2 AIエージェントへの攻撃方法
9.2.3 AIエージェントの安全性に向けた取り組み
9.3 AIエージェントのモニタリング
9.3.1 AgentOps
9.3.2 Prompt flowのTracing
9.3.3 LangSmith
9.4 AIエージェント運用における継続的な精度改善方法
9.4.1 メモリを活用した推論（計画）の改善
9.4.2 ツールやプロンプトの改善
9.4.3 エージェントアーキテクチャの自己改善
9.5 まとめ
第10章 各社のAIエージェントの実用化に向けた取り組み
10.1 プロジェクトの進め方（電通総研）
column AIエージェントに適した業務を考えよう
10.2 AIエージェントの開発 (Algomatic)
10.3 AIエージェントと協働するためにはどうすれば良いのか(ジェネラティブエージェンツ)