「AIエージェントの作り方」を調べると、Claude Agent SDK、OpenAI Agents SDK、LangGraph、CrewAI……選択肢が多すぎて、結局どれから手をつければいいのか分からなくなりませんか。

自分も同じところで立ち止まりました。普段はエンジニアではなくコンサルタントとしてPMO業務をしているのですが、「AIエージェントを自分の手で作れるようになりたい」と思って、この半年ほど寄り道しながら調べて、書いて、動かしてきました。この教材は、その過程で溜まった「作り方の地図」を一冊にまとめたものです。

ありがちな「1つのフレームワークだけを深掘りする」教材ではなく、素のAPIでの自作から、Claude Agent SDK、MCP、他フレームワークとの横断比較まで、2026年7月時点の最新バージョンで一気通貫に扱っています。

正直に書きます: 掲載コードは、素のAPI自作（第3章）・Claude Agent SDKの全例（第4章）・MCPサーバー（第5章）・総仕上げの調査レポートエージェント（第8章）まで、実際にAPIキーを使ってuv runで実行し、標準出力の実物を本文に掲載しています。唯一、第6章のOpenAI Agents SDK・LangGraphの比較コードだけは、該当パッケージ・APIキーの準備がなく実行しておらず、構文チェック・lint・型チェックのみ通した状態です。実行検証の過程では、ドキュメントを読むだけでは気づけない実装上の落とし穴（サブエージェントの権限設定の仕様）も実際に見つかり、本文で共有しています。「全部完璧に検証済みです」と誇張はせず、やったこととやっていないことを正直に区別しています。詳しい検証区分は本編冒頭に明記しています。

note版との違いについて: 本教材はnote（note.com/nagi_aiwork）でも同一内容・同一価格（¥980）で販売しています。どちらで購入いただいても中身は完全に同じです。お好きなプラットフォームでどうぞ。

こんな人におすすめ

Pythonの基本（関数・クラス・非同期処理の雰囲気）は分かるが、「AIエージェント」がチャットとどう違うのか人に説明できない
Claude Agent SDKやLangGraphのチュートリアルを見ても、どれから手をつければいいか分からない
1つのフレームワークだけでなく、素のAPI・純正SDK・独立系フレームワークを横断して「結局どう違うのか」を理解したい
「動くはずのコード」ではなく「なぜそう書くのか」まで理解して、自分の実務で応用したい

逆に、こんな方には向きません: Pythonを書いたことがない方、業務でのAI活用アイデア（プロンプト集）を求めている方。

目次（全9章＋付録）

はじめに（対象読者・環境構築）
AIエージェントとは何か
作り方の全体地図（4つの手法の比較・選定フローチャート）
3.【実装①】素のAPIで自作する
4.【実装②】Claude Agent SDK（本編のメイン。ツール・ファイル操作・サブエージェント・フック）
5.【実装③】MCPで拡張する（自作MCPサーバーを実機検証）
他の選択肢を知る（OpenAI Agents SDK・LangGraph・CrewAI・Microsoft Agent Framework・Google ADK・ノーコード）
実務投入の勘所（コスト管理・評価・安全性・本番投入前チェックリスト）
8.【総仕上げ】調査レポートエージェント（Web検索→要約→レポート出力を1本で仕上げる）
付録（用語集・モデル料金早見表・トラブルシューティング・参考リンク集）

45,000字超・全コード掲載。コピペで動かせる構成にしています。

この教材の特徴

横断比較: 1つのSDKだけでなく、純正SDK3種・独立系フレームワーク・ノーコードまで並べて比較。市場に多い「単一フレームワーク深掘り本」とは違う立ち位置です
2026年7月時点の最新版: Claude Agent SDK v0.2.111、LangGraph v1.2.8、OpenAI Agents SDK v0.18.0など、実際にインストールして確認したバージョンで執筆
ほぼ全コード実機実行検証済み: 第3・4・5・8章は実際にAPIを叩いて動作確認。未検証（静的検査のみ）は第6章の他フレームワーク比較コードのみで、その旨も明示しています
無料アップデート: Claude Agent SDKやMCPの仕様変更に合わせて、四半期を目安に内容を見直し、購入者には無料でアップデートを提供します

価格・購入にあたって

価格：980円（note版と同一）
形式：テキスト（全コード掲載）
特典：検証済みコード一式（zip）
返金：デジタルコンテンツの性質上、購入者様のご都合による返金には対応しておりません。決済エラー等による二重購入、記載内容と著しく異なる欠陥があった場合は、購入から7日以内にご連絡いただければ個別に対応します
サポート：内容に関するご質問はXのDM・リプライにて対応します（対応時間の保証はございません）
特定商取引法に基づく表記：販売事業者名・所在地・電話番号は、ご請求をいただいた場合に遅滞なく開示いたします。お問い合わせは nagi.aiwork@gmail.com まで

この本の検証方針（最初に必ず読んでください）

この本に載せているコードは、すべて実際に書いて動作確認まで済ませたものです。第3・4・5・8章（素のAPI自作、Claude Agent SDK全例、MCPサーバー、総仕上げの調査レポートエージェント）は、ANTHROPIC_API_KEYを使ってすべて実際にuv runで実行し、標準出力の実物をこの本に貼っています。第6章のOpenAI Agents SDK・LangGraphのコードだけは、該当パッケージを未インストール・OpenAI APIキー未取得のため実行しておらず、構文チェック・lint・型チェックのみ通した「静的検査のみ」のコードです。この1点だけは正直に区別して明記します。

各コードファイルの冒頭には # 検証: 実機実行済み または # 検証: 静的検査のみ（LLM呼び出し含む・実行は読者の環境で） というコメントを必ず入れています。

正直に書くと、実行検証の途中で2つの想定外に遭遇しました。1つは、著者のプロジェクト直下にあるCLAUDE.mdをClaude Code CLIが自動で読み込み、コードの動作とは無関係な発言が出力に混ざったこと（setting_sources=[]を指定して解決。第4章のコードにはこの対策が反映済みです）。もう1つは「サブエージェントにtools=[...]を指定しただけでは権限が付与されず、トップレベルのallowed_toolsにも同じツール名を追加する必要がある」という、ドキュメントを読むだけでは気づきにくい実装上の癖でした（詳細は第4章4-4）。どちらも静的検査だけでは検出できない類のもので、実際に動かしてみることの価値を身をもって実感しました。

「全部のコードを動かして確認済みです」と書いた方が売れ行きは良いかもしれませんが、事実と異なることは書きません。この本は「本当にやったことだけを書く」を大事にしています。

購入者には、今後Claude Agent SDKやMCPの仕様が変わった際の無料アップデートを提供します（四半期を目安に見直します）。

目次

はじめに
AIエージェントとは何か
作り方の全体地図
【実装①】素のAPIで自作する
【実装②】Claude Agent SDK
【実装③】MCPで拡張する
他の選択肢を知る
実務投入の勘所
【総仕上げ】調査レポートエージェント
付録（用語集・モデル料金早見表・トラブルシューティング・参考リンク集）

0. はじめに

自分は普段エンジニアではなく、コンサルタントとしてPMO業務をしています。それでも「AIエージェントって結局何なのか、自分の手で作れるようになりたい」と思って、この半年くらい寄り道しながら調べて、書いて、動かしてきました。この本はその過程で溜まった「作り方の地図」を、初級〜中級のエンジニアの方に向けて一冊にまとめたものです。

対象読者

Pythonの基本文法（関数・クラス・非同期処理の雰囲気）は分かる
「AIエージェント」という言葉は聞くけど、ChatGPTの会話との違いを人に説明できない
Claude Agent SDKやLangGraphのチュートリアルを見ても、どれから手をつければいいか分からない

逆に、Pythonを書いたことがない方や、業務でのAI活用アイデア（プロンプト集）を求めている方には、この本は合いません。プロンプト活用に興味がある方は同じ著者の「JTC人材のためのAI活用プロンプト・テンプレート集」の方が向いています。

この本で作れるようになるもの

素のAnthropic APIだけで、tool useを使ったエージェントループを自作できる
Claude Agent SDKで、ツール・ファイル操作・サブエージェント・フックを組み合わせたエージェントを作れる
MCPサーバーを自作し、エージェントに新しい能力を追加できる
OpenAI Agents SDK・LangGraphなど他の選択肢との違いを説明できる
Web検索→要約→レポート出力までを1本のエージェントで仕上げられる

環境構築

Pythonのパッケージ管理には uv を使います。速くて、依存関係の衝突が起きにくいのが理由です。

# uvのインストール（Homebrewがある場合）
brew install uv

# プロジェクトの作成
mkdir my-agent-project && cd my-agent-project
uv init --python 3.12

# 本書で使うパッケージ
uv add anthropic claude-agent-sdk "mcp[cli]" python-dotenv
uv add --dev ruff mypy

ANTHROPIC_API_KEY は Anthropic Console で発行できます。プロジェクト直下に .env.example を用意し、実際のキーは .env.local にコピーして書き、.gitignore に含めて絶対にコミットしないようにしてください。

# .env.example（テンプレート。これはコミットしてよい）
echo "ANTHROPIC_API_KEY=" > .env.example

# .env.local（実際のキーを書く。絶対にコミットしない）
cp .env.example .env.local
echo ".env.local" >> .gitignore

各章のコードは冒頭で from dotenv import load_dotenv と load_dotenv(".env.local") を呼んでいます。これにより、ターミナルで毎回 export ANTHROPIC_API_KEY=... する必要がなくなり、.env.local に書いた値をスクリプト実行時に自動で読み込みます。

つまずきやすいポイント: uv run python xxx.py を実行したときに ModuleNotFoundError が出る場合、多くは uv add をプロジェクトのルートディレクトリ以外で実行してしまっているケースです。pyproject.toml があるディレクトリで uv sync を実行し直すと解決します。また ANTHROPIC_API_KEY が読み込まれない場合は、.env.local の中身が ANTHROPIC_API_KEY=sk-ant-...（イコールの前後にスペースを入れない）という形式になっているかを確認してください。

これで準備は完了です。次の章から、実際に手を動かしていきます。

1. AIエージェントとは何か

チャットボットとの違い

ChatGPTやClaudeのチャット画面に質問を打つとき、起きていることはシンプルです。

あなたの入力 → LLM → LLMの返答

1往復で終わります。LLMは「言葉を返す」ことしかできません。ファイルを読んだり、Web検索したり、社内システムを叩いたりはできません。

一方「AIエージェント」と呼ばれるものは、次の形をしています。

あなたの指示 → LLM → 「〇〇というツールを使いたい」→ 実際にツールを実行 → 結果をLLMに戻す
                ↑___________________________________________________________|
                （LLMが「もう十分」と判断するまでループ）

つまり エージェント＝LLM＋ツール＋ループ です。この3つの組み合わせさえ理解すれば、「Claude Agent SDK」も「LangGraph」も「CrewAI」も、結局は同じ骨格に対する別の「実装の仕方」でしかないと分かります。この本が一番伝えたいのはこの1行です。

何がエージェントを「エージェント」たらしめているか

ツールを持っている: ファイル操作、Web検索、DB検索、外部API呼び出しなど、言葉を返す以外の「手足」を持つ
自律的にループする: 1回の指示に対して、LLM自身が「次に何をすべきか」を判断し、複数ステップを自分で組み立てる
状態を持つ（もの／持たないものがある）: 会話や作業の途中経過を覚えて次の判断に使う

逆に言えば、単発のプロンプト1回で完結する処理（要約・翻訳・分類など）は、どんなに賢いモデルを使っていても「エージェント」とは呼びません。この線引きが曖昧なまま「エージェント」という言葉だけが独り歩きしているのが、2026年時点のAI業界のややこしいところです。

具体例で確認する

「今週の会議室の空き状況を教えて、空いてたら10時で予約して」という依頼を考えます。

チャットボットの場合: 「会議室予約システムにアクセスできないので、私では確認・予約ができません。システムにログインして直接確認してください」という返答で終わります。言葉を返すことしかできないので、これが精一杯です。

エージェントの場合: 次のように複数ステップを自分で組み立てて実行します。

「会議室の空き状況を調べる」ツールを呼び出す
結果を見て「10時が空いている」ことを確認する
「10時で予約する」ツールを呼び出す
予約が成功したことをユーザーに報告する

同じ質問でも、ツールという「手足」の有無で結果がまったく変わります。この本で作っていくのは、まさにこの「手足」を持たせる部分の実装です。

自律性のレベルで整理する

「エージェントかどうか」は0か1かではなく、自律性の度合いでグラデーションになっています。この本の章立ても、実はこの段階を上っていく構成になっています。

Lv.0 チャット：特徴: ツールなし。1往復で終わる／本書での対応: （本書の対象外）
Lv.1 単発ツール呼び出し：特徴: ツールを1回だけ使って終わる／本書での対応: 第3章の最小形
Lv.2 自律ループ：特徴: モデル自身が「次に何をすべきか」を判断し、複数ステップ・複数ツールを組み合わせる／本書での対応: 第3〜5章のメインテーマ
Lv.3 委譲・協調：特徴: メインのエージェントが、役割の異なるサブエージェントやMCPサーバーに作業を振り分ける／本書での対応: 第4章4-4のサブエージェント、第8章の総仕上げレベルが上がるほど自由度は増しますが、同時に「何をしでかすか読みにくくなる」というリスクも増えます。第7章で扱う権限管理やフックは、このリスクをレベルに応じてコントロールするための道具です。

なぜ2023〜2026年に一気に広まったのか

エージェントという考え方自体は昔からありましたが（研究分野では「ReAct」＝Reasoning and Actingというパターンが2022年頃から知られていました）、実用段階に乗ったのは2023年後半に主要なLLM各社が「function calling」（本書でいうtool use）をAPIとして公開してからです。「モデルが構造化された形でツール呼び出しの意思表示をする」という土台が標準化されたことで、各社・各コミュニティがその上に「エージェントフレームワーク」を積み上げ始め、2025〜2026年にかけて一気に選択肢が増えました。選択肢が増えた反面、「結局何が違うのか」が分かりにくくなったのが、この本を書いた動機の一つです。

「エージェント」という言葉のインフレ問題

もう一つ触れておきたいのが、マーケティング上の「エージェント」という言葉の使われ方です。「AIエージェント搭載」と謳っている製品の中には、実態が「あらかじめ決まったプロンプトを1回叩くだけのチャットボット」に近いものも少なくありません。この本を読み終えた後は、次の2つの質問で製品の実態を見分けられるようになります。

このツールは、言葉を返す以外に何ができるか？（ファイル操作・外部API呼び出し・DB検索など、具体的な「手足」を挙げられるか）
複数ステップの判断を、モデル自身が組み立てているか？（あらかじめ人間が決めた分岐をなぞっているだけではないか）

どちらの答えも曖昧なら、それは「エージェント」と呼んでいるだけの、単発のプロンプト実行である可能性が高いです。逆に言えば、この2つの質問に胸を張って答えられるものを作れるようになるのが、この本のゴールです。

2026年7月時点の勢力図

大きく4つの陣営に分かれています（詳細比較は第2章）。

モデル提供元純正のSDK: Claude Agent SDK（Anthropic）、OpenAI Agents SDK（OpenAI）、Google ADK（Google）
モデル非依存の独立系フレームワーク: LangGraph、CrewAI、Microsoft Agent Framework
ノーコード/ローコードツール: Dify、n8n
素のAPIを直接叩く自作: フレームワークを一切使わず、tool use機能だけでループを書く

2025〜2026年にかけて、これらほぼ全ての陣営が MCP（Model Context Protocol） という共通規格を「ツール連携の標準語」として採用しました。MCPについては第5章で詳しく扱います。

この勢力図で覚えておいてほしいのは、「どれが一番優れているか」という優劣の話ではなく、「どれも同じ骨格（LLM＋ツール＋ループ）の上に、それぞれ違う思想で機能を積み増している」という点です。次の第2章では、この4つの陣営をどう使い分けるかを、具体的な判断軸で整理していきます。