出典: https://github.com/microsoft/mcp-for-beginners フォーク元リポジトリ: https://github.com/microsoft/mcp-for-beginners (Microsoft) ライセンス: MIT License

🚀 モジュール 1: AI Toolkit 基礎¶

📋 学習目標¶

このモジュールの終了時には、以下ができるようになります： - ✅ Visual Studio Code 用 AI Toolkit のインストールと設定 - ✅ モデルカタログの操作とさまざまなモデルソースの理解 - ✅ Playground を使ったモデルのテストと実験 - ✅ Agent Builder を使ったカスタム AI エージェントの作成 - ✅ 複数のプロバイダー間でのモデル性能比較 - ✅ プロンプトエンジニアリングのベストプラクティスの適用

🧠 AI Toolkit (AITK) の紹介¶

Visual Studio Code 用 AI Toolkit は、Microsoft の代表的な拡張機能で、VS Code を包括的な AI 開発環境に変えます。AI 研究と実践的なアプリケーション開発の橋渡しをし、あらゆるスキルレベルの開発者が生成系 AI を活用できるようにします。

🌟 主な機能¶

🎯 AI Toolkit が重要な理由¶

• 🚀 開発の加速：アイデアからプロトタイプまで数分で
• 🔄 統一されたワークフロー：複数の AI プロバイダーを一つのインターフェースで
• 🧪 簡単な実験：複雑な設定なしでモデルを比較
• 📈 本番対応：プロトタイプから本番展開へのスムーズな移行

🛠️ 前提条件とセットアップ¶

📦 AI Toolkit 拡張機能のインストール¶

ステップ 1: 拡張機能マーケットプレイスにアクセス 1. Visual Studio Code を開く 2. 拡張機能ビューに移動（Ctrl+Shift+X または Cmd+Shift+X） 3. 「AI Toolkit」を検索

ステップ 2: バージョンを選択 - 🟢 リリース：本番利用に推奨 - 🔶 プレリリース：最新機能の先行体験

ステップ 3: インストールして有効化

✅ 確認チェックリスト¶

• VS Code のサイドバーに AI Toolkit アイコンが表示されている
• 拡張機能が有効かつアクティブになっている
• 出力パネルにインストールエラーがない

🧪 ハンズオン演習 1: GitHub モデルの探索¶

🎯 目的：モデルカタログをマスターし、最初の AI モデルをテストする

📊 ステップ 1: モデルカタログを操作する¶

モデルカタログは AI エコシステムへの入り口です。複数のプロバイダーからモデルを集約し、簡単に発見・比較できます。

🔍 ナビゲーションガイド：

AI Toolkit のサイドバーで MODELS - Catalog をクリック

💡 プロのコツ：コード生成、クリエイティブライティング、分析など、用途に合った特定の機能を持つモデルを探しましょう。

⚠️ 注意：GitHub ホストのモデル（GitHub Models）は無料で使えますが、リクエストやトークンに制限があります。GitHub 以外のモデル（Azure AI や他のエンドポイント経由の外部モデル）を使う場合は、適切な API キーや認証情報が必要です。

🚀 ステップ 2: 最初のモデルを追加して設定する¶

モデル選択のポイント： - GPT-4.1：複雑な推論や分析に最適 - Phi-4-mini：軽量でシンプルなタスクに高速応答

🔧 設定手順： 1. カタログから OpenAI GPT-4.1 を選択 2. Add to My Models をクリックしてモデルを登録 3. Try in Playground を選んでテスト環境を起動 4. モデルの初期化を待つ（初回は少し時間がかかる場合あり）

⚙️ モデルパラメーターの理解： - Temperature：創造性の度合いを制御（0 = 決定的、1 = 創造的） - Max Tokens：応答の最大長 - Top-p：応答の多様性を調整する核サンプリング

🎯 ステップ 3: Playground インターフェースを使いこなす¶

Playground は AI 実験のラボです。最大限に活用する方法はこちら：

🎨 プロンプトエンジニアリングのベストプラクティス： 1. 具体的に：明確で詳細な指示が良い結果を生む 2. コンテキストを提供：関連する背景情報を含める 3. 例を使う：モデルに望む内容を例示する 4. 繰り返し改善：初期結果をもとにプロンプトを調整

🧪 テストシナリオ：

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."

🏆 チャレンジ演習：モデル性能比較¶

🎯 目標：同じプロンプトで複数モデルを比較し、それぞれの強みを理解する

📋 手順： 1. Phi-4-mini をワークスペースに追加 2. GPT-4.1 と Phi-4-mini に同じプロンプトを使う

1. 応答の質、速度、正確さを比較
2. 結果をドキュメントにまとめる

💡 発見すべきポイント： - LLM と SLM の使い分け - コストと性能のバランス - モデルごとの専門的な機能

🤖 ハンズオン演習 2: Agent Builder でカスタムエージェントを作成¶

🎯 目的：特定のタスクやワークフローに特化した AI エージェントを作成する

🏗️ ステップ 1: Agent Builder の理解¶

Agent Builder は AI Toolkit の真骨頂です。大規模言語モデルの力を活かしつつ、カスタム指示や特定パラメーター、専門知識を組み合わせた専用 AI アシスタントを作れます。

🧠 エージェントの構成要素： - コアモデル：基盤となる LLM（GPT-4、Groks、Phi など） - システムプロンプト：エージェントの性格や振る舞いを定義 - パラメーター：最適なパフォーマンスのための微調整設定 - ツール連携：外部 API や MCP サービスとの接続 - メモリ：会話の文脈やセッションの持続

⚙️ ステップ 2: エージェント設定の詳細¶

🎨 効果的なシステムプロンプトの作成：

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions

もちろん、Generate System Prompt を使って AI にプロンプトの生成や最適化を手伝わせることもできます

🔧 パラメーター最適化： | パラメーター | 推奨範囲 | 利用シーン | |-----------|------------------|----------| | Temperature | 0.1-0.3 | 技術的・事実ベースの応答 | | Temperature | 0.7-0.9 | 創造的・ブレインストーミング | | Max Tokens | 500-1000 | 簡潔な応答 | | Max Tokens | 2000-4000 | 詳細な説明 |

🐍 ステップ 3: 実践演習 - Python プログラミングエージェント¶

🎯 ミッション：Python コーディングに特化したアシスタントを作成

📋 設定手順：

1. モデル選択：Claude 3.5 Sonnet を選択（コードに優れる）

2. システムプロンプト設計：

   # Python Programming Expert Agent
   
   ## Role
   You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.
   
   ## Capabilities
   - Write production-ready Python code
   - Debug complex issues
   - Explain code concepts clearly
   - Suggest best practices and optimizations
   - Provide complete working examples
   
   ## Response Format
   - Always include docstrings
   - Add inline comments for complex logic
   - Suggest testing approaches
   - Mention relevant libraries when applicable
   
   ## Code Quality Standards
   - Follow PEP 8 style guidelines
   - Use type hints where appropriate
   - Handle exceptions gracefully
   - Write readable, maintainable code
   

3. パラメーター設定：

4. Temperature: 0.2（安定した信頼性の高いコード）
5. Max Tokens: 2000（詳細な説明）
6. Top-p: 0.9（バランスの取れた創造性）

🧪 ステップ 4: Python エージェントのテスト¶

テストシナリオ： 1. 基本機能：「素数を見つける関数を作成して」 2. 複雑なアルゴリズム：「挿入、削除、検索メソッドを持つ二分探索木を実装して」 3. 実用的な問題：「レート制限とリトライを扱うウェブスクレイパーを作って」 4. デバッグ：「このコードを修正して [バグのあるコードを貼り付け]」

🏆 合格基準： - ✅ エラーなくコードが動作する - ✅ 適切なドキュメントが含まれている - ✅ Python のベストプラクティスに従っている - ✅ 明確な説明がある - ✅ 改善案を提案できる

🎓 モジュール 1 総括と次のステップ¶

📊 知識チェック¶

理解度を確認しましょう： - [ ] カタログ内のモデルの違いを説明できるか？ - [ ] カスタムエージェントを作成し、テストできたか？ - [ ] 用途に応じたパラメーター最適化が理解できているか？ - [ ] 効果的なシステムプロンプトを設計できるか？

📚 追加リソース¶

• AI Toolkit ドキュメント：公式 Microsoft Docs
• プロンプトエンジニアリングガイド：ベストプラクティス
• AI Toolkit のモデル：開発中のモデル

🎉 おめでとうございます！ AI Toolkit の基礎をマスターし、より高度な AI アプリケーションの構築準備が整いました！

🔜 次のモジュールへ進む¶

さらに高度な機能を学びたい方は、モジュール 2: MCP with AI Toolkit Fundamentals へ進みましょう。ここでは以下を学びます： - Model Context Protocol (MCP) を使ってエージェントを外部ツールに接続する方法 - Playwright を使ったブラウザ自動化エージェントの構築 - MCP サーバーと AI Toolkit エージェントの統合 - 外部データや機能でエージェントを強化する方法

免責事項：
本書類はAI翻訳サービス「Co-op Translator」を使用して翻訳されました。正確性の向上に努めておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があります。原文の言語による文書が正式な情報源とみなされるべきです。重要な情報については、専門の人間による翻訳を推奨します。本翻訳の利用により生じたいかなる誤解や誤訳についても、当方は責任を負いかねます。