
AIエンジニアの仕事を6か月の学習計画から読み解く~モデルを作らず、確率的な部品をコードで囲う~
最近、Ronin(@DeRonin_)さんの記事「How to become an AI Engineer in 6 months (RESOURCES)」を読みました。AIエンジニアを目指す人向けに、6か月分の学習計画と教材リンクをまとめた長い記事です。
面白かったのは、教材の量よりも並び順です。PythonとHTTPから始まり、LLM(大規模言語モデル)のAPI(プログラムからモデルを呼ぶ窓口)、検索、エージェント(モデルが手順を自分で決める動き)、評価、運用と進みます。
この順番は、AIエンジニアという職種が何を任されるのかを、そのまま映しているように見えました。
この記事では、その並び順を手がかりに、AIエンジニアの仕事の構造を整理します。「そもそも何をする人か」「従来の学び方と何が違うか」「LLMアプリはどういう仕組みで成り立つか」の順です。
最後に、手元で試せる小さな一歩を置きます。
【発端】 6か月の計画表は、職種の設計図でもある

原文は、1万語を超える記事です。月ごとに学ぶ項目と教材が並んでいます。
1か月目:Python、Git、ターミナル、HTTPとAPI、SQL、FastAPI(PythonのWeb APIフレームワーク)
2か月目:LLMのAPI、プロンプト(モデルへの指示文)、構造化出力、ツール呼び出し、失敗処理
3か月目:RAG(検索で見つけた資料を渡して答えさせる方式)
4か月目:エージェント、ワークフロー(手順をコード側で固定した流れ)、評価
5か月目:Docker(実行環境をまとめる仕組み)、認証、監視、コスト管理などの運用
6か月目:製品開発、応用ML、業務自動化から一つ選んで専門化
学習順を決めているのは「何がおかしくなりやすいか」だと考えると、この表は読みやすくなります。LLMは出力が毎回揺れる部品なので、先に要るのは、まわりのコードで支える技術です。
なお原文の末尾には年収や求人の数字がありますが、著者自身が分析ツールから取った数字だと書いています。この記事では扱いません。
【基礎】 AIエンジニアは、既存モデルの上に製品を作る人
AIエンジニアと聞くと、巨大なモデルを一から訓練する人を想像しがちです。原文は、いまの仕事の中心はそちらではないと書いています。
実際の仕事は、LLMのAPIにつなぎ、プロンプトと文脈を設計し、チャットや検索や自動化の仕組みを組み立てることです。信頼性、コスト、遅延を改善して、アプリに載せるところまで含みます。
つまり、この職種は、ソフトウェア開発、プロダクト開発、自動化、応用AIの中間にあります。先に必要なのは、機械学習の理論よりも、普通のソフトウェアを作る力です。
原文が1か月目を丸ごとコーディングの基礎にあてているのも、そのためです。
【違い】 学習の出発点が、モデルの中身から「呼ぶ側」へ移った

学ぶ対象が「モデルそのもの」から「モデルを呼ぶ周辺」へ移っています。モデルがAPIとして提供されるようになったので、多くの人にとって最初の壁はモデルの内部ではなくなりました。
次の表は、原文の方針を読んで私が軸を立てて整理したものです。「理論先行」は比較のための仮の姿で、実在の誰かの主張ではありません。
出発点
理論先行の学び方:機械学習の理論
この計画の学び方:Python、HTTP、API
最初の成果物
理論先行の学び方:手法の理解や再現
この計画の学び方:動く小さなアプリ
難所
理論先行の学び方:数式と学習の設計
この計画の学び方:失敗処理、コスト、評価
手元で使い始める時期
理論先行の学び方:理論が一巡してから
この計画の学び方:1〜2か月目から
どの月にも「作る課題」が付いている点も特徴です。原文は、動画を眺めるだけの学習を最も典型的な失敗として挙げています。
【仕組み】 確率的な部品を、決定的なコードで囲う

LLMアプリの設計は、一文で言えます。出力が揺れる部品を、揺れない普通のコードで囲って使う、ということです。
囲う場所は大きく六つあります。
入口:プロンプトと文脈を設計する
出口:出力をスキーマ(項目と型の約束)で受け取り、検証する
行動:ツールの実行はモデルではなくコードが担う
失敗:再試行、上限、代替手段を決めておく
測定:変更のたびにテストで確かめる
権限:モデルに渡す権限を最小にする
行動の部分は、誤解されやすいところです。OpenAIの関数呼び出しのガイドによると、モデルは関数を実行しません。
ツールを使いたいと判断したら、関数名と引数を返します。アプリ側のコードが実行し、結果をモデルへ返すと、戻るのは最終回答か次の呼び出しです。
実行をコード側に置くと、検証、上限、承認といった「囲い」を差し込む場所ができます。構造化出力も同じ発想です。
OpenAIのStructured Outputsは、出力を指定したスキーマに沿わせます。ただし公式も、内容の間違いは起こりうると明記しています。
形が合うことと、中身が正しいことは別の問題です。
【具体例】 請求書パーサーで、囲いの一周を見る

原文の2か月目の練習課題に、請求書パーサーがあります。生の文章から、請求番号、金額、品目、支払期限を取り出す課題です。
ここでは、その構造だけを借りて「囲い」の一周を追います。私が実際に動かして確かめたものではありません。
スキーマを決める:請求番号は文字列、金額は数値、期限は日付、というように項目と型を先に決めます。
モデルに渡す:生の文章とスキーマを渡し、スキーマに沿った出力を求めます。
コードで検証する:金額が数値か、期限が日付として読めるかを、通常のプログラムで確かめます。
落ちたら分岐する:再試行するか、人に回すか、エラーとして記録するかを、あらかじめ決めておきます。
注意したいのは、無関係な文章が入ってきた場合です。OpenAIのガイドは、スキーマに合わない入力でもモデルは形に合わせようとして作り話をしうると述べ、合わない入力では空の項目か特定の文を返すよう、指示に書く例を示しています。
この逃げ道を用意するのも、囲いの設計の一部です。
【関連概念】 エージェント、評価、権限が次の手始めになる

この仕組みを理解すると、次の三つが同じ線の上に見えてきます。
エージェントかワークフローか:Anthropicの解説は、処理の道筋をコードで固定するものをワークフロー、LLMが手順を自分で決めるものをエージェントと分けています。まず最も単純な構成を探し、複雑さは必要なときだけ足すよう勧めています。原文の「1回の呼び出し、ワークフロー、エージェント」の順に選ぶ考え方とも重なります。なお、このAnthropicの記事には、2024年12月の公開後にツール環境が変わったという注記が付いています。
評価:Hamel Husainの評価の解説は、まず高速で安価なテスト(アサーション)を書き、次に人手やモデルによる評価へ進む三段階を示しています。囲いが機能しているかを確かめる道具です。
権限:OWASPのプロンプトインジェクションの解説は、確実な防止策があるかは不明だとしたうえで、最小権限と、高リスクな操作への人間の承認を軽減策に挙げています。Simon Willisonのエージェントのループ設計も、予算に上限を付けた認証情報を勧めています。
参考情報・参考書籍(PR)
本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。
『AIエージェント開発 / 運用入門 [生成AI深掘りガイド]』(御田 稔):LLMのAPI利用から、エージェントの開発と運用までを一冊で追えます。仕組みと関連概念で触れた実装の側を補います。
『現場で活用するためのAIエージェント実践入門』(太田 真人):検索ページの紹介文によれば、エージェントの構築、評価、改善を扱います。測定と関連概念に対応します。
『[入門]LLMアプリ開発 ——基本・LLMのしくみ・MCP・AIセキュリティ』(松本 和高):LLMのしくみとセキュリティを入門向けに扱います。基礎と権限のはじめの一冊になります。
『LLM・AIエージェントシステムベストプラクティス』(澁井 雄介):検索ページの紹介文によれば、LLMとエージェントを使うシステムの設計、実装、運用、管理の手法をまとめています。囲いの設計を実務へ落とすときの参照になります。
『つくりながら学ぶ!LLM 自作入門』(Sebastian Raschka):呼ぶ側を学んだあと、モデルの内部を知りたくなったときの橋渡しになります。GPT型のLLMを一から作る内容として紹介されています。
【まとめ】 まず、検証に落ちる入力を3つ作ってみる

囲いの感覚は、読むより手を動かしたほうが早くつかめます。小さな実験として、次の順で試してみてください。
手元の短い文書を1種類選びます(議事録、問い合わせメール、請求書など)。
取り出したい項目を3〜5個決め、型を付けます。
モデルに抽出させ、結果をコードで検証します。
わざと検証に落ちそうな入力を3つ作ります(項目が欠けた文、無関係な文、曖昧な表記)。
その3つを、変更のたびに流し直せるテストとして残します。
原文の著者自身も、この計画だけで6か月後にシニアになれるわけではないと書いています。目指しているのは、実際の問題を解くAIシステムを、作って届けられる状態です。
囲いを一周書いた経験は、その状態への最初の一歩になります。
参考情報
関連記事