【2026年版】AI Engineering from Scratch 完全ガイド｜20フェーズのAI学習ロードマップをMCP・LangGraphまで日本語解説

「AIエンジニアになりたいけれど、何をどの順番で学べばいいのかまったく分からない」——そんな悩みを抱えたまま、とりあえずLLM APIの叩き方だけを身につけて行き詰まっているエンジニアは少なくありません。APIでRAGを構築できるようになっても、モデルの挙動が不安定なときに何が起きているか説明できない。ファインチューニングを試みても、パラメータの意味が腑に落ちないまま試行錯誤を繰り返してしまう。

この問題の根本にあるのは「体系的な学習順序の欠如」です。

本記事では、GitHubで75,300以上のスターを獲得したオープンソースAIカリキュラム「AI Engineering from Scratch（rohitg00/ai-engineering-from-scratch）」の全体像を日本語で丁寧に解説します。具体的には次の3点が分かります。

• 20フェーズ542レッスンのロードマップ全体構造と各フェーズの意義
• バックプロパゲーション自力実装・LLMゼロ実装・MCP・LangGraphという学習の一貫した流れ
• Claude/MCP認定資格との対応表と、資格を目標にした効率的な学習設計

結論から言うと、このカリキュラムの真の価値は「542レッスンという網羅性」ではなく、「線形代数からマルチエージェント自律スワームまでを一本の線でつなぐ順序設計」にあります。その設計思想を理解した上で自分の学習パスを選ぶことが、AIエンジニアへの最短経路です。

AI Engineering from Scratch とは？GitHubで注目を集めるAI学習カリキュラムの全体像

スローガン「Learn it. Build it. Ship it for others.」が示す設計思想

「AI Engineering from Scratch」が多くのAI学習教材と根本的に異なるのは、スローガンに端的に表れています。「読んで理解する」で終わらず「作って公開する」まで射程に入れた設計になっているのです。

一般的なオンライン講座は「理解」をゴールに設定しがちです。しかしこのカリキュラムでは、各フェーズの成果物を実際に動くソフトウェアとして完成させることを前提とし、さらにそれを「他者のために公開する」ところまでを学習の一部と位置づけています。この思想は、フェーズ19のキャップストーンプロジェクトまで一貫して流れています。

また、線形代数・微積分といった数学の基礎から出発し、ディープラーニング、Transformerアーキテクチャ、LLM、MCP、そしてマルチエージェント自律スワームまでを一本の学習軸でつなぐ点も大きな特徴です。「APIの使い方だけ学ぶ」のではなく、「なぜそう動くのか」を理解した上で実装できるエンジニアを育てることを目指しています。

数字で見るリポジトリの規模

2026年10月時点で、rohitg00/ai-engineering-from-scratchは以下のような規模に成長しています。

• スター数：75,300以上
• フォーク数：13,200以上
• フェーズ数：20フェーズ
• レッスン数：542レッスン
• ライセンス：MITライセンス（完全無料）

特にフォーク数の多さは、単に「読んで参考にする」だけでなく「実際に手を動かして学ぶ」ユーザーが多いことを示しています。MITライセンスで公開されているため、企業内研修や個人学習に制限なく活用できます。

Python / TypeScript / Rust / Julia の4言語対応という珍しさ

このカリキュラムが特徴的なのは、4つのプログラミング言語に対応している点です。Python / TypeScript / Rust / Julia というラインナップは、AI学習教材としては非常に珍しい構成です。

この多言語対応が意味することは何でしょうか。それは「特定の実装言語に依存せず、概念そのものを理解する」ことの重視です。Pythonで実装した後にTypeScriptで同じアルゴリズムを書き直すことで、「Pythonの書き方を学んだ」ではなく「アルゴリズムそのものを理解した」という状態に近づけます。

また、Web系・フロントエンド系のエンジニアにとってはTypeScriptから入れる導線があることが心理的ハードルを下げています。「Pythonが得意でないからAI学習が難しい」という先入観を取り除く設計です。

既存のAI学習教材と何が違うのか

MOOC型のAI学習教材（CourseraのML専門講座やfast.aiなど）と比較したときの最大の差異は「フレームワークを使う前に数学から実装する」という逆張り設計にあります。

多くの教材はTensorFlowやPyTorchの使い方から教え始め、「実用的なスキルを最速で習得する」ことを優先します。対してこのカリキュラムは、Phase 1で線形代数と微積分を学び、Phase 3でバックプロパゲーションをゼロ実装してから、はじめてフレームワークの活用に進みます。

この設計は学習時間を要しますが、後半のLLMファインチューニングやマルチエージェント設計において、「なぜ動くのか」「なぜ動かないのか」を自力で説明できる力として効いてきます。

20フェーズの学習ロードマップ全体マップ【一覧表付き】

フェーズ構成一覧表（Phase 0〜19）

まず全体像を把握するために、20フェーズの一覧表を確認しましょう。

この表を見るだけで、カリキュラムの重心がどこにあるかが分かります。Phase 13の45レッスンという突出した規模は、現代のAIエンジニアリングにおける「ツールとプロトコル」の重要度を如実に示しています。

4つの大きなブロックに分けて捉える

542レッスンを細かいフェーズ単位で見ていくと全体像が見えにくくなります。まず4つの大きなブロックとして捉えることをお勧めします。

【基礎ブロック】Phase 0〜3：数学と機械学習の土台

線形代数、微積分、確率・統計から機械学習の基礎アルゴリズム、そしてディープラーニングのコアとなるバックプロパゲーションまでを扱います。このブロックは「後半で詰まったときに戻ってくる場所」として機能します。

【ドメインブロック】Phase 4〜9：CV・NLP・音声・Transformer・生成AI・強化学習

特定のAI応用領域を横断的に学ぶブロックです。コンピュータビジョン、自然言語処理、音声処理という三大応用領域をカバーした後、現代AIの根幹であるTransformerアーキテクチャを深く理解し、生成AIと強化学習に進みます。

【LLMブロック】Phase 10〜12：自力実装からRAG・ファインチューニング・マルチモーダル

LLM時代の本丸です。Phase 10でLLMをゼロから構築することで、ChatGPTやClaudeの内部で何が起きているかを実装レベルで理解します。Phase 11ではRAGとLoRA、そしてMCPの初出があります。Phase 12でマルチモーダルAIまで扱います。

【エージェントブロック】Phase 13〜19：MCP・LangGraph・マルチエージェント・本番運用

現代AIエンジニアの実務比重が最も高い領域です。MCPによるツール連携、LangGraphによるワークフロー設計、マルチエージェントシステムの実装、そして本番運用・倫理・総合プロジェクトまでをカバーします。

なぜPhase 13が45レッスンと最大規模なのか

20フェーズの中でPhase 13が突出した45レッスンを持つのには明確な理由があります。2026年のAI開発における「つなぐ技術」の重要度が、そのまま学習コンテンツの分量に反映されているのです。

LLM単体の性能は急速に改善していますが、エンタープライズ向けのAIシステムを本番で動かすためには、LLMとツール・データベース・外部API・人間のワークフローをいかに安全かつ効率的につなぐかが鍵になります。MCPはその「つなぐ技術」の統一標準として2026年現在の業界で定着しており、このカリキュラムがPhase 13に最大のリソースを割いているのは、そうした実務の現実を正直に反映した設計判断と言えます。

核心はPhase 3 — バックプロパゲーションを自力実装する意義

Phase 3 Lesson 03「Backpropagation from Scratch」で何をやるのか

Phase 3の目玉は、Lesson 03「Backpropagation from Scratch」です。PyTorchやTensorFlowのmodel.fit()を一切使わず、ニューラルネットワークの学習アルゴリズムを完全にゼロから実装します。

具体的には次のステップを手で書きます。

1. 連鎖律（Chain Rule）の実装：偏微分の連鎖関係を関数として表現
2. 勾配計算の実装：各レイヤーでの勾配を計算するforwardパスとbackwardパスの構築
3. パラメータ更新ループの実装：勾配降下法でウェイトを更新するコア処理

import numpy as np

class Layer:
    def __init__(self, input_size, output_size):
        # Xavierの初期化
        self.W = np.random.randn(input_size, output_size) * np.sqrt(2.0 / input_size)
        self.b = np.zeros((1, output_size))

    def forward(self, X):
        self.X = X
        return X @ self.W + self.b

    def backward(self, dout):
        # 連鎖律による勾配の逆伝播
        self.dW = self.X.T @ dout
        self.db = np.sum(dout, axis=0, keepdims=True)
        return dout @ self.W.T

    def update(self, lr=0.01):
        self.W -= lr * self.dW
        self.b -= lr * self.db

このコードが何をしているかを説明できる状態になること——それがPhase 3の到達目標です。

「APIを叩くだけ」で止まるエンジニアとの決定的な差

2026年現在、LLM APIでRAGやエージェントを作るだけなら、内部実装の知識は技術的に必要ありません。OpenAIやAnthropicのAPIドキュメントを読み、プロンプトを調整すれば、多くのAIアプリは構築できてしまいます。

しかし、実際の開発現場では「APIを叩くだけのエンジニア」では解決できない問題が頻繁に発生します。

• 損失が一向に減らない：学習率が高すぎるのか、データに問題があるのか、アーキテクチャが不適切なのか——バックプロパゲーションを実装したことがないエンジニアは、この3つの仮説を区別するのに余計な時間を消費します
• 勾配消失・爆発が起きている：BatchNormや残差接続の役割を「使い方として知っている」だけのエンジニアと「なぜ必要なのかを実装で理解している」エンジニアでは、トラブルシューティングのスピードが数時間単位で変わります
• 生成結果が意図しない方向に外れる：温度パラメータやトップKサンプリングの動作原理を実装レベルで理解しているかどうかが、プロンプトエンジニアリングの限界を見極める判断力に直結します

「中身を理解しているか」が、同じツールを使っていても最終的なアウトプット品質の差に現れるのです。

自力実装がファインチューニングで効いてくる場面

バックプロパゲーション自力実装の効果が最も明確に現れるのは、LLMのファインチューニング（Phase 11以降）の段階です。

LoRAのパラメータ設計において、ランクrの値を調整する判断は「パラメータが多いほど良い」という直感ではなく、行列の低ランク近似の概念を理解しているかどうかで質が変わります。Phase 3でバックプロパゲーションを実装した経験は、「どの重み行列に適応させるか」「rをどの程度に設定するか」という具体的な判断基準として活きてきます。

RLHF / DPOの挙動理解も同様です。人間のフィードバックから報酬モデルを学習させ、方針最適化を行うプロセスは、勾配の流れ方を実体験として知っていることで初めて「なぜこのパラメータが収束しにくいのか」を説明できるようになります。

とはいえ全員がやるべきか？判断基準

正直に言うと、バックプロパゲーションの自力実装は全AIエンジニアに必須とは言い切れません。読者のキャリア方向性によって推奨度が変わります。

「研究・基盤モデル寄り」のキャリアを目指すなら、Phase 3は時間をかけてでも完全に実装すべきです。「アプリ構築寄り」であれば、読み物として通過しつつ、困ったときに立ち返る参照点として持っておく選択も合理的です。

MCP（Model Context Protocol）をロードマップのどこで学ぶか

MCPとは何か — 3行で理解する

MCP（Model Context Protocol）を3行で説明すると次のようになります。

1. Anthropicが2024年11月にオープンソースで公開したAIツール連携の標準仕様
2. ファイル読み取り・関数実行・コンテキスト処理のための統一インターフェース
3. あらゆるAIシステムが共通の規格でツールと会話できる「AIとツールをつなぐ共通規格」

従来、Claude・GPT・Geminiなどの各LLMは独自の方法でツールを呼び出していました。MCPは、この「ツール連携の方言問題」を解消するために設計されました。開発者はMCP対応のサーバーを一度実装すれば、対応するすべてのLLMからそのツールを利用できます。

カリキュラム内でのMCP学習パス

このカリキュラムでは、MCPは段階的に深度を増しながら登場します。

Phase 11（LLMエンジニアリング）での初出：RAGやLoRAと並んでMCPの基礎概念と実装パターンが紹介されます。ここでは「MCPとは何か」「MCPを使ってLLMにツールを渡すとはどういうことか」という概念的理解が中心です。

Phase 13（ツールとプロトコル・45レッスン）での本格学習：MCPの全体アーキテクチャから、実際のプロダクション運用まで体系的に学びます。

Phase 13で扱うMCPの学習ステップ

Phase 13のMCPカリキュラムは、次のような段階を踏んで進みます。

1. ステートレスリクエストアーキテクチャの理解：MCPがなぜステートレス設計を採用しているのか、その設計上のトレードオフを理解する
2. JSON-RPCトランスポートの実装：クライアント・サーバー間の通信プロトコルを実装レベルで把握する
3. MCPサーバー / クライアントの構築：実際に動作するMCPサーバーをゼロから実装する
4. OAuth 2.1による認可設計：エンタープライズ環境で求められるセキュリティ設計を実装する
5. プロダクション運用：監視・ロギング・スケーリングの実務的な設計を学ぶ

// MCPサーバーの基本構造（TypeScript例）
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { ListToolsRequestSchema, CallToolRequestSchema } from "@modelcontextprotocol/sdk/types.js";

const server = new Server(
  { name: "my-mcp-server", version: "1.0.0" },
  { capabilities: { tools: {} } }
);

// ツール一覧を返すハンドラ
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [{
    name: "read_file",
    description: "ファイルの内容を読み取ります",
    inputSchema: {
      type: "object",
      properties: { path: { type: "string" } },
      required: ["path"]
    }
  }]
}));

// ツール実行ハンドラ
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "read_file") {
    const { path } = request.params.arguments as { path: string };
    // ファイル読み取りロジック
    return { content: [{ type: "text", text: `${path}の内容` }] };
  }
  throw new Error("Unknown tool");
});

const transport = new StdioServerTransport();
await server.connect(transport);

2026年のMCPポジション — 縦方向のツール連携標準

2026年現在、MCPはAI業界における縦方向のツール連携標準として定着しています。VSCode、JetBrains、各種AIアシスタントがMCPをサポートし、MCPサーバーのエコシステムは急速に拡大しました。

技術的に正確な表現をすると、MCPは「AI（クライアント）がツール（サーバー）を呼ぶ垂直統合の標準化」です。これに対してA2A（Agent-to-Agent）プロトコルは「AIエージェント同士が横方向に連携する標準化」です。後述するマルチエージェントの文脈でこの縦・横の整理が重要になってきます。

MCPを学ぶことは、2026年のAIエンジニアにとって「ある特定ツールの使い方を知っている」という以上の意味を持ちます。AIシステムの設計原理そのものへの理解につながるため、このカリキュラムがPhase 13に最大のリソースを割いているのは妥当な判断と言えます。

LangGraphとマルチエージェント — Phase 11・14・16の到達点

LangGraphはPhase 11 Lesson 16から始まる

LangGraphの学習は、Phase 11 Lesson 16「Agent State Machines — Graphs, Nodes, Checkpoints」から始まります。このレッスンで学ぶ核心的な概念は「有向グラフでワークフローを定義する」という発想です。

従来の手続き的なエージェント実装（「ステップ1を実行し、次にステップ2を実行する」）とは根本的に異なる考え方です。LangGraphでは、各処理をノード、ノード間の遷移条件をエッジとして定義し、複雑なワークフローを状態機械（State Machine）として表現します。

from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    messages: list
    next_action: str

def research_node(state: AgentState) -> AgentState:
    # 調査ロジック
    return {"messages": state["messages"] + ["調査完了"], "next_action": "write"}

def write_node(state: AgentState) -> AgentState:
    # 執筆ロジック
    return {"messages": state["messages"] + ["執筆完了"], "next_action": "review"}

def route_action(state: AgentState) -> str:
    return state["next_action"]

# グラフの構築
workflow = StateGraph(AgentState)
workflow.add_node("research", research_node)
workflow.add_node("write", write_node)
workflow.add_conditional_edges("research", route_action, {"write": "write"})
workflow.add_edge("write", END)
workflow.set_entry_point("research")

app = workflow.compile()

なぜLangGraphが本番ワークフローの第一選択なのか

LangGraphが複雑な本番ワークフローの第一選択として評価されている理由は、「最低レイテンシフレームワーク」という側面だけではありません。

LangGraphの優位性は以下の点にあります。

• 条件分岐の柔軟性：ルーターノードで動的に次のノードを決定できる
• 並列処理のサポート：複数のノードを並列実行し、結果をマージできる
• チェックポイント：長時間実行エージェントの中断・再開を安全に管理できる
• デバッグ容易性：グラフ構造が可視化しやすく、どのノードでどの状態になったかを追跡できる

Phase 14 — ステートフルグラフオーケストレーション

Phase 14では、Phase 11で学んだLangGraphの基礎を発展させ、ステートフルグラフオーケストレーションを学びます。ここで中心的なテーマになるのは「チェックポイント」と「状態管理」です。

実際の開発現場では、AIエージェントが数分〜数時間かけて実行するタスクを扱うケースが増えています。このような長時間実行エージェントでは「途中でエラーが発生した場合に最初からやり直す」では許容できないコストが生じます。チェックポイントによって、どのステップまで完了したかを永続化し、失敗時には最後の成功点から再開できる設計が必要になります。

Phase 16「Multi-Agent & Swarms」で実装するもの

Phase 16は、このカリキュラムの中でも特に先進的なテーマを扱います。具体的に実装するのは次の3種類のマルチエージェントパターンです。

ディベート型（Debate Agents）：2つ以上のエージェントに互いに議論させ、最終的により良い回答を引き出す手法。単一エージェントでは見落としがちな視点の補完や論理的矛盾の発見に効果的です。

階層的オーケストレーション（Hierarchical Orchestration）：オーケストレーターエージェントが全体の戦略を立案し、サブエージェントが個別タスクを実行する構造。大規模で複雑なタスクを効率的に並列分解できます。

役割ベースチーム（Role-Based Teams）：リサーチャー・ライター・レビュアーなど、役割を明示したエージェントチームを組成する手法。CrewAIに近い概念ですが、LangGraphの状態管理と組み合わせることでより堅牢な実装になります。

2026年のベストプラクティス — MCP（縦）× A2A（横）

2026年のベストプラクティスとして確立してきたのが、MCPとA2Aを組み合わせたアーキテクチャです。

• MCP（Model Context Protocol）= ツール連携の縦方向：エージェントがデータベース・ファイルシステム・外部APIなどのツールを呼び出す垂直の連携
• A2A（Agent-to-Agent Protocol）= エージェント協調の横方向：エージェント同士が互いにタスクを委譲・協調する水平の連携

この2つを組み合わせることで、「複数のエージェントが協調しながら、それぞれが豊富なツールにアクセスできる」という現代AIシステムの標準的なアーキテクチャが実現します。Phase 13〜16のカリキュラムは、まさにこの縦・横の連携を段階的に実装するよう設計されています。

Claude / MCP認定資格との対応表 — 学習を資格につなげる

Anthropic公式認定資格4種の概要

2026年3月以降、Anthropicはパートナー企業向けに公式の認定資格プログラムを提供しています。このカリキュラムの公式サイトも「Claude・MCPA対応認定資格準備コース」として明示的に対応を謳っており、学習と資格取得を連動させる構造になっています。

認定資格の整備は、AIエンジニアリングのスキルを客観的に証明できる手段が業界に求められていることの表れです。

資格 × ロードマップ対応表

資格のレベルはAssociate → Developer → Architect（Foundations）→ Architect（Professional）という4段階の体系になっています。AIエンジニアとしての実務キャリアを目指す場合、CCDV-FとCCAR-Fの2資格が最も価値の高い入口になります。

親和性が高いのはCCDV-FとCCAR-F

カリキュラムとの対応関係で特に親和性が高いのは、**Claude Certified Developer – Foundations（CCDV-F）とClaude Certified Architect – Foundations（CCAR-F）**です。

CCDV-Fは「APIの活用、エージェントの実装、MCPの理解、セキュリティ設計」を試験範囲とします。これはPhase 10〜13の内容に直接対応しており、このカリキュラムで集中的に学んだ内容がそのまま試験対策になります。

CCAR-Fは「MCPを使ったソリューション設計、Claude Code、コンテキスト管理」を軸とし、Phase 13〜14および17の内容と重なります。エージェントブロックを一通り終えた段階で受験すると、学習内容と試験範囲のオーバーラップが最大化されます。

つまり、Phase 10〜14を重点的に進めると、CCDV-FとCCAR-Fの2資格が射程に入るという設計です。

資格を目標にする学習設計のメリット・デメリット

資格取得を学習目標に設定することには明確なメリットとデメリットがあります。

メリット：ゴールが明確になるため、独学特有の「これで十分か分からない」という不安が解消されます。特にPhase 10〜14という膨大なコンテンツを前にして、「この資格のために集中すべき領域はここだ」と範囲を絞れる点は大きな動機づけになります。

デメリット：資格範囲に含まれないPhase 1〜3（数学基礎・バックプロパゲーション）を飛ばしたくなる誘惑が生まれます。前述の通り、このフェーズはLLMファインチューニングの局面で効果を発揮します。資格取得を急ぎたい場合でも、Phase 1〜3は「軽読み」として一度は通過することを強くお勧めします。

どのフェーズから始める？レベル別おすすめ学習パス

【完全初学者】Phase 0から順番に

プログラミング経験はあるが機械学習やAIはほぼ未経験という方には、Phase 0からの順番通り進行が最も効果的です。

数学的基礎（Phase 1）を飛ばしたくなる誘惑は理解できますが、「線形代数が分からなくても最初のうちは前に進める」という現実があるとしても、Phase 7（Transformer）あたりで必ず壁に当たります。そこで戻るよりも、最初に基礎を固めた方がトータルの学習時間は短くなります。

学習期間の目安として、1日2時間の学習で週5日継続すると仮定すると、Phase 0〜3の基礎ブロックを3〜4ヶ月、Phase 7〜13のコアブロックをさらに4〜6ヶ月、全20フェーズの通しで12〜18ヶ月が現実的な目安です。

【現役エンジニア】Phase 7 または Phase 10から始める「集中パス」

3〜5年の実務経験を持つソフトウェアエンジニアで、機械学習の基礎知識はあるがLLM領域は未経験という方向けに、カリキュラムは公式に2つのショートカット経路を用意しています。

Transformerから入るパス（Phase 7スタート）：コンピュータビジョンやNLPの個別応用領域（Phase 4〜6）をスキップし、現代AIの基幹技術であるTransformerアーキテクチャから入ります。「アーキテクチャの仕組みを理解した上でLLMを使いたい」という方に適しています。

LLMゼロ実装から入るパス（Phase 10スタート）：よりLLM実務に直結したキャリアを目指す場合、Phase 10から入り、「どう動くか」を実装で把握してからPhase 11以降のエンジニアリングに進む経路です。

【アプリ開発者】Phase 11〜13を優先する

Web・モバイルアプリの開発経験があり「AIを使ったサービスをすぐに作りたい」という方には、Phase 11〜13への直行ルートが現実的な選択です。

RAG・LoRA・MCPに直行することで、実務で価値を生み出すスピードを最大化できます。「基礎を知らないと詰まる場面」が来たタイミングで、必要な基礎フェーズに逆引きで戻る「逆引き学習」という進め方がこのパスのコツです。

全部やる必要はない — 4つのコア学習パス

このカリキュラムが公式に推奨している4つの学習パスをまとめると次のようになります。

挫折しないための3つのコツ

542レッスンという規模を前にして、最も重要なのは学習継続力です。このカリキュラムを実際に進めたユーザーのフィードバックから見えてくる3つのコツを紹介します。

① レッスン単位ではなくフェーズ単位で区切る：「今日はLesson 05まで」ではなく「今週はPhase 2を終わらせる」という区切り方が持続しやすいです。フェーズが終わったときの達成感が次のモチベーションになります。

② 「Ship it」まで必ずやる：各フェーズの成果物を実際に動かし、GitHubやブログで公開する習慣をつけましょう。「公開前提」で作ると、自然とコードの品質と説明力が上がります。

③ キャップストーンプロジェクト（Phase 19）を最初に眺めておく：ゴールを最初に見ることで、各フェーズの学習が「何のための知識か」と結びつきます。Phase 0を始める前にPhase 19の要件を確認する逆算思考が、学習の文脈を保つ助けになります。

よくある質問（FAQ）

Q. 日本語版はありますか？

現時点（2026年10月）では、リポジトリのメインコンテンツは英語です。ただし、コードの可読性は高く設計されており、英語が苦手でもコードを動かしながら学べる構造になっています。コミュニティによる一部翻訳や解説記事が日本語でも増えてきているため、英語コンテンツと日本語解説を組み合わせて学習するのが現実的です。

Q. 数学はどのレベルまで必要ですか？

Phase 1で高校数学〜大学1〜2年レベルの線形代数・微積分・確率論を扱います。行列演算、偏微分、確率分布の基本を知っていると理想的ですが、完全に初学者であっても「一緒に学ぶ」スタンスで進めるよう設計されています。深く理解できるかどうかよりも「一度通過した経験があるか」が後半で重要になります。

Q. GPUがない環境でも進められますか？

Phase 0〜11の大半はCPUのみで実行可能です。Phase 12（マルチモーダルAI）以降で大規模モデルの学習を行う場合はGPUが必要になりますが、Google ColaboratoryやKaggle Notebooksの無料GPU枠で対応できるケースが多くあります。ローカルGPUへの投資は、Phase 12に差し掛かった段階で判断するのが適切です。

Q. 542レッスン全部でどれくらいの期間かかりますか？

1日2時間・週5日のペースで継続した場合、全20フェーズを通して12〜18ヶ月が現実的な目安です。ただし、全フェーズを完走することを目標にする必要はありません。自分のキャリア目標に対応するパスを選び、6〜9ヶ月で特定フェーズを深く学ぶ設計が多くの学習者に合っています。

Q. 実務未経験からAIエンジニアとして転職できますか？

このカリキュラムのみで転職できるかどうかは、転職先の求める経験値によります。ただし、Phase 10〜13を完走してMCPサーバーの実装・RAGシステムの構築・LangGraphでのエージェント実装をGitHubに公開できた状態であれば、ポートフォリオとして十分な競争力を持ちます。資格（CCDV-F）を取得することで、スキルの客観的な証明も可能です。

Q. LangChainとLangGraphはどちらを学ぶべきですか？

ベストプラクティスとして、2026年現在では本番環境にはLangGraph、プロトタイプにはLangChainも可という使い分けが定着しています。LangChainはLangGraphの上位互換ではなく、LangGraphはLangChainの一部として始まった後に独立したフレームワークです。複雑な条件分岐・並列処理・状態管理が必要なシステムにはLangGraphが圧倒的に適しており、このカリキュラムもLangGraphを軸に据えています。LangChainの知識は補完的に役立ちますが、まずLangGraphを深く学ぶことを推奨します。

まとめ — 体系的なAI学習ロードマップを手に入れる価値

「AI Engineering from Scratch」の真の価値は、542レッスンという網羅性にあるのではなく、学習の順序設計にあるというのが本記事の結論です。

バックプロパゲーション自力実装（Phase 3）→ LLMゼロ実装（Phase 10）→ MCP・LangGraph・マルチエージェント（Phase 11〜16）という流れには、一本の論理的な線が通っています。「なぜこの仕組みで動くのか」を段階的に実装しながら理解することで、後半のエージェント設計の局面で「なぜこう設計すべきか」を自分の言葉で説明できるエンジニアに近づきます。

Phase 13で最大の45レッスンをMCP・ツール・プロトコルに割いていること、マルチエージェントの実装パターンを複数扱っていること、そして認定資格との対応表が整備されていること——これらは2026年のAIエンジニアリング実務の重心を正直に反映した設計です。

まず読者にやってほしい3ステップを提示します。

1. リポジトリを開く：github.com/rohitg00/ai-engineering-from-scratch にアクセスし、READMEを最初から最後まで読む（30分）
2. 自分のパスを決める：本記事のレベル別パス表を参照し、どのフェーズから始めるかを決める
3. Phase 0のセットアップを済ませる：環境構築まで終えて最初のレッスンを動かす（学習の最大の壁は「始めること」）

体系的な学習ロードマップを持つことは、「何を学べばいいか分からない」という認知負荷から解放され、学習そのものに集中できる環境を作ることです。AIエンジニアリングの全体像を把握した上で、自分のキャリアゴールに最適なパスで進んでいきましょう。