作って学ぶ AI エージェント──TypeScript と LLM で切り拓く AI 時代のエンジニアリング

ソフトウェア開発の世界では「AI エージェント主導のコーディング」が主流になろうとしています。エージェントはコードを生成するだけでなく、ファイルを読み、コマンドを実行し、テストを実行し、結果を確認し、必要に応じて修正を繰り返します。
本書は、こうした AI エージェントのしくみを「使う」のではなく「作る」ための実践的なガイドです。最終的には GitHub の Issue を起点に、コードの修正からプルリクエストの作成までを自動化するコーディングエージェントを実装します。扱う技術は TypeScript と Bun を中心にし、GitHub への統合までを扱います。
ここでは、エージェントの動作原理、つまり思考のしくみを自ら実装し、挙動の予測と制御、目的に合わせたカスタマイズを扱います。
実装する AI エージェントは、筆者が「Nano Code」と名付けたものです。LLM API との接続、ファイルやコマンドを扱うツール、思考ループ、Git 操作、実用環境への統合といったレイヤーを章ごとに積み上げ、最終的に実用的な自動化まで進みます。章を追って段階的に構築し、コーディングエージェントとして機能する流れを整理します。
対象読者は、TypeScript でアプリケーションやコマンドラインツールを作った経験があり、AI エージェント開発や LLM 活用に関心があるエンジニアです。TypeScript と LLM を軸に、AI 時代のエンジニアリングの実践手法を解説します。

『作って学ぶ AI エージェント──TypeScript と LLM で切り拓く AI 時代のエンジニアリング』 (laiso 著、技術評論社、2026 年 4 月刊) は、ファイルを読み、コマンドを実行し、結果を確かめて修正を繰り返すコーディングエージェントを、自分の手で実装しながら仕組みを学ぶ書籍です。題材のエージェントは著者が Nano Code と名付けたもので、版元の概要によると、最終的には GitHub の Issue を起点にコードの修正からプルリクエストの作成までを自動化します。扱う技術は TypeScript と Bun が中心で、国立国会図書館の書誌には OpenAI、Anthropic、Gemini の API に対応すると記されています。版元は、本書の読者を、TypeScript でアプリケーションやコマンドラインツールを作った経験があり、AI エージェント開発や LLM の活用に関心があるエンジニアと案内しています。

4 部 9 章の構成、最初の API コールから多層のサンドボックスまで

第 1 部「AI エージェント開発の全体像をつかむ」の第 1 章は、本書のゴールを LLM API への接続レイヤーの nano-code-core、ローカル実行環境の nano-code-cli、GitHub Actions 統合の nano-code-action という 3 つのコンポーネントで示し、第 2 章で TypeScript、Bun、Dev Container を採る理由と Chat Completions API のしくみを説明して、最初の API コールまで進みます。第 2 部は第 3 章から第 5 章で、OpenAI、Anthropic、Google のプロバイダーの差を吸収する抽象化レイヤー、ファイルの読み書きと編集とコマンド実行の 4 つのツール、思考ループと承認ポリシーを順に実装します。第 3 部の第 6 章は CLI で動く Nano Code の組み立てとコンテキスト管理、第 7 章「GitHub Actions で開発ワークフローを自動化する」は Issue からブランチ、コミット、プルリクエストまでの流れを扱います。第 4 部は第 8 章「Nano Code の性能と安全性を高めるサンドボックス」と第 9 章「AI エージェント開発のこれから」です。巻末の Appendix A はストリーミング API、Appendix B は Responses API への対応で、Appendix C は参考にしたプロジェクトとして Claude Code、Codex CLI、Gemini CLI、Vercel AI SDK、Mastra、LangChain などを挙げています。

ツールと思考ループという語

言語モデルそのものは、ファイルを開くこともコマンドを走らせることもできません。モデルが返すのは、どのツールをどの引数で使いたいかという決まった形式の要求で、実際に処理を行うのは呼び出す側のプログラムです。AI エージェント は、ツールの結果を会話の履歴に足して再びモデルに渡し、モデルがツールを使わずに答えを返すまでこれを繰り返すプログラムです。第 6 章が扱うコンテキスト管理は、モデルが一度に受け取れる量に収まるように会話の履歴を扱う処理です。第 1 章の節題は、ツールを AI エージェントの「手足」、思考ループを「頭脳」と呼んでいます。

承認ポリシーとサンドボックスの章

多層防御 は、1 つの仕組みに頼らず、仕組みの層を重ねて被害を小さくする考え方です。本書では、第 4 章がコマンドインジェクションやディレクトリトラバーサルなどの脆弱性と spawn と exec の違いを扱い、第 5 章が実行の前に人の確認を求める承認ポリシーとステップ数の上限を実装します。第 8 章は Docker と GitHub Actions の基盤、bubblewrap によるプロセス隔離、TypeScript によるアプリケーションの制御の 3 層を組み、ファイルシステム、ネットワーク、破壊的なコマンドの 3 つのシナリオで攻撃が無力化されることを確かめます。ハンズオンの開発環境は Docker の上の Dev Container で組み、第 2 章には、本書のハンズオンでは軽量モデルで十分という節があります。

本書は、LLM API の呼び出しから、ツール、思考ループ、承認ポリシー、GitHub Actions との統合、bubblewrap によるサンドボックスまでを、4 部 9 章と Appendix A から C に収めています。