第1巻 — 生成AIの仕組み

大規模言語モデルの基礎を、できるだけやさしく、実用に近いところまで。

シリーズ全体の土台となる入口の1冊。ゼロから — トークン、学習、そして「次の単語を予測する」という一見素朴な行為から始めて — 大規模言語モデルとは何か、どのように訓練されるか、なぜそのように振る舞うのか、を予備知識なしで追えるかたちで描きます。専門用語は剥がし、誠実な見取り図を組み立てる。これ以降のすべての巻が、その上に積み上がっていきます。

Amazon: LLM Primer I — How Generative AI Works

第2巻 — 数学で読み解く言語モデル

数学的な洞察で AI の内部を覗く。

AI の内部 — Attention、最適化のダイナミクス、損失の地形、スケーリングの振る舞い — を、それらを「動かしている数学」のかたちで追いかける、数学的に厳密で、それでもなお読み物として読める一冊。重要な式はひとつひとつ完全に導出し、ひとつずつ物語と類例と具体的な数値計算で包み直しています。第1巻が脇のコラムに留めた数学を、本筋として読みたい方へ。

Amazon: LLM Primer II — Language Models Through Mathematics

第3巻 — RAG で強化するエンタープライズAI

エンタープライズ向けの Retrieval-Augmented Generation を作る、実務的な手引き。

現場で扱う RAG — ベクトルデータベース、チャンキング戦略、そして「自社のドキュメントにモデルを接地させる」アーキテクチャ。最新性と出典を伴うエンタープライズな回答を組み立てるために要るものを、一通り並べていく一冊。「最新性」と「出典」を満たさないと話が始まらない、そういう仕事に AI を載せる立場の方へ。

第4巻 — MCP で設計する AI の認知

信頼できる AI エージェントのために、コンテキスト、ツール、メモリを工学する。

構造化されたコンテキストモデリングと、オーケストレーション。モデルの内部ではなく、モデルに「見せる文脈と状況」を作り込むことで推論を整える、という思想です。エージェント型システムを作る立場の方へ — ツールの目録、長時間走るループ、セッションを跨ぐメモリ、そして「モデルに何を見せるか」を設計する規律まで。

第5巻 — 実世界の LLM アプリケーションを作る

本番運用の LLM システムを設計し、評価し、運用する。

プロトタイプから本番まで — API 設計、評価ループ、監視、統合 — を、システム指向の視点で順に辿る一冊。モデルを、ユーザーが日々使うサービスへと整えていく工程。アーキテクチャの理解を、実際の現場へと橋渡しする段階の方に。

第6巻 — AI システムをスケールさせる

本番で動かす、低レイテンシな LLM 推論を組み立てる。

分散サービング、レイテンシ最適化、コストモデリング — 1日に何百万回も応答する規模のシステムのための、推論アーキテクチャ。AI システムが1台のサーバーを超えて、「インフラ」として扱う必要が出てきた段階の方へ。

第7巻 — AI セキュリティ

プロンプトインジェクション、ジェイルブレイク、敵対的脅威から LLM システムを守る。

安全で堅牢な AI を設計する。敵対的なリスク、プロンプトインジェクション、ガバナンスのフレームワーク、そして実世界に展開されたシステムのための防御的な設計。AI システムを「セキュリティに関わるインフラ」として扱う必要が出てきた方に。