PythonでAIを作る方法3つ｜機械学習・LLM API・エージェントの始め方

この記事の要点

PythonでAIを作る道は、機械学習モデルの自作、LLM APIの活用、AIエージェントの構築の3つに整理できる
はじめの一歩なら、APIで学習済みモデルを呼び出す方法が最短で成果を実感しやすい
表形式データの予測ならscikit-learn、画像や文章の高度な処理ならPyTorchが定番
エージェント開発ではツール定義・試行回数の上限・人の承認の3点が設計の要
環境はPython 3.13系＋仮想環境で整えておくと、多くのライブラリがそのまま動かせる

「AIを自分で作ってみたい」と思ったとき、多くの人が最初に選ぶ言語がPythonです。ライブラリが豊富で、情報も多く、数行のコードから動かせる手軽さが魅力です。一方で、「AIを作る」という言葉が指す範囲は年々広がっており、ゼロからニューラルネットワークを学習させる話もあれば、既存の大規模言語モデルをAPI経由で組み込む話もあります。ここでは、目的に合わせて選べるよう、Pythonでの作り方を3つの方向に分けて整理します。

PythonでAIを作る3つのアプローチ

現在、個人でもAIアプリケーションを作れる環境はかなり整っています。大きく分けると、次の3つの方法があります。どれが優れているというより、作りたいものによって向き不向きが変わると考えると迷いません。

アプローチ	主なライブラリ・サービス	向いている用途	学習コスト
機械学習モデルの自作	scikit-learn / PyTorch / TensorFlow	売上予測、分類、画像認識など独自データの活用	やや高い
LLM APIの活用	各社の生成AI向けAPI＋公式SDK	要約、文章生成、チャットボット、情報抽出	低い
AIエージェントの構築	LangChain / LangGraph など	検索・計算・外部サービス連携を含む自動化	中程度

選び方の目安：「手元のデータから予測したい」なら機械学習、「文章を扱う機能を早く作りたい」ならLLM API、「複数の作業を自動でつないでほしい」ならエージェント、と考えるとスムーズです。なお、プログラミングなしで試したい場合は、Difyやn8nといったノーコードツールでAIアプリを組む選択肢もあり、Pythonの前段階として流れをつかむのにも役立ちます。

最初に整えたいPython開発環境

どのアプローチでも共通して必要になるのが開発環境です。ここでつまずくと本題に入る前に疲れてしまうため、シンプルな手順で済ませておきましょう。

Pythonのバージョンと仮想環境

Pythonは公式サイトから入手でき、AI関連のライブラリとの互換性を考えると3.13系を中心に選ぶと扱いやすい状況です。Windowsでインストールする場合は、インストーラーの「Add Python to PATH」にチェックを入れるのを忘れないようにしましょう。

次に、プロジェクトごとに仮想環境を作ります。仮想環境を使うと、ライブラリのバージョンがプロジェクト間で干渉せず、「以前は動いたのに動かない」という状況を避けられます。

python -m venv .venv
source .venv/bin/activate　（Windowsは .venv\Scripts\activate）
pip install –upgrade pip

ひとこと：エディタはVisual Studio CodeやJupyter Notebookが人気です。データの中身を確認しながら試行錯誤したい機械学習ではNotebook、アプリとして組み込むならVS Codeと、使い分けると作業が進みやすくなります。

方法1：scikit-learnで機械学習モデルを作る

「AIを作る」の原点ともいえるのが、データからパターンを学ばせる機械学習です。まず触れておきたいのがscikit-learnで、分類・回帰・クラスタリングなどの手法が統一された書き方で使えます。2026年に入ってもアップデートが続いており、GPU計算に対応するためのArray API対応が進むなど、進化を続けています。

機械学習の基本的な流れ

データを集める：CSVなどの表形式データを用意する
前処理をする：欠損値の補完、文字列の数値化、スケールの調整
学習用と評価用に分割する：モデルの実力を正しく測るため
モデルを学習させる：ランダムフォレストなどのアルゴリズムを選ぶ
精度を評価し改善する：指標を見ながら特徴量やパラメータを調整する

最小限のコード例は次のとおりです。アヤメの花のデータを使い、品種を予測するモデルを作ります。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestClassifier()
model.fit(X_train, y_train)
print(accuracy_score(y_test, model.predict(X_test)))

ポイント：わずか10行ほどで「学習→予測→評価」の一連の流れを体験できます。まずはこの型を覚え、自分のデータに差し替えていくと理解が深まります。

深層学習に進むならPyTorch

画像認識や自然言語処理など、より複雑なタスクに挑戦したい段階ではPyTorchが有力です。研究・開発の現場で広く使われ、モデルの中身を自分で組み立てられる柔軟さがあります。TensorFlowも選択肢ですが、学習用の資料や公開モデルの豊富さから、最初の一本としてPyTorchを選ぶ人が多い傾向にあります。

ライブラリ	得意なこと	始めどき
scikit-learn	表形式データの分類・回帰、前処理、評価	機械学習の入門段階
PyTorch	深層学習、画像・音声・文章のモデル開発	基礎を押さえた後の発展段階
pandas / NumPy	データの読み込み・加工・集計	最初から併用

方法2：LLM APIで生成AIを組み込む

近年もっとも手軽で、成果が早く出るのがこの方法です。すでに学習済みの大規模言語モデルを、APIを通じて呼び出します。自分で大量のデータや計算資源を用意する必要がなく、数行のコードで文章生成・要約・翻訳・分類といった機能をアプリに追加できます。OpenAIのResponses APIやAnthropicのClaude APIなど、各社が公式のPython SDKを提供しています。

基本の呼び出しイメージ

次はAnthropicのSDKを使った例です。他社のSDKでも、基本の考え方（モデル名・メッセージ・上限トークン数を渡す）はほぼ同じです。

pip install anthropic

import anthropic

client = anthropic.Anthropic()　# 環境変数 ANTHROPIC_API_KEY を自動で読み込む
message = client.messages.create(
　　model=”claude-sonnet-5″,
　　max_tokens=1024,
　　messages=[{“role”: “user”, “content”: “Pythonのリスト内包表記を初心者向けに説明して”}],
)
print(message.content[0].text)

APIキーの扱いに注意：キーはコードに直接書かず、環境変数や設定ファイルから読み込むのが基本です。GitHubなどにキーごとアップロードしてしまうと、第三者に不正利用される恐れがあります。ファイルを共有する前に、キーが含まれていないかを必ず確認しましょう。

LLM APIで作りやすいアプリ例

議事録の要約ツール：テキストを渡して、要点と次のアクションを箇条書きで返す
問い合わせ分類：メール本文をカテゴリ別に自動仕分けする
社内向けQ&Aボット：社内文書を検索して回答に反映する（RAGと呼ばれる構成）
文章の校正・リライト補助：トーンや長さを指定して書き直しを提案する

おすすめの進め方：最初は「プロンプトを変えると出力がどう変わるか」を体験するだけでも十分な学びになります。慣れてきたら、出力をJSONなど決まった形式で返してもらい、後続のプログラムで処理する設計に挑戦すると、実用的なアプリに近づきます。

コストと速度を意識する

APIは入力と出力の文字量（トークン数）に応じて課金されるのが一般的です。試作段階では、max_tokensを控えめに設定する、軽量なモデルから試す、同じ質問の結果はキャッシュするといった工夫で、費用を抑えながら検証できます。多くの提供元で、利用上限や予算アラートを設定できるので、あらかじめ有効にしておくと安心です。

方法3：AIエージェントを作る

LLMに「考えさせる」だけでなく、ツールを使わせて自律的にタスクをこなす仕組みがAIエージェントです。たとえば「最新の天気を調べて、その結果に合わせて予定をメモする」といった、複数のステップにまたがる処理を任せられます。Pythonはこの分野のフレームワークがもっとも充実しており、短期間でプロトタイプを作れるのが強みです。

LangChainとLangGraphの役割

LangChainは、LLMとツール（外部API、データベース、計算処理など）をつなぐためのオープンソースのフレームワークです。バージョン1.0系では、create_agentという関数で最小構成のエージェントを短いコードで組み立てられるようになり、入り口がぐっと軽くなりました。さらに、複雑な分岐や繰り返しを含む処理を設計したい場合には、状態管理に強いLangGraphを組み合わせるのが一般的です。

構成要素	役割
Model（モデル）	判断・文章生成を担う頭脳部分
Tools（ツール）	検索、計算、ファイル操作、外部サービス連携など
Agent（エージェント）	状況に応じてツールを選び、結果を見て次の行動を決める
Memory / State（記憶・状態）	会話や作業の途中経過を保持する

ReActの考え方を知っておく

エージェントの動きを理解するうえで役立つのが、ReActと呼ばれる考え方です。「思考（Thought）→行動（Action）→観察（Observation）」のサイクルを繰り返し、目標に到達するまで少しずつ進めます。この流れをイメージできると、エージェントが期待どおりに動かないときも、どの段階に原因があるのかを切り分けやすくなります。

作り始めのコツ：最初から多機能を目指さず、ツールを1つだけ持つ小さなエージェントから始めましょう。動作を確認しながらツールを1つずつ足していくと、不具合の原因も追いやすくなります。

実務で意識したい3つの設計ポイント

最大試行回数を決める：無限ループや想定外の課金を防ぐため、繰り返しの上限を設定する
重要な操作の前に人の承認を挟む：メール送信、決済、データ削除などは、実行前に人が確認する仕組みにする
権限は必要最小限に絞る：ツールに渡すAPIキーやアクセス範囲は、用途に必要な分だけにとどめる

安全に運用するために：エージェントは便利な反面、自律的に動くぶん、設計次第で意図しない操作につながる可能性があります。最初はテスト用のデータやサンドボックス環境で動かし、挙動を十分に確認してから本番の作業に広げていきましょう。

失敗しにくい学習ロードマップ

ここまでの3つの方法を、段階的に学ぶ流れとしてまとめると次のようになります。すべてを一度に学ぶ必要はなく、興味のある方向から入って、必要になったら隣の領域へ広げるのが続けるコツです。

段階	やること	目安
ステップ1	Pythonの基本文法（変数・関数・リスト・辞書）を身につける	1〜2週間
ステップ2	LLM APIで簡単な要約・チャットのスクリプトを作る	1週間ほど
ステップ3	pandasとscikit-learnで表データの予測を体験する	2〜3週間
ステップ4	ツール1つのエージェントを作り、Webアプリ（FastAPIなど）で公開する	2〜4週間
ステップ5	PyTorchで深層学習に挑戦し、独自データでモデルを鍛える	継続的に

初心者が作りやすい最初のプロジェクト

日報・議事録の自動要約ツール：LLM APIだけで完成し、効果も実感しやすい
手書き数字の認識：定番のデータセットを使い、機械学習の一連の流れを体験できる
ニュースの自動分類：文章をカテゴリに振り分け、精度を数値で確かめられる
小さなQ&Aボット：自分のメモやPDFを読み込ませて、質問に答えさせる

AIコーディング支援も味方に：コードの書き方に迷ったら、対話型のAIコーディング支援ツールを併用するのもひとつの方法です。エラーメッセージの意味を尋ねたり、サンプルコードの解説を求めたりすると、学習の速度が上がります。ただし、出力されたコードは自分で動かして挙動を確認する習慣をつけておくと、理解も定着します。

つまずきやすいポイントと対処のヒント

実際に手を動かすと、誰でも一度は壁にぶつかります。よくある場面と、その乗り越え方を整理しておきます。

よくある場面	対処のヒント
ライブラリを入れたのにimportエラーが出る	仮想環境が有効になっているか、pipとpythonが同じ環境を指しているかを確認する
モデルの精度が思ったより上がらない	アルゴリズムを変える前に、データの量・質・前処理を見直す
LLMの回答が毎回ぶれる	指示を具体的にし、出力形式や例を示す。必要に応じて温度などのパラメータを調整する
エージェントが同じ動作を繰り返す	ツールの説明文を明確にし、最大試行回数を設定して途中経過のログを確認する
API利用料が想定より増えた	使用量のダッシュボードで内訳を確認し、上限設定や軽量モデルへの切り替えを検討する

覚えておきたいこと：機械学習では「データの質が結果の質を決める」といわれます。モデルを難しくするより、データを整えるほうが成果につながりやすい場面は少なくありません。地道な前処理こそ、実は上達への近道です。

目的別・どの方法から始めるべきか

最後に、目的別のおすすめをまとめます。迷ったときは、この表を参考にスタート地点を決めてみてください。

やりたいこと	おすすめの方法	最初に触れるもの
とにかく早くAIの機能を動かしたい	LLM API	公式SDK＋簡単なスクリプト
手元のデータで予測モデルを作りたい	機械学習	pandas＋scikit-learn
画像や音声などを本格的に扱いたい	深層学習	PyTorch
業務の流れを自動化したい	AIエージェント	LangChain（必要に応じてLangGraph）
コードを書かずに仕組みを試したい	ノーコードツール	Dify、n8n など

まとめ

PythonでAIを作る方法は、機械学習モデルの自作、LLM APIの活用、AIエージェントの構築の3つに整理できます。表形式データの予測ならscikit-learn、深層学習ならPyTorch、文章を扱う機能ならLLM API、複数ステップの自動化ならLangChainやLangGraphと、目的によって最適な道具が変わります。まずはPython 3.13系と仮想環境を整え、APIキーを安全に管理しながら、小さく作って動かすことから始めてみましょう。

PythonでAIを作る方法3つ｜機械学習・LLM API・エージェントの始め方をまとめました

最初の一歩としては、LLM APIで要約ツールのような小さなアプリを作るのが取り組みやすい選択です。手応えをつかんだら、scikit-learnで自分のデータを学習させ、さらに余裕が出てきたらツールを1つ持たせたエージェントへと進めていくと、無理なく実力が積み上がります。エージェントを動かす際は、最大試行回数の設定、重要操作前の人による承認、権限の最小化という3点を忘れずに。ライブラリやサービスは更新が早いため、導入前に各提供元の最新ドキュメントで対応バージョンや料金を確認する習慣をつけておくと安心です。

最終確認日：2026年9月25日（ライブラリのバージョンや仕様は更新される場合があります）