End-to-End Agentic AI Automation Lab

---

📖 概要

End-to-End Agentic AI Automation Lab へようこそ。このリポジトリは、基本的な LLM API 呼び出しから、複雑なマルチエージェント自律システムや本番環境対応の AI 製品へと移行する方法を実演する、大規模な実践的エンジニアリングガイドです。

LangGraph を使った信頼性の高いエージェント型ワークフローの構築、AutoGen によるマルチエージェント連携のオーケストレーション、最先端の Model Context Protocol（MCP） の実装、あるいは vLLM と Unsloth を使ったファインチューニング済みローカルモデルの提供など、目的を問わず、このリポジトリが役立ちます。

---

🚀 主な特徴

• 高度なエージェント型フレームワーク：LangGraph（StateGraph、サブグラフ、メモリ、HITL）と AutoGen（RoundRobin、Swarm、カスタムツール）を詳しく解説します。
• Model Context Protocol（MCP）：ツールの実行、ウェブ検索、Notion 連携に対応した、Anthropic の MCP の業界水準の実装です。
• 本番環境向け RAG システム：ハイブリッド検索、BM25、LlamaParse、セマンティックルーティング、長期／短期メモリ（Mem0）を実装します。
• AI ワークフローの自動化：n8n と LangFlow を使った、ノーコード／ローコードのマルチエージェントオーケストレーションです。
• LLM のファインチューニングとサービング：LoRA/Unsloth によるファインチューニングパイプラインと、vLLM による高スループットの推論エンドポイントのデプロイを実践できます。
• エンドツーエンド製品：AI 面接官、本番環境向け ATS、そして状態を保持する永続型チャットボット SynapseAI のフルスタック実装を完備しています。

---

📂 リポジトリのモジュールとプロジェクト

ラボは段階的に構成されています。クリックすると各モジュールが展開され、その中のプロジェクトを確認できます。

1️⃣ 基礎とデータ取り込み（モジュール 01 - 02）

• 01-Pydantic-Data-Validation：データの構造化、フィールドの検証、構造化された LLM の出力。
• 02-LangChain-Basics：埋め込みモデル、VectorDB（FAISS、Pinecone）、基本的な検索拡張生成（RAG）のスクラッチパッド。

2️⃣ LangGraph とワークフローのオーケストレーション（モジュール 03 - 04、13 - 14）

• 03-LangGraph-Introduction：StateGraph、エージェント型ワークステーション、複数ツールの呼び出し。
• 04-LangGraph-Agentic-Workflows：エージェント型 RAG、マルチエージェントスーパーバイザー、Human-in-the-Loop（HITL）、Corrective RAG（CRAG）。
• 13-e2e-Deep-Agents：LangGraph アプリケーションの観察、評価、信頼性の向上。
• 14-e2e-Ambient-Agent：バックグラウンドで動作する自律エージェントの構築。

3️⃣ AutoGen マルチエージェントシステム（モジュール 05 - 09）

• 05-Autogen-Introduction：非同期機能、ツール、基本的なチーム。
• 06-Autogen-HITL-and-Agentic-Orchestrator：セレクターグループチャット、Docker によるコード実行、グラフベースの AutoGen。
• 07-End-To-End-Projects-Autogen：GPT Analyzer（モジュラーアーキテクチャ）、AI Interviewer。
• 08-Advanced-Autogen-Team：スウォームロジック、Society of Mind チーム。
• 09-Autogen-RAG-and-Memory：mem0 を統合し、セッションをまたいで AutoGen のメモリを保持。

4️⃣ Model Context Protocol（MCP）と n8n（モジュール 10 - 12）

• 10-MCP-All-You-Need：MCP を使って AutoGen と LangChain を連携。リード収集、FireCrawl MCP、Playwright MCP。
• 11-MCP-based-End-to-End-Products：ngrok と FastAPI を介し、MCP アーキテクチャを活用して高速で堅牢な API バックエンドを構築。
• 12-n8n：高度な自動化。エージェントの連鎖、ソーシャルメディアコンテンツの生成、エージェントの並列ロジック、Telegram ボットとの連携。

5️⃣ 本番環境向け RAG とガードレール（モジュール 17、19）

• 17-Guardrails-for-llm：安全で制約された LLM 出力を実現する NeMo Guardrails の実装。
• 19-Productions-RAG：LlamaParse、BM25／ハイブリッド検索、HyDE、チャンク分割戦略、再ランキングパイプラインを含む、業界で実践されている RAG。

6️⃣ LLM のファインチューニングとデプロイ（モジュール 21 - 22）

• 21-LLM-Deployment-vLLM：vLLM を使って高スループットの生成向けにモデルをデプロイし、LangChain SDK 経由で利用。
• 22-LLM-FineTune-Deployment：Unsloth、LoRA、HuggingFace Pipelines、エッジデバイス向けの量子化設定を使ったモデルのファインチューニング。

7️⃣ エンドツーエンドのフルスタックプロジェクト（モジュール 18、20、23、24）

• 18-e2e-chatbot-mem0-tools-HITL-MCP-RAG：長期・短期メモリ、PostgreSQL による永続化、ストリーミング UI を備えた、機能豊富なチャットボットの大規模な実装。
• 20-e2e-Productions-grade-ATS：Alembic、SQLModel、LangGraph を基盤とするエンドツーエンドの応募者追跡システム。
• 23-e2e-multi-agent-plan-research-write-blog：美しいウェブフロントエンドを備えたマルチエージェントのライターアーキテクチャ。
• 24-SynapseAI-parsitence-chatbot：複雑なグラフルーティングを備えた、FastAPI によるモダンな API ファーストのチャットボットバックエンド。

---

🛠️ 技術スタックとツール

コア AI/ML：

エージェントとオーケストレーション：

バックエンドとデータ：

---

⚙️ はじめに

1. リポジトリをクローンする

git clone https://github.com/MDalamin5/End-to-End-Agentic-Ai-Automation-Lab.git
cd End-to-End-Agentic-Ai-Automation-Lab

2. 仮想環境をセットアップする

依存関係の管理には、conda または venv の使用をおすすめします。

python -m venv venv
source venv/bin/activate  # On Windows use: venv\Scripts\activate

3. 依存関係をインストールする

依存関係はモジュールごとに異なる場合があります。対象のプロジェクトフォルダーに移動し、必要なパッケージをインストールしてください。

cd 18-e2e-chatbot-mem0-tools-HITL-MCP-RAG
pip install -r requirements.txt

4. 環境変数

（モジュール内にある場合は）.env.example ファイルを .env にコピーし、API キー（OpenAI、Anthropic、HuggingFace など）を追加してください。

OPENAI_API_KEY="your_api_key_here"
ANTHROPIC_API_KEY="your_api_key_here"
TAVILY_API_KEY="your_api_key_here"

---

🤝 コントリビューション

このリポジトリは継続的に進化しています。コントリビューション、バグ報告、機能リクエストを歓迎します。

1. プロジェクトをフォークする
2. フィーチャーブランチを作成する（git checkout -b feature/AmazingFeature）
3. 変更をコミットする（git commit -m 'Add some AmazingFeature'）
4. ブランチにプッシュする（git push origin feature/AmazingFeature）
5. プルリクエストを作成する

---

📜 ライセンスと連絡先

MIT License の下で配布されています。詳細は LICENSE をご覧ください。