LLM APIの実践活用 - OpenAI・Claude・Gemini

LLM APIの実践活用 - OpenAI・Claude・Gemini

はじめに

AIエージェントを構築するには、LLMのAPIを直接操作するスキルが不可欠です。この章では、主要3社（OpenAI、Anthropic、Google）のAPIの特徴と使い分け、実装パターン、コスト最適化まで実践的に学びます。

主要LLM APIの比較

各社のAPIには異なる強みがあります。用途に応じて使い分けましょう。なお、以下のモデル名は執筆時点の例です。モデルは頻繁に更新・提供終了されるため、最新のラインナップや料金は各社の公式ドキュメントで確認してください。

• ◆OpenAI（GPT-4o / GPT-4o mini）: 最も普及。Function Callingが優秀。エコシステムが充実
• ◆Anthropic（Claude 4 Opus / Sonnet）: 長文処理に強い（100K〜1Mトークン）。安全性設計が優秀。コーディング能力が高い
• ◆Google（Gemini 2.0）: マルチモーダル対応が強み。Google製品との連携が容易

APIリクエストの基本構造

どのAPIも基本的にはHTTPリクエストでやり取りします。共通する構成要素を理解しましょう。

• ◆エンドポイント: APIのURL。各社ごとに異なるが、基本はPOSTリクエスト
• ◆認証: APIキーをヘッダーに含める。環境変数で管理するのがベストプラクティス
• ◆メッセージ配列: system（AI の役割定義）、user（ユーザー入力）、assistant（AI応答）の3種類
• ◆パラメータ: temperature（創造性）、max_tokens（最大出力長）、top_p（サンプリング）など

Function Calling / Tool Use

エージェント構築で最も重要な機能がFunction Calling（ツール利用）です。

• ◆LLMに利用可能なツール（関数）の定義を伝える
• ◆LLMが必要に応じてツールの呼び出しを要求する
• ◆アプリケーション側で実際にツールを実行し、結果をLLMに返す
• ◆LLMが結果を踏まえて最終回答を生成する
• ◆この仕組みにより、LLMが外部データの取得やアクション実行を行える

ストリーミングレスポンス

ユーザー体験を向上させるストリーミング処理の実装方法を学びます。

• ◆通常のAPIコールは全文生成完了まで待つ必要がある
• ◆ストリーミングではトークン単位でリアルタイムに受信できる
• ◆Server-Sent Events（SSE）形式でデータが送られる
• ◆フロントエンドではfetch + ReadableStreamまたはEventSourceで受信する

コスト最適化戦略

API利用コストを抑えるための実践的なテクニックを学びます。

• ◆モデルの使い分け: 簡単なタスクにはmini/haiku、複雑なタスクにはopus/4oを使用
• ◆キャッシュ: 同一クエリの結果をキャッシュし、API呼び出しを削減
• ◆プロンプト最適化: 不要なコンテキストを削減し、入力トークン数を最小化
• ◆バッチ処理: 複数リクエストをまとめてバッチAPIで処理（最大50%割引）
• ◆レート制限管理: 429エラーを適切にハンドリングし、指数バックオフでリトライ

🏋️実践ワーク

以下の課題に取り組みましょう。

• ◆OpenAIまたはAnthropicのAPIキーを取得し、curlまたはPythonで簡単なAPIコールを実行してみましょう
• ◆同じプロンプトを異なるモデルに送り、品質・速度・コストを比較してみましょう
• ◆Function Callingを使って天気情報を取得するシンプルなエージェントを実装してみましょう

📝まとめ

LLM APIは AIエージェントの基盤技術です。各社APIの特徴を理解し、Function Callingによるツール連携、ストリーミング処理、コスト最適化を実装できるようになることが、エージェント開発の第一歩です。次の章では、エージェントの知識基盤となるRAG（検索拡張生成）の構築方法を学びます。