Frank Coyle氏は、カリフォルニア大学バークレー校（UC Berkeley）で教える、コンピュータサイエンスの経験が長い人物として、自分を紹介します。話者はまず、AIとエージェントがなぜ今重要なのかを、学ぶ人の立場から考えます。
Frank Coyle introduces himself as someone who teaches at the University of California, Berkeley (UC Berkeley) and has a long background in computer science. He first considers why AI and agents matter now from the learner's point of view.
話者の説明では、以前はコンピュータサイエンスの学位を取れば、仕事に就けるという期待がありました。しかし、AIによって状況が変わった、と話者は述べます。これは労働市場全体についての結論ではなく、話者が示す問題設定です。急速に変化するAIの環境で、私たちはエージェントをどのように活用できるのでしょうか。話者は、エージェントをそのための有望な方向の一つとして示します。
According to the speaker, there used to be an expectation that earning a computer-science degree would lead to a job. But the speaker says that AI has changed the situation. This is not a conclusion about the entire labor market; it is the problem framing the speaker presents. How can we use agents in a rapidly changing AI environment? The speaker presents agents as one promising direction for that purpose.
ここで、話の中心となる問いが残ります。なぜエージェントとオントロジー（ontology）を一緒に考えるのでしょうか。オントロジーは、ある分野の概念や関係を共有できる形で整理する仕組みです。ただし、この冒頭ではまだ、その仕組みがエージェントに必要な理由までは説明されません。答えは、後の技術的な説明で扱われます。
The central question of the talk remains open here. Why should we think about agents and ontologies together? An ontology is a way to organize the concepts and relationships of a domain in a form that can be shared. However, this opening does not yet explain why that structure is needed by agents. The answer comes in the later technical explanation.
作って学ぶという姿勢
Learning by Making
話者は、シスター・コリタ・ケントの言葉として、「何も間違いではない。勝ちも失敗もない。作ることだけがある」という教育の考え方を紹介します。話者によれば、この言葉はジョン・ケージによって広められました。ここで大切なのは、正解を当ててから作ることではありません。作りながら理解することです。
The speaker introduces an educational idea as words from Sister Corita Kent: “Nothing is a mistake. There is no win or fail. There is only making.” According to the speaker, John Cage popularized these words. The important point is not to make something only after finding the correct answer. It is to understand while making.
したがって、学習者は文章を読むだけ、またはキーボードを打つだけではなく、実際に作り、起きたことを確かめ、メモし、図を描きます。これは単なる勉強の手順ではありません。自分で対象を表し、結果を見て、考えを修正する学び方です。
Therefore, learners should not only read text or type on a keyboard. They should make something, check what happens, take notes, and draw diagrams. This is more than a study procedure. It is a way of learning in which you represent the subject yourself, observe the result, and revise your thinking.
例（この章の補足）：小さなエージェントを作るときは、まず簡単な問いを一つ決めます。次に、エージェントが何を見て、どんな判断をし、どの行動を選んだかを記録します。予想と違う結果が出たら、文章だけでなく、エンティティ（対象）と関係を図にしてみます。その図を見直すと、どこを理解できていないかを発見しやすくなります。これは、後で扱うエージェントのループやオントロジーを、受け身で読むのではなく、自分で調べるための例です。
Example (supplement for this chapter): When building a small agent, first choose one simple question. Then record what the agent saw, what decision it made, and what action it chose. If the result differs from your expectation, draw the entities (things) and relationships instead of relying only on prose. Reviewing the drawing can make it easier to discover what you do not understand. This example is a way to investigate the agent loops and ontologies discussed later instead of reading about them passively.
手書きと感覚を使うこと
Using Handwriting and the Senses
話者は、本に手書きすることも勧めます。キーボードでは、画面上の文字に注意が集まりやすい一方、本に書くときは、手の動きや紙の感触など、より広い感覚を使うという理由です。話者は、この感覚の広がりが学びへの参加を助けると考えています。ここでの説明は話者が示した理由であり、すべての学習に成り立つ確立した法則として断定するものではありません。
The speaker also recommends writing by hand in a book. The reason is that a keyboard may focus attention on the letters on the screen, while writing in a book uses a wider range of sensations, such as the movement of the hand and the feel of the paper. The speaker believes that this wider sensory engagement helps the learner participate in learning. This is the reason given by the speaker, not a claim that it is an established law that applies to all learning.
書くことと描くことには、考えを外に出して調べられるという利点もあります。頭の中だけでは、エージェント、道具、データ、関係のつながりが曖昧なままかもしれません。紙に矢印や短い言葉で表すと、何を入力し、どこで判断し、何を確認すべきかを見直せます。話者の学習の姿勢は、後で出てくるエンティティ、関係、ループ、ツール呼び出し、バリデーター（validator）の理解にもつながります。
Writing and drawing also let you put your thinking outside your head and inspect it. In your mind alone, the connections among the agent, tools, data, and relationships may remain unclear. When you represent them with arrows and short words on paper, you can review what is input, where a decision is made, and what should be checked. The speaker's learning stance also connects to understanding the entities, relationships, loops, tool calls, and validators introduced later.
技術的な話への橋
A Bridge to the Technical Discussion
後の説明では、エージェントが見るもの、判断すること、実行することを、明示的に表します。オントロジーは、分野にある対象とその関係を整理します。グラフは、そのつながりを表しやすくします。バリデーターは、エージェントが提案した結果が、その分野のルールに合うかを確認します。冒頭で作ること、書くこと、描くことが勧められるのは、このような構造を自分で見える形にして調べるためでもあります。
In the later explanation, what an agent sees, decides, and does is represented explicitly. An ontology organizes the things in a domain and their relationships. A graph makes those connections easy to represent. A validator checks whether an agent's proposed result fits the rules of that domain. The opening advice to make, write, and draw also helps you make such structures visible and inspect them yourself.
例（この章の補足）：問い合わせ対応のエージェントが「この注文を返金する」と提案したとします。学習者は、まずその提案をそのまま信じるのではなく、「注文」「顧客」「返金」を図にします。そして、それらがどのような関係にあるかを書き出します。後の章では、このような分野のモデルを使って、エージェントの提案やツールの結果を確認する考え方を詳しく見ます。この例は理解のための補足であり、話者がこの具体的な業務を例にしたという意味ではありません。
Example (supplement for this chapter): Suppose a customer-support agent proposes, “Refund this order.” Instead of trusting the proposal immediately, the learner draws “order,” “customer,” and “refund” first. Then the learner writes down how they are related. Later chapters examine how a domain model like this can be used to check an agent's proposal or a tool's result. This is a teaching supplement; it does not mean that the speaker used this specific business task as his example.
話者の最初のメッセージは、AIの変化に対して、読むだけで答えを待つのではなく、作って学ぼうということです。エージェントとオントロジーを組み合わせる理由は、この章の冒頭では未解決の問いとして残されています。以後の章では、柔軟に提案するエージェントと、対象・関係・ルールを明示して確認する仕組みが、どのように協力できるかをたどります。
The speaker's first message is to learn by making in response to changes in AI, rather than only reading and waiting for an answer. The reason for combining agents and ontologies remains an open question at the beginning of this chapter. The chapters that follow trace how an agent that can make flexible proposals can work together with a system that makes things, relationships, and rules explicit and checks them.