従来のRAGをベースにしたアプローチから、現代のバッテリーを含むSDKやスキルベースのフレームワークまで、AIエージェントの進化が進んでいる3つの作業事例をご紹介します。

進化

| 時代 | アプローチ | 事例 | お問い合わせ |2024-2025 | チャンクのドキュメント、埋め込み、ベクトル検索、エージェントのループを自分で配線 | [[T0] | |2026(SDK)** | 組み込みツール+カスタムMCPサーバー、接着剤コードなし | [claude-agent-sdk-demo/ | |2026(フレームワークス)** | 進歩的な技術開示による安全タイプ | [[[T2] |

例

[rag-agent-demo/ - 従来のアプローチ (Python)

AI エージェントをビルドするためのデフォルトの Playbook だった古典的な RAG パターン。 パイプライン全体を表示します: チャンク ドキュメント, 埋め込みを生成します。, ベクトルデータベースに保存します。, 関連するチャンクを取得, LLM にフィード.

スタック: Pydantic AI + PostgreSQL/pgvector + OpenAIの埋め込み

この作品は、大きめのドキュメントのcorporaを持っているときにまだ正しい呼び出しです。 しかし、多くのユースケースでは、以下の新しいアプローチは、このインフラストラクチャを完全に排除します。

[claude-agent-sdk-demo/ - 電池込みSDK (TypeScript)

How Building AI Agents Has Completely Changed

Three working examples showing how AI agent development has evolved - from the traditional RAG-based approach to modern batteries-included SDKs and skill-based frameworks.

The Evolution

Examples

rag-agent-demo/ - The Traditional Approach (Python)

The classic RAG pattern that was the default playbook for building AI agents. Shows the full pipeline: chunk documents, generate embeddings, store in a vector database, retrieve relevant chunks, feed to an LLM.

cd rag-agent-demo
cp .env.example .env     # Add your OpenAI key + database URL
docker compose up -d     # Start PostgreSQL with pgvector
uv sync
uv run python -m ingestion.ingest --documents documents/ --clean
uv run python cli.py

Stack: Pydantic AI + PostgreSQL/pgvector + OpenAI embeddings

This works - and it’s still the right call when you have large document corpora. But for many use cases, the newer approaches below eliminate the need for this infrastructure entirely.

claude-agent-sdk-demo/ - Batteries-Included SDK (TypeScript)

A research agent that comes with tools out of the box. No RAG pipeline, no vector database, no embedding infrastructure. The SDK provides Read, Write, WebSearch, Bash, and Grep as built-in tools, and you can add your own via MCP servers.

cd claude-agent-sdk-demo
bun install
bun run agent.ts "How AI agent frameworks evolved in 2026"

What this demonstrates:

• Built-in tools - Read, Write, WebSearch, Bash, Grep with zero setup
• Custom MCP server - createSdkMcpServer() with save_note and search_notes tools
• Subagents - Researcher and Writer agents that the orchestrator delegates to
• Hooks - Real-time monitoring of tool usage

Uses your local Claude Code CLI credentials - no API key needed.

pydantic-ai-skills-demo/ - Framework with Skills (Python)

A Pydantic AI agent with a skill system implementing progressive disclosure. Instead of loading all instructions upfront, skills are discovered at ~100 tokens each and loaded on demand - letting an agent access hundreds of capabilities without overwhelming its context window.

cd pydantic-ai-skills-demo
cp .env.example .env     # Add your API key
uv sync
uv run python -m src.cli

What this demonstrates:

• Progressive disclosure - Skills load in 3 levels (metadata -> instructions -> resources)
• 5 working skills - Weather, research assistant, recipe finder, world clock, code review
• Type safety - Full Pydantic models and typed dependencies