2026年 AIアプリケーションエンジニア求人の技術スタック：東京・中国本土・米国のJD徹底調査

東京、中国本土、または米国企業の日本拠点で、AI Application Engineer、AI Agent Engineer、RAG Engineer、Applied AI Engineer、LLM Application Engineerを目指すエンジニア向け。

要約

2026年のAIアプリケーション職は、LLM APIを呼び出し、Promptを書けるだけで参入できる段階を明確に越えています。

最近の公開求人で企業が繰り返し求めるのは、次の一貫したエンジニアリング能力です。

Pythonバックエンド + RAG/検索 + Agentオーケストレーション + クラウド配備 + 評価とObservability + セキュリティと信頼性。

本調査は、中国本土・米国・東京の各20件、合計60件の最近の公開JDを手作業で分類しました。対象職種は以下です。

• AI Application Engineer
• AI Agent / Agentic AI Engineer
• RAG Engineer
• Generative AI Engineer
• Applied AI Engineer
• AI Backend Engineer
• AI/LLM Engineer
• Forward Deployed / AI Solutions Engineer

三市場を合算すると、出現頻度が高い技術領域は次の順です。

1. Python
2. Agent、Tool Calling、Workflowオーケストレーション
3. RAG
4. バックエンド、API、マイクロサービス
5. LangChain
6. ベクトル検索、Embedding、検索
7. Evaluation、Observability、LLMOps
8. LangGraph
9. AWS、Azure、GCPなどのクラウド
10. Prompt / Context Engineering

求人での出現頻度は、学習順序ではありません。東京での就職を目指す場合、推奨される優先順位は以下です。

Python/FastAPI → 本番級RAG → LangChain v1/LangGraph v1 → AWS → PostgreSQL/OpenSearch → Evaluation/Observability → Docker/Terraform/CI/CD → Agent安全性とHuman-in-the-loop。

1. 調査範囲と方法

1.1 サンプル範囲

サンプルは三市場に分けました。

調査日は 2026年7月28日 です。求人ページは閲覧時点までに募集終了、再掲載、または変更される可能性があるため、本稿は調査時点の市場スナップショットであり、不変のデータではありません。

1.2 職種の採用基準

含めたもの：

• LLMアプリケーション、AI Agent、RAG、生成AIプロダクトが中核責務である職種。
• エンジニアリング実装、システム統合、配備、または本番運用を求める職種。
• AI Application、Agent、RAG、Applied AI、AI Backendと強く関連する職種。

除外したもの：

• 純粋なコンピュータビジョン職。
• 純粋な従来型機械学習、推薦、データ分析職。
• 純粋な基盤モデル事前学習研究職。
• 実装責務のない営業、プリセールス職。
• ChatGPT/Copilotを業務ツールとして使うだけで、AI製品を開発しない職種。

1.3 集計規則

一つのJDにつき、同じ技術カテゴリは最大一回だけ数えました。職務説明、技術スタック、必須条件、歓迎条件に能力が 明示 されている場合だけ集計しています。

例：

• FastAPI、REST API、微服务は「バックエンド/API/マイクロサービス」に統合。
• Pinecone、Milvus、Qdrant、FAISS、OpenSearch、pgvectorは「ベクトル検索/Embedding/検索」に統合。
• LangSmith、Langfuse、OpenTelemetry、evaluation harness、tracingは「評価/Observability/LLMOps」に統合。
• tool use、function calling、multi-agent、orchestrationは「Agent/Tool Calling/オーケストレーション」に統合。

1.4 パーセンテージの正しい読み方

各市場のサンプル数は20件なので、一件は5ポイントです。5%～10%の差を絶対的な優劣として過度に解釈せず、同じ階層と見る方が適切です。

これらの数値は：

最近の公開JDサンプルにおける出現率。

次のものではありません。

• 国全体の全求人に対する市場占有率。
• スキルの必須度を示す正確な比率。
• 将来数年間の固定予測。
• 採用プラットフォームの公式統計。

本調査はAgent、RAG、AI Application職に焦点を当てているため、これらの領域は広義のAI雇用市場より自然に高く出現します。

2. 三市場を合算した技術頻度

2.1 60件のJDにおける総合順位

2.2 このデータが実際に示すこと

AI Application Engineerは、まずソフトウェアエンジニアである

Python、バックエンド/API、データベース、クラウド、Docker、CI/CDが高頻度であることは、企業がNotebookで実験できるだけの人材を求めていないことを示します。必要なのは、以下を行えるエンジニアです。

• モデル能力を安定したAPIにする。
• データベース、企業システム、外部SaaSと統合する。
• 同時実行、timeout、retry、エラーを扱う。
• クラウドへ配備する。
• コスト、レイテンシ、品質を監視する。
• 本番の結果に責任を持つ。

Agentは「デモ概念」からエンジニアリングのキーワードになった

多くのJDは単純なChatbotにとどまらず、以下を明示しています。

• Tool Calling / Function Calling。
• Planning。
• MemoryとState。
• 複数ステップのWorkflow。
• Multi-Agent。
• Retry / Repair Loop。
• Human-in-the-loop。
• 企業API、データベース、CRM、メール、チケットシステムとの連携。

RAGは依然として最も安定し、広く使われる企業ユースケース

企業データは一般モデルにそのまま渡せず、モデルパラメータの記憶に依存するのも適切ではありません。そのためRAGはAIアプリケーション職の最も安定した入口スキルです。

企業RAGは「ベクトルDB + LLM」だけではありません。

数据接入
→ 文档解析与清洗
→ Chunking
→ Metadata 与权限
→ Embedding
→ Dense/BM25/Hybrid Retrieval
→ Rerank
→ Context 构造
→ 带引用回答
→ 离线与在线评测
→ 监控与持续优化

EvaluationとObservabilityは本番での分水嶺になっている

この能力は米国サンプルで特に目立ちます。企業はますます次を求めています。

• Golden Dataset。
• Regression Suite。
• Task Success Rate。
• Retrieval Evaluation。
• Tracing。
• Failure Taxonomy。
• Cost / Latency Metrics。
• Promptとモデルのバージョン管理。
• Release Gate。
• A/B Test。
• Guardrail Threshold。

Demoを作れる人は多くいます。システムが「なぜ信頼できるか」「どう継続的に良くするか」を証明できる人はなお希少です。

3. 中国本土：アプリケーション実装、私有化、国内モデルのエコシステム

3.1 中国本土20件のJDにおける技術頻度

最近の中国本土JDでは、FastAPI、LangChain/LangGraph、RAG、ベクトルDB、PostgreSQL、Docker、MCP、Function Calling、評価が同じ職種に並ぶことが珍しくありません。武汉菱电のAgent Engineerは典型で、Python、FastAPI、LangChain、LangGraph、Weaviate/Pinecone/Milvus、PostgreSQL、Docker、CI/CD、MCP、OpenTelemetryを同時に挙げています。¹

3.2 中国市場の三つの顕著な特徴

特徴1：国内モデル、私有化、推論配備がより多く現れる

中国の求人では、次が明示されやすい傾向があります。

• Qwen / 通义千问。
• DeepSeek。
• GLM / 智谱。
• Dify、Coze、n8n。
• vLLM、SGLang、LMDeploy。
• LoRA / QLoRA。
• ローカルモデルサービング。
• GPUサーバー管理。
• 私有ナレッジベース。

このため、Fine-tuning、モデル配備、推論最適化は中国サンプルで40%に達し、東京のAI Applicationサンプルより明らかに高くなっています。

中科软のJDはJava/Python、LangChain、Spring AI、LangGraph、MCP、Milvus、Neo4j、Rerank、Qwen、GLM、DeepSeek、LoRA/QLoRA、vLLMを同時に求めています。これは大規模中国企業で典型的な「AIアプリケーション + 国内モデル + 既存Java業務システム」の組み合わせを表します。²

特徴2：Javaにはなお実務的な価値がある

中国の従来型企業、金融、保険、製造、政府系、SIプロジェクトでは、AIモジュールはしばしば次と接続しなければなりません。

• Spring Boot。
• Spring Cloud。
• Spring AI。
• MyBatis。
• MySQL / OceanBase。
• Redis / RabbitMQ。
• 既存のマイクロサービス基盤。

PythonはAIアプリケーションの主言語ですが、Javaの価値は失われていません。Javaバックエンド経験者の合理的な戦略はJavaを捨てることではなく、役割を分けることです。

PythonはAI/RAG/Agentサービスを担い、Javaは既存の中核業務システムと企業統合を担う。

特徴3：ローコードAgentプラットフォームは納品ツールであり、核となる競争力ではない

Dify、Coze、n8n、RAGFlowは中国のJDでよく現れます。適するのは：

• 素早いPoC。
• 業務プロセス実験。
• 非中核Workflow。
• 顧客デモ。
• 社内自動化。

しかし採用における高価値の差別化要因は依然として次です。

• コードで保守可能なAgentを実装できるか。
• 検索と評価を作れるか。
• State、Retry、権限、例外を扱えるか。
• 企業APIとデータベースに統合できるか。
• 配備と運用ができるか。

プラットフォームでノードをつなげるだけでは、本番級AI Application Engineerの代替にはなりません。

4. 米国：評価、信頼性、安全性、システム設計の基準が最も高い

4.1 米国20件のJDにおける技術頻度

EXLのAgentic AI Engineerは代表例です。Python、LangChain、LangGraph、RAG、ベクトルDB、FastAPI、マイクロサービス、クラウドに加え、evaluation harness、tracing、metrics、rollback、guardrails、auditability、HITL、CI/CD、PII/PHIセキュリティを明示的に求めています。³

4.2 米国市場の四つの顕著な特徴

特徴1：フレームワークは手段であり、本番システム能力が難関

米国の求人では、次の表現がよく使われます。

• shipped to production;
• production ownership;
• measurable improvement;
• task success rate;
• reliability / latency / cost;
• failure taxonomy;
• regression suite;
• distributed systems;
• idempotency;
• auditability.

つまり面接官はLangGraphを知っているかだけを問うのではありません。例えば次を問います。

• Toolは成功したがLLMリクエストがtimeoutした場合、どう重複実行を防ぐか。
• Agentが途中で失敗した場合、どう復旧するか。
• Task Success Rateをどう定義するか。
• Retrievalエラーと生成エラーをどう分けるか。
• 段階的なリリースとrollbackをどう行うか。
• Agentの権限をどう制限するか。
• コスト、レイテンシ、失敗パターンをどう監視するか。

General Intelligence Companyの求人はretry/backoff、idempotency、auditability、agent memory/context routing、OpenTelemetry/Datadog、オフライン・オンライン評価を明記しています。⁴

特徴2：Evaluationはリリース後の付加物ではなく、中核開発作業

多くの米国求人はEvaluationを中核責務に直接含めます。

Golden tasks
Regression suites
Behavior tests
Online metrics
A/B tests
Canary releases
Guardrail thresholds
Failure analysis

AmtexのCoding Agent求人はevaluation harness、failure taxonomy、tracing、metrics、alerts、release gatesを必須能力として挙げています。⁵

特徴3：「完全自律」より安全で制約された自律性が重視される

企業AgentはCRM、金融データ、Identity System、メール、データベース、本番APIに触れます。米国の求人は次を明示することが多いです。

• Human-in-the-loop。
• Guardrails。
• Audit Trail。
• Compliance。
• PII/PHI。
• Identity and Access Management。
• Constrained Autonomy。
• Safe Tool Use。

優れたAgent EngineerとはAgentに「できるだけ多く」をさせる人ではなく、次を知る人です。

どの操作を自動実行でき、どの操作に承認が必要で、どの操作を禁止すべきか。

特徴4：特定フレームワークを書かず、基礎能力を書く米国求人も多い

一部のスタートアップはLangChainやLangGraphを必須にせず、次を求めます。

• Tool orchestration。
• Memory architecture。
• Retrieval。
• Evaluation。
• Retry/repair loop。
• Context routing。
• Backend reliability。

こうした職種は自作Runtime、OpenAI Agents SDK、Google ADK、PydanticAIなどを許容することがあります。LangGraph APIだけを覚えるのではなく、Agent Runtimeの根本的なエンジニアリング問題を理解する必要があります。

5. 東京：Python、クラウド、エンドツーエンドの納品が最重要

5.1 東京20件のJDにおける技術頻度

Futureの求人はPython、LangChain、LangGraph、Amazon Bedrock、Azure OpenAIを明記し、業務プロセス再設計、技術検証、RAG精度改善、アーキテクチャ設計、実装までの一体的な能力を求めています。⁶

FLARETECHの生成AI求人はPython、RAG、ベクトルDB、LangChain/LangGraph、Evaluation、Guardrail、LLMOps、AWS、Dockerを組み合わせており、東京市場が「プロトタイプから本番まで」を求めることを示します。⁷

5.2 東京でクラウドがこれほど高順位になる理由

東京サンプルにおけるクラウドの出現は以下です。一件が複数クラウドを挙げられるため、比率合計は100%を超えます。

よくある組み合わせ：

AWS Bedrock
AWS OpenSearch
S3
RDS PostgreSQL
ECS / Fargate
Lambda
Azure OpenAI Service
Azure AI Search
Vertex AI
Cloud Run
BigQuery

東京のAIプロジェクトの多くは、企業DX、生成AIコンサルティング/SI、社内ナレッジベース、顧客対応と業務自動化、金融・製造・人事、既存SaaSへのAI機能追加から生まれています。

これらは企業データと既存システムへの統合を必要とします。モデルを使えるだけでは足りず、採用側はシステムを配備、運用し、実ユーザーへ納品できるかを見ます。

5.3 東京が重視するのは純粋な研究ではなくPoCから本番まで

東京サンプルでは：

后端/API/微服务：70%
云平台：90%
微调/推理优化：10%

AI Application / Agent / RAG職でより求められるのは：

AI機能を実製品に統合し、PoCを完成させ、リリース、監視、改善できるソフトウェアエンジニア。

nineDotsの東京Applied AI求人はPython、CI/CD、Terraform、コンテナ、RAG、Prompt、Fine-tuning、LangChain、Pinecone、Hugging Face、LLMOps、ベクトルDBを求め、生成AIをプロトタイプから実ユーザーへ届けた経験を強調しています。⁸

5.4 日本企業と米国企業の日本拠点では言語構造が異なる

言語は技術スタックではありませんが、東京での就職では現実的な選考条件です。

日本顧客型、SI型、FDE型の求人

よく求められるもの：

• 日本語でのビジネスコミュニケーション。
• 日本語での要件定義。
• 日本語の技術文書。
• 顧客とのPoCと報告。
• JLPT N2/N1または同等の能力。

TempestAIの求人は、日本語で要件定義と技術文書作成ができることを明示しています。⁹

国際プロダクトチームと米国企業の日本求人

英語が主な業務言語である場合があります。

• BJAK Japanはグローバルチームの主業務言語が英語であると記載。[^^jp-15]
• Cookpadの国際求人は日本語不要、ビジネス英語必須と記載。[^^jp-17]
• Robert Halfの東京RAG求人は日本語不要と記載。[^^jp-14]

ただし日本顧客向けの国際企業はバイリンガルを求めることがあります。Zoom東京のApplied AI Engineerは日本語と英語の両方に堪能であることを求め、営業サイクルでAI AgentをPoCから顧客本番環境へ配備する職務を含みます。¹⁰

東京市場は大まかに次のように分けられます。

6. 職種名ごとに実際に何を採用しているか

6.1 AI Application Engineer

中核の仕事は、モデル能力を業務機能にすることです。

よくある要件：

• Python。
• FastAPI / Flask。
• LLM API。
• RAG。
• Tool Calling。
• データベースと企業API。
• クラウド配備。
• テストと監視。

本質は：

AIを理解するバックエンド/プロダクトエンジニア。

6.2 AI Agent / Agentic AI Engineer

AI Application Engineerの基礎に加え、より強く重視されるのは：

• Agent Loop。
• Tool Use。
• Planning。
• MemoryとState。
• LangGraphまたは別のオーケストレーションフレームワーク。
• Multi-Agent。
• Retry / Recovery。
• Human-in-the-loop。
• Guardrails。
• Evaluation。

本質は：

制御された自律システムを設計・運用するバックエンド/プラットフォームエンジニア。

6.3 RAG Engineer

より強調されるのはデータ、検索、効果改善です。

• 文書解析。
• Chunking。
• Embedding。
• Vector DB。
• BM25 / Hybrid Search。
• Rerank。
• Metadata / ACL。
• Citation。
• Retrieval Evaluation。
• データ更新とインデックス保守。

本質は：

検索エンジニアリング、データエンジニアリング、LLMアプリケーションの交差職種。

6.4 Applied AI Engineer

米国・国際企業でよく使われる名称で、通常はエンドツーエンドの責任を求めます。

• 価値のあるAIユースケースを見つける。
• 素早く試作する。
• Evaluationを設計する。
• 本番実装を行う。
• プロダクトと顧客に協働する。
• 業務効果を継続的に測定する。

純粋なアルゴリズムエンジニアよりプロダクト納品を、一般的なバックエンドエンジニアよりモデル挙動と評価を重視します。

6.5 Forward Deployed Engineer / AI Solutions Engineer

東京および米国企業の日本拠点で特に注目すべき職種です。

中核能力は：

客户问题
→ 需求澄清
→ 技术方案
→ PoC
→ 数据和系统集成
→ 生产上线
→ 培训与持续改进

技術以外にも、次を求めます。

• コミュニケーション。
• 要件分析。
• アーキテクチャの説明。
• 業務理解。
• 日本語および/または英語。
• 納品結果への責任。

7. 求職者が備えるべき能力モデル

適格なAI Application / Agent / RAG Engineerの能力は、フレームワーク名の集合ではなく、次の八層構造であるべきです。

第1層：本番級ソフトウェアエンジニアリング

必要なもの：

• Pythonの型注釈。
• async / await。
• テスト。
• Loggingと例外処理。
• API設計。
• 並行処理とTask Queue。
• データベース。
• Git。
• Code Review。
• システム設計。
• パフォーマンスと信頼性の基礎。

第2層：LLMアプリケーションの基礎

理解すべきもの：

• MessageとContext。
• Tool Calling。
• Structured Output。
• TokenとContext Window。
• モデル選択とRouting。
• Prompt / Context Engineering。
• Streaming。
• Cache。
• コストとレイテンシ。

第3層：本番級RAG

次をゼロから実装し、最適化できなければなりません。

• Ingestion。
• Parsing。
• Chunking。
• Metadata。
• Embedding。
• Retrieval。
• Rerank。
• Context Assembly。
• Citation。
• ACL。
• Evaluation。

第4層：Agent Runtime

理解すべきもの：

• ReAct。
• State。
• Planning。
• Tool。
• Memory。
• Checkpoint。
• Interrupt。
• Retry。
• Idempotency。
• Human Approval。
• Sub-Agent。
• Long-running Task。

第5層：EvaluationとObservability

次に答えられなければなりません。

• 成功をどう定義するか。
• テストセットをどう作るか。
• Regressionをどう行うか。
• エラーがRetrieval、Prompt、モデル、Toolのどれにあるかをどう特定するか。
• Agentの各ステップをどう追跡するか。
• コスト、レイテンシ、失敗率をどう監視するか。

第6層：クラウドと配備

少なくとも一つの完全な経路を身につけます。

FastAPI
→ Docker
→ Container Registry
→ ECS/Fargate 或 Cloud Run
→ PostgreSQL
→ Object Storage
→ Vector/Search Service
→ Monitoring
→ Secrets

第7層：セキュリティとガバナンス

理解すべきもの：

• Prompt Injection。
• Tool Permission。
• Secrets。
• PII。
• Audit Log。
• Tenant Isolation。
• Read/Write権限の階層。
• HITL。
• Sandbox。
• Rate Limit。
• Timeout。
• Idempotency。

第8層：業務とプロダクト納品

企業が「Agentを使うため」に採用するわけではありません。目的は：

• 効率を上げる。
• コストを下げる。
• Retrieval精度を高める。
• プロセスを自動化する。
• 顧客の意思決定を助ける。
• プロダクト収益を増やす。

求職者は技術指標を業務価値に結び付ける必要があります。

8. 東京で仕事を得るための技術スタックの優先順位

以下の優先順位は次を総合的に考慮しています。

• 東京JDでの出現頻度。
• 技術間の前提依存関係。
• 学習投資と採用リターン。
• ポートフォリオで証明できるか。
• 中国、米国、日本市場をまたぐ汎用性。

P0：本番級Pythonバックエンド

推奨技術

Python 3.12+
uv
FastAPI
Pydantic v2
asyncio
pytest
Ruff
mypy / pyright
REST API
SSE / Streaming
WebSocket 基础

到達すべき能力

単にスクリプトを書けることではなく、独力で以下を完成させられることです。

• レイヤー化されたプロジェクト構造。
• Pydantic Schema。
• Dependency Injection。
• 非同期API。
• Streaming。
• Unit TestとIntegration Test。
• 例外とRetry。
• LoggingとTrace ID。
• PostgreSQL Transaction。
• Redis/Queueの基礎。
• パフォーマンスと並行性の調査。

なぜ最優先か

Pythonは総合サンプルの95%、東京の95%、米国の100%に現れます。AI Application職にとって最も安定した共通言語です。

P0：本番級RAG

推奨技術

PostgreSQL + pgvector
OpenSearch
Qdrant
Redis
Embedding
BM25
Hybrid Search
Reranker
Metadata Filter
Citation
ACL

到達すべき能力

次の完全な流れを説明・実装できる必要があります。

文档解析
→ 切片
→ 索引
→ 召回
→ 重排
→ 上下文构造
→ 生成
→ 引用
→ 评测

さらに次に答えられるべきです。

• Chunkサイズをどう選ぶか。
• 表とPDFをどう扱うか。
• なぜDense Retrievalは見逃すのか。
• BM25とベクトル検索をどう融合するか。
• Rerankerはどこに置くか。
• 文書バージョン更新をどう扱うか。
• 権限のない文書を召回しないようにするにはどうするか。
• Recall、MRR、NDCG、Faithfulnessをどう評価するか。

東京向け推奨DBの組み合わせ

優先するもの：

PostgreSQL/pgvector + OpenSearch

Qdrantも独立したベクトルDBの経験として維持します。

PostgreSQLは汎用的な企業基盤であり、OpenSearchは東京市場で高頻度なAWS、企業検索、Hybrid RAGと強く合います。

P0：LangChain v1 + LangGraph v1

LangChain v1で重点的に学ぶもの

Model
Message
Tool
Structured Output
Middleware
Runtime Context
create_agent
MCP Integration
Provider Integration

旧版のChain APIに大量の時間を使わないでください。

LangGraph v1で重点的に学ぶもの

State
Node / Edge
Command
Checkpoint
thread_id
Interrupt
Resume
Retry
Subgraph
Store
Durable Execution
Idempotency
Human-in-the-loop

なぜ両者を組み合わせる必要があるか

LangChainはモデル、Message、Tool、標準Agent Interfaceを扱います。

LangGraphは本番Agentの次を扱います。

• State。
• Interrupt。
• Resume。
• 永続化。
• 承認。
• 長時間Task。
• 複雑なWorkflow。

Deep Agentsはどこに位置付けるか

Deep Agentsは今回のサンプルでは高頻度の求人キーワードになっていません。

妥当な順序は：

LangChain v1 基础
→ LangGraph v1 Runtime
→ 生产级 Agent Engineering
→ Deep Agents

Deep AgentsはPlanning、Filesystem、Sub-Agent、Skills、Context Managementの学習に価値がありますが、LangGraph理解の代替にはなりません。

P0：AWS

東京でのクラウド優先順位：

AWS
>
Azure
>
GCP

まず学ぶAWS

IAM
S3
Bedrock
OpenSearch
RDS PostgreSQL
ECS / Fargate
Lambda
CloudWatch
Secrets Manager
VPC 基础

推奨配備経路

FastAPI / LangGraph
        ↓
Docker
        ↓
ECR
        ↓
ECS Fargate
        ↓
RDS PostgreSQL
        ↓
OpenSearch
        ↓
S3
        ↓
Bedrock
        ↓
CloudWatch

Azureの第二段階で重点を置くもの：

Azure OpenAI Service
Azure AI Search
Azure Container Apps
Azure Database for PostgreSQL
Azure Monitor

GCPの第二段階で重点を置くもの：

Vertex AI
Cloud Run
Cloud SQL
BigQuery
Cloud Storage

P1：Evaluation、Observability、LLMOps

最低限身につけるもの

Golden Dataset
Prompt Versioning
Trace
Token Usage
Latency
Tool Success Rate
RAG Recall
Faithfulness
Agent Task Success Rate
Regression Test
Cost Monitoring
Failure Taxonomy

ツール選択

すべての製品を学ぶ必要はありません。一つの組み合わせを深く学びます。

Langfuse 或 LangSmith
+
OpenTelemetry

補足として：

Ragas
DeepEval
Promptfoo
Phoenix

ポートフォリオで必ず示すもの

• 各Agent実行のTrace。
• モデルとPromptのバージョン。
• 各Tool Call。
• Token、コスト、レイテンシ。
• 固定Evaluation Set。
• RetrievalまたはPrompt変更後のRegression結果。
• 失敗サンプルの分類。

P1：Docker、CI/CD、Terraform

推奨順序：

Docker
→ Docker Compose
→ GitHub Actions
→ Terraform
→ AWS ECS/Fargate
→ Kubernetes 基础

大半のAI Application職では、Docker、Terraform、GitHub ActionsでサービスをAWSへ安定して配備できることの方が、Kubernetes内部APIを深く暗記するより重要です。

P1：Agent安全性、HITL、信頼できる実行

必ず身につけるもの：

Prompt Injection
Tool Permission
Read/Write 权限分级
Human Approval
Secrets Management
PII
Audit Log
Timeout
Retry
Idempotency
Rate Limit
Tenant Isolation
Sandbox

推奨リスクポリシー：

读取操作
→ 可以在明确范围内自动执行

写入操作
→ 根据风险请求批准

发送邮件、发布、部署、删除、付款
→ 必须明确审批或强策略限制

この領域は米国求人で特に重要であり、東京向けポートフォリオでも価値の高い差別化要因です。

P2：MCP

MCPの三市場合計での出現率は約15%です。求人言語には入りましたが、まだP0スキルではありません。

身につけるべきもの：

• MCP Server / Client。
• Tool。
• Resource。
• Prompt。
• Transport。
• Auth。
• 資格情報の分離。
• 権限制御。

理解すべきこと：

MCPはToolとContextの接続を標準化するものであり、Agentの状態機械、信頼できる実行、評価、権限ガバナンスを担うものではありません。

P2：TypeScriptと簡単なプロダクトUI

東京サンプルでTypeScript/JavaScriptは35%に現れます。専門フロントエンドエンジニアになる必要はありませんが、次はできるべきです。

• TypeScriptを読み、修正する。
• React / Next.jsを使う。
• Agent Chat UIを作る。
• Streamingを表示する。
• Tool Callを表示する。
• Traceを表示する。
• Approvalを表示する。
• 簡単な管理画面を作る。

推奨：

TypeScript
React
Next.js
基础 Tailwind CSS

P2：モデルFine-tuningと推論最適化

東京のAI ApplicationサンプルでFine-tuning、推論最適化、ローカルモデル配備を明示する求人は約10%だけです。

したがって理解すべきものは：

SFT
LoRA / QLoRA
DPO
Quantization
vLLM
SGLang

就職初期に数か月をモデル訓練へ投入する必要はありません。ただし目標が次の場合を除きます。

• LLM Engineer。
• Model Engineer。
• ML Platform Engineer。
• Inference Engineer。
• Foundation Model Researcher。

AI Application / Agent / RAG職では、本番級バックエンド、RAG、評価、クラウド配備の方が通常は高いリターンを得ます。

9. 目標市場別のカスタム技術スタック

9.1 東京の日本企業向け

Python
FastAPI
LangChain v1
LangGraph v1
RAG
PostgreSQL
OpenSearch
AWS Bedrock
ECS/Fargate
Docker
Terraform
Langfuse/OpenTelemetry
日语需求分析和技术说明

重点的に証明すること：

• 顧客課題からPoCを作れる。
• PoCを本番へ出せる。
• 日本語の設計説明を書ける。
• コスト、品質、リスクを説明できる。
• 既存システムに統合できる。

9.2 米国企業の日本拠点向け

Python
System Design
Agent Runtime
RAG
Evaluation Harness
Observability
Guardrails
HITL
Distributed Systems
Cloud
CI/CD
英文技术沟通
日语客户沟通（客户型岗位）

重点的に証明すること：

• 本番Ownership。
• 定量化可能な改善。
• EvaluationとRegression。
• セキュリティ境界。
• 失敗からの復旧。
• コストとレイテンシの最適化。
• 英語の設計文書。

9.3 中国本土企業向け

Python
FastAPI
LangChain/LangGraph
RAG
Milvus/Qdrant
国产模型 API
Dify/Coze/n8n
Docker/Kubernetes
vLLM/SGLang 基础
Java/Spring Boot/Spring AI 集成
私有化部署

重点的に証明すること：

• 国内モデルへの適応。
• 企業ナレッジベース。
• 私有化。
• Java業務システムとの統合。
• モデル配備。
• 納品速度。

10. 東京での就職に最も適する完全技術スタック

コア開発

Python 3.12+
uv
FastAPI
Pydantic v2
pytest
asyncio
REST / SSE
Ruff
mypy / pyright

Agent

LangChain v1
LangGraph v1
Structured Output
Tool Calling
Checkpoint
Interrupt / Resume
Human-in-the-loop
MCP

RAGとデータ

PostgreSQL
pgvector
OpenSearch
Qdrant
Redis
Hybrid Search
Reranker
Citation
ACL
Document Versioning

クラウドと配備

AWS Bedrock
S3
OpenSearch
RDS
ECS / Fargate
IAM
CloudWatch
Secrets Manager
Docker
Terraform
GitHub Actions

EvaluationとObservability

Langfuse 或 LangSmith
OpenTelemetry
RAG Evaluation
Agent Evaluation
Regression Dataset
Cost / Latency Monitoring

表示層

TypeScript
Next.js
简单 Agent UI

差別化能力

Java / Spring Boot 企业系统集成
日语业务沟通
生产级 Agent 安全与审批
RAG 评测与回归
AWS 部署
英文技术文档

11. 学習時間の配分

実行可能な20週間ロードマップ

第1～4週：本番級Pythonバックエンド

成果物：

• FastAPIプロジェクト。
• PostgreSQL。
• 非同期API。
• テスト。
• Docker。
• Streaming。
• Loggingとエラー処理。

第5～8週：本番級RAG

成果物：

• PDF/Word/HTMLの取り込み。
• pgvectorまたはQdrant。
• BM25 + Dense Hybrid。
• Reranker。
• Citation。
• Metadata Filter。
• Evaluation Dataset。

第9～12週：LangChain v1とLangGraph v1

成果物：

• Tool Calling Agent。
• StateGraph。
• Checkpoint。
• Interrupt。
• Human Approval。
• Retry。
• 複数ステップのTask。
• 復旧可能な実行。

第13～16週：AWSと配備

成果物：

• Docker Image。
• ECS/Fargate。
• RDS。
• S3。
• OpenSearch。
• Bedrock。
• Terraform。
• GitHub Actions。
• CloudWatch。

第17～20週：Evaluation、安全性、就職準備

成果物：

• Langfuse/OpenTelemetry Trace。
• RAG Regression。
• Agent Task Success Rate。
• Prompt Injection Test。
• Tool Permission。
• Audit Log。
• 日英バイリンガルREADME。
• システム設計文書。
• デモ動画。

12. 最も価値のある就職ポートフォリオ

単純なChatbotを五つ作るより、次の一つを完全に作るべきです。

企業級 日英バイリンガル RAG + Agentプラットフォーム

12.1 アーキテクチャ

PDF / Word / HTML / 企业数据
             ↓
解析、清洗、切片、版本管理
             ↓
OpenSearch + pgvector/Qdrant 混合检索
             ↓
Reranker
             ↓
带页码、来源和权限的回答
             ↓
LangGraph Agent
             ↓
GitHub / Gmail / Calendar / MCP Tools
             ↓
写操作 Human Approval
             ↓
PostgreSQL Checkpoint
             ↓
Langfuse / OpenTelemetry
             ↓
AWS 部署

12.2 実装必須の能力

• 日本語・英語の文書。
• 文書バージョン管理。
• ACL権限Filter。
• Hybrid Search。
• Reranker。
• Citation。
• LangGraph Checkpoint。
• InterruptとResume。
• Write Toolの承認。
• Idempotency。
• 複数ユーザーの分離。
• Trace。
• Evaluation。
• Docker。
• Terraform。
• GitHub Actions。
• AWSアーキテクチャ図。

12.3 必ず定量化する指標

UIだけを見せず、次を示します。

Retrieval Recall@K
MRR / NDCG
Answer Faithfulness
Citation Accuracy
Agent Task Success Rate
Tool Failure Rate
P95 Latency
Token Cost
Recovery Success Rate

12.4 READMEが少なくとも答えるべきこと

• なぜこのアーキテクチャを選んだか。
• なぜOpenSearch + pgvector/Qdrantを使うか。
• どう権限外Retrievalを防ぐか。
• Retrieval失敗と生成失敗をどう区別するか。
• 中断したAgentをどう復旧するか。
• 重複するWrite Operationをどう防ぐか。
• システムをどう評価するか。
• どう配備するか。
• 現在の制約は何か。
• 次にどう拡張できるか。

この一つのプロジェクトは東京の高頻度要件にある大半の技術をカバーします。

Python
FastAPI
AWS
Agent
RAG
LangChain
LangGraph
向量搜索
SQL
Docker
Terraform
CI/CD
Evaluation
Observability
MCP
Security / Approval

13. 面接で必ず答えられるべき質問

Pythonとバックエンド

• async/awaitはいつ実際にthroughputを上げるか。
• LLM Streaming APIをどう実装するか。
• FastAPIサービスはtimeout、cancel、retryをどう扱うか。
• Idempotent APIをどう設計するか。
• 長時間のAgent Taskをどう扱うか。

RAG

• なぜベクトル検索だけでは不十分か。
• ChunkingはRecallにどう影響するか。
• Hybrid Searchをどう設計するか。
• Rerankerのinputとoutputは何か。
• Retrievalをどう評価するか。
• CitationとACLをどう実装するか。
• 文書更新後、旧バージョンによる汚染をどう避けるか。

Agent

• Tool CallingとWorkflowの違いは何か。
• LangChainとLangGraphの関係は何か。
• Checkpointは何を保存するか。
• Interrupt後にどう続行するか。
• Toolは実行済みだがNodeが失敗したらどうするか。
• いつMulti-Agentを使うか。
• Agentの無限loopをどう避けるか。
• Tool Permissionをどう制限するか。

Evaluation

• Agent成功率をどう定義するか。
• Golden Datasetをどう作るか。
• Prompt Regressionをどう行うか。
• 失敗がモデル、Retrieval、Toolのどれに属するかをどう特定するか。
• Offline EvaluationとOnline Monitoringをどう行うか。
• Release Gateをどう設定するか。

クラウドと本番

• なぜLambdaやKubernetesではなくECS/Fargateを選ぶか。
• Secretsをどう管理するか。
• Log、Trace、Metricsをどう関連付けるか。
• コストをどう制御するか。
• Rolling ReleaseとRollbackをどう行うか。
• Multi-tenant Isolationをどう設計するか。

14. よくある学習の誤り

誤り1：同時に十個のAgentフレームワークを学ぶ

以下を同時に深く学ぶべきではありません。

LangGraph
CrewAI
AutoGen
Agno
PydanticAI
Google ADK
OpenAI Agents SDK
Deep Agents
Semantic Kernel
Strands

まず身につけるもの：

LangChain v1
+
LangGraph v1
+
Agent Engineering 原理

その後、企業の技術スタックに応じて移行します。

誤り2：Prompt Engineeringを独立した職業上の堀と考える

Promptは重要ですが、企業がより重視するのは：

• PromptをVersioningできるか。
• Evaluationできるか。
• Regressionできるか。
• Structured Outputがあるか。
• Tool、RAG、業務規則と結合できるか。
• コストと失敗率を制御できるか。

誤り3：DifyまたはCozeしか使えない

ローコードプラットフォームはPoCに適しますが、次の代わりにはなりません。

• Python。
• API。
• データベース。
• State Management。
• テスト。
• 権限。
• 配備。
• Observability。

誤り4：Fine-tuningへ早く投資しすぎる

AI Application、Agent、RAG職では、最初にモデルを訓練するより、次を本番級にする方が通常は就職価値が高いです。

后端
RAG
Agent
Evaluation
Cloud

誤り5：会話しかできないポートフォリオ

Chat UIでは次を証明できません。

• 信頼性。
• Evaluation。
• 安全性。
• システム設計。
• 配備。
• 業務価値。

ポートフォリオは失敗処理、指標、アーキテクチャ上の選択を示す必要があります。

15. 結論

2026年のAIアプリケーション求人市場には、かなり明確な主線が形成されています。

企業が本当に必要とするのは「モデルを呼び出せる人」ではなく、「不確実なモデル能力を安定し、評価でき、監査でき、配備できる業務システムに変えられる人」です。

中国本土、米国、東京で共通する技術基盤は：

Python
+
RAG
+
Agent
+
后端/API
+
向量检索
+
Evaluation/Observability
+
Cloud/Deployment

地域差は次の通りです。

• 中国本土は国内モデル、私有化、Java業務システム統合、推論配備をより重視します。
• 米国はEvaluation、信頼性、Guardrails、システム設計、本番Ownershipをより重視します。
• 東京はPython、AWS、バックエンド、顧客納品、PoCから本番までの完全な能力をより重視します。
• 米国企業の日本拠点は、米国式のエンジニアリング品質と、日本市場におけるコミュニケーション・納品要件の双方を求めることが一般的です。

東京でAI Application Engineer、AI Agent Engineer、RAG Engineerの仕事を得る目標なら、最優先の道はさらに多くのフレームワーク名を集めることではありません。次のような人材になることです。

Python、LangGraph、RAG、AWSを用い、AI Agentを安全に、安定して、評価可能な形で本番配備し、日本語または英語でチームと顧客に設計上のトレードオフを説明できる人。

付録A：本調査の代表的な公開求人サンプル

次のリンクは技術トレンドを検証するためのものです。求人は終了、再掲載、変更される可能性があります。

A.1 中国本土

1. 武汉菱电：Python智能体工程师（AI应用）
2. 润建股份：AI应用开发工程师
3. 深圳中迈：Python（RAG/AI Agent）
4. 重庆典名：AI智能体研发工程师
5. 辽宁联微宜众：AI Agent开发工程师
6. 中科软：AI大模型应用工程师
7. 博雅创智：AI算法工程师
8. 上海宽文是风：AI开发工程师
9. 华领控股：Python开发工程师—AI应用方向
10. 中天控股：大模型应用开发工程师
11. 中创实：大模型应用工程师
12. 深圳：AI Agent智能体工程师
13. 立邦中国：AI Agent开发工程师
14. 上海：AI Agent开发工程师
15. 宁波国际物流：AI应用高级开发
16. 北京华龙宏达：AI应用开发工程师
17. 科大国创：AI开发工程师
18. 深德科：AI应用开发工程师
19. 浙江容途：AI应用工程师
20. 广电计量：AI Agent开发工程师

A.2 米国

1. EXL：Agentic AI Engineer
2. Amtex Systems：AI Agent Engineer
3. Joveo AI：AI Agent Engineer
4. Lumos：AI Agent Engineer
5. QODE：AI / Agent Engineer
6. Ditto.ai：Applied AI Engineer
7. Curie：AI Engineer
8. The General Intelligence Company of New York：Applied AI Engineer—Agent
9. Pulsora：Applied AI Engineer—US
10. BJAK：Applied AI Engineer—US
11. Rowspace：Applied AI Engineer
12. Amigo：Applied AI Engineer
13. CodeRabbit：Applied AI Engineer
14. Sapien：Applied AI Engineer
15. Taktile：Senior Applied AI Engineer
16. HackerOne：Staff Software Engineer, Applied AI
17. Nimble Gravity：Senior AI Engineer
18. SBT Global：Senior Generative AI Engineer
19. Woongjin：Senior Gen AI Engineer
20. Leorna：Lead AI Architect and Engineer

A.3 東京および日本市場

1. Future：AI・LLM Engineer
2. renue：AI・LLM Engineer
3. FLARETECH：生成AI Engineer（LLM/RAG）
4. kubell：AI Solution Engineer
5. Mindia：Python × LLM Full-stack Engineer
6. Upgrade：AI Engineer—Agent/RAG
7. Algomatic：AI/ML Engineer—AI Agent
8. Rakus：AI Development Tech Lead
9. CARTA HOLDINGS：AI Engineer
10. Genie：LLM/RAG Backend Engineer
11. Emuni：AI/LLM Engineer
12. TempestAI：LangGraph Multi-Agent Engineer
13. HEROZ：Backend Engineer—AI Agent
14. Robert Half：AI Engineer（RAG）
15. BJAK：Applied AI Engineer—Japan
16. nineDots：Senior Applied AI Engineer
17. Cookpad：Principal Applied AI Engineer
18. Kaigen：AI Software Development Engineer
19. Zoom：Applied AI Engineer—Tokyo
20. ExaWizards：AI Solution Engineer

付録B：本文の引用