このガイドについて
読者として、Fireworks AI で AI アプリを作ってみたい開発者を想定しています。curl や Python の実行ができる程度のプログラミング経験は前提にしますが、推論インフラ・GPU・ファインチューニング・LLM サービングの知識はゼロで構いません。OpenAI の API を触ったことがある方には「OpenAI 互換」の対応関係も適宜示します。専門用語はすべて初出時に定義し、英語の用語には日本語の言い換えを添えます。図はすべてインライン SVG で描いてあり、ライトテーマとダークテーマの両方に追従します。内容は Fireworks AI 公式ドキュメント（Fireworks AI Documentation、2026-09-01 取得）を根拠にしています。
前提知識: curl や Python の実行など、簡単なプログラミング経験があれば読めます。推論インフラ・GPU・ファインチューニングの知識は不要です。
情報の鮮度: Fireworks AI の料金・レート制限・モデル名・API 仕様は更新が速い領域です。本ガイドは 2026-09 時点の公式ドキュメントに基づいており、パラメータ名・料金・対応モデルは変わりえます。実行前に各章末の参考リンクから最新版を確認してください。
目次
第 I 部 全体像をつかむ
第 1 章
Fireworks AI とは何か
Serverless・専用デプロイ・Batch・Fine-Tuningの位置づけと料金構造、コンソールの画面地図を最初につかむ。
第 2 章
はじめの一歩 — アカウント作成から最初の API 呼び出しまで
アカウント作成から API キー発行、環境変数の設定、curl と Python での最初のリクエストまでを手順どおりに体験する。
第 II 部 モデルを探して試す
第 3 章
Model Library — モデルを探す・選ぶ
app.fireworks.aiのModel Libraryでモデルを探し、タグと詳細ページから提供面や料金を見極め、用途に合う1つを選ぶ方法を解説する。
第 4 章
Playground — ブラウザでモデルを試す
コンソールの Playground と API 呼び出しで、temperature や max_tokens など主要パラメータの意味を手を動かして理解する。
第 III 部 API で使いこなす
第 5 章
Serverless 推論 — 共有 GPU を従量課金で使う
Serverless推論の3つのサービングパス、二重構造の料金体系、TPM3本立てのレート制限を仕組みから理解し、本番投入の判断基準を身につける。
第 6 章
画像・音声・Embeddings — テキスト以外の入出力
画像・動画をチャットAPIに渡す複数の経路と、意味検索の土台になる埋め込み・リランキングの仕組みを、3本のハンズオンを通じて学ぶ。
第 7 章
開発を助ける機能 — Tool Calling・Structured Outputs・キャッシュ
Tool Calling・Structured Outputs・プロンプトキャッシュの仕組みを軸に、Reasoning制御と信頼性設計まで、3本のハンズオンで実際に動かしながら学ぶ。
第 8 章
Batch API — 大量処理を安く回す
Batch APIのジョブライフサイクル・JSONL形式・二段構えの割引を仕組みから理解し、firectlとREST APIでジョブを投入して検証する。
第 IV 部 自分のモデルを作って運用する
第 9 章
Deployments — 専用 GPU でモデルを動かす
専有 GPU で動く On-demand Deployments の仕組みを、GPU選定・料金・状態遷移・オートスケール・リージョン・LoRA提供面まで理解し、コスト事故を避けて使いこなす。
第 10 章
Datasets — 学習データを管理する
SFT・DPO/ORPO・RFTが使う非互換な3つのJSONLスキーマ、4つの異なるアップロード上限、150MB超のファイルを送る4段フローを理解し、次章の学習ジョブへの橋渡しをする。
第 11 章
Fine-Tuning — モデルを自分の仕事に合わせる
データの形でSFT/DPO/RFTを選び、LoRAで学習し、GPUクォータと配信方式の落とし穴を避けて最初の学習ジョブを回す。
第 12 章
Evaluations — 鍛えたモデルの出来を測る
Eval Protocol で Evaluator を作って登録し、Evaluation Job でデータセットを一括採点する。同じ Evaluator が RFT の報酬関数にもなる仕組みを2本のハンズオンで学ぶ。