文法を作るには，treetrans, lexextract, lexrefine を使います．これらのツー ルを使った文法開発のプロセスは，以下の図のようになります．
まず，文法開発のスタートに，原料となる treebank を用意します． Penn Treebank のように，trace などの情報が付加されているものが最適 です．しかし，そのような treebank がなくても，後のプロセスにおいて， 様々な付加情報をパターンルールで追加していくことができます．極端な 話，構文情報がないコーパスしかない時は，shallow parser などを使っ て簡単な情報をつけたものからスタートしても構いません．
treetransツールを使って， treebank の構文木を変形したり，付加情報をつけたりします．構文木は 素性構造で表され，変形のルールは，lilfes のプログラムで記述します． 変換ルールを簡単に書くため，いくつかのインタフェースが提供されてい ます．また，構文木を2分木化したり，head を決めるツールも提供されて います．
lexextractツールを使って， derivbank, lexbank, lexicon, templates を抽出します．文法抽出のター ゲットとなる文法理論で規定される一般的文法規則を定義することで，ツー ルが lexicon を自動的に作成してくれます．
まず，treebank から derivbank を作成するため，逆向きの文法規則 (スキーマ，プリンシプル)を定義します．それから，derivation の terminal の素性構造から，lexical entry template を抽出するためのイ ンタフェースを定義します．また，逆向きの lexical rule を定義するこ とで，inflection などを抽象化した lexeme の template を抽出するこ ともできます．
lexrefineツールを使って， lexicon と templates を精製します．上で得た lexicon, templates は， 構文木変換のミスなどによりゴミを含んでいる可能性があるので，頻度の 低い template を足切りしたりして文法を精製します．また，もともとの lexicon は未知後に対する辞書項目がありませんが，ある頻度以下の語を 未知語とみなすことで，未知語の辞書項目を作成することができます．さ らに，ここで lexical rule を適用して template をあらかじめ生成して おくこともできます．これにより，構文解析時に lexical rule を online で適用する必要がなくなります．
確率モデルを作るには，unimaker, forestmaker, amisfilter，および最大エントロ ピーモデル推定器のamis (バージョン 3.0 以上)を使います．確率モデルを作成する流れは以下の図のようになりま す．
Unigram 確率モデルは，各単語に対して lexical entry を割り当てる確率の モデルです．単語をw，lexical entry をlとすると， p(l|w)を求めます．単語と lexical entry の共起情報だけを使うので， 簡単にモデルを作ることができ，またパラメタ推定もすぐ終わります．しかし， 文法規則適用の preference などはとらえられないため，解析精度はあまり良 くありません．パーザが正しく動いているかどうかとりあえず試すときや，次 節の feature forest モデル作成のコストを小さくするために使います．
Unigram モデルを作るには，mayz/amismodel.lil で定義されている extract_lexical_event/4と，feature_mask/3を実装する 必要があります．前者は，単語と lexical entry から，そのイベントを表す 文字列リストを作成します．後者は，そのイベント文字列にマスクをかけるこ とで，最大エントロピーモデルの素性を取り出します．
まず，unimakerツールにより，イ ベント文字列を取り出し，初期イベントデータを作成します．次に， amisfilterツールにより，イベ ント文字列にマスクをかけ，素性を取り出し，amis 形式のデータファイルを 生成します．最後に，既存のツール amis を利用し，最大エントロピーモデル のパラメタを計算します．
Feature forest モデルを作るためには，トレーニングコーパスの各文に対し て正解の構文解析結果と，その文を解析した時の parse forest が必要になり ます．forestmaker は，derivbank を与えると，各文の derivation を正解構 文解析結果に変換し，さらに各文を構文解析して parse forest を作ります． この作業のためには，文法を使って構文解析するためのインタフェースが実装 され，実際に構文解析ができる必要があります．詳しくは，文法の使い方を参照して下さい．
Feature forest モデルを作るには，mayz/amismodel.lil で定義されている extract_terminal_event/6, extract_unary_event/7, extract_binary_event/8 extract_root_event/4, および feature_mask/3 を実装します．最初の4つは，それぞれ，終端ノー ド，unary schema の適用，binary schema の適用，ルートノード，における イベントを表す文字列リストを作成します．後者は，unigram モデルと同様に， そのイベント文字列にマスクをかけることで，最大エントロピーモデルの素性 を取りだします．
まず，forestmakerツールによ り，イベントを取りだし，初期イベントデータを作成します．後は unigram モデルと同じで，amisfilterで amis 用データファイルを作り，最後にamis でモデルパ ラメータを推定します．
Feature forest モデルを作るときに，より簡単なモデル(たとえば，unigram モデル)を reference distribution として用いることができます． reference_prob_terminal/5, reference_prob_unary/6, reference_prob_binary/7, reference_prob_root/3 を実装す ると，それぞれ終端ノード，unary schema の適用，binary schema の適用， ルートノード，におけるreference probability distribution を与えること ができます．