LangChain - エージェント & RAG を使用した LLM アプリケーションの構築

LLM を使用したアプリケーション構築のための最も人気のあるフレームワーク。

LangChain を使用すべき場面

LangChain を使用すべき場合:

• ツール呼び出しと推論を備えたエージェントの構築 (ReACtパターン)
• RAG (検索拡張生成) パイプラインの実装
• LLM プロバイダーを簡単に切り替える必要がある場合 (OpenAI、Anthropic、Google)
• 会話メモリを備えたチャットボットの作成
• LLM アプリケーションのラピッドプロトタイピング
• LangSmith の可観測性を使用した本番環境でのデプロイ

メトリクス:

• GitHub スター: 119,000 以上
• 272,000 以上のリポジトリ が LangChain を使用
• 500 以上の統合 (モデル、ベクトルストア、ツール)
• 3,800 以上の貢献者

代わりに代替案を使用する:

• LlamaIndex: RAG に特化、ドキュメント Q&A に最適
• LangGraph: 複雑なステートフルワークフロー、より多くの制御
• Haystack: 本番環境の検索パイプライン
• Semantic Kernel: Microsoft エコシステム

クイックスタート

インストール

# コアライブラリ (Python 3.10+)
pip install -U langchain

# OpenAI 対応
pip install langchain-openai

# Anthropic 対応
pip install langchain-anthropic

# 一般的な拡張機能
pip install langchain-community  # 500+ 統合
pip install langchain-chroma     # ベクトルストア

基本的な LLM の使用

from langchain_anthropic import ChatAnthropic

# モデルを初期化
llm = ChatAnthropic(model="claude-sonnet-4-5-20250929")

# シンプルな補完
response = llm.invoke("量子コンピューティングを2文で説明してください")
print(response.content)

エージェントの作成 (ReACtパターン)

from langchain.agents import create_agent
from langchain_anthropic import ChatAnthropic

# ツールを定義
def get_weather(city: str) -> str:
    """都市の現在の天気を取得します。"""
    return f"{city}は晴れ、気温は72°F"

def search_web(query: str) -> str:
    """ウェブで情報を検索します。"""
    return f"検索結果: {query}"

# エージェントを作成 (<10行!)
agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-5-20250929"),
    tools=[get_weather, search_web],
    system_prompt="あなたは便利なアシスタントです。必要に応じてツールを使用してください。"
)

# エージェントを実行
result = agent.invoke({"messages": [{"role": "user", "content": "パリの天気はどうですか?"}]})
print(result["messages"][-1].content)

コアコンセプト

1. モデル - LLM の抽象化

from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
from langchain_google_genai import ChatGoogleGenerativeAI

# プロバイダーを簡単に切り替え
llm = ChatOpenAI(model="gpt-4o")
llm = ChatAnthropic(model="claude-sonnet-4-5-20250929")
llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash-exp")

# ストリーミング
for chunk in llm.stream("詩を書く"):
    print(chunk.content, end="", flush=True)

2. チェーン - 順序付きの操作

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# プロンプトテンプレートを定義
prompt = PromptTemplate(
    input_variables=["topic"],
    template="{topic} について 3 文で要約を作成"
)

# チェーンを作成
chain = LLMChain(llm=llm, prompt=prompt)

# チェーンを実行
result = chain.run(topic="機械学習")

3. エージェント - ツール使用推論

ReAct (推論 + 行動) パターン:

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import Tool

# カスタムツールを定義
calculator = Tool(
    name="Calculator",
    func=lambda x: eval(x),
    description="数学計算に便利です。入力: 有効な Python 式。"
)

# ツール付きエージェントを作成
agent = create_tool_calling_agent(
    llm=llm,
    tools=[calculator, search_web],
    prompt="利用可能なツールを使用して質問に答える"
)

# エグゼキューターを作成
agent_executor = AgentExecutor(agent=agent, tools=[calculator], verbose=True)

# 推論を実行
result = agent_executor.invoke({"input": "25 * 17 + 142 は何ですか?"})

4. メモリ - 会話履歴

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 会話を追跡するメモリを追加
memory = ConversationBufferMemory()

conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 複数ターンの会話
conversation.predict(input="やあ、私はアリスです")
conversation.predict(input="私の名前は何ですか?")  # 「アリス」を記憶

RAG (検索拡張生成)

基本的な RAG パイプライン

from langchain_community.document_loaders import WebBaseLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_chroma import Chroma
from langchain.chains import RetrievalQA

# 1. ドキュメントを読み込む
loader = WebBaseLoader("https://docs.python.org/3/tutorial/")
docs = loader.load()

# 2. チャンクに分割
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
splits = text_splitter.split_documents(docs)

# 3. 埋め込みとベクトルストアを作成
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=OpenAIEmbeddings()
)

# 4. レトリーバーを作成
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# 5. QA チェーンを作成
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    return_source_documents=True
)

# 6. クエリを実行
result = qa_chain({"query": "Python デコレータとは何ですか?"})
print(result["result"])
print(f"ソース: {result['source_documents']}")

メモリを備えた会話型 RAG

from langchain.chains import ConversationalRetrievalChain

# 会話メモリ付き RAG
qa = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=retriever,
    memory=ConversationBufferMemory(
        memory_key="chat_history",
        return_messages=True
    )
)

# 複数ターンの RAG
qa({"question": "Python は何に使われていますか?"})
qa({"question": "ウェブ開発についてさらに詳しく説明できますか?"})  # コンテキストを記憶

高度なエージェントパターン

構造化された出力

from langchain_core.pydantic_v1 import BaseModel, Field

# スキーマを定義
class WeatherReport(BaseModel):
    city: str = Field(description="都市名")
    temperature: float = Field(description="華氏での気温")
    condition: str = Field(description="天気の状態")

# 構造化された応答を取得
structured_llm = llm.with_structured_output(WeatherReport)
result = structured_llm.invoke("サンフランシスコの天気は? 気温65°F、晴天")
print(result.city, result.temperature, result.condition)

並列ツール実行

from langchain.agents import create_tool_calling_agent

# エージェントは独立したツール呼び出しを自動的に並列化
agent = create_tool_calling_agent(
    llm=llm,
    tools=[get_weather, search_web, calculator]
)

# これは get_weather("Paris") と get_weather("London") を並列で呼び出す
result = agent.invoke({
    "messages": [{"role": "user", "content": "パリとロンドンの天気を比較"}]
})

ストリーミングエージェント実行

# エージェントのステップをストリーム
for step in agent_executor.stream({"input": "AI トレンドを調査"}):
    if "actions" in step:
        print(f"ツール: {step['actions'][0].tool}")
    if "output" in step:
        print(f"出力: {step['output']}")

一般的なパターン

マルチドキュメント QA

from langchain.chains.qa_with_sources import load_qa_with_sources_chain

# 複数のドキュメントを読み込む
docs = [
    loader.load("https://docs.python.org"),
    loader.load("https://docs.numpy.org")
]

# ソース引用付き QA
chain = load_qa_with_sources_chain(llm, chain_type="stuff")
result = chain({"input_documents": docs, "question": "numpy 配列の使い方は?"})
print(result["output_text"])  # ソース引用を含む

エラーハンドリング付きカスタムツール

from langchain.tools import tool

@tool
def risky_operation(query: str) -> str:
    """失敗する可能性のある危険な操作を実行します。"""
    try:
        # ここに操作を記述
        result = perform_operation(query)
        return f"成功: {result}"
    except Exception as e:
        return f"エラー: {str(e)}"

# エージェントはエラーを優雅に処理
agent = create_agent(model=llm, tools=[risky_operation])

LangSmith の可観測性

import os

# トレーシングを有効化
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"
os.environ["LANGCHAIN_PROJECT"] = "my-project"

# すべてのチェーン/エージェントは自動的にトレース
agent = create_agent(model=llm, tools=[calculator])
result = agent.invoke({"input": "123 * 456 を計算"})

# smith.langchain.com でトレースを表示

ベクトルストア

Chroma (ローカル)

from langchain_chroma import Chroma

vectorstore = Chroma.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    persist_directory="./chroma_db"
)

Pinecone (クラウド)

from langchain_pinecone import PineconeVectorStore

vectorstore = PineconeVectorStore.from_documents(
    documents=docs,
    embedding=OpenAIEmbeddings(),
    index_name="my-index"
)

FAISS (類似性検索)

from langchain_community.vectorstores import FAISS

vectorstore = FAISS.from_documents(docs, OpenAIEmbeddings())
vectorstore.save_local("faiss_index")

# 後で読み込む
vectorstore = FAISS.load_local("faiss_index", OpenAIEmbeddings())

ドキュメントローダー

# ウェブページ
from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://example.com")

# PDF
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("paper.pdf")

# GitHub
from langchain_community.document_loaders import GithubFileLoader
loader = GithubFileLoader(repo="user/repo", file_filter=lambda x: x.endswith(".py"))

# CSV
from langchain_community.document_loaders import CSVLoader
loader = CSVLoader("data.csv")

テキストスプリッター

# 再帰的 (一般的なテキストに推奨)
from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
    separators=["\n\n", "\n", " ", ""]
)

# コード対応
from langchain.text_splitter import PythonCodeTextSplitter
splitter = PythonCodeTextSplitter(chunk_size=500)

# セマンティック (意味別)
from langchain_experimental.text_splitter import SemanticChunker
splitter = SemanticChunker(OpenAIEmbeddings())

ベストプラクティス

1. シンプルに始める - ほとんどの場合 create_agent() を使用
2. ストリーミングを有効化 - 長い応答に対するより優れた UX
3. エラーハンドリングを追加 - ツールは失敗する可能性があります
4. LangSmith を使用 - エージェントのデバッグに不可欠
5. チャンクサイズを最適化 - RAG には 500-1000 文字
6. プロンプトをバージョン管理 - 本番環境での変更を追跡
7. 埋め込みをキャッシュ - 費用がかかるため、可能な場合はキャッシュ
8. コストを監視 - LangSmith でトークン使用量を追跡

パフォーマンスベンチマーク

操作	レイテンシ	備考
シンプルな LLM 呼び出し	~1-2秒	プロバイダーによる
1つのツール付きエージェント	~3-5秒	ReAct推論のオーバーヘッド
RAG 検索	~0.5-1秒	ベクトル検索 + LLM
1000ドキュメントの埋め込み	~10-30秒	モデルに依存

LangChain vs LangGraph

機能	LangChain	LangGraph
最適用途	クイックエージェント、RAG	複雑なワークフロー
抽象化レベル	高い	低い
開始コード	<10行	~30行
制御	シンプル	完全な制御
ステートフルワークフロー	限定的	ネイティブ
循環グラフ	なし	あり
ヒューマンインループ	基本	高度

LangGraph を使用すべき場合:

• サイクル付きのステートフルワークフローが必要
• 細粒度の制御が必要
• マルチエージェントシステムの構築
• 複雑なロジックを持つ本番アプリケーション

リファレンス

• Agents ガイド - ReAct、ツール呼び出し、ストリーミング
• RAG ガイド - ドキュメントローダー、レトリーバー、QA チェーン
• 統合ガイド - ベクトルストア、LangSmith、デプロイメント

リソース

• GitHub: https://github.com/langchain-ai/langchain ⭐ 119,000+
• ドキュメント: https://docs.langchain.com
• API リファレンス: https://reference.langchain.com/python
• LangSmith: https://smith.langchain.com (可観測性)
• バージョン: 0.3+ (安定版)
• ライセンス: MIT