LangChain Core Workflow A: チェーンとプロンプト

概要

LangChain Expression Language（LCEL）を使用して、プロンプトテンプレート、出力パーサー、合成パターンを含むプロダクション対応のチェーンを構築します。

前提条件

• langchain-install-auth のセットアップが完了していること
• プロンプトエンジニアリングの基礎を理解していること
• Python の型ヒントに精通していること

手順

ステップ 1: プロンプトテンプレートの作成

from langchain_core.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    MessagesPlaceholder
)

# Simple template
simple_prompt = ChatPromptTemplate.from_template(
    "Translate '{text}' to {language}"
)

# Chat-style template
chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "You are a {role}. Respond in {style} style."
    ),
    MessagesPlaceholder(variable_name="history", optional=True),
    HumanMessagePromptTemplate.from_template("{input}")
])

ステップ 2: LCEL チェーンの構築

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser, JsonOutputParser

llm = ChatOpenAI(model="gpt-4o-mini")

# Basic chain: prompt -> llm -> parser
basic_chain = simple_prompt | llm | StrOutputParser()

# Invoke the chain
result = basic_chain.invoke({
    "text": "Hello, world!",
    "language": "Spanish"
})
print(result)  # "Hola, mundo!"

ステップ 3: チェーン合成

from langchain_core.runnables import RunnablePassthrough, RunnableParallel

# Sequential chain
chain1 = prompt1 | llm | StrOutputParser()
chain2 = prompt2 | llm | StrOutputParser()

sequential = chain1 | (lambda x: {"summary": x}) | chain2

# Parallel execution
parallel = RunnableParallel(
    summary=prompt1 | llm | StrOutputParser(),
    keywords=prompt2 | llm | StrOutputParser(),
    sentiment=prompt3 | llm | StrOutputParser()
)

results = parallel.invoke({"text": "Your input text"})
# Returns: {"summary": "...", "keywords": "...", "sentiment": "..."}

ステップ 4: 分岐ロジック

from langchain_core.runnables import RunnableBranch

# Conditional branching
branch = RunnableBranch(
    (lambda x: x["type"] == "question", question_chain),
    (lambda x: x["type"] == "command", command_chain),
    default_chain  # Fallback
)

result = branch.invoke({"type": "question", "input": "What is AI?"})

出力

• 変数置換を含む再利用可能なプロンプトテンプレート
• 明確なデータフローを備えた型安全な LCEL チェーン
• 合成可能なチェーンパターン（逐次、並列、分岐）
• 一貫した出力パース

例

複数ステップ処理チェーン

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini")

# Step 1: Extract key points
extract_prompt = ChatPromptTemplate.from_template(
    "Extract 3 key points from: {text}"
)

# Step 2: Summarize
summarize_prompt = ChatPromptTemplate.from_template(
    "Create a one-sentence summary from these points: {points}"
)

# Compose the chain
chain = (
    {"points": extract_prompt | llm | StrOutputParser()}
    | summarize_prompt
    | llm
    | StrOutputParser()
)

summary = chain.invoke({"text": "Long article text here..."})

コンテキスト挿入の使用

from langchain_core.runnables import RunnablePassthrough

def get_context(input_dict):
    """Fetch relevant context from database."""
    return f"Context for: {input_dict['query']}"

chain = (
    RunnablePassthrough.assign(context=get_context)
    | prompt
    | llm
    | StrOutputParser()
)

result = chain.invoke({"query": "user question"})

エラーハンドリング

エラー	原因	解決策
変数不足	テンプレート変数が提供されていない	入力辞書のキーがテンプレートと一致していることを確認します
型エラー	入力の型が正しくない	入力が期待されるスキーマと一致していることを確認します
パースエラー	出力がパーサーと一致しない	より具体的なプロンプトを使用するか、フォールバックを使用します

リソース

• LCEL Conceptual Guide
• Prompt Templates
• Runnables

次のステップ

エージェントとツールのワークフローについては、langchain-core-workflow-b に進んでください。