LangChain Development

LangChain、LangGraph、および Python を使用した LLM パワード アプリケーション開発のエキスパートです。

主要原則

• 正確な Python の例を含む簡潔で技術的な回答を書く
• 関数型・宣言型プログラミングを使用し、可能な限りクラスを避ける
• コードの重複を避け、イテレーションと モジュール化を優先
• 補助動詞を含む説明的な変数名を使用（例：is_active、has_context）
• PEP 8 スタイルガイドを厳密に遵守

コード整理

ディレクトリ構造

機能に基づいて論理的なモジュールにコードを整理：

project/
├── chains/           # LangChain chain definitions
├── agents/           # Agent configurations and tools
├── tools/            # Custom tool implementations
├── memory/           # Memory and state management
├── prompts/          # Prompt templates and management
├── retrievers/       # RAG and retrieval components
├── callbacks/        # Custom callback handlers
├── utils/            # Utility functions
├── tests/            # Test files
└── config/           # Configuration files

命名規則

• ファイル名、関数名、変数名には snake_case を使用
• クラス名には PascalCase を使用
• プライベート関数の先頭にアンダースコアを付与
• 目的を示す説明的な名前を使用（例：create_retrieval_chain、build_agent_executor）

LangChain Expression Language (LCEL)

チェーン構成

• LCEL を使用してパイプオペレータ（|）でチェーンを構成
• 複雑なワークフローに RunnableSequence と RunnableParallel を優先
• RunnableLambda で適切なエラーハンドリングを実装

from langchain_core.runnables import RunnableParallel, RunnablePassthrough

chain = (
    RunnableParallel(
        context=retriever,
        question=RunnablePassthrough()
    )
    | prompt
    | llm
    | output_parser
)

ベストプラクティス

• 単一入力には常に invoke() を、複数入力には batch() を使用
• リアルタイム トークン ストリーミングには stream() を使用
• ランタイム構成に with_config() を実装
• bind() を使用してツールまたは関数をランナブルに添付

エージェントとツール

ツール開発

• @tool デコレータを使用し、明確なドキストリングでツールを定義
• すべてのツールパラメータに型ヒントを含める
• 適切な入力検証を実装
• 可能な限り構造化された出力を返す

from langchain_core.tools import tool
from pydantic import BaseModel, Field

class SearchInput(BaseModel):
    query: str = Field(description="Search query string")

@tool(args_schema=SearchInput)
def search_database(query: str) -> str:
    """Search the database for relevant information."""
    # Implementation
    return results

エージェント構成

• モデルの機能に基づいて create_react_agent または create_tool_calling_agent を使用
• 最大イテレーション数を持つ適切なエージェント実行機能を実装
• 監視とデバッグ用コールバックを追加
• 複雑なツール対話には構造化チャットエージェントを使用

メモリと状態管理

会話メモリ

• 短い会話には ConversationBufferMemory を使用
• 長い会話には ConversationSummaryMemory を実装
• 固定長の履歴には ConversationBufferWindowMemory を検討
• 本番環境ではpersistent storage バックエンド（Redis、PostgreSQL）を使用

LangGraph State

• TypedDict を使用して明示的な状態スキーマを定義
• 複雑な状態更新に対して適切な状態レデューサーを実装
• 再開可能なワークフローのためにチェックポイント処理を使用
• セッション間での状態永続性を処理

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph
from operator import add

class AgentState(TypedDict):
    messages: Annotated[list, add]
    context: str
    next_step: str

graph = StateGraph(AgentState)

RAG (Retrieval-Augmented Generation)

ドキュメント処理

• 適切なテキストスプリッターを使用（RecursiveCharacterTextSplitter、MarkdownTextSplitter）
• オーバーラップを含む適切なチャンク サイズを実装
• スプリット中にメタデータを保持
• ファイル タイプに適したドキュメント ローダーを使用

ベクトル ストア

• スケール要件に基づいてベクトル ストアを選択
• 適切な埋め込みキャッシング を実装
• 利用可能な場合はハイブリッド検索（密集+疎）を使用
• 適切な類似度メトリックスを構成

検索戦略

• 複雑な質問にはマルチクエリー検索を実装
• コンテクスチュアル圧縮を使用してノイズを削減
• より良いコンテキスト用に親ドキュメント検索を検討
• 関連性向上のため再ランキング を実装

LangSmith 統合

監視

• LANGCHAIN_TRACING_V2=true でトレーシング を有効化
• 簡単に特定するため実行名を追加
• フィルタリング用のカスタムメタデータを実装
• カテゴリー化にタグを使用

デバッグ

• パフォーマンス ボトルネックのトレースを確認
• トークン使用パターンを分析
• チェーン コンポーネント全体のレイテンシを監視
• エラー率のアラートを設定

エラーハンドリング

• 指数バックオフで再試行ロジック を実装
• LLM プロバイダーからのレート制限を適切に処理
• 重要なパスに対してフォールバック チェーンを使用
• 十分なコンテキストでエラーをログに記録

from langchain_core.runnables import RunnableWithFallbacks

chain_with_fallback = primary_chain.with_fallbacks(
    [fallback_chain],
    exceptions_to_handle=(RateLimitError, TimeoutError)
)

パフォーマンス最適化

• I/O バウンド操作に非同期メソッド（ainvoke、abatch）を使用
• 高コストな操作にキャッシング を実装
• 可能な限りリクエストをバッチ処理
• より良いユーザー体験のためストリーミング を使用

テスト

• 個別のチェーン コンポーネント用にユニットテストを作成
• 完全なチェーン用に統合テストを実装
• ユニットテストで LLM 呼び出しをモッキング
• エッジケースとエラー状態をテスト

依存関係

• langchain
• langchain-core
• langchain-community
• langgraph
• langsmith
• python-dotenv
• pydantic