langchain

LangChain - エージェントと RAG で LLM アプリケーションを構築

LLM を活用したアプリケーションを構築するための、最も人気のあるフレームワークです。

LangChain を使うべき場面

LangChain が向いている場合:

• ツール呼び出しと推論を伴うエージェントを構築する（ReAct パターン）
• RAG（検索拡張生成）パイプラインを実装する
• LLM プロバイダー（OpenAI、Anthropic、Google）を簡単に切り替える必要がある
• 会話メモリを持つチャットボットを作成する
• LLM アプリケーションを迅速にプロトタイプ化する
• LangSmith による可観測性を備えた本番環境へのデプロイを行う

指標:

• 119,000+ GitHub スター
• 272,000+ のリポジトリが LangChain を利用
• 500+ の統合（モデル、ベクトルストア、ツール）
• 3,800+ のコントリビューター

代わりに検討すべきツール:

• LlamaIndex: RAG に特化しており、ドキュメントへの質疑応答に適しています
• LangGraph: 複雑なステートフルワークフローを扱え、より高い制御性があります
• Haystack: 本番環境向けの検索パイプラインに適しています
• Semantic Kernel: Microsoft のエコシステムに適しています

クイックスタート

インストール

# Core library (Python 3.10+)
pip install -U langchain

# With OpenAI
pip install langchain-openai

# With Anthropic
pip install langchain-anthropic

# Common extras
pip install langchain-community  # 500+ integrations
pip install langchain-chroma     # Vector store

基本的な LLM の使い方

from langchain_anthropic import ChatAnthropic

# Initialize model
llm = ChatAnthropic(model="claude-sonnet-4-5-20250929")

# Simple completion
response = llm.invoke("Explain quantum computing in 2 sentences")
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

# Define tools
def get_weather(city: str) -> str:
    """Get current weather for a city."""
    return f"It's sunny in {city}, 72°F"

def search_web(query: str) -> str:
    """Search the web for information."""
    return f"Search results for: {query}"

# Create agent (<10 lines!)
agent = create_agent(
    model=ChatAnthropic(model="claude-sonnet-4-5-20250929"),
    tools=[get_weather, search_web],
    system_prompt="You are a helpful assistant. Use tools when needed."
)

# Run agent
result = agent.invoke({"messages": [{"role": "user", "content": "What's the weather in Paris?"}]})
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

# Swap providers easily
llm = ChatOpenAI(model="gpt-4o")
llm = ChatAnthropic(model="claude-sonnet-4-5-20250929")
llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash-exp")

# Streaming
for chunk in llm.stream("Write a poem"):
    print(chunk.content, end="", flush=True)

2. チェーン - 逐次的な処理

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

# Define prompt template
prompt = PromptTemplate(
    input_variables=["topic"],
    template="Write a 3-sentence summary about {topic}"
)

# Create chain
chain = LLMChain(llm=llm, prompt=prompt)

# Run chain
result = chain.run(topic="machine learning")

3. エージェント - ツールを使う推論

ReAct（Reasoning + Acting）パターン:

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

# Define custom tool
calculator = Tool(
    name="Calculator",
    func=lambda x: eval(x),
    description="Useful for math calculations. Input: valid Python expression."
)

# Create agent with tools
agent = create_tool_calling_agent(
    llm=llm,
    tools=[calculator, search_web],
    prompt="Answer questions using available tools"
)

# Create executor
agent_executor = AgentExecutor(agent=agent, tools=[calculator], verbose=True)

# Run with reasoning
result = agent_executor.invoke({"input": "What is 25 * 17 + 142?"})

4. メモリ - 会話履歴

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

# Add memory to track conversation
memory = ConversationBufferMemory()

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

# Multi-turn conversation
conversation.predict(input="Hi, I'm Alice")
conversation.predict(input="What's my name?")  # Remembers "Alice"

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. Load documents
loader = WebBaseLoader("https://docs.python.org/3/tutorial/")
docs = loader.load()

# 2. Split into chunks
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
splits = text_splitter.split_documents(docs)

# 3. Create embeddings and vector store
vectorstore = Chroma.from_documents(
    documents=splits,
    embedding=OpenAIEmbeddings()
)

# 4. Create retriever
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# 5. Create QA chain
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=retriever,
    return_source_documents=True
)

# 6. Query
result = qa_chain({"query": "What are Python decorators?"})
print(result["result"])
print(f"Sources: {result['source_documents']}")

メモリを備えた会話型 RAG

from langchain.chains import ConversationalRetrievalChain

# RAG with conversation memory
qa = ConversationalRetrievalChain.from_llm(
    llm=llm,
    retriever=retriever,
    memory=ConversationBufferMemory(
        memory_key="chat_history",
        return_messages=True
    )
)

# Multi-turn RAG
qa({"question": "What is Python used for?"})
qa({"question": "Can you elaborate on web development?"})  # Remembers context

高度なエージェントパターン

構造化出力

from langchain_core.pydantic_v1 import BaseModel, Field

# Define schema
class WeatherReport(BaseModel):
    city: str = Field(description="City name")
    temperature: float = Field(description="Temperature in Fahrenheit")
    condition: str = Field(description="Weather condition")

# Get structured response
structured_llm = llm.with_structured_output(WeatherReport)
result = structured_llm.invoke("What's the weather in SF? It's 65F and sunny")
print(result.city, result.temperature, result.condition)

ツールの並列実行

from langchain.agents import create_tool_calling_agent

# Agent automatically parallelizes independent tool calls
agent = create_tool_calling_agent(
    llm=llm,
    tools=[get_weather, search_web, calculator]
)

# This will call get_weather("Paris") and get_weather("London") in parallel
result = agent.invoke({
    "messages": [{"role": "user", "content": "Compare weather in Paris and London"}]
})

エージェント実行のストリーミング

# Stream agent steps
for step in agent_executor.stream({"input": "Research AI trends"}):
    if "actions" in step:
        print(f"Tool: {step['actions'][0].tool}")
    if "output" in step:
        print(f"Output: {step['output']}")

よくあるパターン

複数ドキュメントへの質疑応答

from langchain.chains.qa_with_sources import load_qa_with_sources_chain

# Load multiple documents
docs = [
    loader.load("https://docs.python.org"),
    loader.load("https://docs.numpy.org")
]

# QA with source citations
chain = load_qa_with_sources_chain(llm, chain_type="stuff")
result = chain({"input_documents": docs, "question": "How to use numpy arrays?"})
print(result["output_text"])  # Includes source citations

エラー処理を備えたカスタムツール

from langchain.tools import tool

@tool
def risky_operation(query: str) -> str:
    """Perform a risky operation that might fail."""
    try:
        # Your operation here
        result = perform_operation(query)
        return f"Success: {result}"
    except Exception as e:
        return f"Error: {str(e)}"

# Agent handles errors gracefully
agent = create_agent(model=llm, tools=[risky_operation])

LangSmith による可観測性

import os

# Enable tracing
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"
os.environ["LANGCHAIN_PROJECT"] = "my-project"

# All chains/agents automatically traced
agent = create_agent(model=llm, tools=[calculator])
result = agent.invoke({"input": "Calculate 123 * 456"})

# View traces at smith.langchain.com

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（類似度検索）

from langchain_community.vectorstores import FAISS

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

# Load later
vectorstore = FAISS.load_local("faiss_index", OpenAIEmbeddings())

ドキュメントローダー

# Web pages
from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://example.com")

# PDFs
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

# Recursive (recommended for general text)
from langchain.text_splitter import RecursiveCharacterTextSplitter
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200,
    separators=["\n\n", "\n", " ", ""]
)

# Code-aware
from langchain.text_splitter import PythonCodeTextSplitter
splitter = PythonCodeTextSplitter(chunk_size=500)

# Semantic (by meaning)
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 - ほとんどのケースでは create_agent() を使用する
2. ストリーミングを有効にする - 長い応答に対してより良い UX を提供する
3. エラー処理を追加する - ツールは失敗しうるため、適切に処理する
4. LangSmith を使う - エージェントのデバッグに欠かせない
5. チャンクサイズを最適化する - RAG では 500〜1000 文字が目安
6. プロンプトをバージョン管理する - 本番環境での変更を追跡する
7. 埋め込みをキャッシュする - コストが高いため、可能な限りキャッシュする
8. コストを監視する - LangSmith でトークン使用量を追跡する

パフォーマンスベンチマーク

操作	レイテンシ	備考
単純な LLM 呼び出し	約 1〜2 秒	プロバイダーに依存
ツール 1 つを使うエージェント	約 3〜5 秒	ReAct の推論によるオーバーヘッド
RAG 検索	約 0.5〜1 秒	ベクトル検索 + LLM
1000 件のドキュメントの埋め込み	約 10〜30 秒	モデルに依存

LangChain と LangGraph の比較

機能	LangChain	LangGraph
最適な用途	手早いエージェント、RAG	複雑なワークフロー
抽象化レベル	高い	低い
開始に必要なコード	10 行未満	約 30 行
制御	シンプル	完全な制御
ステートフルなワークフロー	限定的	ネイティブ対応
循環グラフ	非対応	対応
Human-in-the-loop	基本的	高度

LangGraph が向いている場合:

• 循環を伴うステートフルなワークフローが必要
• きめ細かな制御が必要
• マルチエージェントシステムを構築している
• 複雑なロジックを持つ本番アプリケーション

参考資料

• エージェントガイド - 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、リトリーバー、QA チェーン
• 統合ガイド - ベクトルストア、LangSmith、デプロイ

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