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を使う場面

LangChainを使う場面：

• ツール呼び出しと推論を行うエージェントを構築するとき（ReActパターン）
• RAG（検索拡張生成）パイプラインを実装するとき
• LLMプロバイダー（OpenAI、Anthropic、Google）を簡単に切り替える必要があるとき
• 会話メモリを備えたチャットボットを作成するとき
• LLMアプリケーションを迅速にプロトタイピングするとき
• LangSmithの可観測性を利用して本番環境にデプロイするとき

指標：

• 272,000+のリポジトリでLangChainが使用されています
• 500+のインテグレーション（モデル、ベクトルストア、ツール）
• 3,800+人のコントリビューター

代替手段を使う場面：

• LlamaIndex：RAGに特化しており、ドキュメントのQ&Aに適しています
• LangGraph：複雑なステートフルワークフローに適しており、より細かく制御できます
• 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の使用方法

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)

基本概念

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 - 順次実行される操作

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 - ツールを使った推論

ReAct（推論＋行動）パターン：

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import Tool
from scripts.safe_arithmetic import calculate

# Define custom tool
calculator = Tool(
    name="Calculator",
    func=lambda x: str(calculate(x)),
    description="Useful for arithmetic with numbers and +, -, *, /."
)

# 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）

詳細、コード例、パラメーター表については、references/rag-retrieval-augmented-generation.mdを参照してください。この手順が該当する場合にお読みください。

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

複数ドキュメントのQA

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 - ほとんどの場合はcreate_agent()を使います
2. ストリーミングを有効にする - 長い応答のUXが向上します
3. エラー処理を追加する - ツールは失敗することがあるため、適切に処理します
4. LangSmithを使う - エージェントのデバッグに欠かせません
5. チャンクサイズを最適化する - RAGでは500-1000文字が目安です
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します
7. 埋め込みをキャッシュする - コストが高いため、可能な場合はキャッシュします
8. コストを監視する - LangSmithでトークンの使用量を追跡します

パフォーマンスベンチマーク

操作	レイテンシー	備考
単純なLLM呼び出し	~1-2s	プロバイダーによって異なります
ツールを1つ使うエージェント	~3-5s	ReAct推論のオーバーヘッド
RAG検索	~0.5-1s	ベクトル検索＋LLM
1000件のドキュメントの埋め込み	~10-30s	モデルによって異なります

LangChainとLangGraphの比較

機能	LangChain	LangGraph
最適な用途	素早いエージェント、RAG	複雑なワークフロー
抽象化レベル	高	低
開始に必要なコード	<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	標準対応
循環グラフ	いいえ	はい
Human-in-the-loop	基本	高度

LangGraphを使う場面：

• サイクルを含むステートフルワークフローが必要なとき
• きめ細かな制御が必要なとき
• マルチエージェントシステムを構築するとき
• 複雑なロジックを持つ本番アプリを開発するとき

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
• インテグレーションガイド - 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

エージェントの作業手順

1. 環境を確認します。 フレームワークのバージョン、モデルプロバイダー、API キー、レート制限を確認します。
2. 入力を確定します。 データまたはユーザーに確認して、形式、識別子、パラメーターを確定します。結果に影響する値は推測せず、質問してください。
3. まず小規模に実行します。 既知の入力で単一の呼び出しまたはチェーンをテストし、生の出力を確認します。
4. 上記の指示と参考情報を使用して、タスク全体を実行します。
5. 結果を検証します。 小規模なラベル付きデータセットで評価し、構造化出力がスキーマに沿っていることを確認して、プロンプトと応答を記録します。
6. 報告します。 実行した内容（バージョン、コマンド、パラメーター）、確認した内容、未解決の点を明示します。

このような場合	対応方法
出力が期待されるスキーマと一致しない	検証と再試行を追加する、スキーマを厳密にする、またはプロンプトを簡素化します。
この手順に記載された関数、フラグ、エンドポイントがインストール済みバージョンにない	インストール済みバージョンのドキュメント（help()、--help、公式ドキュメント）を確認し、適宜対応してユーザーに伝えます。API を捏造してはいけません。
必須の入力、識別子、パラメーターが曖昧	ユーザーに質問するか、実行前に仮定を明示します。

誠実性に関するルール

• 結果、パラメーター、識別子、引用、統計を捏造してはいけません。実行または検証できない場合は、その旨を明確に伝えます。
• ユーザーの同意なしに、個人情報や機密データを外部 API に送信してはいけません。
• ここに記載されたバージョン固有の情報は古くなっている可能性があります。インストール済みバージョンの公式ドキュメントで確認してください。
• 費用が発生する、共有 GPU やクラウドのクォータを消費する、個人データや患者データに触れる、または取り消せない操作を行う前に、ユーザーに確認してください。

関連スキル

• llamaindex：RAG を使った LLM アプリケーションを構築するためのデータフレームワーク。
• autogpt-agents：継続的に動作する自律型 AI エージェントを構築・デプロイするためのプラットフォーム。
• chroma：AI アプリケーション向けのオープンソース埋め込みデータベース。