LangChainとは？
LangChainは2022年にHarrison Chase氏によって開発され、現在はLangChain社によって管理されています。GitHubのスター数は138,000を超え、月間のダウンロード数は数百万回に達しています。活発なコミュニティがあり、Discordサーバーには数万人の開発者が参加しています。
LangChainのアーキテクチャは、以下のコンポーネントで構成されています：
- Models：LLMとのインターフェースを提供し、OpenAI、Anthropic、Google、Hugging Faceなどのプロバイダーを統一的に扱えます
- Prompts：プロンプトテンプレートの管理と最適化を行い、動的な値の埋め込みやプロンプトチェーンをサポートします
- Parsers：LLMの出力を構造化されたデータに変換し、JSON、XML、CSVなどの形式に対応します
- Documents：テキストデータを構造化し、メタデータと共に管理します
- Vector Stores：ベクトルデータベースと連携し、類似検索を高速に行います
- Embeddings：テキストをベクトルに変換し、セマンティック検索を可能にします
- Tools：外部APIやデータベースとの連携を抽象化し、エージェントが使用可能な機能を提供します
- Chains：複数の処理を論理的に連結し、複雑なワークフローを構築します
- Agents：ツールを使用して自律的にタスクを実行し、目標達成のための推論を行います
- Callbacks：処理の各段階でカスタムロジックを実行し、ロギングや監視を容易にします
LangChainはPythonとJavaScriptの両方で利用可能で、言語間で共通の概念とアーキテクチャを共有しています。Python版はより成熟しており、JavaScript版は急速に開発が進んでいます。
LangChainはAIエージェントを構築するためのオープンソースフレームワークです。PythonとJavaScriptで利用でき、138,000以上のGitHubスターを誇る人気のライブラリです。大規模言語モデル（LLM）と外部データ・ツールを連携させ、複雑なAIアプリケーションを簡単に構築できます。
主な特徴：
- LLM統合：OpenAI、Anthropic、Googleなど主要なLLMプロバイダーに対応
- チェーン構築：複数のLLM呼び出しを論理的に連結
- RAG対応：ベクトルデータベースと連携した検索拡張生成
- エージェント：ツール使用・推論・実行を自律的に行うAIエージェージェント
- 豊富な統合：50以上のツール・データソースに対応
GitHubリポジトリでは活発な開発が行われており、MITライセンスで商用利用も可能です。公式ドキュメントはpython.langchain.comで公開されています。
環境セットアップ
LangChainのインストールにはpipを使用します。開発環境にはPython 3.8以上が必要です。推奨される仮想環境のセットアップ方法：
# 仮想環境の作成
python -m venv langchain_env
source langchain_env/bin/activate # Linux/Mac
# langchain_envScriptsactivate # Windows
# LangChainと主要パッケージのインストール
pip install langchain langchain-openai langchain-community langchain-core
# 開発用の追加パッケージ
pip install jupyter ipython python-dotenv環境変数の設定は、.envファイルを使用するのが一般的です：
# .envファイル
OPENAI_API_KEY=sk-proj-***
ANTHROPIC_API_KEY=sk-ant-***
LANGCHAIN_API_KEY=ls-***
LANGCHAIN_TRACING_V2=trueLangChain APIキーを設定すると、LangSmithによるトレーシングが有効になり、チェーンの実行を可視化・デバッグできます。LangSmithはLangChain公式の観測プラットフォームで、無料枠内で使用可能です。
LangChainのバージョン確認とアップデート：
# バージョン確認
python -c "import langchain; print(langchain.__version__)"
# アップデート
pip install --upgrade langchain langchain-openai langchain-communityまずLangChainをインストールします。Pythonの場合：
pip install langchain langchain-openai langchain-community必要なAPIキーを環境変数に設定します：
export OPENAI_API_KEY=*** class="language-python">from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
# LLMの初期化
llm = ChatOpenAI(model="gpt-4o", temperature=0)
# プロンプトテンプレート
prompt = ChatPromptTemplate.from_messages([
("system", "あなたは親切なAIアシスタントです。"),
("user", "{input}")
])
# 出力パーサー
output_parser = StrOutputParser()
# チェーンの構築
chain = prompt | llm | output_parser
# 実行
result = chain.invoke({"input": "LangChainについて説明してください"})
print(result)このコードはLangChainの基本的な使用パターンを示しています。プロンプトテンプレート、LLM、出力パーサーをパイプ演算子（|）で連結し、簡潔にチェーンを構築できます。LangGraphを使うと、より複雑なステートマシンも定義可能です。公式ドキュメントの概念解説も参照してください。
LangChainはv0.1からv0.2へのアップデートで大幅なAPI変更がありました。古いコードを使用している場合は、マイグレーションガイドを参照してください。特にチェーンの作成方法がLCEL（LangChain Expression Language）に統合され、より直感的な記述が可能になりました。
RAG（検索拡張生成）の実装
RAG（Retrieval-Augmented Generation）は、LLMの知識限界を克服する重要なアプローチです。LLMは訓練データに含まれる情報しか知りませんが、RAGは外部のドキュメントを検索し、その内容をコンテキストとしてLLMに提供することで、最新情報や社内ドキュメントに基づいた回答を可能にします。
RAGのワークフローは以下のステップで構成されます：
- インデキシング：ドキュメントをチャンクに分割し、各チャンクをベクトル化してベクトルデータベースに保存
- 検索：ユーザーの質問をベクトル化し、ベクトルデータベースから類似度の高いチャンクを取得
- 生成：検索されたチャンクをコンテキストとしてLLMに渡し、回答を生成
LangChainはRAGの実装に必要なすべてのコンポーネントを提供しており、数行のコードで本格的なRAGシステムを構築できます。
ベクトルデータベースの選択肢：
- Chroma：軽量でセットアップが簡単、開発・プロトタイピングに最適
- Pinecone：マネージドサービス、スケーラビリティに優れる
- Weaviate：オープンソース、豊富な機能セット
- FAISS：Metaが開発、高速なベクトル検索
- Milvus：オープンソース、大規模データに対応
RAGは外部知識をLLMに提供する重要なパターンです。LangChainでRAGを実装します。
まず、ドキュメントをベクトル化して保存：
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
# ドキュメントの読み込み
loader = TextLoader("./documentsdocuments/sample.txt")
documents = loader.load()
# テキスト分割
text_splitter = RecursiveCharacterTextSplitter(
chunk_size=1000,
chunk_overlap=200
)
splits = text_splitter.split_documents(documents)
# ベクトル化と保存
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(
documents=splits,
embedding=embeddings,
persist_directory="./chroma_db"
)テキスト分割はRAGの精度に大きく影響します。RecursiveCharacterTextSplitterは段落や文単位で分割し、文脈を保持しやすい方法です。chunk_sizeとchunk_overlapは検索対象のドキュメントに合わせて調整してください。RAGチュートリアルでは詳細な実装例が紹介されています。
ドキュメントローダーはテキスト以外にも、PDF、Markdown、Webページなど多くのフォーマットに対応しています。例えば、PDFから読み込む場合は：
from langchain_community.document_loaders import PyPDFLoader
loader = PyPDFLoader("./documents/report.pdf")
documents = loader.load()
Webページから読み込む場合は：
from langchain_community.document_loaders import WebBaseLoader
loader = WebBaseLoader("https://example.com/article")
documents = loader.load()
検索と生成のチェーン構築：
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_core.prompts import ChatPromptTemplate
# 検索チェーンの準備
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
# プロンプトテンプレート
prompt = ChatPromptTemplate.from_template("""
以下の文脈を参考にして質問に答えてください：
文脈：
{context}
質問：{input}
""")
# ドキュメント結合チェーン
document_chain = create_stuff_documents_chain(llm, prompt)
# 検索チェーン
retrieval_chain = create_retrieval_chain(retriever, document_chain)
# 実行
result = retrieval_chain.invoke({"input": "この文書の要点を教えて"})
print(result["answer"])
create_retrieval_chainは検索と生成を一つのチェーンに統合するヘルパー関数です。retriever.as_retriever()で検索オブジェクトを取得し、search_kwargsで取得するドキュメント数を指定します。より高度なRAG実装では、高度なRAGパターンも参照してください。
RAGの精度を向上させるための高度なテクニックとして、以下の方法があります：
- セマンティックチャンキング：文脈に基づいて意味的に適切な境界で分割する
- ハイブリッド検索：キーワード検索とベクトル検索を組み合わせる
- 再ランク：検索結果をLLMで再評価し、関連性を高める
- マルチクエリ：質問を複数の検索クエリに拡張し、検索範囲を広げる
AIエージェントの構築
AIエージェントは、目標を達成するためにツールを自律的に使用するプログラムです。従来のプログラムが固定された手順でタスクを実行するのに対し、エージェントは実行時に最適なアクションを選択し、状況に応じて計画を修正します。
LangChainのエージェントアーキテクチャは、以下の要素で構成されています：
- Agent：推論エンジンであり、現在の状態と利用可能なツールに基づいて次のアクションを決定
- Tools：外部世界とのインターフェースであり、API呼び出し、データベースクエリ、ファイル操作などを抽象化
- AgentExecutor：エージェントの実行を管理し、ツール呼び出し、結果の解析、終了条件のチェックを処理
- Memory：会話の文脈や中間結果を保持し、エージェントが過去の履歴を参照可能にする
エージェントの種類：
- ReAct Agent：推論とアクションを交互に実行し、思考プロセスを明示
- Tool Calling Agent：ツール呼び出しに最適化されたプロンプトを使用し、効率的なツール選択
- Structured Chat Agent：構造化された出力を生成し、複雑なタスクに対応
- Self-Critique Agent：自己評価を行い、出力の品質を向上
エージェントの実用例として、カスタマーサポート、データ分析、コンテンツ生成、自動化タスクなどが挙げられます。LangChainのエージェントは、これらのユースケースを柔軟にサポートします。
エージェントはツールを使って自律的にタスクを実行します。検索、計算、API呼び出しなどのツールを定義します。
ツールの定義：
from langchain.tools import Tool
from langchain_community.utilities import SerpAPIWrapper
# 検索ツール
search = SerpAPIWrapper()
search_tool = Tool(
name="Search",
func=search.run,
description="最新情報を検索する"
)
# 計算ツール
from langchain.chains import LLMMathChain
math_chain = LLMMathChain.from_llm(llm)
math_tool = Tool(
name="Calculator",
func=math_chain.run,
description="数式を計算する"
)
tools = [search_tool, math_tool]
ツールのdescriptionはエージェントがツールを選択する際に重要です。具体的に何ができるか、どのような入力を受け付けるかを明確に記述してください。エージェントチュートリアルでは多くのツール例が紹介されています。
カスタムツールを作成することも簡単です。例えば、天気予報を取得するツール：
import requests
def get_weather(location: str) -> str:
"""指定された場所の天気を取得する"""
# 実際には天気APIを呼び出す
response = requests.get(f"https://api.weather.com/current?location={location}")
return response.json()["description"]
weather_tool = Tool(
name="Weather",
func=get_weather,
description="指定された場所の現在の天気を取得する。引数は場所名（例：東京、大阪）"
)
tools.append(weather_tool)
エージェントの初期化と実行：
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
# エージェント用プロンプト
prompt = ChatPromptTemplate.from_messages([
("system", "あなたは役立つAIアシスタントです。利用可能なツールを使って質問に答えてください。nn利用可能なツール：n{tools}nnツールの使用形式：n{{"tool_name": , "tool_input": }}"),
("user", "{input}"),
("placeholder", "{agent_scratchpad}")
])
# エージェントの作成
agent = create_tool_calling_agent(llm, tools, prompt)
# エージェントエグゼキューターの初期化
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 実行
result = agent_executor.invoke({"input": "今日の天気と25×15の計算結果を教えて"})
print(result["output"])
create_tool_calling_agentはツール呼び出しに最適化されたエージェントを作成します。AgentExecutorはエージェントの実行を管理し、verbose=Trueで実行過程を確認できます。より複雑なエージェントでは、LangGraphを使ってステートマシンを定義することも可能です。
エージェントの実行制御にはいくつかのオプションがあります：
- max_iterations：エージェントの最大反復回数を制限する
- max_execution_time：最大実行時間を設定する
- early_stopping_method：早期停止の条件を設定する
- handle_parsing_errors：ツール出力の解析エラーを処理する
失敗パターンと対策
LangChainを使用する際、開発者はいくつかの共通の課題に直面します。これらの課題を理解し、適切な対策を講じることで、より堅牢で効率的なAIアプリケーションを構築できます。
LangChainのコミュニティでは、これらの課題に関する議論や解決策が活発に共有されています。GitHubのIssuesやDiscordサーバーで類似の問題を検索すると、多くの場合、既に解決策が見つかります。
デバッグにはLangSmithが強力なツールです。LangSmithはチェーンの実行を可視化し、各ステップの入力・出力、実行時間、トークン使用量などを確認できます。これにより、ボトルネックの特定やエラーの原因究明が容易になります。
また、LangChainのロギング機能を活用することも重要です。詳細なログを有効にすることで、内部的な処理を追跡し、問題の早期発見が可能になります。
LangChainを使用する際によくある問題と解決策：
トークン制限エラー
長いドキュメントを処理する際、LLMのコンテキストウィンドウを超えるとエラーが発生します。対策：
- 適切なチャンキング戦略を適用する
- チャンクサイズを小さくする
- 長いドキュメントは要約してから処理する
- コンテキストウィンドウの大きいLLMモデルを使用する
チャンキング戦略にはいくつかの種類があります：
- 固定サイズチャンキング：指定した文字数で均等に分割する
- 再帰的チャンキング：段落、文、単語の順に分割を試みる
- セマンティックチャンキング：文脈に基づいて意味的に適切な境界で分割する
RAGチャンキング戦略の解説記事では、各戦略の詳細と選択基準が解説されています。
検索精度が低い
RAGで関連性の低いドキュメントが返される問題。対策：
- チャンキング戦略を調整する（セマンティックチャンキングを試す）
- 埋め込みモデルを変更する（より高品質なモデルを使用）
- ハイブリッド検索を試す（キーワード検索とベクトル検索の組み合わせ）
- 再ランクを実装する（検索結果をLLMで再評価）
高度なRAGパターンでは再ランクやハイブリッド検索の実装例が紹介されています。
ハイブリッド検索の実装例：
from langchain.retrievers import EnsembleRetriever
# キーワード検索（BM25）
from langchain_community.retrievers import BM25Retriever
bm25_retriever = BM25Retriever.from_documents(splits)
# ベクトル検索
vector_retriever = vectorstore.as_retriever(search_kwargs={"k": 3})
# アンサンブル検索（ハイブリッド）
ensemble_retriever = EnsembleRetriever(
retrievers=[bm25_retriever, vector_retriever],
weights=[0.5, 0.5]
)
エージェントがツールを適切に選択しない
エージェントが間違ったツールを呼び出す、またはツールを使わない問題。対策：
- ツールのdescriptionを明確にする
- ツールの数を減らす（関連性の高いツールのみ提供）
- プロンプトを調整する（ツール使用の指示を強化）
- few-shot例を追加提供する
ツールのdescriptionはエージェントのツール選択精度に直接影響します。以下の点に注意してください：
- ツールが何をするかを簡潔に説明する
- どのような入力を受け付けるかを明示する
- どのような出力を返すかを説明する
- 使用例を含める
パフォーマンス問題
応答時間が長い、またはコストが高い問題。対策：
- ベクトルストアのインデックスを最適化する
- キャッシュを有効にする（LLMの応答をキャッシュ）
- バッチ処理を使用する（複数のリクエストをまとめて処理）
- 安価なLLMモデルを使用する（タスクに応じてモデルを選択）
- ストリーミング出力を有効にする（ユーザー体験向上）
LangChainにはキャッシュ機能が組み込まれています。例えば、LLMの応答をキャッシュするには：
from langchain.cache import InMemoryCache
llm.cache = InMemoryCache()
ストリーミング出力を有効にするには：
for chunk in chain.stream({"input": "LangChainについて説明してください"}):
print(chunk, end="", flush=True)
まとめ
LangChainはAIエージェント構築のための強力なフレームワークです。基本的なチェーンからRAG、ツール使用エージェントまで、段階的に学習できます。豊富な統合と活発なコミュニティにより、複雑なAIアプリケーションを短期間で構築可能です。
LangChainの学習リソース：
- 公式ドキュメント - 包括的なAPIリファレンスとチュートリアル
- GitHubリポジトリ - ソースコードと問題報告
- Discordコミュニティ - 質問と情報共有
LangChainを活用して、ビジネス課題を解決するAIエージェントを構築してみましょう。RAGチャンキング戦策の解説記事やHuman-in-the-loop設計ガイドもあわせてご覧ください。
この記事を読んで導入イメージが固まってきた方へ
UravationではAIエージェント導入の研修・コンサルを行っています。
