Zenn
🧑‍💻

LangChainのOpen Deep Research を動かしてみた

2025/03/23に公開
AI
Generative AI
Deep research
tech

以下の記事は、LangChainを中心とした「Open Deep Research」ワークフローや、その具体的な利用手順について解説します。

OpenAIやGoogleなどの大手企業がリリースしているDeep Research機能を自前で構築・拡張可能にする取り組みとして、LangChainやopen_deep_researchなどのOSSが登場しており、加えてDifyなどのLow-Codeフレームワークでも似たような機能を実装する動きがあります。
本記事では、リポジトリのクローンから環境構築、レポートを生成する流れに至るまで、実践的なガイドをまとめました。

1. Deep Researchとは

LLM（Large Language Model）の強力なテキスト生成を活用し、複数の検索クエリや文献調査、プロンプトエンジニアリングなどを組み合わせて自動的に調査・分析レポートを作成する一連の仕組みを「Deep Research」と呼びます。OpenAIやGoogleが提供する公式機能もありますが、OSSとして開発が進むプロジェクトも存在します。代表例が以下のリポジトリです。

これらを活用すると、LLMベースの検索やレポート生成を自前で拡張し、独自のワークフローを構築できます。加えてDifyのようなサービスでも、類似の仕組みをUI経由で利用できます。

2. LangChain版 Open Deep Researchの仕組み

LangChainリポジトリのopen_deep_researchでは、レポート作成を以下のようなステップで進めています。

Planning / Structure
Topic と Outline（レポートの大まかな構成やトピック）を入力として受け取り、
Planner Model（たとえば o3 や DeepSeek など）に基づいて、最終的に Introduction、Section 1、Section 2、Conclusion といったセクション案を策定します。
作成されたプラン（セクション構成）をユーザーがレビューし、フィードバックを与えて再検討できます。
Research
決定したセクションの内容を深堀りするために Search Query（検索クエリ）を生成し、指定された Search API（Web Search ツール）に対して複数回の検索を行います。
Reflection（検討・再評価）を経て、蓄積された検索結果（Accumulated Research）をセクション執筆の材料として使います。
「検索クエリの数」「検索を行う回数（# of search iterations）」などを指定して調整することで、どの程度深くリサーチをするか制御できます。

3. セットアップ手順

ここではMac環境を例にopen_deep_researchを著者がローカルで起動した手順を示します。最新の手順は、GithubのREADMEを確認してください。
open_deep_research (LangChain)

  1. 環境準備
# 仮想環境の作成
python3 -m venv venv
source venv/bin/activate

# パッケージのインストール
pip install open-deep-research
  1. リポジトリのクローンと設定
git clone https://github.com/langchain-ai/open_deep_research.git
cd open_deep_research
cp .env.example .env  # 必要に応じて編集

.env内で使用するモデルや検索ツールなどを指定します。AnthropicやOpenAIなど任意のLLMを組み合わせることが可能です。 今回は、Tabily SearchとOpenAIのo3-miniを利用しました。

  1. 環境変数の設定

外部APIキーなどは環境変数として設定します。

export TAVILY_API_KEY="XXXX"
export OPENAI_API_KEY="XXXX"
...

.envファイルを用意する場合は以下のように記載し、python-dotenv等で読み込むこともできます。

TAVILY_API_KEY="XXXX"
OPENAI_API_KEY="XXXX"
...

Tavily Search のAPIキー取得方法

Tavily https://tavily.com/ のトップページ右上などにある「Sign up」もしくは「Login」からアカウントを作成し、ログインします。
ユーザーダッシュボード（Account Settings など）へ移動すると、API キーを確認または発行できます。

OpenAI のAPIキー取得方法

OpenAI https://auth.openai.com/create-account のサイトでアカウントを作成（または既存アカウントにログイン）します。
Dashboard内のAPI Keys ページにアクセスすると、Create new secret key ボタンが表示されるので、そこから新規キーを発行します。

  1. LangGraphサーバーの起動
# uvパッケージマネージャのインストール
curl -LsSf https://astral.sh/uv/install.sh | sh

# 依存関係のインストールとLangGraphサーバー起動
uvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev

ブラウザで https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024 を開き、LangGraph Studio UIにアクセスすることで、アシスタントの設定やレポート生成フローを可視化・操作できます。

※LangSmithのAPIが無いというWarning が出たので、.envに追加しています。
LANGSMITH_API_KEY="XXXX"
または、export LANGSMITH_API_KEY="XXXX" を実行

LangSmith の API キー取得方法

LangSmith https://smith.langchain.com/ にアクセスし、アカウントを作成またはログインします。
ログイン後、左メニューのSettingsから、「API Key」の項目があるので、そこから新規キーを発行できます。

4. カスタマイズ可能な要素

  1. LLMモデル
    • OpenAI（GPT系）、Anthropic、Groq、その他OSSモデルを利用可能。
    • How to init any model in one line とfull list of supported integrationsを確認し、そこに記載されたモデル名やプロバイダを init_chat_model() に渡すことで、柔軟にカスタマイズできます。Structured outputsをサポートしている必要があります。
  2. 検索API
    • Tavily、Perplexity、Exa、ArXiv、PubMed、Linkup、DuckDuckGo、Googleなどを設定可能。
    • APIキーやカスタムサーチエンジンIDを取得し、環境変数で指定。
  3. 探索深度・検索回数
    • 設定画面や.envで調整できる。トピックの複雑さに応じて増やすことが可能。
  4. 構成案のプロンプト
    • セクション数や内容の粒度を変更可能。余計な章を省いたり、日本語出力に強制したりできる。

左下のManage Assistantで、利用するSearchやLLMをカスタマイズ


以下は検証に使ったサンプルです。

Report Structure :  デフォルトのままです 
Use this structure to create a report on the user-provided topic:  
1. Introduction (no research needed)  
- Brief overview of the topic area  
2. Main Body Sections:  
- Each section should focus on a sub-topic of the user-provided topic  
3. Conclusion  
- Aim for 1 structural element (either a list of table) that distills the main body sections  
- Provide a concise summary of the report  
Number Of Queries : 2 
Max Search Depth : 2 
Planner Provider : openai  
Planner Model : o3-mini  
Writer Provider : openai  
Writer Model : o3-mini  
SearchAPI : tavily 
search api config : null 
Recursion limit : 25
  • 今回は、Tavily Search とLLMはOpenAIのo3-miniを利用

5. レポート作成の流れ

  1. トピックの入力
    Compare LangSmith to LangGraph to LangChain「LangSmithとLangGraphとLangChainを比較して」というように、レポートで扱うトピックを指定します。
  2. 構成案（Report Plan）の生成
    LLMがレポートのセクション案を提案してきます。
  3. Human in the loop でのフィードバック
    必要に応じてProvide 1 Section Demand in the world「世界の需要のセクションを入れて」などの指示を与えて再生成。

    問題なければ、Trueを返して先に進めます。
  4. 検索クエリの生成
    各セクションごとに最適化されたクエリ（例: “LangChain’s prompt engineering best practices” など）をLLMが提案し、指定した検索APIに送信します。
  5. セクションごとの原稿作成
    検索結果や既存のコンテキストを踏まえて、各セクションをLLMが文章化。
  6. 結論・導入文の作成
    最後にIntroductionとConclusionを生成します。
  7. レポートの統合・完成
    すべてのセクションを統合して最終版のレポートを出力します。

6. API情報

導入後は以下のURLからAPI Callすることができます。

7. まとめ

LangChainを利用したOpen Deep Researchは、複数の検索ツールやLLMモデルを統合し、自動的に段階的なレポート作成を進める上で非常に有用です。今後の展開として社内の情報と組み合わせてレポートを作成したり、精度を向上させるPrompt開発などが行われてくるでしょう。
本記事で紹介した手順やカスタマイズ項目を参考に、ぜひ自分のプロジェクトに合わせたDeep Research環境を構築してみてください。

参考

当記事の内容は以下の参考文書を元にしています。
open_deep_research (LangChain)　https://github.com/langchain-ai/open_deep_research
LangChainのOpen Deep Research を動かしてみた(内部の動き) https://zenn.dev/dxclablinkage/articles/05a306793c18e5

Discussion

ログインするとコメントできます