🤖

【技術解説】LangChainとLangGraphでAIエージェント開発に入門してみた【初心者】

2025/03/12に公開

Python

最初に結論: LangChainとLangGraphを活用すると、AIエージェント構築・拡張がしやすいっぽい！

↑そんなの知っとるわいと言う人はこの記事をスルーしてください！
LLMアプリやAIエージェント・RAGに興味があって、LangChainって結局なんだ？と思っている人はもしかしたら役立つかも！

今回は、LangChainとLangGraphによるRAG・AIエージェント［実践］入門を最後まで読んだので、結局LangChainって何だったんだ？ってのを軽くまとめようと思って備忘録的に書いてみました。

LLM・AIエージェント実装初心者の方向けにLangChainとLangGraphの基本的な内容を理解し、活用イメージを持てることを目標に書いてみます！

本当に簡単な技術説明:
- LangChain: LLMアプリケーション開発を簡単にするフレームワーク
- LangGraph: LangChainを拡張。マルチステップ・並列処理を効率的に構築できるワークフロー管理ツール

なぜLangChainが必要なのか

1. LangChainが必要になる瞬間って？

LLM APIを直接叩くのは簡単ですが、LLMを「アプリ」として動かすには課題があります。
- 毎回プロンプトを作るのが面倒（テンプレート化したい）
- 会話の流れが記憶されない（履歴を管理したい）
- 外部データ（DB・API・検索エンジン）を参照できない（ナレッジ活用したい）
- ユーザーの質問に応じて柔軟に処理を変えたい（動的フロー制御したい）
例えば
- ユーザーが何度も問い合わせてくるサポートチャットボットを作りたいが、API直叩きでは会話履歴が保持できない
- こういう時に LangChain が役立ちます！

2. LangChainの概要

LangChainとは？
- LLMの活用・アプリ開発を簡単にするフレームワーク
- 代表的なモジュール(参考サイトはこちら)：
  - Models（いわゆる学習モデル、LLMなど）
  - Prompts（入力を組み立てる。プロンプトをテンプレート化できる）
  - Memory（会話の履歴を保持）
  - Indexes（RAG的な処理。VectorStoreを活用して必要な情報のみを取ってくる）
  - Agents（動的にタスクを処理。必要なツールを選択したり。)
  - Chains（モジュールを連結する）
  - 詳しいコンポーネントは公式ドキュメントのこちらをご覧ください！

それではひとまず簡単な例を見てもらいます。

from langchain.schema import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4", openai_api_key="your_api_key")
messages = [
   SystemMessage(content="あなたは親切なアシスタントです")
   HumanMessage(content="こんにちは！")
]
response = llm.invoke(messages)
print(response.content)

 "こんにちは！今日はどんなことをお手伝いできますか？"

…APIを叩くのと変わらないと思いましたか？まぁシンプルな実装例だとそうなります。
では続きましてMemoryモジュールを使ってみましょうか

# 会話を保持してくれるMemoryを使った実装例
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
llm = ChatOpenAI(model="gpt-4", openai_api_key="your_api_key")
chain = ConversationChain(llm=llm, memory=memory)

print(chain.invoke("おすすめの本を教えて"))
print("\n\n")
print(chain.invoke("前におすすめされた本は？"))

関数を書けばもちろん何も使わなくても実装はできますが、行数が桁違いですね(参考: [Azure] OpenAI Service で AI チャットボットを作ってみよう)。

3. LangChainの「Chain」とLCEL（LangChain Expression Language）

LangChainのChainが分かりやすく実装されているLCEL
- LCELは、パイプ | を使って処理をシンプルに連結できる記法^[1]
- 複数の処理を直感的につなげる仕組み→Chain（チェーン）
- これなら「データ取得 → 変換 → LLMで解釈」を簡潔に記述可能！
LCEL(LangChain Expression Language)を使ったデモ
- 例えば以下のコードでは、以下の 3ステップの処理を | を使ってつなげています。
1. retriever → TavilySearchResults^[2]
  - 「今日の東京の天気」の検索結果を取得
2. データ変換 → lambda x: f"今日の東京の天気の情報: {x}"
  - 検索結果を LLM が理解しやすいフォーマットに変換
3. LLM に渡す → llm
  - ChatGPT (AzureOpenAPI)に渡して解釈させる

# デモ
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
from langchain_community.tools.tavily_search import TavilySearchResults

# LLM & 検索ツールの準備
# llm = ChatOpenAI(model_name="gpt-4")
llm = azureai
retriever = TavilySearchResults()

# LCEL (LangChain Expression Language) を使ってシンプルに処理を定義
workflow = retriever | (lambda x: f"今日の東京の天気の情報: {x}") | llm

# 実行
result = workflow.invoke("今日の東京の天気")
print(result.content)

今日の東京の天気は以下の通りです。

- **日付**: 2025年2月8日（土）
- **天気**: 晴れ時々曇り
- **最高気温**: 9℃
- **最低気温**: 1℃
- **降水確率**: 10%（昼間は降水なし）
- **風**: 北西の風、日中はやや強く吹く
- **湿度**: 約58%

明日、2月9日（日）の予報は以下の通りです。

- **天気**: 晴れ
- **最高気温**: 11℃
- **最低気温**: 2℃
- **降水確率**: 0%（降水の可能性は低い）

注意点として、強い冬型の気圧配置が続いており、寒気の影響を受ける見込みです。特に、山沿いでは雪が降る可能性があるため、交通機関への影響に注意が必要です。

詳しい情報は以下のリンクから確認できます：
- [東進の天気情報](https://www.toshin.com/weather/detail?id=66124)
- [Yahoo!天気](https://weather.yahoo.co.jp/weather/jp/13/4410.html)
- [tenki.jp](https://tenki.jp/live/3/16/)
- [NHK天気情報](https://www.nhk.or.jp/kishou-saigai/pref/weather/tokyo/)

4.LangChainを使うメリットを比較

	API直叩き	LangChain
プロンプト管理	手動で書く必要あり	PromptTemplateで再利用可能
会話履歴の保持	なし	Memoryで文脈を理解
外部データの参照	APIを個別に呼ぶ必要あり	RetrievalQAで簡単に実装
動的な意思決定	if 文だらけの処理	Agentsで自動的に適切なツールを選択

例えば、「カスタマーサポートの問い合わせAIを作る」場合
- ユーザー：「注文履歴を教えて！」
- LangChain：「外部データベースにアクセス」
- LangChain：「あなたの注文履歴はこちらです！」
- → API直叩きではできない「データ検索＋履歴保持＋動的応答」が可能になります！

ではLangGraphとは？

LangGraphの概要

LangGraphとは？
- LangChainを拡張し、複雑なワークフローを「グラフ構造」で直感的に管理・構築するフレームワーク
- 特徴：
  - グラフベースのノード処理
  - 並列処理・条件分岐が可能
  - LLMの推論ステップを整理しやすい
LangGraphを使うメリット
- 逐次処理ではなく、複雑なワークフローを整理
- デバッグがしやすく、再利用可能
- あとLangSmith^[3]が便利
例えば、「FAQの問い合わせ対応AI」を作る場合
- LangChain だけ → if 文だらけで管理が大変^[4]
- LangGraph → 「質問の種類」に応じて適切なノードへ分岐
参考になりそうなサイト
- LangGraphの基本的な使い方
- LangGraphおけるNodeの並列実行について
以下デモ

ここでは、基本的なチャットボットのワークフローをLangChainとLangGraphで構築してみます！
LangGraphのサンプルコードをAnthropicからAzure OpenAIモデルにしたものです。
以下の構成で実装します：

from_part3

from typing import Annotated

- from langchain_anthropic import ChatAnthropic
+ from langchain_openai import AzureChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.messages import BaseMessage
from typing_extensions import TypedDict

from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition


class State(TypedDict):
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)


tool = TavilySearchResults(max_results=2)
tools = [tool]
- llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")
+ llm = AzureChatOpenAI(api_key="your_api_key", azure_endpoint="your_endpoint", azure_deployment="gpt-4")
llm_with_tools = llm.bind_tools(tools)


def chatbot(state: State):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}


graph_builder.add_node("chatbot", chatbot)

tool_node = ToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)

graph_builder.add_conditional_edges(
    "chatbot",
    tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

こちらでコンパイルしたグラフ構成を見るには以下のコードで確認できます！

from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # This requires some extra dependencies and is optional
    pass

ワークフローがどうなっているのか、とても理解しやすいと思います。
こちらを実行すると、記憶機能のあるチャットボットが確認できます！

config = {"configurable": {"thread_id": "1"}}
user_input = "こんにちは、元気ですか？私はジョンです。"
events = graph.stream(
    {"messages": [{"role": "user", "content": user_input}]},
    config,
    stream_mode="values",
)
for event in events:
    event["messages"][-1].pretty_print()

出力

================================ Human Message =================================

こんにちは、元気ですか？私はジョンです。
================================== Ai Message ==================================

こんにちは、ジョンさん！お会いできて嬉しいです。元気ですか？何かお話ししたいことや質問があれば、どうぞお気軽にお知らせください。

user_input = "私の名前を覚えていますか？"

# The config is the **second positional argument** to stream() or invoke()!
events = graph.stream(
    {"messages": [{"role": "user", "content": user_input}]},
    config,
    stream_mode="values",
)
for event in events:
    event["messages"][-1].pretty_print()

出力

================================ Human Message =================================

私の名前を覚えていますか？
================================== Ai Message ==================================

はい、ジョンさんという名前を覚えています。何か特別なことについてお話ししたいですか？

しっかりと動作することが確認できました！
公式のチュートリアルでは基本のチャットノードからノード・機能を追加していく体験ができます。
ここからさらに、Human in the roopの実装も解説されていました！
ぜひ皆さんも触ってみてはいかがでしょうか？

まとめ: LangChainとLangGraphを活用すると、AIエージェント構築・拡張がしやすい！

今回の目標:
- LangChainとLangGraphの基本的な内容を理解し、活用イメージを持つ
簡単な技術説明:
- LangChain: LLMアプリケーション開発を簡単にするフレームワーク
- LangGraph: LangChainを拡張。マルチステップ・並列処理を効率的に構築できるワークフロー管理ツール
個人の感想

	LangChain	LangGraph
シンプルな処理	得意	可能
分岐処理	if 文で実装が大変	グラフで簡単に整理
並列処理	できなくはない	ネイティブサポート
複雑なワークフロー	状態管理が大変	グラフで自然に設計可能

※こちらのサイトのLangGraphとLangChainを比較する図がわかりやすかったのでもしよければ参考にどうぞ！

最後に

なかなかLLMアプリ開発よく分からないと思っていましたが、LangChainとLangGraphの本やチュートリアルを見ていると、なんだか自分でも実装できそうとイメージがついてきて妄想が膨らみました！
今後はもう少し凝ったものの開発に挑戦したいです。
本当に初めて記事掲載ですが、良かったよって方・少しでも参考になったという方は「いいね/like」、また「ここ違うんじゃない？」とかありましたら気軽にコメントをいただけると励みになります！
最後までお読みいただきありがとうございました！！

脚注

通常のコードだと、関数を定義して順番に呼び出す必要がありますが、LCELを使うと「|（パイプ）」を使って直感的に記述できますね！他にも追加の処理を挟むのが簡単というメリットもあります。 ↩︎
「Tavily」は、AIエージェント専用に構築された検索エンジンです。クレジットカードの登録なしで、毎月最大1,000回まで無料利用が可能みたいなので使いやすいですね！ ↩︎
ここでの解説は省きますが、エージェントの中でどのような処理が行われているかトレースできる便利なサイト・機能です！ ↩︎
この表現は語弊を生むかもしれないですね。LangChainでもRunnableParallelという関数が標準でありますが、複雑なフローを管理するにはLangGraphがオススメというお話です！ ↩︎