🐕

【AIエージェント入門】LangChain・LangGraphによるエージェント開発　その④　LCEL

2024/12/11に公開

どうも。@TM_AIbuchoことおっさんです。

SES企業の社長が開発経験ゼロからAIを学習しています。

是非とも暖かく、時には厳しく見守っていただけると嬉しいです。

 はじめにAIエージェントの定義は明確ではないですが、一般的には特定の目的に応じて自律的に目標を設定し、タスクを実行していくシステムをAIエージェントといわれています。
LangChainによるAIエージェントを開発してみよう。

開発環境はGoogleColab、言語はPythonを使用しています。
以下書籍を参考にしています。

LangChainとLangGraphによるRAG・AIエージェント［実践］入門 (エンジニア選書) 単行本（ソフトカバー） – 2024/11/9 西見 公宏 (著), 吉田 真吾 (著), 大嶋 勇樹 (著)

 過去の記事【AIエージェント入門】LangChain・LangGraphによるエージェント開発　その①複数のモデルを使ってみる
【AIエージェント入門】LangChain・LangGraphによるエージェント開発　その②LangChain基礎知識
【AIエージェント入門】LangChain・LangGraphによるエージェント開発　その③　RAG入門

 それでは実装していく！入力
import os
from google.colab import userdata

os.environ["OPENAI_API_KEY"] = userdata.get("OPENAI_API_KEY")
入力
!pip install langchain-core==0.3.0 langchain-openai==0.2.0
まずはシークレットのAPIキーを読み込んで、パッケージをインストールしておきます。

 LCELLangchain Expression Language、略してLCELです。

これで処理を繋いでいきます。
Expression Language（EL）とは、プログラミング言語の一部や構成ファイル、テンプレートファイルなどにおいて、簡単な式やロジック、ポリシーなどを記述する際に使用される言語です。
ふ～ん、なるほど。とりあえず繋ぐやつね。

やってみましょう。
入力
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(model="gpt-4o-mini",temperature=0)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system","ユーザーは疲れたおっさんです。名前を呼んで励ましてあげて。"),
        ("human","{name}"),
    ]
)

output_parser = StrOutputParser()

chain = prompt | model | output_parser

output = chain.invoke({"name":"@TM_AIbucho"})
print(output)
出力
TM_AIbuchoさん、いつもお疲れ様です！頑張っているあなたを心から応援していますよ。少し休憩を取って、自分を大切にしてくださいね。あなたの努力は必ず報われます！
ありがとう。おっさん頑張りますね。
model

gpt-4o-miniを選択。temperatureは0。ちなみにtemperaturというのはどれくらいランダム性を上げるかという設定値で、0だとランダム性なし。数字が大きくなるとランダム性も上がる。（1以上とか）デフォルトは0.7だったはず。
prompt

PromptTemplateを使ってプロンプトを作成
output_parser

LLMからの回答を文字列として抽出する
chain

それぞれをパイプ「|」でつなぎます。
そしてinvokeメソッドを実行します。

なるほど、invokeね。invokeってなんだ？
:::note info

はい、分かりやすく説明しますね！
invokeは「実行する」という意味で、簡単に言うと「AIに仕事をお願いする」ためのボタンのようなものです。
例えば、あなたがAIに「猫について説明して」とお願いしたいとします。

その時のやり方を、人間の会話に例えると：
# まずAIさんを呼んできます
ai = OpenAI()

# AIさんへの「お願いの仕方」を決めます
お願いの内容 = "これについて教えてください：{トピック}"

# 実際にAIさんにお願いします（これがinvoke）
結果 = ai.invoke({"トピック": "猫"})
invokeは要するに「実行してください！」というボタンみたいなものです。
他の方法として：
たくさんの質問を一度に聞く方法（batch）
結果が少しずつ返ってくる方法（stream）
などもありますが、基本的には「invoke」を使うだけで大丈夫です！
これで少し分かりやすくなりましたか？もし具体的に「こういうことがしたい」というのがあれば、それに合わせて説明できます😊

:::
invole以外にも、Streamとbatchがあるとのこと。batchはよくわからないので飛ばしてStremはストリーミングで出力できます。
入力
model = ChatOpenAI(model="gpt-4o-mini",temperature=1)

chain = prompt | model | output_parser
for chunk in chain.stream({"name":"@TM_AIbucho"}):
  print(chunk,end="",flush=True)
出力
TM_AIbuchoさん、お疲れ様です！今日も一日頑張りましたね。少し休憩してリラックスして、また元気を取り戻してください。あなたの努力はちゃんと見ていますよ！大丈夫、今日も乗り越えられます！
ストリーミングで出力されました。temperature=1にしたので出力結果も変わりましたね。

Chainを2つ繋げることもできます。

名前を入力して、LLMの回答から名前を抽出する。LLMの使い方を間違えてますがやってみます。
入力
name_prompt = ChatPromptTemplate.from_messages(
    [
        ("system","LLMの回答から名前だけ抽出してください。"),
        ("human","{text}"),
    ]
)

name_chain = name_prompt | model | output_parser

chain_name_chain = chain | name_chain

chain_name_chain.invoke({"name":"@TM_AIbucho"})
name_chainとchainをつなげて名前を抽出できました。

 まとめこの記事では、LangChainを使用したAIエージェント開発の基礎として、LCEL (LangChain Expression Language) の使い方について解説しました。
LCELの基本的な使い方
modelの設定（ChatOpenAI）
プロンプトテンプレートの作成
出力パーサーの設定
パイプ演算子（|）を使用した処理の連携
実行方法の違い
invoke()による基本的な実行
stream()によるストリーミング出力
チェーンの連結による複数処理の実行
次回はRAGの発展した話題に入っていきます！なかなかエージェントにたどり着かない！

はじめに

過去の記事

それでは実装していく！

LCEL

まとめ

Discussion