😶
LangGraph マルチエージェントのチュートリアルを動かしてみる

2024/11/13に公開
エージェントツールの開発がLangChain からLangGraph に移行するので、LangGraph の理解も重要になっている。

単にLangGraph を使いたいだけなら、LangGraph のチュートリアルを動かしてみると良い。が、LangGraph のメリットはやはり、複雑なエージェント間の制御を可能にすることだと思う。
今回はPython 版のMultiagent Workflow のチュートリアルのうち、multi-agent-collaborationを動かしてみたので、その備忘録。これを理解していれば残りもまあ問題ないと思われる。（JavaScript 版は触ったことないが...）
!2025/2/14 追記：LangGraph の新機能Command が実装される前のチュートリアルの内容です。Command の特徴についてはこちらにまとめました。

 チュートリアルの解説
 Multi-agent network「divide-and-conquer」は「分割統治法」。大学の授業とかで耳にしてたら以下イメージしやすいかも。

 Create Agents
 MessagesPlaceholderプロンプトの一部（コンテクストや質問文など）はRAG でよく変数化するが、プロンプトごと変数化するのがMessagesPlaceholder 。

今回の場合、変数messages の中身が全てLLM に入力されることになる。
参考） LangChain API Reference：MessagesPlaceholder

 prompt.partial()prompt の引数の一部を設定してしまう処理。以下のコードを読んだらイメージしやすいかも。

（※ 内部のコード見るとfunctools.partial は使って無さそうだったので、あくまでイメージまで）
from functools import partial

def echo(a: str, b: str):
    print(f"{a}, {b}!")

echo2 = partial(echo, a="Hello")
echo2(b="World")  #Hello, World!

 llm.bind_tools()LLM にツール群を与えて、どのツールを使い & どんな引数を入力すべきかを答えさせる（→ エージェント化する）ことが出来る。

実際にそのツールを実行するためには、 そのための処理が別途必要 なのに注意。
参考） LangChain 公式ドキュメント：tool calling

 Define toolsデコレータ@tool により、定義した関数をツールに出来る。LLM がツールの詳細を把握するため、description やannotaion が必要。
from langchain_core.tools import tool
from typing import Annotated

@tool
def double(a: Annotated[int, "2倍したい整数"] ):
    """入力された整数を2倍した値を返します。"""
    return 2 * a

print(double.name)  #double
print(double.description)  #入力された整数を2倍した値を返します。
print(double.args)  #{'a': {'description': '2倍したい整数', 'title': 'A', 'type': 'integer'}}

 Create graph
 Define StateLangGraph の肝は「状態, State」であると思う。本記事では以下、「State」 はLangGraph 一般における"状態"を指すものとする。
AgentState はTypedDict 型を継承しているので、{"messages" : ..., "sender" :  ...} のような辞書と考えれば良い。
class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]
    sender: str
ただしState の annotation には特別な意味がある のに注意。

AgentState.messages （BaseMessage のシーケンス型）は、operator.add がアノテーションされているため、State 更新時、 新規メッセージがシーケンスの末尾に追加される 挙動になる。

AgentState.sender にはアノテーションが無いため、State の更新時に置換される挙動になる。

 Define Agent NodesLangGraph において、頂点（ノード）はState のみを引数とし、新たなState を返す関数である。ノードに到達したとき、その関数の処理が行われる。

（agent_node 関数はstate 、agent 、 name の3つの引数が必要だが、実際にノードとして設定する際はagent とname をfunctools.partial で設定してしまうので問題ない）
正確には、ノードはRunnableLike であれば良い。すなわちエージェントでも、LangGraph そのものでも良い。

hierarchical_agent_teams でやってるのがそれ。

 agent_node()agent_node 関数の処理は以下の通り。
agent にstate をinvoke した結果を得る。

で得られた結果に対して、出力結果がToolMessage 型ならpass 。そうでない場合、type を削除、name を書き換えてAIMessage 型を再作成する。

from langchain_core.messages import HumanMessage, AIMessage

result = HumanMessage(content='', name='test', type='human')
print(AIMessage(**result.dict(exclude={'name', 'type'})))  #content='' additional_kwargs={} response_metadata={}
※ 今回はresearch_node とchart_node しか作成しない都合上、1. の結果はAIMessage 型以外有り得ない。

そのためToolMessage 型の分岐・type の削除処理は不要だが、汎用性を考慮してこのような分岐を設定していると思われる。
"messages"=[2. の結果]、 "sender"=エージェント名 とした辞書を返す。
State のannotation から、返された辞書の"messages" の中身がAgentState.messages の末尾に追加されることに注意。AgentState.sender は返された辞書の"sender" の中身に置き換わる。

 Define Tool Nodellm.bind_tools() だとツールを選ぶだけなので、そのツールを実行するためのノードを作成している。ToolNode 便利

 Define Edge LogicLangGraph の複雑な分岐処理を可能にするのがRouter である。

Router はState を引数として文字列を返す関数で、後述するadd_conditional_edges と合わせて分岐が決定する。
今回のrouter は以下のような処理になる。

state のmessages シーケンスのうち、最後尾（=直近のノードで行われた処理の結果）を見る。
それにtool_calls が含まれる場合、LLM がツールを使うべきと判断したわけなので、ツールを実行するノードの名前"call_tool" を返す。
それの出力に"FINAL ANSWER" が含まれる場合、LLM が全ての処理を終了したと判断したわけなので、処理終了ノードを返す。
どちらでもない場合、処理続行として、"continue" を返す。

 Define the Graphいよいよグラフを定義する。

 add_node()これはグラフにノード（ノード名と関数）を追加するだけ。

 add_edge()グラフに辺（エッジ）を追加する。

有向グラフであるのに注意。add_edge(A, B) だとA → B のようなエッジになる。

 add_conditional_edges()グラフの分岐を定義する。引数は、(ノード名、router、辞書) のような形式になる。
そのノードに到達し、ノードの関数を実行してState が更新される。
router にState を入力した結果を得る。
辞書において、2. の結果をキーとしたときのvalue が、次のノードになる。
ノードcall_tool の遷移先は、必ず その直前のノードになる ことに注意。State の"sender" の使い道はここ。
workflow.add_conditional_edges(
    "call_tool",
    lambda x: x["sender"],
    {
        "Researcher": "Researcher",
        "chart_generator": "chart_generator",
    },
)

 実行例理解は難しいと思うので、チュートリアルを実際に実行した結果を貼っておく。
ただしチュートリアルどおりだと動作しない（イギリスのGDP の正確なデータが入手できずにResearcher が途中で投げてしまい、chart_generator の手にも負えないため、エージェント間の盥回しが無限ループする）ことがあったので、適当に質問文を変えています。あと3期面白いし
また途中経過がよく分からないので、pretty_print() 使って確認するのがおすすめ。
for event in graph.stream(
    {
        "messages": [
            HumanMessage(
                content="<グラフへの入力>"
            )
        ],
    },
    # Maximum number of steps to take in the gra
    {"recursion_limit": 150},
    stream_mode="values"
):
    if "messages" in event:
        event["messages"][-1].pretty_print()

 グラフへの入力Liella! のメンバー人数を縦軸、2020年,2021年,2022年,2023年を横軸としたmatplotlib グラフを出力してください。ただし、グラフのタイトルと軸は英語で記述すること。

 Researcher（1回目）call_tool(tavily_tool) へ遷移。Args はLiella! メンバー人数 2020 2021 2022 2023

 call_tool（1回目）：tavily_tool[{"url": "https://www.lovelive-anime.jp/yuigaoka/cast/", "content": "Liella!（リエラ）キャスト紹介 | ラブライブ！スーパースター!! Liella!リエラ 音楽CDのリリース、アニメーション、書籍、スマートフォン向けアプリなど、オールメディアで展開をおこなうプロジェクト・ラブライブ！シリーズ。その第4作となる「ラブライブ！スーパースター!!」から生まれた11人組のスクールアイドルグループです。...（以下略）}]
→ 直前のノードResearcher に戻る。

 Researcher（2回目）Liella! のメンバー人数について以下の情報が得られました：

- 2020年: 5人
- 2021年: 5人（2021年4月にデビュー）
- 2022年: 9人（2期生4人を追加）
- 2023年: 11人（3期生2人を追加）

これらの情報を基に、matplotlibを使ってグラフを生成します。
→ call_tool(tavily_tool) へ遷移。Args はmatplotlib グラフ作成方法

 call_tool（2回目）：tavily_tool[{"url": "https://www.yutaka-note.com/entry/matplotlib_pyplot", "content": "mat-plotlib.pyplotモジュールを使用してグラフを作成する方法をまとめています。 pyplotでは手軽に手早く簡単にグラフ作成することが可能です! グラフを作成、 グラフのスタイル変更、 タイトルや軸の設定など基本事項について徹底解説しています!"}, {"url": "https://www.tech-teacher.jp/blog/python-library19-pyplot/", "content": "Matplotlib でグラフを作成するには主に『pyplotインターフェース』を用いる方法、『オブジェクト指向インターフェース』を用いる方法の2つがあります。. 本記事では『pyplotインターフェース』の使い方と関数について解説します。. もう一つのオブジェクト"}]
→ 直前のノードResearcher に戻る。

 Researcher（3回目）2回目のtavily_tool では有益な情報が得られなかったが、LLM の前提知識としてコードを書いてしまったらしい。
Matplotlib の pyplot モジュールを使用して、Liella! のメンバー人数の推移を示すグラフを作成します。以下はそのコード例です。

'''python
import matplotlib.pyplot as plt

# データ
years = [2020, 2021, 2022, 2023]
members = [5, 5, 9, 11]

# グラフの作成
plt.figure(figsize=(8, 6))
plt.plot(years, members, marker='o')

# タイトルとラベルの設定
plt.title('Number of Liella! Members Over Years')
plt.xlabel('Year')
plt.ylabel('Number of Members')

# グリッドの表示
plt.grid(True)

# グラフの表示
plt.show()
'''

このコードを実行すると、2020年から2023年にかけてのLiella! のメンバー人数の変化を示す折れ線グラフが表示されます。
→ tool_calls も"FINAL ANSWER" も出力されなかったため、chart_generator へ遷移。

 chart_generator（1回目）call_tool(python_repl) へ遷移。Args は上記のコードの中身

 call_tool（3回目）：python_replSuccessfully executed:
'''python
import matplotlib.pyplot as plt

# Data
years = [2020, 2021, 2022, 2023]
members = [5, 5, 9, 11]

# Create the plot
plt.figure(figsize=(8, 6))
plt.plot(years, members, marker='o')

# Set title and labels
plt.title('Number of Liella! Members Over Years')
plt.xlabel('Year')
plt.ylabel('Number of Members')

# Show grid
plt.grid(True)

# Display the plot
plt.show()
'''
Stdout: 

If you have completed all tasks, respond with FINAL ANSWER.
→ 直前のノードchart_generator に戻る。

 chart_generator（2回目）Here is the matplotlib graph showing the number of Liella! members from 2020 to 2023:

- **Title**: Number of Liella! Members Over Years
- **X-axis**: Year (2020, 2021, 2022, 2023)
- **Y-axis**: Number of Members

The graph clearly illustrates the increase in the number of Liella! members over these years.

FINAL ANSWER
→ "FINAL ANSWER" が出力されたため、終了ノードEND へ遷移。
チュートリアルの解説

Multi-agent network

Create Agents

MessagesPlaceholder

prompt.partial()

llm.bind_tools()

Define tools

Create graph

Define State

Define Agent Nodes

agent_node()

Define Tool Node

Define Edge Logic

Define the Graph

add_node()

add_edge()

add_conditional_edges()

実行例

グラフへの入力

Researcher（1回目）

call_tool（1回目）：tavily_tool

Researcher（2回目）

call_tool（2回目）：tavily_tool

Researcher（3回目）

chart_generator（1回目）

call_tool（3回目）：python_repl

chart_generator（2回目）

Discussion
