導入

大規模言語モデル(LLM)の進化により、AIアプリケーション開発の可能性が拡大しています。しかし、単体でのLLM利用では実用的な応用が難しく、データ連携や動作制御の実装が課題となっています。LangChainは、LLMを外部データソースや計算ロジックと統合するためのフレームワークとして登場し、開発効率を大幅に向上させています。

基本概念

主要コンポーネント

LangChainは以下の主要モジュールで構成されます：

• モデルインターフェース: LLMとチャットモデルの標準化されたインタフェースを提供
• データ接続: ドキュメントローダー、埋め込み、ベクトルストアを統合
• チェーン: 複雑なワークフローを組み合わせるための構造化されたコンポーネント
• エージェント: 動的な動作選択を実現する知的エージェントシステム

コード例: 画像生成ワークフロー

from langchain.agents import initialize_agent, AgentType
from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool
from pydantic import BaseModel, Field

def produce_artwork(prompt: str) -> str:
    """画像生成APIを呼び出す処理"""
    api_url = "https://api.artgen.example/v1/txt2img"
    payload = {
        "prompt": prompt,
        "negative_prompt": "low quality, blurry, disfigured",
        "steps": 30,
        "style": "digital art"
    }
    response = requests.post(api_url, json=payload)
    return response.json().get("image_path", "")

def get_poem() -> str:
    """ランダムな中国詩を取得"""
    llm = ChatOpenAI(temperature=0.8)
    return llm("中国の風景をテーマにした詩を1つ生成してください")

def translate_prompt(idea: str) -> str:
    """日本語を英語プロンプトに変換"""
    llm = ChatOpenAI(temperature=0.1)
    return llm(f"日本語のアイデアを詳細な英語プロンプトに変換してください: {idea}")

class ArtPromptInput(BaseModel):
    concept: str = Field(description="画像のコンセプト")

tools = [
    Tool(
        name="詩取得",
        func=get_poem,
        description="中国詩のランダムな生成"
    ),
    Tool(
        name="プロンプト変換",
        func=translate_prompt,
        description="日本語アイデアを英語プロンプトに変換",
        args_schema=ArtPromptInput
    ),
    Tool(
        name="アート生成",
        func=produce_artwork,
        description="英語プロンプトから画像を生成"
    )
]

if __name__ == "__main__":
    llm = ChatOpenAI(temperature=0.2)
    agent = initialize_agent(
        tools, 
        llm, 
        agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True
    )
    agent.run("風景をテーマにした中国詩の画像を生成してください")

データ連携の実装例

from langchain.document_loaders import TextLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

loader = TextLoader("knowledge_base.txt", encoding="utf-8")
documents = loader.load()

splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
texts = splitter.split_documents(documents)

embeddings = OpenAIEmbeddings()
vector_db = FAISS.from_documents(texts, embeddings)

retriever = vector_db.as_retriever(
    search_kwargs={"k": 3}
)

qa_chain = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(temperature=0.1),
    retriever=retriever,
    chain_type="stuff"
)

print(qa_chain.run("システムのインストール手順を教えてください"))

応用事例

構造化データ出力の実装

from langchain.tools import StructuredTool
from pydantic import BaseModel, Field

def submit_request(req_type: str, params: dict) -> str:
    """外部APIにリクエストを送信"""
    api_url = "https://api.example.com/v1/analyze"
    response = requests.post(api_url, json={"type": req_type, "data": params})
    return f"Result: {response.status_code}"

class RequestInput(BaseModel):
    request_type: str = Field(description="crowd/analyze/questionのいずれか")
    data: dict = Field(description="リクエストパラメータ")

tool = StructuredTool(
    name="データ分析リクエスト",
    func=submit_request,
    description="分析リクエストを送信",
    args_schema=RequestInput
)

agent = initialize_agent(
    [tool],
    ChatOpenAI(temperature=0),
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION
)

agent.run("180日以内に淘特を利用した男性ユーザーの集団を生成してください")

今後の展開

LangChainの進化は以下の方向性を示しています：

• エージェントの高度化：複雑なタスクを自動で分解・実行する能力
• データ連携の拡大：より多様なデータソースとの統合
• エコシステムの拡充：専用ツールキットの増加
• パフォーマンス最適化：低リソース環境での実行能力向上