LangChainの概要

LangChainは、大規模言語モデル（LLM）を活用したアプリケーションを効率的に構築するためのオープンソースフレームワークです。単なるAPI呼び出しにとどまらず、複数のコンポーネントを組み合わせた複雑なワークフロー、外部データとの連携、エージェントによる自律的なタスク実行などを容易に実現します。

LangChainのエコシステムは、以下のフェーズをサポートするように設計されています。

• 開発（Development）: 標準化されたコンポーネントとサードパーティ製の統合機能（OpenAI, Hugging Faceなど）を使用してアプリケーションを構築。
• 運用化（Productionization）: LangSmithを利用してチェーンのデバッグ、テスト、モニタリングを行い、パフォーマンスを最適化。
• デプロイ（Deployment）: LangServeを使用して、構築したロジックをREST APIとして公開。

コア・コンポーネント

LangChainは、柔軟なシステム構築を可能にする6つの主要コンポーネントで構成されています。

環境構築と基本操作

まず、必要なパッケージをインストールします。

pip install langchain langchain-openai langchain-community

次に、OpenAI APIを利用するための環境変数を設定し、基本的な呼び出しを行います。

import os
from langchain_openai import ChatOpenAI

# 環境変数の設定
os.environ["OPENAI_API_KEY"] = "your_api_key_here"

# インスタンスの生成
chat_instance = ChatOpenAI(model="gpt-4")

# 基本的な実行
response = chat_instance.invoke("LangChainを学習するメリットは何ですか？")
print(response.content)

プロンプトテンプレートと出力解析

生のユーザー入力をそのまま渡すのではなく、テンプレートを使用して構造化します。また、StrOutputParserを利用して結果を文字列として抽出します。

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 役割を指定するテンプレート
it_expert_prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたは優秀なエンジニアリングマネージャーです。"),
    ("user", "{topic}")
])

# 出力解析器
string_parser = StrOutputParser()

# パイプライン（Chain）の構築
expert_chain = it_expert_prompt | chat_instance | string_parser

# 実行
result = expert_chain.invoke({"topic": "マイクロサービス化の注意点を教えて"})
print(result)

ベクトルストアとRAGの実装

外部データを取得し、それを基に回答を生成するRAG（検索拡張生成）の流れを実装します。ここでは、ウェブサイトから情報を取得し、FAISSというベクトルストアに格納します。

pip install beautifulsoup4 faiss-cpu

from langchain_community.document_loaders import WebBaseLoader
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 1. ドキュメントの読み込み
web_loader = WebBaseLoader("https://python.langchain.com/docs/get_started/introduction")
raw_docs = web_loader.load()

# 2. テキスト分割
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=50)
split_docs = text_splitter.split_documents(raw_docs)

# 3. 埋め込み（Embedding）とベクトル化
vector_db = FAISS.from_documents(split_docs, OpenAIEmbeddings())

# 4. 検索チェーンの作成
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains import create_retrieval_chain

qa_prompt = ChatPromptTemplate.from_template("""
以下の情報を参考にして質問に答えてください:
{context}

質問: {input}
""")

doc_chain = create_stuff_documents_chain(chat_instance, qa_prompt)
retriever = vector_db.as_retriever()
retrieval_chain = create_retrieval_chain(retriever, doc_chain)

# 5. 質問の実行
query_res = retrieval_chain.invoke({"input": "LangChainのコンポーネントについて要約して"})
print(query_res["answer"])

エージェント（Agent）による自律実行

エージェントは、検索ツールなどを必要に応じて自分で使い分けます。ここでは検索APIであるTavilyを統合した例を紹介します。

from langchain.agents import create_openai_functions_agent, AgentExecutor
from langchain import hub
from langchain_community.tools.tavily_search import TavilySearchResults

# ツールの定義
os.environ["TAVILY_API_KEY"] = "your_tavily_key"
search_tool = TavilySearchResults()
tools = [search_tool]

# プロンプトの取得（標準的な関数呼び出し用）
agent_prompt = hub.pull("hwchase17/openai-functions-agent")

# エージェントの初期化
smart_agent = create_openai_functions_agent(chat_instance, tools, agent_prompt)
executor = AgentExecutor(agent=smart_agent, tools=tools, verbose=True)

# 実行
executor.invoke({"input": "現在の東京の天気と、それに適した服装を提案してください。"})

LangServeによるAPIサーバーの構築

構築したアプリケーションをAPIとして公開するためのフレームワークがLangServeです。FastAPIをベースにしています。

pip install "langserve[all]"

from fastapi import FastAPI
from langserve import add_routes

app = FastAPI(title="LLM Assistant Server")

# 先ほど作成したexpert_chainをAPIとして登録
add_routes(
    app,
    expert_chain,
    path="/expert"
)

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="localhost", port=8001)

実行後、http://localhost:8001/expert/playground/にアクセスすることで、ブラウザ上で直接チェーンをテストできるプレイグラウンドが利用可能になります。