コースをすべて修了していないため

LangChain+LangGraphという体系をまとめてみます

しかし、実際にはすでにいくつかの概念は理解しています

これまで、いくつかの概念について誤解していました

1. GPTとは何か、

2. ChatGPTとは何か

3. エージェントとは何か

4. 従来のエンジニアリング型プログラミングとエージェントそれぞれの長所・短所

5. LangChain+LangGraphという技術スタックを使用するためのデモを構築する

6. LangChain+LangGraphという技術スタックがどのような仕組みを提供しているか

？ まず、いくつかの基本概念を整理しましょう

技術スタックを深く掘り下げる前に、基本的でありながら混同されやすいいくつかの概念を明確にしておく必要があります。

• GPTとは何か？

  GPT (Generative Pre-trained Transformer) は、OpenAIが開発した具体的な大規模言語モデル（LLM）です。これは強力な「スーパーブレイン」と捉えることができ、その中核となる能力は人間の言語を理解し生成することです。市場には他にもGoogleのGeminiやAnthropicのClaudeなどがあり、これらはすべて異なるベンダーが開発した「ブレイン」です。

• ChatGPTとは？

  ChatGPTは、OpenAI社がGPTモデルに基づいて構築した具体的な製品（アプリケーション）です。これはチャットインターフェースであり、その背後にはGPTという「脳」が駆動しています。

• エージェント（インテリジェントエージェント）とは？

  GPTを「脳」、ChatGPTを「話すことができる脳」と例えるなら、エージェントとは「行動し、協調し、学習できるデジタル従業員」のことです。

  単に受動的に質問に答えるだけでなく、目標が与えられると、自律的にタスクの分解、計画、ツール（検索や天気予報など）の呼び出し、そして振り返りを行うことができます。その中核となるメカニズムは、「思考－行動－観察」というサイクルであり、環境からのフィードバックに基づいて戦略を絶えず調整し、目標を達成するまで継続します。

⚖️ 従来のエンジニアリング型プログラミング vs. Agent：長所・短所の比較

Agentとは何かを理解した上で、私たちが慣れ親しんでいる従来のプログラミングとはどう異なるのでしょうか？簡単に言えば、これは**「確定的な実行」から「自律的な意思決定」**への転換です。

?️ LangChain + LangGraph 技術スタックの分析

さて、この技術スタックそのものに注目してみましょう。

1. 構築と設定方法は？その「生息地」はどこにあるのか？

• LangChain ：これは主にPythonおよびJavaScriptのライブラリです。その「生息地」は、あなたのコードプロジェクトです。パッケージマネージャー（例：pip install langchain）を使用してプロジェクトにインストールし、コード内でimportによって利用します。
• LangGraph ：これも同様にライブラリ（pip install -U langgraph）であり、単独で使用することもできますが、LangChainと組み合わせて使用されることが一般的です。その「生息地」も、あなたのコードプロジェクト内です。

2. どのような分野の問題を解決するのか？

• LangChain ：解決するのは、「ブロックを使って家を建てる」という課題です。各種大規模モデル、外部データ、ツールと連携するためのテンプレートなど、標準化された「ブロック」（コンポーネント）を多数提供し、開発者が効率的かつ柔軟に様々なLLMアプリケーションを組み立てられるようにします。
• LangGraph ：解決するのは、「複雑なエージェントプロジェクトのために、正確な施工フロー図を作成する方法」という問題です。これは、ステートを持つ、多段階の、複雑な意思決定を必要とするAIエージェント（Agent）の構築に特化しています。

3. 完全なビジネスフローとは何か？

• 入力側（プロデューサー） ：通常はエンドユーザーまたは上流システムであり、これらが複雑な目標や問題を提示します。
• 処理プロセス（ブラックボックス） ：
  1. LangChainは**「組織化」を担当します：ユーザーの要求、外部データ、ツール呼び出しなどを線形のステップシーケンス**としてオーケストレーションし、段階的に大規模モデルに処理を委ねます。
  2. LangGraphは**「スケジューリング」を担当します：処理プロセス全体をグラフ（Graph）**としてモデル化します。状態（State）は、ノード（Node）（「モデルの呼び出し」や「ツールの実行」といった処理ステップを表す）の間を移動し、プロセスは条件に応じてノード間をエッジ（Edge）を介して移動したり、ループしたり、さらには一時停止したりすることができます。
• 出力側（コンシューマー）：処理完了後、結果をユーザーまたは下流システムに返します。

4. どのような中核的なメカニズムが提供されていますか？（APIと抽象化）

• LangChain ：中核となるのは**「コンポーネント化」と「線形オーケストレーション」**です。
  • コンポーネント（Components） ：PromptTemplate（プロンプトテンプレート）、DocumentLoader（ドキュメントローダー）、OutputParser（出力パーサー）など、さまざまな標準化されたパーツを提供します。
  • LCEL (LangChain Expression Language) ：宣言型構文であり、簡潔な|パイプ記号を用いてコンポーネントをチェーン状に連結できる。
• LangGraph ：中核となるのは**「グラフベースのステートマシン（Graph-based State Machine）」**である。
  • State（状態）：ワークフロー全体を通じて渡され、共有されるグローバルオブジェクトです。
  • Node（ノード） ：ワークフロー内のステップの一つであり、通常は関数として、Stateを受け取り、更新されたStateを返します。
  • Edge（エッジ） ：ノードを接続し、実行の流れを定義します。確定的なエッジである場合もあれば、条件付き（Conditional Edge）エッジである場合もあり、Stateの値に基づいて、次のステップでどのノードに進むかが決定されます。

# 1. インストール: pip install langchain langchain-openai
# 2. 設定: 環境変数 OPENAI_API_KEY を設定

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

# 3. モデルとプロンプトテンプレートの初期化 （コンポーネントを使用）
model = ChatOpenAI(model=「gpt-3.5-turbo」)
prompt = ChatPromptTemplate.from_template(「{topic} に関するジョークを一つ教えて」)

# 4. LCELの | パイプ演算子を使ってそれらを「チェーン」として連結する（線形オーケストレーション）
chain = prompt | model

# 5. チェーンを呼び出し、入力を渡す
response = chain.invoke({「topic」: 「プログラマー」})
print(response.content)

# 1. インストール: pip install langgraph
# 2. 設定: 追加の設定は不要

from typing import TypedDict
from langgraph.graph import StateGraph, END

# 3. 状態（State）の定義
class MyState(TypedDict):
    topic: str
    joke: str

# 4. ノード（Node）関数の定義
def generate_joke(state: MyState):
    # 通常はここでLLMを呼び出しますが、簡略化のため直接返します
    return {「joke」: f「これは {state[『topic』]} に関するジョークです」}

# 5. グラフの構築（Graph-based State Machine）
graph = StateGraph(MyState)
graph.add_node(「generate」, generate_joke) # ノードを追加
graph.set_entry_point(『generate』) # エントリポイントを設定
graph.add_edge(「generate」, END) # 終了ノードへのエッジを追加

# 6. コンパイルして実行
app = graph.compile()
result = app.invoke({「topic」: 『人工知能』})
print(result[「joke」])