LangChain入門

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
LangChainは、モジュール化されたコンポーネントと事前設計されたテンプレートを提供することにより、大規模言語モデル(LLM)を活用したAI開発を簡素化し、チャットボットや要約ツールなどのアプリケーション構築を支援します。GPT-3.5やChat ModelsなどのLLMとスムーズに連携し、テキスト補完や会話生成といったタスクを可能にします。LangChainはアクションの「チェーン(連鎖)」を通じて機能し、構造化された方法で効率的な実装を実現します。
LangChainは、自然言語処理(NLP)進化の到達点である大規模言語モデル(LLM)を活用したアプリケーション開発を促進するオープンソースのフレームワークです。
この記事を読むことで、LangChainの基本構造と主要機能、そしてAI駆動の言語ソリューション開発がどのように簡素化されたかを理解できます。また、LangChainを活用して独自のアプリケーションを構築するための詳細な手順についても解説します。
LangChainとLLM
本質的に、LLMはNLP領域における言語ベースのタスクに使用されるディープラーニングモデルであり、元々は言語翻訳のために開発されました。
トランスフォーマーモデルを使用し、大規模なデータセットで学習されているため、自然言語を理解し、さまざまな言語関連タスクを実行する能力を備えています。代表的なLMには、GPT-3.5、LLaMA、Bard、Falconなどがあります。
「LangChainは、統一されたインターフェースと、互いに『チェーン(連結)』できるモジュール構造のコンポーネントを提供することで、LLMを簡単かつ効率的に使用できるようにするPythonフレームワークです。」
これにより、チャットボット、画像拡張ツール、感情分析ツールなどの高度なシステムの作成が簡素化されます。これらのシステムは、言語の理解、コードの分析、情報の検索、その他の多様なタスクを実行できます。
LangChainの柔軟性、拡張性、そしてLLMとの統合性により、自然言語処理分野をはじめとする様々な領域で貴重なツールとなっています。
アクション(Action)とエージェント(Agent)
どのようなソフトウェアフレームワークにおいても、「アクション」と「エージェント」は構成要素のようなものです。これらは基本的な概念ですが、実装方法によって機能が異なります。
LangChainにおける定義は以下の通りです:
- Action(アクション):コードの一部が実行する特定のタスクや操作を指します。計算の実行からメールの送信まで、あらゆる処理が該当します。
- Agent(エージェント):バーチャルアシスタントのような存在であり、ユーザーや他のプログラムに代わって自律的にタスクを実行したり意思決定を行ったりするプログラムまたはコンポーネントです。
LangChainのエコシステム
LangChainのエコシステムには、主に5つのセクションがあります:
- LangChain Libraries:LEGOブロックを使った組み立てをイメージしてください。これらを組み合わせることで、さまざまな構造物を作成できます。LangChain Librariesを使用すれば、毎回ゼロから構築することなく、アクションやエージェントのチェーンを作成できます。
- LangChain Templates:さまざまなプロジェクトやタスク向けに事前設計されたフレームワークであり、ゼロから始めることなくすぐに実装できます。LEGOブロックがライブラリだとすると、これはLEGOの「デス・スター」完成モデルのようなものです。
- LangServe:LangChainのチェーンをREST APIとしてデプロイするために使用されます。
- LangSmith:LangChainに限らず、あらゆるフレームワークで構築されたチェーンのデバッグ、テスト、評価、モニタリングを可能にする開発者向けプラットフォームです。
- LangGraph:記憶を持ち、協調して動作するスマートなコンピュータプログラムを作成するためのツールボックスのようなものです。LangChainを利用して、これらのプログラム同士の対話を支援します。LangGraphを使用すると、プログラムに多くのステップを高度な方法で何度も繰り返し実行させることができます。
あわせて読みたい:LangChain vs LangGraph
LangChainの主要コンポーネント
多くの場合、「LangChain」について語られるとき、それはエコシステム全体ではなく、LangChain Librariesを指しています。
LangChain Libraries
LangChain Librariesは、主に2つの方法でAIの構築を支援します:
- コンポーネント(Components):言語モデルとのインタラクション用に設計された、汎用性の高いツールやコネクタです。使いやすく、単体で利用することもLangChainフレームワーク内で利用することも可能です。
- 作成済みのチェーン(Pre-made chains):特定のタスクを達成するために、あらかじめ構築されたコンポーネントの組み合わせです。開発の着手を円滑にする一方、コンポーネントを活用したカスタマイズや新しいチェーンの作成も可能です。
コンポーネントはさらに3つのタイプに分類されます:
Model I/O:
このコンポーネントは、プロンプト管理など、入力の構築と出力の処理を行うための明確なインターフェースとユーティリティを提供し、モデルとのコミュニケーションを容易にします。
LangChainは主に2つのタイプのモデルと統合します:LLMとChat Modelsです。LangChainにおけるLLMはテキスト補完に焦点を当て、文字列のプロンプトを受け取り、補完された文字列を出力します。一方、Chat Modelsは会話用途に特化しており、メッセージのリストを入力として受け取り、AIが生成したメッセージを返します。プロンプティングの戦略はこれらのモデル間で異なります。
Human-MessageやAI-Messageといったロールに分類されるメッセージは、モデルとの通信において中心的な役割を果たし、特定の機能を実現するためのfunction_callなどの追加パラメーターも備えています。
Retrieval(検索):
LLMのような言語モデルを使用する際、元の学習データに含まれていない特定のユーザー情報を理解させる必要があります。これを実現するための手法がRetrieval Augmented Generation(RAG:検索拡張生成)です。簡単に言えば、外部ソースから関連情報を取得し、テキスト生成時にその情報をモデルに供給することを意味します。
LangChainは、このようなアプリケーションを構築するために必要なすべてのツールを提供するツールキットです。
Agents(エージェント):
「エージェント」は、意思決定を担う頭脳のような存在です。言語モデルと指示(インストラクション)を使用して、次に実行すべき行動を判断します。固定された一連のアクションを実行するのではなく、言語モデルが最善の行動を決定できる柔軟性を備えています。つまり、プロセスのなかでの「賢い意思決定者」と考えることができます。一方でチェーンでは、一連のアクションがハードコーディングされています。
LangChainはどのように動作するのか?
LangChainの動作は、料理のレシピを作る過程によく似ています。料理の手順に従うのと同様に、LangChainは「チェーン」と呼ばれる一連のアクションを繋ぎ合わせ、特定のAI駆動タスクを達成します。
映画のおすすめを探している場面を想像してみてください。LangChainはまず、あなたが何を求めているかを理解します。次に、あなたが好む映画や過去に観た映画の詳細情報を収集します。視聴履歴や好みを言語モデル、洗練されたアルゴリズム、データ処理技術を活用して分析することで、LangChainはパーソナライズされた提案を作成します。最終的に、確認すべきおすすめ作品のリストを提示します。
レシピの手順を守ることが重要であるように、この「チェーン」の各リンクには意味があります。LangChainはプロセスを効率化し、最初から最後までのスムーズな実行を保証します。
LangChainでのプロンプトの作成
LangChainを使用してシンプルな質問応答システムをセットアップし、テキスト生成のためにHugging Face Hub(LLMが提供されているプラットフォーム)と統合する方法を解説します。
LangChainのインストール
!pip install langchain
プロンプトテンプレートのセットアップ
from langchain import PromptTemplate
template = """Question: {question}
Answer: """
prompt = PromptTemplate(
template=template,
input_variables=['question']
)
Hugging Face Hub LLMの使用
まず、Hugging Face APIキーが準備されていることを確認し、環境に設定します。
import os
os.environ['HUGGINGFACEHUB_API_TOKEN'] = 'HF_API_KEY'
Hugging Face Hubライブラリのインストール
!pip install huggingface_hub
テキスト生成用Hugging Face Hubの初期化と使用
from langchain import HuggingFaceHub, LLMChain
# initialize Hub LLM
hub_llm = HuggingFaceHub(
repo_id='google/flan-t5-xl',
model_kwargs={'temperature':1e-10}
)
LangChainとの統合
LangChainを使用して、プロンプトテンプレートとHugging Face Hubモデルを組み合わせます。
# create prompt template > LLM chain
llm_chain = LLMChain(
prompt=prompt,
llm=hub_llm
)
回答の生成
それでは、IPL 2023シーズンに関する質問を入力して、回答を取得してみましょう。
# user question
question = "Which team won the IPL 2023 season?"# ask the user question about IPL 2023
print(llm_chain.run(question))
この質問に対して、出力として正しい回答である「chennai super kings」が得られます。
LangChainの活用事例:
LangChainでは、チャットボット構築のための専門的なチュートリアルを提供しています。アクセスするには、リストの見出しをクリックしてください。
- Chatbot:チャットボットは、文脈を維持しながら長時間の継続的な会話を行えるため、広く導入されています。ユーザーからの問い合わせに対して関連する情報を提供するのに優れています。
- Synthetic data generation:合成データとは、現実世界の出来事から収集されたデータとは異なり、人工的に作成されたデータです。プライバシーを侵害することなく、また現実世界の制約に縛られることなく、リアルなデータを模擬することを目的としています。
- Summarizer:PDF、Notionのメモ、カスタマーサービスへの問い合わせなど、大量のドキュメントがあり、その要点を短い要約にまとめる必要がある場合、LLMが最適な選択肢となります。テキストの意味を理解し、効果的に要約する能力に長けています。
- Interacting with APIs:LLMから外部APIにアクセスさせる必要があるケースを考えてみてください。これは、関連するコンテキストを取り込むことでLLMの理解を深める強力な手法です。さらに、プレーンな自然言語でAPIとやり取りする可能性がひらけ、非常に便利になります。
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.















.webp)





.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






