Shikata Ga Nai

Private? There is no such things.

第15回：LangChainでLLMアプリケーションを作ってみよう

LLM

Hello there, ('ω')ノ

🎯 はじめに：LangChainとは？

LangChain は、LLM（大規模言語モデル） を活用したアプリケーションの開発を
より簡単かつ柔軟に行うためのフレームワーク です。

✅ 主な特徴 - LLMの統合: GPT-3、GPT-4、Claude、PaLM などのモデル対応
- RAG（検索拡張生成）: 外部データベース・APIからの情報取得を活用
- エージェント機能: ユーザー入力に応じて自律的にタスクを実行

✅ 主な用途 - チャットボット・対話型AIの構築
- 質問応答（QA）システムの開発
- ドキュメント検索・情報要約
- API連携・タスク自動化

📚 1. LangChainの基本構造と仕組み

📦 ① LangChainの主なコンポーネント

LangChainは、以下の5つの主要コンポーネントで構成されています。

✅ 1. モデル（Model）

  • LLM: GPT-3、GPT-4、Claude、PaLM などの大規模言語モデル
  • 埋め込みモデル（Embedding Models）: ベクトル化によるデータ検索

✅ 2. プロンプトテンプレート（Prompt Template）

  • ユーザーの入力から 動的なプロンプト を作成するテンプレート
  • プロンプトの再利用やカスタマイズが容易

✅ 3. チェーン（Chain）

  • 複数のプロセスを連結 してワークフローを構築
  • 例）ユーザー入力 → LLM → 生成結果の加工・保存

✅ 4. エージェント（Agent）

  • ユーザーの指示に応じて 自律的にタスクを選択・実行
  • API呼び出し、情報検索、外部ツールの使用

✅ 5. メモリ（Memory）

  • 会話履歴やコンテキスト情報を保持し、長期的な対話管理
  • セッションメモリ を使用して文脈理解を向上

🔗 ② LangChainのワークフローの基本

[ユーザー入力] → [プロンプトテンプレート] → [LLM] → [出力] → [メモリ/外部API]

📝 2. LangChainのインストールとセットアップ

🔥 ① LangChainのインストール

以下のコマンドで必要なパッケージをインストールします。

# LangChainのインストール
pip install langchain
pip install openai
pip install tiktoken

✅ langchain： LangChainのメインパッケージ
✅ openai： OpenAI API へのアクセス
✅ tiktoken： トークン処理用のライブラリ

🔐 ② OpenAI APIキーの取得

  • OpenAI でAPIキーを取得
  • PythonスクリプトでAPIキーを設定
import openai
openai.api_key = "YOUR_OPENAI_API_KEY"

📚 ③ LangChainの基本設定

from langchain.llms import OpenAI

# GPT-3.5 or GPT-4 のモデルを選択
llm = OpenAI(model_name="gpt-4", temperature=0.7)

✅ model_name： 使用するLLM（gpt-3.5-turbo、gpt-4 など）
✅ temperature： 応答の創造性レベル（0.0〜1.0）

🔥 3. LangChainでシンプルなチャットボットを作ろう

💬 ① チャットボットの基本構造

LangChainを使った シンプルなチャットボット を構築してみましょう。

📚 ステップ 1：プロンプトテンプレートの定義

from langchain import PromptTemplate

# プロンプトテンプレートの作成
template = """
あなたは親切で知識豊富なAIアシスタントです。
ユーザーの質問に対して、正確で簡潔な回答をしてください。

質問: {question}
"""
prompt = PromptTemplate(input_variables=["question"], template=template)

✅ PromptTemplate： ユーザー入力に基づくプロンプトの作成
✅ input_variables： ユーザーからの入力（例：question）

📚 ステップ 2：LLMの設定

from langchain.llms import OpenAI

# LLMモデルの初期化
llm = OpenAI(model_name="gpt-3.5-turbo", temperature=0.7)

✅ model_name： GPT-3.5、GPT-4 などの選択
✅ temperature： 応答の創造性をコントロール

📚 ステップ 3：チェーンの作成

from langchain.chains import LLMChain

# LLMチェーンの作成
chain = LLMChain(llm=llm, prompt=prompt)

# ユーザー入力の受け取りと回答生成
question = "AIは未来の仕事にどう影響しますか？"
response = chain.run(question)
print(response)

✅ LLMChain： プロンプト → LLM → 応答のチェーン化
✅ chain.run()： ユーザー入力の処理と応答生成

🎉 【結果の例】

AIは未来の仕事に多大な影響を与えると考えられます。自動化により単純作業が減少し、より創造的・高度な業務に人間が集中できるようになります。

🔗 4. LangChainでQA（質問応答）アプリケーションを作る

📚 ① LangChainでQAシステムの構築

次に、LangChainを活用して 質問応答（QA）システム を構築します。

📚 ステップ 1：ドキュメントの読み込み

from langchain.document_loaders import TextLoader

# ドキュメントの読み込み
loader = TextLoader("./data/document.txt")
documents = loader.load()

✅ TextLoader： テキストドキュメントの読み込み
✅ loader.load()： 読み込み後のデータ取得

📚 ステップ 2：埋め込みモデルの作成

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

# 埋め込みモデルの作成
embeddings = OpenAIEmbeddings()

# FAISSベクトルストアへの格納
db = FAISS.from_documents(documents, embeddings)

✅ OpenAIEmbeddings： OpenAIの埋め込みモデルを使用
✅ FAISS： 高速なベクトル検索エンジン

📚 ステップ 3：検索拡張生成（RAG）の設定

from langchain.chains import RetrievalQA

# QAチェーンの作成
qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=db.as_retriever())

# ユーザーの質問
question = "このドキュメントでAIの定義を説明してください。"
response = qa_chain.run(question)
print(response)

✅ RetrievalQA： ドキュメント検索＋質問応答の組み合わせ
✅ db.as_retriever()： ベクトルストアから情報取得

🎉 【結果の例】

AI（人工知能）は、人間の知的作業を自動化し、データ解析、パターン認識、意思決定支援を行う技術のことです。

🤖 5. LangChainでエージェント（Agent）を構築

⚡️ ① エージェントの概要

エージェント（Agent） は、
ユーザー入力に基づき、自律的にタスクを実行するインテリジェントなモジュール です。

📚 ステップ 1：エージェントの作成

from langchain.agents import load_tools, initialize_agent, AgentType

# 外部ツールの読み込み
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# エージェントの初期化
agent = initialize_agent(
    tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)

# ユーザーのクエリ
query = "東京タワーの高さは？"
response = agent.run(query)
print(response)

✅ load_tools()： SERP API や計算APIなどの外部ツール読み込み
✅ initialize_agent()： エージェントの初期化
✅ AgentType.ZERO_SHOT_REACT_DESCRIPTION： ReAct型エージェントの使用

🎉 【結果の例】

東京タワーの高さは333メートルです。

🌐 6. RAG（検索拡張生成）をLangChainで活用する

🔎 ① RAG（Retrieval-Augmented Generation）とは？

RAG（検索拡張生成） は、
LLMと外部情報検索（ベクトル検索） を組み合わせて、
より正確で最新の情報を生成する手法 です。

📚 ステップ 1：RAGのセットアップ

from langchain.chains import RetrievalQA

# ベクトルストアからRAG設定
rag_chain = RetrievalQA.from_chain_type(llm=llm, retriever=db.as_retriever())

# ユーザーの質問
question_rag = "最近のAI技術の進歩は？"
response_rag = rag_chain.run(question_rag)
print(response_rag)

✅ RetrievalQA： 検索と生成を組み合わせたワークフロー
✅ db.as_retriever()： ベクトルストアで情報検索

🎉 【結果の例】

最近のAI技術では、GPT-4などの大規模言語モデル、拡散モデルによる画像生成、マルチモーダルAIの統合が進展しています。

🎁 まとめ：LangChainでLLMアプリケーションを作成しよう！

✅ LangChainは、LLMを活用したアプリケーションの構築を容易にする強力なフレームワーク。
✅ プロンプトテンプレート、チェーン、エージェント、RAG などのコンポーネントを活用できる。
✅ チャットボット、QAシステム、情報検索、エージェント制御など、さまざまな用途に応用可能。
✅ RAG（検索拡張生成）を組み合わせることで、最新情報を取り入れた正確な回答が得られる。

Best regards, (^^ゞ