はじめに

最近、AIエージェントの進化は目覚ましく、特に「LangChain」という新しいフレームワークが注目を集めています。

LangChainは、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、より手軽なものにしてくれるツールで、AIエージェントの開発でも使われているフレームワークになります。

最近話題のブラウザ操作エージェントの一つ、Browser UseでもLangChainが使われています。

Browser-useの詳細な使い方は下記の記事で紹介しています。

この記事では、LangChainの基本的な仕組みと、それを使って何ができるのかを解説します。

LangChainって何？

AIエージェントが出現するたびに、LangChainを使っているものも多く、「LangChain（ラングチェーン）」という言葉をよく耳にするようになりました。

このセクションでは、LangChainとは何か、そしてなぜAI開発において強力なツールキットと言えるのかを、わかりやすく解説していきます。

一言でいうと？

LangChainは、LLM（大規模言語モデル） を使ったアプリケーション開発を効率化するためのフレームワークです。フレームワークとは、アプリケーションを開発する際に土台となるソフトウェアのことです。

LangChainの役割

LangChainは、LLMが外部の情報にアクセスしたり、特定のツールを利用したりするのをサポートする、「架け橋」のような役割を果たします。

• データソースの例:

  • 社内ドキュメント (PDF, Wordなど)

  • Webサイト

  • データベース

• ツールの例:

  • 検索エンジン (例：Google検索)

  • 計算機

  • 各種API (例：天気予報API、翻訳API)

つまり、LangChainは、LLMがより多くの情報にアクセスし、様々なタスクを実行できるようにすることで、LLMの能力を最大限に引き出す役割を担っています。

LangChainの活用メリット

ここでは、LangChainがなぜ注目されているのか、その理由を解説します。

1. AI開発のハードルを下げる

LangChainは、LLMを活用したアプリケーション開発を、より身近なものにする強力なフレームワークです。

これまで、AIアプリケーションの開発には高度なプログラミングスキルと専門知識が必要とされてきました。

しかし、LangChainの登場により、開発者は複雑な処理を簡略化し、より迅速にアプリケーションを構築することが可能になりました。

2. 活発なコミュニティと豊富な情報

LangChainは、世界中で利用されているオープンソースのフレームワークです。

そのため、インターネット上には多くの情報が公開されています。また、活発なコミュニティが存在し、開発者同士で情報交換や助け合いが行われています。初心者でも安心して使い始めることができるでしょう。

3. AI開発の基礎が学べる

LangChainを学ぶことで、今後ますます重要となるAI開発の基礎的なスキルを身につけることができます。

これは、将来AIエンジニアを目指す人にとって、大きなアドバンテージとなるでしょう。また、ビジネスパーソンにとっても、AIを活用した業務効率化や、新たなビジネス創出に繋がる貴重なスキルとなります。

ビジネスにおける活用イメージ

• データ分析の効率化: 大量の顧客データや市場データから、必要な情報を素早く抽出し、分析レポートを自動生成する。

• 顧客対応の自動化: よくある質問への自動応答や、簡単な問い合わせ対応をチャットボットに任せる。

• 新規事業のアイデア創出: LLMとの対話を通じて、新たなビジネスアイデアの創出を支援する。

LangChainの仕組みを理解

ここでは、LangChainを構成する主要な部品（コンポーネント）について、それぞれの役割を解説していきます。

LangChainの主要コンポーネント

LangChainは、主に以下の6つのコンポーネントで構成されています。

これらを組み合わせて使用することで、多様なアプリケーションを開発できます。

1. Model I/O

Model I/Oは、LLMとやり取りするためのインターフェースを提供します。これには、以下の3つの要素が含まれます。

• Chat Models/LLMs: 実際にテキストを生成するAIモデル本体です。

  • Chat Models: メッセージのやり取りに特化したモデル (例：OpenAIのChatGPT)

  • LLMs: テキストの生成に特化したモデル (例：GoogleのGemini)

• Prompt Templates: LLMへの指示をテンプレート化し、効率的にプロンプトを作成する仕組み。

• Output Parsers: LLMの出力を、プログラムで扱いやすい形式（例：JSON）に変換します。

2. Retrieval

Retrievalは、LLMが外部データソースから情報を取得するための仕組みです。

• Document Loaders: PDF、ウェブページ、CSVなど、様々なデータソースからデータを読み込みます。

• Text Splitters: 長いテキストを、LLMが処理しやすい小さな塊（チャンク）に分割します。

• Vector Stores: テキストをベクトル化して保存・検索するためのデータベースです。

• Retrievers: ユーザーの質問に関連する情報を、データソースから効率的に検索・取得します。

3. Chains

Chainsは、複数のコンポーネントを繋げて、一連の処理を実行する仕組みです。例えば、「Prompt Template」→「LLM」→「Output Parser」と繋げることで、ユーザーの入力から最終的な出力結果を得ることができます。

ChatGPTなどのチャット形式のAIでは一度に一回の指示・実行しかできませんが、Chainsを使うことで複数のプロンプトに分けて、順番に実行するといったようなフローを構築することができます。

4. Agents

Agentsは、複数のツールを組み合わせて、複雑なタスクを実行する仕組みです。LLMが、どのツールを、どの順番で使うかを判断します。

• Tools: 外部ツールとの連携 (例：検索エンジン、計算機、API)

• Agent Executor: エージェントの実行を管理

Browser-useでも、Agentが、ブラウザのクリックやスクロールなどを実行するツールからどれを選択するかを判断しています。

5. Memory

Memoryは、会話履歴などの情報を記憶し、LLMが文脈に応じた応答を生成するために使用されます。

6. Callbacks: 処理の進捗状況を監視

Callbacksは、処理の進捗状況を監視し、ログ出力やデバッグを行うために使用されます。

LangChainで質問応答アプリを作成

ここでは、LangChainを使って、実際に質問応答アプリを作成してみましょう。

ユーザーから質問を受けたら、適切な情報源を選択して情報を取得、それに基づいて質問に答えるアプリを作成します。