LangChain

様々な LLM へのインターフェース

対応モデル:
- OpenAI（GPT-4、GPT-3.5）
- Anthropic（Claude）
- Google（Gemini）
- オープンソースモデル（Llama、Mistral）

統一されたインターフェースで簡単に切り替え可能

プロンプトテンプレートの管理

例:
template = "次の文章を{language}に翻訳してください: {text}"

再利用可能で、保守しやすい

複数のステップを連鎖させる

例: 文書要約チェーン
1. 文書を読み込む
2. 長文を分割
3. 各部分を要約
4. 要約を結合

一連の処理を簡単に構築

LLM が自律的にツールを使って問題解決

動作:
1. ユーザーの質問を受け取る
2. どのツールを使うべきか判断
3. ツールを実行
4. 結果を確認
5. 必要なら別のツールを使う
6. 最終的な答えを返す

会話履歴の保持

種類:
- ConversationBufferMemory: 全履歴を保存
- ConversationSummaryMemory: 要約して保存
- ConversationBufferWindowMemory: 最新N件のみ保存

長い対話でも文脈を維持

関連情報の検索

例:
Vector Database から類似文書を検索
→ RAG（Retrieval Augmented Generation）の実装

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# LLM の初期化
llm = OpenAI(temperature=0.7)

# プロンプトテンプレート
template = "質問: {question}\n回答:"
prompt = PromptTemplate(template=template, input_variables=["question"])

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

# 実行
response = chain.run(question="Pythonとは何ですか？")

from langchain.chains import SimpleSequentialChain

# チェーン1: 商品アイデアを生成
chain_1 = LLMChain(llm=llm, prompt=idea_prompt)

# チェーン2: 商品名を生成
chain_2 = LLMChain(llm=llm, prompt=name_prompt)

# 順次実行
overall_chain = SimpleSequentialChain(
    chains=[chain_1, chain_2]
)

result = overall_chain.run("スマートフォンアクセサリー")

from langchain.agents import load_tools, initialize_agent
from langchain.agents import AgentType

# ツールの読み込み
tools = load_tools(
    ["serpapi", "llm-math"],  # Google検索、計算
    llm=llm
)

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

# 実行
agent.run("2024年の東京の人口は？それを2で割ると？")

# エージェントが自動的に:
# 1. Google で検索
# 2. 計算ツールを使用
# 3. 最終的な答えを返す

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# Vector Database の準備
embeddings = OpenAIEmbeddings()
vectordb = Chroma.from_documents(
    documents=docs,
    embedding=embeddings
)

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

# 質問
qa_chain.run("会社の休暇ポリシーは？")

# 自動的に関連文書を検索して回答

従来:
- プロンプト管理を自前で実装
- 複数のステップを手動で連携
- エラーハンドリングを都度実装
→ 数日〜数週間

LangChain:
- 既存のコンポーネントを組み合わせ
- エラーハンドリングも標準装備
→ 数時間〜数日

プロンプトの管理:
- テンプレート化
- バージョン管理
- 再利用

モデルの切り替え:
- 統一されたインターフェース
- 簡単に別のモデルに変更可能

LangChain には、実績のあるパターンが組み込まれている:
- Chain-of-Thought プロンプト
- ReAct パターン
- RAG の実装

車輪の再発明を避ける

豊富な統合:
- Vector Databases（Pinecone、Chroma）
- LLM プロバイダー（OpenAI、Anthropic）
- ツール（Google Search、Wikipedia）

すぐに使える

単純な連鎖

例:
入力 → LLM → 出力

用途:
- 単純な質問応答
- テキスト生成

複数のステップを順次実行

例:
入力 → ステップ1 → ステップ2 → ステップ3 → 出力

用途:
- 複雑な変換
- 段階的な処理

入力に応じて異なるチェーンを選択

例:
質問 → 分類 → 専門チェーンA or B or C → 回答

用途:
- マルチドメインの質問応答
- 専門的な処理の振り分け

LLM が自律的にツールを選択・実行

例:
質問 → エージェント → ツール選択 → 実行 → 回答

用途:
- 複雑な問題解決
- 動的なタスク

関連情報を検索して回答を生成

例:
質問 → 検索 → 関連文書 → LLM → 回答

用途:
- ドキュメント検索
- 社内ナレッジベース

問題:
抽象化レイヤーが多く、パフォーマンスが低下する場合

対策:
- 必要に応じて低レベル API を使用
- パフォーマンスが重要な部分は最適化

問題:
多くのコンポーネントと概念を理解する必要

対策:
- 公式ドキュメントを読む
- 簡単な例から始める
- コミュニティのサンプルを参考に

問題:
活発に開発されており、API が変わることがある

対策:
- バージョンを固定
- 変更履歴を確認
- マイグレーションガイドを参照

問題:
複雑なチェーンのデバッグが困難

対策:
- verbose モードを有効化
- 各ステップの出力をログに記録
- 小さなチェーンから始めて徐々に拡張

特徴:
- データ接続に特化
- RAG の構築に強い

用途:
- ドキュメント検索
- ナレッジベースの構築

特徴:
- C# と Python で利用可能
- エンタープライズ向け

用途:
- Microsoft エコシステムとの統合
- 企業向けアプリケーション

特徴:
- 検索と NLP に特化
- エンドツーエンドの NLP パイプライン

用途:
- 検索システム
- 質問応答システム

シンプルなユースケースでは、LLM API を直接使う方が良い場合も

メリット:
- シンプル
- 完全なコントロール
- 依存関係が少ない

最初から複雑なチェーンを作らない

アプローチ:
1. 単純なチェーンから始める
2. 動作を確認
3. 徐々に機能を追加

プロンプトテンプレートを活用

メリット:
- 再利用可能
- バージョン管理しやすい
- テストしやすい

verbose モードを有効化

例:
chain = LLMChain(llm=llm, prompt=prompt, verbose=True)

各ステップの動作が可視化される

try-except でエラーを適切に処理

例:
try:
    result = chain.run(input)
except Exception as e:
    # エラー処理
    logging.error(f"Chain failed: {e}")

LLM の使用量を監視

対策:
- トークン数をカウント
- キャッシュを活用
- 不要な API コールを削減