LangChain とは？LLM アプリ開発フレームワークの使い方・RAG

• LangChain は LLM アプリ開発のためのフレームワーク。プロンプト → モデル → 出力解析を「チェーン」として組み立てる
• OpenAI / Anthropic / Google / Hugging Face など主要 LLM をプロバイダ抽象化。モデル切替が容易
• RAG (検索拡張生成) / ベクトル DB / Tool 呼出のための部品が揃う
• 本格的なエージェントは姉妹プロダクト LangGraph で組む流れに
• 本番運用には LangSmith（ログ・評価・モニタリング）が併用される
• Python / JavaScript の双方で提供

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_template(
    "次の質問に簡潔に日本語で答えてください: {q}"
)
llm = ChatOpenAI(model="gpt-4o-mini")
parser = StrOutputParser()

# LCEL: | でチェーンを組む
chain = prompt | llm | parser

print(chain.invoke({"q": "光の三原色は？"}))

from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser

# 1) 読込・分割
docs = WebBaseLoader("https://example.com/manual").load()
splits = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100).split_documents(docs)

# 2) 埋め込み・DB
vs = Chroma.from_documents(splits, embedding=OpenAIEmbeddings())
retriever = vs.as_retriever(search_kwargs={"k": 4})

# 3) チェーン
prompt = ChatPromptTemplate.from_template("質問: {question}\\n\\n参考:\\n{context}\\n\\n回答:")
llm = ChatOpenAI(model="gpt-4o-mini")
rag = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt | llm | StrOutputParser()
)

print(rag.invoke("このマニュアルの主旨は？"))

# Python
pip install langchain langchain-openai langchain-community
pip install langgraph langsmith    # エージェント＋運用

# JavaScript / TypeScript
npm install langchain @langchain/openai @langchain/core

• LCEL を覚える: prompt | llm | parser 形式は invoke、batch、astream 全てに対応
• LangSmith: 本番で必ず入れる。トレース・トークン消費・遅延を可視化
• Streaming: chain.astream(...) でトークン単位の体感速度を向上
• ベクトル DB: ローカル試作は Chroma、本番は pgvector / Pinecone
• マルチプロバイダ運用は ChatOpenAI / ChatAnthropic / ChatGoogleGenerativeAI を同じ API で差替
• 本番化は LangServe（FastAPI）または自前 FastAPI + chain.invoke で十分

• API が頻繁に変わる — メジャー版・パッケージ分割が断続的に起こる。requirements.txt で固定必須
• 古いチュートリアルの LLMChain や initialize_agent は非推奨。LCEL / LangGraph へ
• ベクトル DB の永続化: Chroma.from_documents は揮発しがち。persist_directory を指定
• トークン消費: RAG は文脈に大量に詰める。コスト監視必須
• 機密データ: 公開 LLM API へ送る前に PII マスキング
• 長いプロンプトでモデル制限を超えるとサイレント切り捨て。Tokenizer 事前計測
• エージェントの暴走: ループ・ツール乱用に備え、ステップ上限・タイムアウトを設定