LangChain 入門｜LCEL / Agent / RAG / LangSmith 完全ガイド

1LangChain とは

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のためのオープンソースフレームワークです。OpenAI / Anthropic / Google / ローカル LLM など多様なモデルを統一的なインターフェースで扱え、RAG・Agent・チェーン処理など複雑なワークフローを少ないコードで構築できます。

2022 年末の ChatGPT 登場と同時期に Harrison Chase 氏が公開して以来、LLM アプリ開発のデファクトスタンダードとなっており、GitHub Star 数も生成 AI 関連 OSS としてはトップクラス。Python 版とJS / TS 版が並行開発されています。

2LangChain Python と LangChain JS

3セットアップ・準備

# Python 版
pip install langchain langchain-openai langchain-anthropic langchain-community langchain-text-splitters

# JS / TS 版
npm install @langchain/core @langchain/openai @langchain/anthropic langchain

4最初のコード — Hello World

Python (LCEL)

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

# モデル
llm = ChatOpenAI(model="gpt-5")

# プロンプトテンプレート
prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたはプロの日本語コピーライターです。"),
    ("user", "{product} のキャッチコピーを 3 つ考えて")
])

# パーサ
parser = StrOutputParser()

# チェーン構築（LCEL）
chain = prompt | llm | parser

# 実行
print(chain.invoke({"product": "低糖質おやつ"}))

JS / TS

import { ChatOpenAI } from "@langchain/openai";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { StringOutputParser } from "@langchain/core/output_parsers";

const llm = new ChatOpenAI({ model: "gpt-5" });
const prompt = ChatPromptTemplate.fromMessages([
    ["system", "あなたはプロの日本語コピーライターです。"],
    ["user", "{product} のキャッチコピーを 3 つ考えて"]
]);
const parser = new StringOutputParser();

const chain = prompt.pipe(llm).pipe(parser);
console.log(await chain.invoke({ product: "低糖質おやつ" }));

5主要コンポーネント

6LCEL (LangChain Expression Language)

LCEL は LangChain 0.1 以降の標準チェーン記述方法。Unix パイプのように | で要素を繋いで、データの流れを宣言的に表現します。

LCEL の利点

• シンプル: 1 行でチェーンが書ける
• 非同期対応: ainvoke() / astream() を自動で生成
• バッチ実行: batch() で並列処理
• ストリーミング: stream() でトークン単位の逐次出力
• LangSmith 統合: 自動でトレース取得

7実践コード例

例 1: RAG をシンプルに構築

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

# 1. PDF を読み込んでベクトル化
docs = PyPDFLoader("manual.pdf").load()
chunks = RecursiveCharacterTextSplitter(chunk_size=1000).split_documents(docs)
vectordb = Chroma.from_documents(chunks, OpenAIEmbeddings())
retriever = vectordb.as_retriever()

# 2. RAG チェーン
prompt = ChatPromptTemplate.from_template(
    "以下の文脈を踏まえて回答してください。\n文脈: {context}\n質問: {question}"
)

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | ChatOpenAI(model="gpt-5")
    | StrOutputParser()
)

print(rag_chain.invoke("経費精算の手順は？"))

例 2: Agent (Tool Use)

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """指定した都市の現在の天気を返す"""
    # 実際は外部 API を呼ぶ
    return f"{city} の天気: 晴れ、気温 22℃"

@tool
def calculator(expression: str) -> str:
    """簡単な数式を評価する"""
    return str(eval(expression))

tools = [get_weather, calculator]
llm = ChatOpenAI(model="gpt-5")
agent = create_agent(llm, tools=tools)

print(agent.invoke({"messages": [{"role": "user", "content": "東京の天気を教えて、それから 23+45 を計算"}]}))

例 3: 構造化出力（JSON / Pydantic）

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field

class CustomerInfo(BaseModel):
    name: str = Field(description="顧客の名前")
    age: int = Field(description="年齢")
    email: str = Field(description="メールアドレス")

llm = ChatOpenAI(model="gpt-5").with_structured_output(CustomerInfo)
prompt = ChatPromptTemplate.from_messages([
    ("user", "次の自己紹介から情報を抽出: {text}")
])

result = (prompt | llm).invoke({
    "text": "私は山田太郎、35歳、メールは yamada@example.com です"
})
print(result.name, result.age, result.email)
# → CustomerInfo オブジェクトとして取得

8LangSmith でのデバッグ

LangSmith は LangChain 公式の観測・デバッグ・評価プラットフォーム。本番運用するなら必須レベル:

• トレース: チェーン内の各ステップの入出力・所要時間を可視化
• プロンプトデバッグ: 実際にどんなプロンプトが投げられたか確認
• データセット: 良い回答・悪い回答を蓄積して評価セット化
• 評価: GPT-4 等を Judge にして自動評価
• A/B テスト: プロンプト変更の影響を統計的に検証

# 環境変数を設定するだけで自動でトレース送信される
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="..."
export LANGSMITH_PROJECT="my-rag-app"

9LangGraph（状態管理）

LangGraph は LangChain チームが開発するグラフベースの Agent / ワークフローフレームワーク。複雑な状態遷移・サイクル・ヒューマン・イン・ザ・ループが必要なケースで威力を発揮:

• 各ノードが LLM やツールを呼び出す
• 条件分岐で次のノードを動的に決定
• 状態 (State) をグラフ全体で共有
• チェックポイント機能で中断・再開可能
• 本格的なマルチステップ Agent / ワークフローを構築可能

10代替フレームワーク

11注意点・落とし穴

• 頻繁な破壊的変更: バージョン間で API が変わることが多い、ピン留め推奨
• 抽象化のオーバーヘッド: シンプルな用途では生 API のほうが早い
• パッケージ分割: 0.1 以降 langchain-core / langchain-openai 等に分割、混乱しやすい
• ドキュメントの古さ: ネット上の古いサンプルが現行 API で動かないことがある、公式ドキュメント優先
• Agent API は v1 で刷新: 旧 AgentExecutor / create_react_agent は langchain-classic へ移動、新規は create_agent を使う。細かな制御が必要なら LangGraph
• コスト管理: チェーンを多段に組むとトークン消費が膨れる、LangSmith でモニタリング

12関連リンク

• OpenAI API 入門 — Python / Node.js から GPT-5 を呼ぶ
• Anthropic Claude API 入門 — Claude 4 を使い倒す
• RAG (Retrieval-Augmented Generation) 入門