LoginSignup
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@dgkmtu(dgk)

LangGraphを動かして理解する｜簡単なLLMアプリでノードと遷移を体験

Posted at

前回の記事では、LangGraphの概要とその特徴について紹介しました。
LangGraphとは？マルチステップLLMアプリを構築できるフレームワークを試す

今回はその続編として、実際にLangGraphを使った動くコードを紹介しながら、ノードの構成や状態遷移の流れを解説していきます。

簡単な質問応答アプリを例に、LangGraphの使い方と考え方を整理していきます。

1. 環境構築

今回の実装は、Google Coloboratory(以下Colab) 上で手軽に実行できます。
特別なローカル環境の準備は不要なので、Pythonが少しわかる方であればすぐに試せます。

使用した主なパッケージとバージョンは以下の通りです。
pip install langchain==0.3.0 langchain-openai==0.2.0 langgraph==0.2.22
依存関係の違いによるエラーを防ぐため、なるべくバージョンを揃えることをおすすめします。

以降では、Colab上で実行できるコードを紹介します。

2. 実行コード: LangGraphの処理を構築

本章では、LangGraphを使って質疑応答アプリの処理をどのように定義していくか、実際のコードをベースに解説します。
今回使用するノートブック全体はこちらで確認できます: [LangGraphTutrial](https://github.com/dgkmtu/LangGraphTutrial/blob/main/LangGraphTutrial/tutrial.ipynb)

2.1 処理の全体像

この質問応答アプリは、以下の3ステップで構成されています。

  1. ロール選定 (質問に応じて、回答担当の"専門家"を選ぶ)
  2. 回答生成 (選ばれたロールに応じた回答を生成)
  3. 品質チェック (回答が十分かを確認し、回答が不十分なら再回答)

この一連の流れをLangGraphで定義し、状態繊維として管理していきます。

2.2 コードの構成

2.2.1 ライブラリとAPIキーの準備

APIキーの設定と必要なライブラリをインポートします。

# OpenAIのAPIキーを環境変数に設定（ハードコードは避けてください）
import os
os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY" # セキュリティのため実際は.envファイルなどが望ましい

import operator
from typing import Annotated, Any
from langchain_core.pydantic_v1 import BaseModel, Field  # 状態モデル用
from langgraph.graph import StateGraph, END  # グラフ構築用
from langchain_openai import ChatOpenAI  # OpenAIのチャットモデル
from langchain_core.runnables import ConfigurableField  # LLM設定変更用
from langchain_core.prompts import ChatPromptTemplate  # プロンプトテンプレート
from langchain_core.output_parsers import StrOutputParser  # LLMの文字列出力を扱う

2.2.2 回答ロールの定義

# 回答ロールの定義（番号付き）
ROLES = {
	"1": {
		"name": "一般知識エキスパート",
		"description": "幅広い分野の一般的な質問に答える",
		"details": "幅広い分野の一般的な質問に対して、正確でわかりやすい回答を提供してください。"
	},
	"2": {
		"name": "生成AI製品エキスパート",
		"description": "生成AIや関連製品、技術に関する専門的な質問に答える",
		"details": "生成AIや関連製品、技術に関する専門的な質問に対して、最新の情報と深い洞察を提供してください。"
	},
	"3": {
		"name": "カウンセラー",
		"description": "個人的な悩みや心理的な問題に対してサポートを提供する",
		"details": "個人的な悩みや心理的な問題に対して、共感的で支援的な回答を提供し、可能であれば適切なアドバイスも行なってください。"
	}
}

どの専門家（ロール）に回答を任せるかを、LangGraph上で自動的に判断するためのマッピングです。

2.2.3 状態の定義 (Stateモデル)

# LangGraphに渡す状態の定義
class State(BaseModel):
	query: str = Field(..., description="ユーザーからの質問")
	current_role: str = Field(
		default="", description="選定された回答ロール"
	)
	messages: Annotated[list[str], operator.add] = Field(
		default=[], description="回答履歴"
	)
	current_judge: bool = Field(
		default=False, description="品質チェックの結果"
	)
	judgment_reason: str = Field(
		default="", description="品質チェックの判定理由"
	)

LangGraphに渡す状態(質問文・選ばれたロール・回答など)をまとめて管理します。

2.2.4 各ノードの関数定義

  • selection_node → 質問をもとにロール番号を判定
  • answering_node → 選ばれたロールに応じた回答を生成
  • check_node → 回答の品質をチェック
# OpenAIのチャットモデル（gpt-4o-mini）を初期化
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.0)
llm = llm.configurable_fields(max_tokens=ConfigurableField(id='max_tokens'))

# ノード①：ロールの選定
def selection_node(state: State) -> dict[str, Any]:
	query = state.query
	role_options = "\n".join([f"{k}. {v['name']}: {v['description']}" for k, v in ROLES.items()])
	prompt = ChatPromptTemplate.from_template(
"""質問を分析し、最も適切な回答担当ロールを選択してください。

選択肢:
{role_options}

回答は選択肢の番号（1、2、または3）のみを返してください。

質問: {query}
""".strip()
	)

	# max_tokens=1 に設定して、1文字（番号）のみ返すよう制限
	chain = prompt | llm.with_config(configurable=dict(max_tokens=1)) | StrOutputParser()
	role_number = chain.invoke({"role_options": role_options, "query": query})
  
	selected_role = ROLES[role_number.strip()]["name"]
	return {"current_role": selected_role}

# ノード②：ロールに応じた回答の生成
def answering_node(state: State) -> dict[str, Any]:
	query = state.query
	role = state.current_role
	role_details = "\n".join([f"- {v['name']}: {v['details']}" for v in ROLES.values()])
	prompt = ChatPromptTemplate.from_template(
"""あなたは{role}として回答してください。以下の質問に対して、あなたの役割に基づいた適切な回答を提供してください。

役割の詳細:
{role_details}

質問: {query}

回答:""".strip()
	)
	chain = prompt | llm |StrOutputParser()
	answer = chain.invoke({"role": role, "role_details": role_details, "query": query})

	return {"messages": [answer]}

# 回答品質の評価スキーマ
class Judgement(BaseModel):
	judge: bool = Field(default=False, description="判定結果")
	reason: str = Field(default="", description="判定理由")

# ノード③：品質チェック（OKなら終了、NGなら再実行）
def check_node(state: State) -> dict[str, Any]:
	query = state.query
	answer = state.messages[-1]
	prompt = ChatPromptTemplate.from_template(
"""以下の回答の品質をチェックし、問題がある場合は'False'、問題がない場合は'True'を回答してください。
また、その判断理由も説明してください。

ユーザーからの質問: {query}
回答: {answer}
""".strip()
	)
	chain = prompt | llm.with_structured_output(Judgement)
	result: Judgement = chain.invoke({"query": query, "answer": answer})

	return {
		"current_judge": result.judge,
		"judgement_reason": result.reason
	}

2.2.5 グラフの構築と遷移設定

# LangGraphグラフの構築
workflow = StateGraph(State)

# 各ノードをグラフに追加
workflow.add_node("selection", selection_node)
workflow.add_node("answering", answering_node)
workflow.add_node("check", check_node)

# 処理開始点を指定（最初はロール選定から）
workflow.set_entry_point("selection")

# 各ノード間の遷移（エッジ）を定義
workflow.add_edge("selection", "answering")
workflow.add_edge("answering", "check")

# 条件分岐：checkノードの結果によって終了 or やり直し
workflow.add_conditional_edges(
	"check",
	lambda state: state.current_judge, # Trueなら終了、Falseなら再実行
	{True: END, False: "selection"}
)

# グラフの最終的なコンパイル（実行可能状態に）
compiled = workflow.compile()

ここでは、LangGraphのグラフ構文を使って、3つの処理ノード（選定・回答・評価）をどのように接続・遷移させるかを定義していきます。

2.2.6 実行と結果の出力

# 初期状態としてユーザーの質問を与える
initial_state = State(query="生成AIについて教えてください")

# 実行（LangGraphが自動でループや遷移を管理）
result = compiled.invoke(initial_state)

# 最終出力（最終回答メッセージ）
print(result["messages"][-1])

ユーザーからの質問に対して、選ばれた"専門家"が答えた結果が出力されます。

2.3 実際の出力例

生成AIとは、人工知能の一分野であり、特にデータを基に新しいコンテンツを生成する能力を持つ技術を指します。これには、テキスト、画像、音声、動画など、さまざまな形式のコンテンツが含まれます。生成AIは、機械学習アルゴリズム、特に深層学習を利用して、既存のデータからパターンを学習し、それを基に新しいデータを生成します。 ### 主な技術と応用 1. **自然言語処理（NLP）**: テキスト生成や翻訳、要約などに使用されます。例えば、GPT（Generative Pre-trained Transformer）シリーズは、文章を生成する能力に優れています。 2. **画像生成**: GAN（Generative Adversarial Networks）やVQ-VAE（Vector Quantized Variational Autoencoders）などの技術を用いて、リアルな画像を生成することができます。DALL-EやMidjourneyなどが代表的な例です。 3. **音声生成**: 音声合成技術を用いて、人間の声に似た音声を生成することができます。これにより、ナレーションや対話システムなどが実現されています。 4. **動画生成**: まだ発展途上ですが、AIを用いて短い動画を生成する技術も進化しています。 ### 利点と課題 - **利点**: コンテンツの迅速な生成、コスト削減、クリエイティブなアイデアの支援などが挙げられます。 - **課題**: 偽情報の生成、著作権の問題、倫理的な懸念などがあり、これらに対する対策が求められています。 生成AIは、ビジネス、エンターテインメント、教育など多くの分野で革新をもたらす可能性を秘めていますが、その利用には慎重なアプローチが必要です。

2.4 グラフ描画で流れを可視化

以下のコードで、LangGraphがどのようにノードを遷移しているかを画像で確認できます：
▪️必要パッケージのインストール

# LangGraphのグラフ画像描画に必要なパッケージをインストール
!apt-get install graphviz libgraphviz-dev pkg-config
!pip install pygraphviz

▪️画像化

from IPython.display import Image
Image(compiled.get_graph().draw_png())

3. フロー図で処理の流れを視覚化

LangGraphの強みのひとつは、「状態遷移の構造をグラフとして視覚化できること」です。
以下は、実際に生成された状態遷移のフロー図です。

スクリーンショット 2025-07-16 13.48.04.png

この図では以下のような流れで処理が進みます：

  1. selection：質問内容に応じて適切なロール（専門家）を選定
  2. answering：選ばれたロールに基づいて回答を生成
  3. check：回答の品質を判定
  4. True（品質OK）→ 終了　／　False（品質NG）→ ロール選定に戻って再実行

このように、品質が不十分だった場合は再びロール選定から処理を繰り返すようになっています。
これは「適切な回答者が選ばれていなかった可能性がある」という前提に基づき、役割選定を見直す設計です。

4. いろいろな質問で試してみる

以下のような質問を入れると、選ばれるロールや回答が変わってくるはずです。

  • 「最近よく聞く生成AIってなんですか？」（→ 生成AIエキスパートが選ばれる）
  • 「仕事のストレスが多くて困っています」（→ カウンセラー）
  • 「チョコレートの歴史について教えてください」（→ 一般知識エキスパート）

ぜひ自分でもいろいろな質問で試してみてください。

次回予告

今回の流れでLangGraphの基礎はわかりました。
次回は、このLangGraphを応用してもう少し高度なグラフを構築していきたいと思います。

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?