🚀 LangGraphとは？

LangGraph は LangChain の上に構築されたエージェント・ワークフローのオーケストレーションフレームワークです。

状態管理 (StatefulGraph)
ループ・分岐処理
複数エージェントの協調 (Supervisor)
LangSmith統合によるトレース

などが特徴で、シンプルなチャットボットから複雑なマルチエージェントシステムまで柔軟に実装できます。

1. インストール

pip install -U langgraph langchain-openai

OpenAIを使う場合は OPENAI_API_KEY を環境変数にセットしてください。

2. 最小の例：シンプルチャット

LangGraphを知らなくても「とりあえず動く」最小例。

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini")

# 状態定義
class State(dict): ...

# ノード定義
def chatbot_node(state: State):
    user_msg = state["messages"][-1]
    response = llm.invoke(user_msg)
    return {"messages": state["messages"] + [response]}

# グラフ定義
graph = StateGraph(State)
graph.add_node("chatbot", chatbot_node)
graph.set_entry_point("chatbot")
graph.add_edge("chatbot", END)

app = graph.compile()

# 実行
result = app.invoke({"messages": ["こんにちは！"]})
print(result["messages"][-1].content)

👉 StateGraph にノードを登録 → compile() → 実行、という流れが基本。

3. ツールを組み込む（ReAct風）

LangGraphにはツール呼び出しの仕組みがあります。

from langgraph.prebuilt import create_react_agent

# シンプルなツール
def get_weather(city: str) -> str:
    return f"{city}の天気は晴れです！"

agent = create_react_agent(
    model="openai:gpt-4o-mini",
    tools=[get_weather],
    prompt="あなたは役立つアシスタントです"
)

resp = agent.invoke({"messages":[{"role":"user","content":"東京の天気は？"}]})
print(resp)

👉 LLMが「関数を呼び出すべき」と判断すると get_weather が実行されます。

4. 条件分岐とループ

LLMの応答が十分でなければ再試行する例。

from langgraph.graph import StateGraph, END

class State(dict): ...

def validator_node(state: State):
    msg = state["messages"][-1]
    if "?" in msg.content:
        return {"retry": True}
    return {"retry": False}

graph = StateGraph(State)
graph.add_node("chatbot", chatbot_node)
graph.add_node("validator", validator_node)

graph.set_entry_point("chatbot")
graph.add_edge("chatbot", "validator")
graph.add_conditional_edges(
    "validator",
    lambda state: "chatbot" if state["retry"] else END
)

app = graph.compile()

👉 add_conditional_edges を使って「再質問があればループ」「なければ終了」というフローを作れます。

5. マルチエージェント（Supervisor）

LangGraph Supervisor を使うと「マネージャー → ワーカー」の階層が作れます。

from langgraph.supervisor import create_supervisor

def research_agent(task: str) -> str:
    return f"調査済み: {task}"

def writer_agent(task: str) -> str:
    return f"記事生成: {task}"

supervisor = create_supervisor(
    agents={"researcher": research_agent, "writer": writer_agent},
    model="openai:gpt-4o-mini"
)

result = supervisor.invoke("最新のAIニュースについて記事を書いて")
print(result)

👉 Supervisor がタスクを分配し、エージェントが処理。大規模システムに有効。

6. ストリーミング応答

リアルタイムにトークンを流すことも可能。

async with agent.run_stream("東京の観光地を教えて") as result:
    async for token in result.stream_text():
        print(token, end="", flush=True)

👉 チャットUIや音声アシスタントに最適。

7. 実用例：FAQボット + Web検索

LangGraph なら外部ツールを組み合わせた実用的エージェントも簡単。

from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.prebuilt import ToolExecutor

tools = [TavilySearchResults(max_results=1)]
executor = ToolExecutor(tools)

agent = create_react_agent(
    model="openai:gpt-4o-mini",
    tools=tools,
    prompt="あなたはFAQボットです。検索も使えます。"
)

resp = agent.invoke({"messages":[{"role":"user","content":"LangGraphとは？"}]})
print(resp)

👉 LLMが自動で検索ツールを呼び出して補完します。

8. 実用例：バグ修正ループ

研究では、LangGraphで「コード修正エージェント」を構築した事例も報告されています。

コードを生成
実行してエラー収集
LangGraphで再修正 → テスト → ループ

これにより人手を介さず自動デバッグが可能になります。

9. まとめ

LangGraphを使うと…

状態管理・分岐・ループで複雑な制御が可能
ツール連携で実世界の情報を統合
Supervisorで階層型マルチエージェントを構築
ストリーミング対応でUIに強い
**実運用事例（FAQボット、バグ修正、記事生成）**に直結

💡 今後「LLM×業務システム」を構築するなら、まずはLangGraphでワークフローを設計するのがおすすめです。