LangChain Agentの種類完全ガイド：JavaScriptで学ぶ各エージェントの特徴と使い方

LangChain

Posted at 2025-12-09

LangChain Agentの種類完全ガイド：JavaScriptで学ぶ各エージェントの特徴と使い方

はじめに

LangChainでは、様々な種類のAgentが提供されており、それぞれ異なる思考プロセスと実行戦略を持っています。この記事では、LangChain.jsを使用して、主要なAgentの種類とその特徴、実装方法を詳しく解説します。各Agentの適切な使い分けを理解することで、より効果的なAIエージェントアプリケーションを構築できます。

Agentとは

Agentの基本概念

Agentは、LLMとツールを組み合わせて、複雑なタスクを自律的に実行するシステムです。Agentは以下の能力を持ちます：

思考: タスクを分析し、必要なアクションを決定
ツール使用: 外部ツールを呼び出して情報を取得
観察: ツールの結果を観察し、次のアクションを決定
反復: 目標達成まで必要なアクションを繰り返し実行

Agentの基本構造

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createOpenAIFunctionsAgent } from "langchain/agents";
import { ChatPromptTemplate } from "@langchain/core/prompts";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// ツールの定義
const tools = [/* ツールの配列 */];

// Agentの作成
const agent = await createOpenAIFunctionsAgent({
  llm,
  tools,
  prompt: ChatPromptTemplate.fromMessages([/* プロンプト */]),
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
});

主要なAgentの種類

1. ReAct Agent

特徴

ReAct（Reasoning + Acting）Agentは、推論と行動を交互に行うAgentです。思考プロセスを明示的に示しながら、ツールを使用してタスクを実行します。

特徴：

思考プロセスが透明
段階的な問題解決
デバッグが容易

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createReactAgent } from "langchain/agents";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { pull } from "langchain/hub";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// ツールの定義
const calculatorTool = new DynamicStructuredTool({
  name: "calculator",
  description: "数式を計算します。例: (2 + 2) * 3",
  schema: z.object({
    expression: z.string().describe("計算する数式"),
  }),
  func: async ({ expression }) => {
    try {
      return eval(expression).toString();
    } catch (error) {
      return `エラー: ${error.message}`;
    }
  },
});

const tools = [calculatorTool];

// ReAct Agentのプロンプト
const prompt = await pull<ChatPromptTemplate>("hwchase17/react");

// Agentの作成
const agent = await createReactAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
  maxIterations: 15,
});

// Agentの実行
const result = await agentExecutor.invoke({
  input: "2 + 2 の結果に 3 を掛けて、その結果を 2 で割ってください",
});

console.log(result.output);

実行例の出力

思考: まず 2 + 2 を計算する必要があります。
行動: calculator
行動入力: {"expression": "2 + 2"}
観察: 4
思考: 次に 4 * 3 を計算します。
行動: calculator
行動入力: {"expression": "4 * 3"}
観察: 12
思考: 最後に 12 / 2 を計算します。
行動: calculator
行動入力: {"expression": "12 / 2"}
観察: 6
思考: 計算が完了しました。答えは 6 です。
最終回答: 6

2. OpenAI Functions Agent

特徴

OpenAI Functions Agentは、OpenAIのFunction Calling機能を活用したAgentです。構造化されたツール定義を使用し、高精度なツール呼び出しが可能です。

特徴：

OpenAIのFunction Callingを活用
構造化されたツール定義
高精度なツール選択

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createOpenAIFunctionsAgent } from "langchain/agents";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// 天気情報を取得するツール
const weatherTool = new DynamicStructuredTool({
  name: "get_weather",
  description: "指定された都市の天気情報を取得します",
  schema: z.object({
    city: z.string().describe("天気を取得する都市名"),
  }),
  func: async ({ city }) => {
    // 実際の実装では、天気APIを呼び出す
    return `${city}の天気は晴れ、気温は22度です`;
  },
});

// 計算ツール
const calculatorTool = new DynamicStructuredTool({
  name: "calculator",
  description: "数式を計算します",
  schema: z.object({
    expression: z.string().describe("計算する数式"),
  }),
  func: async ({ expression }) => {
    try {
      return eval(expression).toString();
    } catch (error) {
      return `エラー: ${error.message}`;
    }
  },
});

const tools = [weatherTool, calculatorTool];

// プロンプトの作成
const prompt = ChatPromptTemplate.fromMessages([
  ["system", "あなたは親切なアシスタントです。利用可能なツールを使用して質問に答えてください。"],
  ["human", "{input}"],
  new MessagesPlaceholder("agent_scratchpad"),
]);

// Agentの作成
const agent = await createOpenAIFunctionsAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
});

// Agentの実行
const result = await agentExecutor.invoke({
  input: "東京の天気を教えて、その気温に10を足した値を計算してください",
});

console.log(result.output);

3. Structured Chat Agent

特徴

Structured Chat Agentは、構造化された出力を生成するAgentです。複雑なタスクを段階的に処理し、各ステップで構造化された情報を扱います。

特徴：

構造化された出力
複雑なタスクの段階的処理
明確なアクションプラン

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createStructuredChatAgent } from "langchain/agents";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// データベース検索ツール
const searchDatabaseTool = new DynamicStructuredTool({
  name: "search_database",
  description: "データベースから情報を検索します",
  schema: z.object({
    query: z.string().describe("検索クエリ"),
    table: z.string().describe("検索するテーブル名"),
  }),
  func: async ({ query, table }) => {
    // 実際の実装では、データベースクエリを実行
    return `テーブル ${table} から "${query}" で検索した結果: 3件のレコードが見つかりました`;
  },
});

// レポート生成ツール
const generateReportTool = new DynamicStructuredTool({
  name: "generate_report",
  description: "レポートを生成します",
  schema: z.object({
    data: z.string().describe("レポートに含めるデータ"),
    format: z.enum(["json", "csv", "markdown"]).describe("レポートの形式"),
  }),
  func: async ({ data, format }) => {
    return `${format}形式のレポートを生成しました: ${data}`;
  },
});

const tools = [searchDatabaseTool, generateReportTool];

// プロンプトの作成
const prompt = ChatPromptTemplate.fromMessages([
  ["system", `あなたはデータ分析エージェントです。以下の手順でタスクを実行してください:
1. データベースから必要な情報を検索
2. 検索結果を分析
3. レポートを生成

利用可能なツール: {tool_names}`],
  ["human", "{input}"],
  new MessagesPlaceholder("agent_scratchpad"),
]);

// Agentの作成
const agent = await createStructuredChatAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
});

// Agentの実行
const result = await agentExecutor.invoke({
  input: "ユーザーテーブルからアクティブなユーザーを検索して、JSON形式のレポートを生成してください",
});

console.log(result.output);

4. Plan-and-Execute Agent

特徴

Plan-and-Execute Agentは、まず全体の計画を立て、その後計画に従って実行するAgentです。複雑なタスクを複数のステップに分解して処理します。

特徴：

事前計画の作成
段階的な実行
計画の調整が可能

実装例

import { ChatOpenAI } from "@langchain/openai";
import { PlanAndExecuteAgentExecutor } from "langchain/experimental/plan_and_execute";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// ファイル読み込みツール
const readFileTool = new DynamicStructuredTool({
  name: "read_file",
  description: "ファイルの内容を読み込みます",
  schema: z.object({
    filepath: z.string().describe("読み込むファイルのパス"),
  }),
  func: async ({ filepath }) => {
    // 実際の実装では、ファイルシステムから読み込む
    return `ファイル ${filepath} の内容: サンプルデータ`;
  },
});

// ファイル書き込みツール
const writeFileTool = new DynamicStructuredTool({
  name: "write_file",
  description: "ファイルに内容を書き込みます",
  schema: z.object({
    filepath: z.string().describe("書き込むファイルのパス"),
    content: z.string().describe("書き込む内容"),
  }),
  func: async ({ filepath, content }) => {
    return `ファイル ${filepath} に書き込みました`;
  },
});

// データ処理ツール
const processDataTool = new DynamicStructuredTool({
  name: "process_data",
  description: "データを処理します",
  schema: z.object({
    data: z.string().describe("処理するデータ"),
    operation: z.enum(["filter", "sort", "aggregate"]).describe("実行する操作"),
  }),
  func: async ({ data, operation }) => {
    return `${operation} 操作を実行しました: 処理済みデータ`;
  },
});

const tools = [readFileTool, writeFileTool, processDataTool];

// Plan-and-Execute AgentExecutorの作成
const executor = PlanAndExecuteAgentExecutor.fromLLMAndTools({
  llm,
  tools,
  verbose: true,
});

// Agentの実行
const result = await executor.invoke({
  input: "data.txtファイルを読み込んで、データをフィルタリングし、結果をoutput.txtに保存してください",
});

console.log(result.output);

5. Self-Ask-with-Search Agent

特徴

Self-Ask-with-Search Agentは、質問を自分自身に投げかけ、検索ツールを使用して情報を取得するAgentです。段階的な推論を行います。

特徴：

自己質問による推論
検索ツールの活用
段階的な情報収集

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createSelfAskWithSearchAgent } from "langchain/agents";
import { ChatPromptTemplate } from "@langchain/core/prompts";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// 検索ツール
const searchTool = new DynamicStructuredTool({
  name: "search",
  description: "最新の情報を検索します",
  schema: z.object({
    query: z.string().describe("検索クエリ"),
  }),
  func: async ({ query }) => {
    // 実際の実装では、検索APIを呼び出す
    return `${query} に関する検索結果: 関連する情報が見つかりました`;
  },
});

const tools = [searchTool];

// プロンプトの作成
const prompt = ChatPromptTemplate.fromMessages([
  ["system", `あなたは情報検索エージェントです。質問に答えるために、以下の手順で進めてください:
1. 質問を分解して、必要な情報を特定
2. 各情報について検索を実行
3. 検索結果を統合して回答

利用可能なツール: {tool_names}`],
  ["human", "{input}"],
]);

// Agentの作成
const agent = await createSelfAskWithSearchAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
});

// Agentの実行
const result = await agentExecutor.invoke({
  input: "LangChainの最新バージョンと、その主な新機能について教えてください",
});

console.log(result.output);

6. Conversational Agent

特徴

Conversational Agentは、会話履歴を保持しながら、ツールを使用してタスクを実行するAgentです。継続的な対話が可能です。

特徴：

会話履歴の管理
コンテキストの保持
継続的な対話

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createConversationalRetrievalAgent } from "langchain/agents";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { BufferMemory } from "langchain/memory";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// メモリの初期化
const memory = new BufferMemory({
  memoryKey: "chat_history",
  returnMessages: true,
});

// カレンダーツール
const calendarTool = new DynamicStructuredTool({
  name: "check_calendar",
  description: "カレンダーを確認します",
  schema: z.object({
    date: z.string().describe("確認する日付（YYYY-MM-DD形式）"),
  }),
  func: async ({ date }) => {
    return `${date} の予定: 会議が2件、タスクが3件あります`;
  },
});

// メール送信ツール
const sendEmailTool = new DynamicStructuredTool({
  name: "send_email",
  description: "メールを送信します",
  schema: z.object({
    to: z.string().describe("送信先のメールアドレス"),
    subject: z.string().describe("メールの件名"),
    body: z.string().describe("メールの本文"),
  }),
  func: async ({ to, subject, body }) => {
    return `メールを ${to} に送信しました: ${subject}`;
  },
});

const tools = [calendarTool, sendEmailTool];

// プロンプトの作成
const prompt = ChatPromptTemplate.fromMessages([
  ["system", "あなたは親切なアシスタントです。会話履歴を参照しながら、利用可能なツールを使用してタスクを実行してください。"],
  new MessagesPlaceholder("chat_history"),
  ["human", "{input}"],
  new MessagesPlaceholder("agent_scratchpad"),
]);

// Agentの作成
const agent = await createConversationalRetrievalAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  memory,
  verbose: true,
});

// 継続的な対話
const conversation1 = await agentExecutor.invoke({
  input: "今日の予定を教えてください",
});
console.log(conversation1.output);

const conversation2 = await agentExecutor.invoke({
  input: "その会議の参加者にメールを送ってください",
});
console.log(conversation2.output);

7. Zero-shot Agent

特徴

Zero-shot Agentは、事前の例やトレーニングなしで、ツールの説明のみから適切なツールを選択して使用するAgentです。

特徴：

事前の例が不要
ツールの説明から推論
柔軟なツール選択

実装例

import { ChatOpenAI } from "@langchain/openai";
import { AgentExecutor, createOpenAIFunctionsAgent } from "langchain/agents";
import { ChatPromptTemplate, MessagesPlaceholder } from "@langchain/core/prompts";
import { DynamicStructuredTool } from "@langchain/core/tools";
import { z } from "zod";

// LLMの初期化
const llm = new ChatOpenAI({
  modelName: "gpt-4",
  temperature: 0,
});

// 多様なツールの定義
const tools = [
  new DynamicStructuredTool({
    name: "get_weather",
    description: "指定された都市の天気情報を取得します",
    schema: z.object({
      city: z.string().describe("都市名"),
    }),
    func: async ({ city }) => `${city}の天気: 晴れ、22度`,
  }),
  new DynamicStructuredTool({
    name: "translate",
    description: "テキストを翻訳します",
    schema: z.object({
      text: z.string().describe("翻訳するテキスト"),
      target_language: z.string().describe("翻訳先の言語"),
    }),
    func: async ({ text, target_language }) => `翻訳結果: ${text} (${target_language})`,
  }),
  new DynamicStructuredTool({
    name: "calculate",
    description: "数式を計算します",
    schema: z.object({
      expression: z.string().describe("計算する数式"),
    }),
    func: async ({ expression }) => {
      try {
        return eval(expression).toString();
      } catch (error) {
        return `エラー: ${error.message}`;
      }
    },
  }),
];

// プロンプトの作成
const prompt = ChatPromptTemplate.fromMessages([
  ["system", "あなたは多機能アシスタントです。利用可能なツールの説明を読んで、適切なツールを選択してタスクを実行してください。"],
  ["human", "{input}"],
  new MessagesPlaceholder("agent_scratchpad"),
]);

// Agentの作成
const agent = await createOpenAIFunctionsAgent({
  llm,
  tools,
  prompt,
});

// AgentExecutorの作成
const agentExecutor = new AgentExecutor({
  agent,
  tools,
  verbose: true,
});

// Agentの実行
const result = await agentExecutor.invoke({
  input: "東京の天気を英語で翻訳してください",
});

console.log(result.output);

Agentの選択ガイド

用途別の推奨Agent

用途	推奨Agent	理由
シンプルなタスク	OpenAI Functions Agent	高精度で使いやすい
複雑な推論が必要	ReAct Agent	思考プロセスが透明
多段階のタスク	Plan-and-Execute Agent	計画と実行を分離
検索が必要	Self-Ask-with-Search Agent	段階的な情報収集
会話型アプリ	Conversational Agent	会話履歴の管理
構造化された出力	Structured Chat Agent	明確なアクションプラン

パフォーマンス比較

// パフォーマンス測定関数
async function measureAgentPerformance(agentExecutor, input, iterations = 10) {
  const times = [];
  
  for (let i = 0; i < iterations; i++) {
    const start = Date.now();
    await agentExecutor.invoke({ input });
    const end = Date.now();
    times.push(end - start);
  }
  
  const avgTime = times.reduce((a, b) => a + b, 0) / times.length;
  const minTime = Math.min(...times);
  const maxTime = Math.max(...times);
  
  return {
    average: avgTime,
    min: minTime,
    max: maxTime,
  };
}

// 各Agentのパフォーマンス測定
// const reactPerformance = await measureAgentPerformance(reactExecutor, "タスク");
// const openaiPerformance = await measureAgentPerformance(openaiExecutor, "タスク");

ベストプラクティス

1. 適切なAgentの選択

// タスクの複雑さに応じてAgentを選択
function selectAgent(taskComplexity) {
  if (taskComplexity === "simple") {
    return createOpenAIFunctionsAgent;
  } else if (taskComplexity === "moderate") {
    return createReactAgent;
  } else {
    return createPlanAndExecuteAgent;
  }
}

2. ツールの最適化

// ツールの説明を明確に
const goodTool = new DynamicStructuredTool({
  name: "get_user_info",
  description: "ユーザーIDを指定して、ユーザーの名前、メールアドレス、登録日を取得します",
  // ...
});

// 悪い例：説明が曖昧
const badTool = new DynamicStructuredTool({
  name: "get_info",
  description: "情報を取得します", // 曖昧すぎる
  // ...
});

3. エラーハンドリング

// AgentExecutorのエラーハンドリング
try {
  const result = await agentExecutor.invoke({
    input: "タスク",
  });
  console.log(result.output);
} catch (error) {
  console.error("Agent実行エラー:", error);
  // フォールバック処理
}

4. コスト管理

// トークン使用量の監視
import { getTokenCount } from "@langchain/core/language_models/base";

const tokenCount = await getTokenCount(llm, "プロンプト");
console.log(`使用トークン数: ${tokenCount}`);

まとめ

LangChainでは、様々な種類のAgentが提供されており、それぞれ異なる特徴と用途を持っています。

主要なポイント

ReAct Agent: 推論と行動を交互に行う、思考プロセスが透明
OpenAI Functions Agent: OpenAIのFunction Callingを活用、高精度
Structured Chat Agent: 構造化された出力、複雑なタスクの段階的処理
Plan-and-Execute Agent: 事前計画の作成と段階的な実行
Self-Ask-with-Search Agent: 自己質問と検索ツールの活用
Conversational Agent: 会話履歴の管理、継続的な対話
Zero-shot Agent: 事前の例なしでツールを選択

ベストプラクティス

適切なAgentの選択: タスクの性質に応じて最適なAgentを選択
ツールの最適化: 明確な説明と適切なスキーマ定義
エラーハンドリング: 適切なエラー処理とフォールバック
パフォーマンス監視: 実行時間とコストの監視

適切なAgentを選択し、最適化することで、効果的なAIエージェントアプリケーションを構築できます。

参考資料

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up