注意: この記事は、AIがLangChainとLangGraphのドキュメントおよびソースコードを解析して作成されています。情報の正確性については、必ず公式ドキュメントを併せてご確認ください。

はじめに

AIエージェントを構築する際、ReAct（Reasoning and Acting）パターンは非常に有効な手法です。この記事では、LangChainとLangGraphが提供するcreate_react_agent関数を比較し、それぞれの特徴、使いどころ、違いについて詳しく解説します。

ReActパターンとは

ReActは「Reasoning and Acting」の略で、大言語モデル（LLM）が思考（Thought）→行動（Action）→観察（Observation）のサイクルを繰り返すことで、複雑なタスクを段階的に解決するパターンです。このパターンは2022年の論文「ReAct: Synergizing Reasoning and Acting in Language Models」で提案されました。

Question: 質問
Thought: 何をすべきか考える
Action: 実行するアクション
Action Input: アクションへの入力
Observation: アクションの結果
... (必要に応じて繰り返し)
Final Answer: 最終回答

LangChainのcreate_react_agent

特徴

LangChainのcreate_react_agentは、2022年の論文「ReAct: Synergizing Reasoning and Acting in Language Models」に基づいたテキストベースの実装です。

アーキテクチャ

実装例

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

@tool
def calculator(expression: str) -> str:
    """数式を計算します"""
    return str(eval(expression))

llm = ChatOpenAI(model="gpt-4")
tools = [calculator]

agent = create_react_agent(
    llm=llm,
    tools=tools,
    prompt=default_prompt  # テキストベースのプロンプト
)

メリット・デメリット

メリット:

シンプルで理解しやすい
任意のLLMで動作（Function Call対応不要）
軽量な実装

デメリット:

テキスト解析によるエラーが発生しやすい
プロンプトエンジニアリングが重要
Function Callを使用しないため、構造化が困難

LangGraphのcreate_react_agent

特徴

LangGraphのcreate_react_agentは、ステートフルなグラフベースの実装で、より現代的で柔軟性の高いアプローチを採用しています。

アーキテクチャ

実装例

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

@tool
def calculator(expression: str) -> float:
    """数式を計算します"""
    return eval(expression)

@tool
def get_weather(city: str) -> str:
    """天気情報を取得します"""
    return f"{city}は晴れです"

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[calculator, get_weather],
    prompt="あなたは役立つアシスタントです"
)

# ステートフルな実行
result = agent.invoke({
    "messages": [{"role": "user", "content": "東京の天気と2+3の計算をして"}]
})

メリット・デメリット

メリット:

ステートフルな状態管理
グラフベースで複雑なワークフローに対応
豊富な設定オプション（hooks、interrupts等）
Function Callネイティブサポート
チェックポイント機能
構造化レスポンス対応

デメリット:

学習コストが高い
より重い実装
LangGraphの理解が必要

詳細比較

1. 技術的な違い

項目	LangChain	LangGraph
実装方式	テキストベース	グラフベース
状態管理	各実行で独立	ステートフル
ツール表現	テキスト形式の説明	Function Call + JSON Schema
パーサー	`ReActSingleInputOutputParser`	構造化パーサー
エラー処理	テキスト解析エラーが発生しやすい	堅牢な構造化処理
実行制御	限定的	フック、割り込み、チェックポイント

2. 機能比較

LangChain create_react_agent

# 基本的な関数シグネチャ
create_react_agent(
    llm: BaseLanguageModel,
    tools: Sequence[BaseTool],
    prompt: BasePromptTemplate,
    output_parser: Optional[AgentOutputParser] = None,
    tools_renderer: ToolsRenderer = render_text_description,
    stop_sequence: Union[bool, List[str]] = True,
)

LangGraph create_react_agent

# より豊富なオプション
create_react_agent(
    model: Union[str, LanguageModelLike],
    tools: Union[Sequence[Union[BaseTool, Callable, dict]], ToolNode],
    prompt: Optional[Prompt] = None,
    response_format: Optional[StructuredResponseSchema] = None,
    pre_model_hook: Optional[RunnableLike] = None,
    post_model_hook: Optional[RunnableLike] = None,
    state_schema: Optional[StateSchemaType] = None,
    checkpointer: Optional[Checkpointer] = None,
    interrupt_before: Optional[list[str]] = None,
    interrupt_after: Optional[list[str]] = None,
    # その他多数のオプション...
)

3. 使用場面の違い

LangChainがおすすめの場面

シンプルなReActエージェントが必要
Function Call非対応のLLMを使用
学習コストを抑えたい
軽量な実装が求められる

LangGraphがおすすめの場面

複雑なワークフローが必要
ステートフルな処理が重要
Human-in-the-loopが必要
高度な実行制御が求められる
チェックポイント機能が必要
構造化レスポンスが必要

実際のコード例での比較

LangChain版

from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langchain import hub

@tool
def calculator(expression: str) -> str:
    """数式を計算します"""
    return str(eval(expression))

# プロンプトを取得
prompt = hub.pull("hwchase17/react")

# エージェント作成
llm = ChatOpenAI(model="gpt-4")
agent = create_react_agent(llm, [calculator], prompt)

# エグゼキューター作成
agent_executor = AgentExecutor(agent=agent, tools=[calculator])

# 実行
result = agent_executor.invoke({"input": "2 + 3 × 4を計算して"})

LangGraph版

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

@tool
def calculator(expression: str) -> float:
    """数式を計算します"""
    return eval(expression)

# エージェント作成（より簡潔）
agent = create_react_agent(
    model="gpt-4",
    tools=[calculator],
    prompt="あなたは数学の専門家です"
)

# 実行
result = agent.invoke({
    "messages": [{"role": "user", "content": "2 + 3 × 4を計算して"}]
})

パフォーマンスと運用面

LangChain

起動速度: 高速
メモリ使用量: 少ない
デバッグ: プロンプトベースなのでログが読みやすい
運用監視: 基本的な機能のみ

LangGraph

起動速度: やや低速（グラフ構築のため）
メモリ使用量: 多め（状態管理のため）
デバッグ: グラフの可視化、ステップごとの詳細ログ
運用監視: 豊富な監視・制御機能

まとめ

両者は同じReActパターンを実装していますが、アプローチが大きく異なります：

LangChain: シンプル、軽量、テキストベース
LangGraph: 高機能、ステートフル、グラフベース

選択の指針：

プロトタイプや学習目的 → LangChain
本格的なプロダクション → LangGraph
Function Call非対応LLM → LangChain
複雑なワークフロー → LangGraph
Human-in-the-loop → LangGraph

どちらも優れたツールですが、用途や要件に応じて適切に選択することが重要です。LangGraphは学習コストが高い分、より柔軟で堅牢なエージェントを構築できます。

参考資料