② LangGraph 基礎ガイド

―― グラフベース AI ワークフロー構築の第一歩

LangGraph 基礎ガイド

グラフベース AI ワークフロー構築の第一歩
Published 2025-05-07

TL;DR

• LangGraph は LangChain 上に載る 状態遷移グラフ ライブラリ。分岐・ループ・チェックポイントを“当たり前”にする。:contentReference[oaicite:5]{index=5}
• ノード＝処理、エッジ＝条件付き遷移なので、複雑なマルチエージェントアプリでも破綻しにくい。:contentReference[oaicite:6]{index=6}

---

1. Chain から Graph へ：モデルの違い

Model	特徴	向き不向き
Chain (LangChain)	直列処理・例外時はスコープ外	1質問1回答, 単純 RAG
Graph (LangGraph)	DAG / ループ / マージ可	要件ヒアリング → 分析 → 再質問のような対話型業務

---

2. アーキテクチャ超速レビュー

[Start]─┬─> Node A ─> Node B ─> End
        └─> Node C ---┘

• ノード：Runnable or Python 関数
• エッジ：True/False/スコア分岐
• チェックポイント：各ノード後の JSON 状態を自動永続化（S3 / Redis など）([LangChain AI][2])

---

3. 5 分クイックスタート

# pip install langchain langgraph openai
from langgraph.graph import StateGraph
from langgraph.schema import State

class MyState(State):
    query: str
    answer: str | None = None

def retriever(state: MyState):
    # ベクトル検索など
    return state.model_copy(update={"answer": "Dummy answer"})

def summarizer(state: MyState):
    # LLM で要約
    return state

g = StateGraph(MyState)
g.add_node("retrieve", retriever)
g.add_node("summarize", summarizer)
g.set_entry_point("retrieve").connect("retrieve", "summarize")
app = g.compile()
print(app.invoke(MyState(query="会社のペインは?")))

📝 実務 Tip

• State を Pydantic v2 で定義すると自動スキーマ生成
• ループ処理は graph.add_conditional_edge で実装可([Zep - AI Agent Memory][3])

---

4. Enterprise Best Practice

1. 小さくモジュール化 : “聞く ➜ まとめる ➜ 提案する” を 3 ノードに
2. 永続化バックエンド : まずは SQLite → 本番は DynamoDB など
3. Observability : LangSmith / OpenTelemetry 併用でトレース可視化

---

5. まとめ

LangGraph を使うと「業務フローを絵に描いて、そのまま動かす」が現実になる。
Semantic Kernel の Planner と組み合わせれば、“LLM が計画 → Graph が実行” の二段ロケットも可能だ。