LangChainとは、LLM(大規模言語モデル)を利用したAIアプリやAIエージェントを構築するためのオープンソースフレームワークです。OpenAIやAnthropic、GoogleなどのAIモデルに加え、外部ツールやデータベースなどを組み合わせたアプリケーションを開発できます。
LLM単体でも文章生成や要約などは行えますが、実際のAIアプリでは、外部データの検索・APIの実行・複数ステップの処理などが必要になる場合があります。LangChainではモデルやツール、エージェントなどを共通の仕組みで扱えるため、こうした機能を組み合わせたアプリを構築しやすい点が特徴です。
本記事では、LangChainの概要や主要な構成要素をはじめ、活用例や利用時の注意点についてわかりやすく解説します。
目次
- LangChainとは
- LangGraph・LangSmithとの関係
- LangChainの主要な構成要素
- Models|利用するAIモデルを扱う
- Prompts|AIへの指示を設計する
- Tools|外部ツールやAPIと連携する
- Agents|処理やツールを自律的に選択・実行する
- Retrieval|外部データを検索して回答に活用する
- LangChainでできること・活用例
- RAGを活用した検索・チャットボットを構築する
- AIエージェントによって業務を自動化する
- 複数のAIモデルや外部サービスを組み合わせたアプリを構築する
- LangChainの使い方
- 1.LangChainをインストールする
- 2.AIモデルを選択してAPIキーを設定する
- 3.目的に応じてAIアプリやエージェントを構築する
- LangChainを利用するときの注意点
- バージョンアップや仕様変更を確認する
- 複雑な構成では開発・デバッグの難易度が上がる
- AIモデルや外部サービスの利用料金に注意する
- まとめ
- よくある質問
LangChainとは
LangChainとは、LLMを利用したAIアプリケーションやAIエージェントの開発を支援するオープンソースフレームワークです。AIモデルや外部ツールとの連携を共通のインターフェースで扱えるほか、エージェントを構築するための仕組みも提供されています。
たとえばユーザーから質問を受け取り、必要に応じてデータベースを検索したり、外部APIを呼び出したりして回答するAIエージェントを構築できます。モデルのみを呼び出すシンプルな処理から複数のツールを使い分けるエージェントまで、用途に応じて構成を拡張できる点が特徴です。
また、LangChainは特定のAIモデルだけに依存しているわけではありません。複数のモデルプロバイダーとの連携に対応しており、目的や要件に合わせて利用するモデルを選択・変更しやすい設計になっています。
LangGraph・LangSmithとの関係
LangChainとあわせて登場することが多いのが、「LangGraph」と「LangSmith」です。いずれもLangChainのシステムを構成する技術・サービスですが、役割は異なります。
| LangChain | LangGraph | LangSmith | |
|---|---|---|---|
| 主な役割 | AIアプリやAIエージェントを構築する | 複雑なエージェントやワークフローを制御する | AIアプリの実行状況を確認・評価する |
| 主な用途 | モデル・ツール・Retrievalなどを組み合わせる | 状態管理・分岐・繰り返し・人による確認などを組み込む | トレース・デバッグ・評価、監視を行う |
| 関係 | LangGraphやLangSmithと組み合わせて利用できる | LangChainのエージェント実行基盤としても利用される | LangChainやLangGraphで構築した処理の観察・評価に利用できる |
LangGraphは、処理の分岐や繰り返し・状態の保持・人による確認などを含む、より複雑なエージェントの動作を設計・制御するために利用されます。
またLangSmithは、構築したAIアプリやエージェントの実行内容を記録し、どのような処理が行われたかを確認するためのプラットフォームです。デバッグや評価、監視に利用でき、モデルの出力やツールの呼び出し結果などを追跡できます。
「LangChainで構築し、LangGraphで複雑な処理フローを制御し、LangSmithで動作を確認・評価する」という関係で捉えるとわかりやすいでしょう。
LangChainの主要な構成要素
LangChainでは、AIモデルだけでなくプロンプト・外部ツール・検索機能などを組み合わせながらAIアプリを構築できます。
代表的な要素として、以下の5つが挙げられます。
LangChainの主要な構成要素
以下では、それぞれの内容を詳しく解説します。
Models|利用するAIモデルを扱う
Modelsは、LangChainから利用するAIモデルを扱うための仕組みです。OpenAIやAnthropic、Googleなど複数のプロバイダーが提供するモデルと連携できます。
LangChainでは、モデルごとに異なるAPIの扱いをある程度共通化しているため、アプリケーションの構成を大きく変えずに別のモデルを試しやすい点が特徴です。用途に応じて、文章生成や推論に強いモデル、長い文脈を扱えるモデル、マルチモーダルに対応したモデルなどを選択できます。
またモデルはエージェントの一部として利用するだけでなく、単体で呼び出すことも可能です。文章生成や分類、情報抽出など、エージェントを必要としない処理にも利用できます。
Prompts|AIへの指示を設計する
Promptsは、AIモデルへどのような指示や情報を渡すかを設計するための要素です。モデルに入力する文章だけでなく、システムメッセージやユーザーの入力、会話履歴などを組み合わせて扱えます。
たとえば「あなたはカスタマーサポート担当です」といった役割を設定したうえでユーザーからの質問を渡すことで、目的に合った回答を生成しやすくできます。また入力内容に応じて一部を差し替えるテンプレートを利用すれば、同じ構造の指示を繰り返し利用することも可能です。
AIアプリでは、モデルだけでなく「どのような情報をどの順番で与えるか」も出力品質に影響します。Promptsは、AIの役割や回答条件を整理しアプリの動作を調整するための重要な要素です。
Tools|外部ツールやAPIと連携する
Toolsは、AIモデルやエージェントが外部の機能を利用するための仕組みです。Web検索やデータベース検索、APIの呼び出し、コード実行など、モデル単体では行えない処理を追加できます。
たとえば天気情報を取得するAPIをToolsとして登録すれば、エージェントがユーザーの質問に応じて必要なタイミングでAPIを呼び出し、その結果を回答に利用できます。社内データベースを検索する機能や業務システムを操作する機能をToolsとして組み込むことも可能です。
Toolsには入力項目や処理内容などの情報が定義されます。エージェントはその説明を参考に、どのToolsを使うべきか、どのような値を渡すべきかを判断します。
Agents|処理やツールを自律的に選択・実行する
Agentsは、AIモデルとToolsを組み合わせ、目的を達成するために必要な処理を判断しながら実行する仕組みです。単に決められた順番で処理するだけでなく、ユーザーの依頼や途中の結果に応じて利用するツールや次の処理を選択できます。
たとえば「今日の市場情報を調べて要点をまとめて」と依頼された場合、検索ツールを使って情報を取得し、その結果をモデルで整理して回答するといった一連の処理を進められます。必要に応じて複数のToolを順番に呼び出すことも可能です。
LangChainのcreate_agentではこうしたエージェントを構築でき、内部ではLangGraphによるグラフベースの実行基盤が利用されています。
Retrieval|外部データを検索して回答に活用する
Retrievalは、外部の文書やデータベースなどから、ユーザーの質問に関連する情報を検索して取得する仕組みです。モデルが学習時に持っていない情報や社内文書など独自のデータを回答に利用したい場合に活用されます。
代表的な用途が、RAG(Retrieval-Augmented Generation:検索拡張生成)です。たとえば社内規程やマニュアルの中から質問に関連する情報を検索し、その内容をAIモデルに渡して回答を生成します。
これにより、AIが一般的な知識だけで回答するのではなく、社内資料や最新の情報を参考にしながら答えやすくなります。LangChainでは、こうした検索機能を組み合わせて社内検索やFAQ、ドキュメントを参照するチャットボットなどを構築可能です。
LangChainでできること・活用例
LangChainを活用すると、AIモデルに外部データやツールを組み合わせ、用途に応じたAIアプリを構築できます。単に文章を生成するだけでなく、必要な情報を参照したり、外部サービスと連携したりしながら処理を進められるため、さまざまな業務に応用可能です。
ここでは、LangChainの代表的な活用例を3つ紹介します。
RAGを活用した検索・チャットボットを構築する
LangChainでは、RAG(Retrieval-Augmented Generation:検索拡張生成)を活用した検索システムやチャットボットを構築できます。
RAGは、ユーザーから質問を受けたときに、社内文書やマニュアルなどから関連する情報を検索し、その内容をAIモデルに渡して回答を生成する仕組みです。AIモデルがもともと持っている知識だけに頼らず、外部データを参考にして回答できる点が特徴です。
たとえば、社内規程や業務マニュアルを参照する社内向けチャットボットや、製品情報をもとに回答するFAQシステムなどに活用できます。必要な情報を探す手間を減らし、問い合わせ対応や情報検索の効率化につなげられます。
AIエージェントによって業務を自動化する
LangChainでは、AIモデルと外部ツールを組み合わせたAIエージェントを構築できます。AIエージェントは、ユーザーから与えられた目的に応じて必要な処理や利用するツールを判断しながらタスクを進める仕組みです。
たとえば「最新の市場情報を調べて要点をまとめる」といった依頼に対して、検索ツールで情報を取得し、その結果を整理して回答する流れを自動で進められます。外部APIやデータベースと連携すれば、情報取得だけでなく条件に応じた処理の実行にも応用可能です。
複数の作業を人がひとつずつ行う必要がなくなるため、情報収集や定型業務の効率化に役立ちます。ただし実行結果が常に正しいとは限らないため、重要な処理では人による確認を組み込むことが大切です。
複数のAIモデルや外部サービスを組み合わせたアプリを構築する
LangChainは、複数のAIモデルや外部サービスを組み合わせたAIアプリの構築にも活用できます。特定のモデルだけに依存せず、用途に応じて異なるAIモデルやAPI、データベースなどを組み合わせられる点が特徴です。
たとえば文章生成にはあるAIモデルを使い、検索には別のサービス、社内情報の取得にはデータベースを利用するといった構成が考えられます。処理ごとに適した機能を組み合わせることで、単一のAIモデルだけでは対応しにくい業務にも対応しやすくなります。
また利用するモデルやサービスを変更したい場合でも、アプリ全体を一から作り直さずに構成を調整しやすい点もメリットです。目的・コスト・性能に応じて柔軟に設計できるため、さまざまなAIアプリの開発に活用できます。
LangChainの使い方
LangChainを利用するには、開発環境の導入や基本的な準備を行ったうえで、用途に応じたAIアプリやエージェントを構築していきます。
ここでは、LangChainを使い始める基本的な手順を紹介します。
LangChainの使い方
1.LangChainをインストールする
はじめに、LangChainを開発環境へインストールします。LangChainはPythonやJavaScript/TypeScriptから利用できるため、使用する言語に合わせて必要なパッケージを導入します。
Pythonの場合は、一般的にpipを使ってLangChain本体のインストールが必要です。またOpenAIやAnthropicなど特定のAIモデルと接続する場合は、それぞれに対応した連携用パッケージを別途導入します。
インストール後は簡単なコードを実行してLangChainを正常に読み込めるか確認しておくと、その後の設定を進めやすくなるでしょう。
2.AIモデルを選択してAPIキーを設定する
次に、LangChainから利用するAIモデルを選択します。LangChain自体がAIモデルを提供しているわけではないため、OpenAIやAnthropic、Googleなど外部のモデルプロバイダーと接続して利用するのが基本です。
利用するサービスによっては、事前にアカウントを作成し、APIキーを取得する必要があります。取得したAPIキーは環境変数などに設定し、LangChainからモデルを呼び出せるようにします。
APIキーは外部サービスへ接続するための重要な認証情報です。そのため、ソースコードへ直接書き込んだり公開リポジトリへアップロードしたりせず、安全に管理する必要があります。
3.目的に応じてAIアプリやエージェントを構築する
AIモデルとの接続ができたら、目的に応じて必要な機能を組み合わせてAIアプリを構築します。
たとえば簡単な文章生成であれば、プロンプトとAIモデルを組み合わせることで実装できます。社内文書を参照するチャットボットを作る場合は検索機能を追加し、外部APIを利用するAIエージェントであればToolsやAgentsを組み合わせるといった構成です。
最初から複雑な仕組みを作るのではなく、まずはAIモデルへプロンプトを送って回答を取得するシンプルな処理から始めるとスムーズに進められます。その後、検索や外部ツールとの連携など必要な機能を段階的に追加していく方法がおすすめです。
LangChainを利用するときの注意点
LangChainは、AIモデルや外部ツールを組み合わせたアプリを構築しやすい一方で、導入後の運用や保守まで含めて考える必要があります。
ここでは、LangChainを利用する際に確認しておきたい主な注意点を3つ紹介します。
LangChainを利用するときの注意点
バージョンアップや仕様変更を確認する
LangChainは継続的にアップデートされており、機能追加や仕様変更が行われることがある点に注意が必要です。バージョンによっては、クラス名や関数の使い方、推奨される実装方法などが変わる場合もあります。
そのため、以前のサンプルコードや解説記事をそのまま利用すると、現在のバージョンでは正常に動作しないケースがあります。とくにインターネット上の古い記事やコードを参考にする場合は、公開時期や対象バージョンを確認しておくことが重要です。
開発時は公式ドキュメントやリリース情報を確認し、利用しているバージョンに合った実装方法を選びましょう。アップデート前には、既存機能への影響をテストしてから反映すると安心です。
複雑な構成では開発・デバッグの難易度が上がる
LangChainでは、AIモデルやTools、Retrieval、Agentsなどを組み合わせて柔軟なアプリを構築できます。ただし、機能を増やすほど処理の流れが複雑になり、問題が発生したときに原因を特定しにくくなる場合に注意が必要です。
たとえば回答結果に問題があった場合でも、原因がプロンプトなのか、AIモデルなのか、検索結果なのか、外部ツールなのかを切り分ける必要があります。AIエージェントでは、処理の順序やツールの選択が実行ごとに変わるケースもあるため、動作確認が難しくなることもあります。
そのため最初から多くの機能を組み込むのではなく、シンプルな構成から始め、必要に応じて機能を追加していくことが重要です。また実行内容を記録・確認できる仕組みを取り入れると、デバッグや改善も進めやすくなるでしょう。
AIモデルや外部サービスの利用料金に注意する
LangChain自体はオープンソースで利用できますが、連携するAIモデルや外部サービスには別途料金が発生する場合があります。
たとえばOpenAIやAnthropicなどのAPIは、利用するモデルや入出力するデータ量に応じて課金されることがあります。Web検索やデータベース、外部APIなどを組み合わせる場合は、それぞれのサービスで費用が発生する可能性もあるため注意が必要です。
とくにAIエージェントが複数回モデルやツールを呼び出す構成では、1回のユーザー操作で複数のAPI利用が発生するケースがあります。導入前に料金体系や利用上限を確認し、運用開始後も利用量やコストを把握できるようにしておくことが重要です。
まとめ
LangChainは、LLMを中心に、外部データや各種ツールを組み合わせたAIアプリケーションを開発するためのフレームワークです。モデルの呼び出しだけでなく検索や外部サービスとの連携まで含めて設計できるため、用途に応じた仕組みを構築しやすい点が特徴です。
社内情報を参照するチャットボットや、複数の処理を自動で進めるAIエージェントなど、活用できる範囲は幅広くあります。LangGraphやLangSmithと組み合わせることで、より複雑な処理の制御や実行内容の確認・評価にも対応できます。
一方で、アップデートによる仕様変更や、構成が複雑になった場合の保守性、連携先サービスの利用料金には注意が必要です。導入目的や必要な機能を整理したうえで、自社の用途に合った構成を選ぶことが重要です。
よくある質問
LangChainは無料で利用できますか?
LangChainはオープンソースのフレームワークで、基本的に無料で利用できます。
ただし、LangChainから接続するAIモデルや外部サービスには、別途料金がかかる場合があります。たとえばOpenAIやAnthropicなどのAPIを利用する場合は、利用するモデルや入出力するデータ量に応じて料金が発生することがあるため注意が必要です。
詳しくは、記事内「AIモデルや外部サービスの利用料金に注意する」をご覧ください。
LangChainとMCPの違いは何ですか?
LangChainとMCP(Model Context Protocol)は、どちらもAIと外部の機能やデータを連携させる場面で使われますが、役割が異なります。
LangChainは、AIモデルやTools、Retrieval、Agentsなどを組み合わせて、AIアプリやAIエージェントを構築するためのフレームワークです。
一方MCPは、AIアプリケーションと外部のデータソースやツールを接続するための共通規格です。外部サービスごとに個別の接続方法を実装するのではなく、共通の方法でツールや情報へアクセスできるようにすることを目的としています。
つまり、LangChainはAIアプリを構築するためのフレームワーク、MCPはAIと外部ツール・データをつなぐためのプロトコルという違いがあります。両者は競合するものではなく、LangChainで構築したAIエージェントからMCP経由で外部ツールを利用するといった形で組み合わせることも可能です。
