LangChain入門2026｜RAG・Agent実装の最短ルート

# 仮想環境の作成
python3 -m venv .venv
source .venv/bin/activate

# LangChainのインストール
pip install -U langchain langchain-openai langchain-community

# RAGに必要なパッケージ
pip install langchain-text-splitters faiss-cpu bs4

export OPENAI_API_KEY="sk-your-api-key-here"

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 1. プロンプトテンプレート
prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたはPythonの専門家です。簡潔に回答してください。"),
    ("human", "{question}")
])

# 2. LLM
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

# 3. 出力パーサー
parser = StrOutputParser()

# 4. LCELでChainを構築
chain = prompt | llm | parser

# 5. 実行
result = chain.invoke({"question": "リスト内包表記とmap関数、どちらが速い？"})
print(result)

# ストリーミング出力
for chunk in chain.stream({"question": "FastAPIの非同期処理を説明して"}):
    print(chunk, end="", flush=True)

ドキュメント読み込み → テキスト分割 → ベクトル化 → 保存
                                                    ↓
質問 → ベクトル検索 → 関連チャンクを取得 → プロンプトに挿入 → LLM回答

from langchain_community.document_loaders import WebBaseLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings, ChatOpenAI
from langchain_community.vectorstores import FAISS
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 1. ドキュメント読み込み（WebページをソースにするRAG）
loader = WebBaseLoader("https://docs.python.org/3/tutorial/classes.html")
docs = loader.load()

# 2. テキスト分割
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200
)
chunks = splitter.split_documents(docs)

# 3. ベクトルストアに保存
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(chunks, embeddings)

# 4. Retrieverを作成
retriever = vectorstore.as_retriever(search_kwargs={"k": 3})

# 5. RAG用プロンプト
rag_prompt = ChatPromptTemplate.from_messages([
    ("system", """以下のコンテキストに基づいて質問に回答してください。
コンテキストに含まれない情報は「わかりません」と回答してください。

コンテキスト:
{context}"""),
    ("human", "{question}")
])

# 6. RAG Chainを構築
def format_docs(docs):
    return "\n\n".join(doc.page_content for doc in docs)

rag_chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | rag_prompt
    | ChatOpenAI(model="gpt-4o-mini")
    | StrOutputParser()
)

# 7. 実行
answer = rag_chain.invoke("Pythonのクラスで__init__メソッドの役割は？")
print(answer)

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 1. ツールを定義
@tool
def calculate(expression: str) -> str:
    """数式を計算して結果を返す。例: '2 + 3 * 4'"""
    try:
        return str(eval(expression))
    except Exception as e:
        return f"計算エラー: {e}"

@tool
def get_word_count(text: str) -> str:
    """テキストの文字数を数える"""
    return f"{len(text)}文字"

# 2. プロンプト
prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたは計算やテキスト分析ができるアシスタントです。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}")
])

# 3. Agentを作成
llm = ChatOpenAI(model="gpt-4o-mini")
tools = [calculate, get_word_count]
agent = create_tool_calling_agent(llm, tools, prompt)

# 4. AgentExecutorで実行
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
result = executor.invoke({"input": "123 * 456の計算結果は？"})
print(result["output"])

# OpenAI
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")

# Claude に切り替え（この1行だけ変える）
from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-sonnet-4-6-20250514")

export LANGCHAIN_TRACING_V2=true
export LANGCHAIN_API_KEY="ls__your-api-key"