LangChain AIエージェント完全実装ガイド2025：LangGraphで作る自律型システム

LangChain AIエージェント実装ガイド2025：LangGraph完全解説 AI開発（自作AI）
LangChain AIエージェント完全実装ガイド2025：LangGraphで作る自律型システム

はじめに：2025年、AIエージェントは「実験」から「実働」へ

AIコンサルタントのユイです。

2025年現在、AI開発の現場では大きなパラダイムシフトが起きています。単にテキストを生成するだけのLLM（大規模言語モデル）活用から、自律的に思考し、ツールを使いこなし、複雑なタスクを完遂する「AIエージェント」の実装へと焦点が移っています。

特に、LangChainエコシステムにおけるオーケストレーションツールは、従来のAgentExecutorから、より制御性と堅牢性に優れた「LangGraph」へと標準が完全に移行しました。本記事では、最新のReActパターンに基づいたAIエージェントの構築方法を、実用的なPythonコードと共に解説します。

「理論はいいから、動くコードが欲しい」というエンジニアの方も、「自社にどう導入すればいいか知りたい」というビジネスリーダーの方も、この記事一つで2025年のエージェント開発の標準を理解できる構成となっています。

1. 自律型AIエージェントとLangGraphの基礎

実装に入る前に、現在の技術トレンドにおける重要な概念を整理しましょう。なぜ今、従来のLangChainエージェントではなく、LangGraphが選ばれるのでしょうか。

ReActパターン：エージェントの「脳」の仕組み

AIエージェントの動作原理として最も一般的なのがReAct（Reasoning + Acting）パターンです。これは以下のループを自律的に繰り返す仕組みです。

  • Reasoning（推論）： ユーザーの指示を理解し、「次に何をすべきか」を考える。
  • Acting（行動）： 必要なツール（検索、計算、API呼び出しなど）を選択して実行する。
  • Observation（観察）： ツールの実行結果を確認し、十分な情報が得られたか判断する。

LangChain AgentExecutor vs LangGraph

2024年まではAgentExecutorが主流でしたが、複雑な分岐や状態管理（メモリ）において限界がありました。2025年の実務開発では、グラフ構造でフローを定義するLangGraphがデファクトスタンダードです。

比較項目 従来の AgentExecutor 最新の LangGraph
制御構造 一本道（チェーン）で隠蔽されている グラフ構造で可視化・制御が可能
ループ処理 複雑なループの実装が困難 循環フロー（Cyclic Graph）を自然に記述
メモリ管理 ブラックボックス化しやすい 永続化（Checkpoint）機能が強力
本番適性 プロトタイプ向け エンタープライズ本番運用向け

LangGraphを採用することで、マルチエージェントシステムのような高度な連携も容易になります。

2. 【実践ガイド】LangGraphによるAIエージェント構築

ここからは、実際に手を動かして「会話の記憶を持ち、計算ツールを使えるエージェント」を構築します。このコードは、そのままローカル環境で実行可能です。

ステップ0：開発環境のセットアップ

Python 3.9以上推奨です。必要なライブラリをインストールします。

pip install langchain langchain-openai langgraph

※事前にOpenAI APIキーを環境変数 OPENAI_API_KEY に設定してください。

ステップ1：ツールとモデルの定義

まず、エージェントが使用する「道具」と「頭脳」を定義します。ここでは例として、単純な乗算ツールを作成します。

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

# 1. ツールの定義（@toolデコレータを使用）
@tool
def multiply(a: int, b: int) -> int:
    """2つの整数を掛け算します。計算が必要な場合に使用してください。"""
    return a * b

tools = [multiply]

# 2. モデルの定義（ツールをバインド）
# 2025年の標準的なモデルとしてGPT-4o系を想定
llm = ChatOpenAI(model="gpt-4o", temperature=0)
llm_with_tools = llm.bind_tools(tools)

ステップ2：状態管理とグラフの構築

LangGraphの核心部分です。エージェントの状態（会話履歴）を定義し、ノード（処理）とエッジ（遷移）をつなぎます。

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode

# 3. 状態（State）の定義
# add_messagesは、新しいメッセージを履歴リストに追加するReducer関数です
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 4. ノード関数の定義
def chatbot(state: State):
    # 現在のメッセージ履歴をLLMに渡し、応答を得る
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

# 5. グラフの構築
graph_builder = StateGraph(State)

# ノードを追加
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", ToolNode(tools=tools))

# エントリーポイントを設定
graph_builder.add_edge(START, "chatbot")

# 条件付きエッジの定義
# LLMがツールを呼び出した場合はtoolsノードへ、そうでなければ終了
def route_tools(state: State):
    if state["messages"][-1].tool_calls:
        return "tools"
    return END

graph_builder.add_conditional_edges("chatbot", route_tools, {"tools": "tools", END: END})

# ツール実行後は必ずchatbotに戻る（ReActループ）
graph_builder.add_edge("tools", "chatbot")

ステップ3：メモリの実装とコンパイル

会話を記憶させるために「Checkpointer」を設定します。開発中はインメモリ（再起動で消える）で十分ですが、本番ではSQLiteやPostgreSQLを使用します。

from langgraph.checkpoint.memory import MemorySaver

# 6. メモリ（Checkpointer）の初期化
memory = MemorySaver()

# 7. グラフのコンパイル
graph = graph_builder.compile(checkpointer=memory)

print("AIエージェントの起動完了！")

ステップ4：実行してみよう

thread_id を指定することで、エージェントは過去のやり取りを記憶します。

# 設定：スレッドID（会話セッションID）を指定
config = {"configurable": {"thread_id": "session_1"}}

# ユーザー入力1：計算を依頼
user_input = "3と5を掛け算して。"
for event in graph.stream({"messages": [("user", user_input)]}, config, stream_mode="values"):
    event["messages"][-1].pretty_print()

# ユーザー入力2：記憶の確認（計算結果を覚えているか）
user_input_2 = "その結果に10を足すといくつ？"
for event in graph.stream({"messages": [("user", user_input_2)]}, config, stream_mode="values"):
    event["messages"][-1].pretty_print()

実行結果のイメージ：
1回目の会話でツールを使用して「15」を導き出し、2回目の会話では「15」を文脈として保持しているため、「25です」と即答できます。これが自律型AIエージェントの基本的な挙動です。

3. ビジネス導入におけるメリットとリスク

技術的な実装が可能になったところで、ビジネス視点での導入効果と注意点を見ていきましょう。

導入のメリットとROI

AIエージェント導入の最大のメリットは、「判断の自動化」です。単なるQAボットとは異なり、社内APIを叩いて在庫確認をしたり、米国CDCの事例のように膨大なデータ処理を自律的に行うことで、数万時間規模の工数削減が期待できます。

直面するリスクと対策

一方で、エージェント特有のリスクも存在します。

  • 無限ループ： エージェントが解決策を見つけられず、ツール呼び出しを延々と繰り返すリスク。LangGraphではrecursion_limit（再帰制限）を設定することで防げます。
  • ハルシネーションによる誤操作： 誤った引数でAPIを実行してしまうリスク。「Human-in-the-loop（人間による承認）」フローをグラフ内に組み込むことが推奨されます。
  • コスト管理： 複雑な推論はトークン消費量が多いため、各ステップでのトークン監視が必須です。

まとめ：AIエージェント開発のネクストステップ

2025年におけるLangChain AIエージェントの実装は、LangGraphによって非常に体系的かつ堅牢になりました。今回のガイドで作成した基本的なReActエージェントをベースに、RAG（検索拡張生成）機能を追加したり、複数の専門エージェントを連携させたりすることで、より複雑なビジネス課題を解決できます。

まずは上記のコードをコピーし、お手元の環境で「AIが自律的に道具を使う様子」を体験してみてください。その小さな一歩が、業務自動化の大きな革命につながるはずです。

コメント

タイトルとURLをコピーしました