最初のLangChain Agent
AgentはLangChainの中核となる概念であり、AIがいつツールを呼び出す必要があるかを自動的に判断し、ツールの結果を取得した後に考え続けて、タスクが完了するまで処理します。
Agentとは
通常のモデル呼び出しは一問一答です:
あなたがメッセージを送り、モデルがメッセージを返し、終了。
Agentは異なり、次のような思考-行動-観察ループに入ります:
モデルが特定のツールを呼び出す必要があると判断 → ツールを実行して結果を取得 → モデルが結果に基づいて思考を続ける → 再度ツールを呼び出す可能性 → 最終的な答えに到達するまで。
例を挙げると、「今日の杭州の天気はどうですか?」と尋ねた場合、通常のモデルは学習データ内の天気(数か月前の可能性があります)しか答えられません。一方Agentは、自ら天気照会ツールを呼び出してリアルタイムデータを取得し、その実データに基づいて回答します。
最初のAgentを作成する
プロセス全体は3ステップだけです:(1) ツールを定義する;(2) Agentを作成する;(3) 実行する。
ステップ1:ツール関数を定義する
使用する@toolデコレータで、通常のPython関数をAgentが呼び出せるツールに変換します:
例
from dotenv import load_dotenv
load_dotenv()
from langchain.tools import tool
# ステップ1:@toolデコレータでツールを定義する
# 関数のdocstringがツールの説明になります
# モデルはこの説明に基づいて、いつこのツールを呼び出すかを判断します
@tool
def get_weather(city: str) -> str:
"""指定された都市の天気状況を照会します。
Args:
city: 都市名。例:"杭州"、"北京"
"""
# ここではモックデータでデモしています
# 実際のプロジェクトでは、実際の天気API呼び出しに置き換えることができます
weather_data = {
"杭州": "晴れ、25°C、湿度60%",
"北京": "くもり、18°C、湿度45%",
"上海": "小雨、22°C、湿度80%",
}
return weather_data.get(city, f"{city} の天気データが見つかりません")
@tool
def calculate(expression: str) -> str:
"""数学計算を実行します。加減乗除などの基本演算に対応しています。
Args:
expression: 数式。例:"3 * 7 + 2"
"""
try:
# 数式を安全に計算します
result = eval(expression, {"__builtins__": {}}, {})
return f"計算結果: {expression} = {result}"
except Exception as e:
return f"計算エラー: {e}"
ドキュメント文字列(関数の """...""" の部分)は非常に重要です。モデルはツールの説明を読み、このツールを呼び出すかどうか、どのパラメータを渡すかを決定します。説明が明確であればあるほど、モデルが誤って使う可能性は低くなります。
ステップ2:Agentを作成する
例
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
# モデルを初期化する
model = init_chat_model("openai:gpt-4o-mini")
# Agentを作成し、モデルとツールリストを渡す
agent = create_agent(
model=model,
tools=[get_weather, calculate],
system_prompt="あなたは親切なアシスタントで、ツールを使って質問に答えます。",
)
| パラメータ | 説明 | 必須かどうか |
|---|---|---|
| model | 使用する言語モデル | である |
| tools | ツールリスト。Agentはこれらのツールを呼び出せます | いいえ(渡さない場合、Agentはツールを呼び出せません) |
| system_prompt | システムプロンプト。Agentの役割と行動を定義します | 否 |
ステップ3:Agentを実行する
例
# 入力メッセージを構築する
# メッセージリストの最初の要素は通常HumanMessage(ユーザーメッセージ)です
from langchain.messages import HumanMessage
inputs = {"messages": [HumanMessage(content="今日の杭州の天気はどうですか?")]}
# invoke() でAgentを実行し、最終状態を返す
result = agent.invoke(inputs)
# メッセージ履歴を表示する(AIのツール呼び出しとツールの戻り結果を含む)
print("=== 完全なメッセージ履歴 ===")
for msg in result["messages"]:
print(f"[{msg.type}] {msg.content[:100]}") # 最初の100文字を切り出す
print("\n"=== 最終回答 ===")
# 最後のAIメッセージが最終回答です
print(result["messages"][-1].content)
実行結果:
=== 完整消息历史 === [human] 杭州今天天气怎么样? [ai] [tool] 晴,25°C,湿度 60% [ai] 今天杭州的天气是晴天,气温25°C,湿度60%。非常适合出门活动! === 最终回复 === 今天杭州的天气是晴天,气温25°C,湿度60%。非常适合出门活动!
Agentの実行フロー解説
上記の例の完全な実行プロセスは次のとおりです:
- ユーザーがメッセージを送信:「今日の杭州の天気はどうですか?」
- モデルはメッセージを受信して判断:天気を照会する必要がある → tool_callを返す(get_weatherを呼び出し、パラメータ city="杭州")
- Agentはget_weatherツールを実行 → "晴れ、25°C、湿度60%" を返す
- モデルはツール結果を受け取る → タスク完了と判断 → 最終回答を生成
これがAgentの思考-行動-観察ループです。

Agentに複数のツールを呼び出させる
Agentの真の威力は、複数のツールを自動的に組み合わせられることです:
例
inputs = {"messages": [HumanMessage(
content="今日の杭州と北京の気温差は何度ですか?"
)]}
result = agent.invoke(inputs)
print("=== 完全なメッセージ履歴 ===")
for msg in result["messages"]:
if msg.type == "tool":
print(f"[tool {msg.name}] {msg.content}")
else:
print(f"[{msg.type}] {msg.content[:120]}")
print("\n"=== 最終回答 ===")
print(result["messages"][-1].content)
実行結果:
=== 完整消息历史 === [human] 杭州和北京今天温差多少度? [ai] [tool get_weather] 晴,25°C,湿度 60% [tool get_weather] 多云,18°C,湿度 45% [tool calculate] 计算结果: 25 - 18 = 7 [ai] 今天杭州和北京的温差是7°C。 === 最终回复 === 今天杭州和北京的温差是7°C。
Agentは自動的に3ステップを実行しました:(1) 杭州の天気を照会;(2) 北京の天気を照会;(3) 気温差を計算。これらのステップを制御するロジックを書く必要はなく、Agentが自動的に計画と実行を完了しました。
注意:Agentは最初のモデル呼び出しで2つのツール呼び出し(get_weather("杭州") と get_weather("北京"))を発行し、これらは並行して実行されます。モデルはどのツール呼び出しを並行できるかを自動的に判断します。
完全なコード
例
from dotenv import load_dotenv
load_dotenv()
from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
# ツールを定義する
@tool
def get_weather(city: str) -> str:
"""指定された都市の天気状況を照会します。
Args:
city: 都市名。例:"杭州"、"北京"
"""
weather_data = {
"杭州": "晴れ、25°C、湿度60%",
"北京": "くもり、18°C、湿度45%",
"上海": "小雨、22°C、湿度80%",
}
return weather_data.get(city, f"{city} の天気データが見つかりません")
@tool
def calculate(expression: str) -> str:
"""数学計算を実行します。加減乗除などの基本演算に対応しています。
Args:
expression: 数式。例:"3 * 7 + 2"
"""
try:
result = eval(expression, {"__builtins__": {}}, {})
return f"計算結果: {expression} = {result}"
except Exception as e:
return f"計算エラー: {e}"
# Agentを作成する
model = init_chat_model("openai:gpt-4o-mini")
agent = create_agent(
model=model,
tools=[get_weather, calculate],
system_prompt="あなたは親切なアシスタントで、ツールを使って質問に答えます。",
)
# Agentを実行する
def ask(question: str):
"""質問をAgentに送信し、結果を出力します"""
inputs = {"messages": [HumanMessage(content=question)]}
result = agent.invoke(inputs)
print(f"質問: {question}")
print(f"回答: {result['messages'][-1].content}")
print("-" * 50)
return result
# いくつかの問題をテストする
ask("今日の杭州の天気はどうですか?")
ask("今日の杭州と北京の気温差は何度ですか?")
ask("サンプル は素晴らしい学習プラットフォームです。もし3人の友人が推薦し、さらに2人加わったら、全部で何人推薦したことになりますか?")
実行結果:
質問: 杭州今天天气怎么样? 回答: 今天杭州的天气是晴天,气温25°C,湿度60%。非常适合出门活动! -------------------------------------------------- 質問: 杭州和北京今天温差多少度? 回答: 今天杭州和北京的温差是7°C。 -------------------------------------------------- 質問: サンプル 是一个非常棒的学习平台,如果我有 3 个朋友都推荐了,再加上 2 个,一共多少人推荐? 回答: 一共 5 人推荐了サンプル! --------------------------------------------------
3つ目の質問に注目してください:Agentは「推薦人数」が計算問題であることを理解し、自動的にcalculateツールを呼び出しました。これは、ツール呼び出しの決定がモデルの意味理解によって駆動されており、ハードコードされたルールではないことを示しています。
同期 vs 非同期実行
Agentは非同期モードに対応しており、Webサービスなどの非同期環境での使用に適しています:
例
import asyncio
from langchain.messages import HumanMessage
async def main():
# ainvoke() は invoke() の非同期バージョンです
inputs = {"messages": [HumanMessage(content="杭州の天気はどうですか?")]}
result = await agent.ainvoke(inputs)
print(result["messages"][-1].content)
# 非同期関数を実行する
asyncio.run(main())
まとめ
ここまでで、LangChain の最も核となる使い方をマスターしました:
- 用 @toolデコレータで Python 関数をツールに変換する
- 用 create_agent()ツールを自動的に呼び出せる Agent を作成する
- 用 agent.invoke()Agent を実行して結果を取得する