LangChainとは？できることと2026年の料金、LangGraph・Deep Agentsとの違い

LangChainとは何か？LLMアプリ開発の土台を一言でいうと

LangChainを一言でいうと何なのか

室谷代表取締役

LangChain、一言でいうとLLMを使ったアプリやAIエージェントを組み立てるためのオープンソースのフレームワークなんですよね。MITライセンスで本体は無料。

LLMを外部データやツールにつなぐ土台、というのが一番近い説明です。

テキトー教師DotAI 認定講師

初めて触る人がまず戸惑うのが、これが「サービス」なのか「ライブラリ」なのか分からない、という点なんですよ。実体はコードから呼ぶフレームワークで、裏で動かすモデルのAPI利用料は別途かかる。

その構造が最初は見えにくいんです。

室谷代表取締役

業界構造で見ると、モデル自体は各社がすごい勢いでしのぎを削ってるじゃないですか。その上の「どう業務データやツールに繋ぐか」という層に共通の土台が要る、というのがLangChainの立ち位置なんですよね。

LLM単体だと何が足りないのか

テキトー教師DotAI 認定講師

現場でよく聞くのは「チャットの画面に聞けばいいのでは」という疑問なんですよ。ただ、LLMは一般的な質問には強い一方で、会社固有のデータや最新情報には弱い。

ここが単体利用の限界なんです。

室谷代表取締役

そこでLangChainの出番で、再学習なしでドメイン固有のアプリを作れるようにする。検索モジュール、いわゆるRAGで社内文書をベクトル化して保存しておいて、関連する部分だけをプロンプトに注入する。

これで回答精度が上がって、もっともらしい嘘も抑えられるわけです。

テキトー教師DotAI 認定講師

比喩で言うと、地頭はいいけど社内資料を一切知らない新人に、資料棚と探し方を渡す感じですね。渡さないと、自信満々に間違えるんですよ。

室谷代表取締役

あと地味に効くのがメモリとコールバック。会話の履歴を覚える、呼び出しのログを残す。

この辺が揃って初めて、業務で回せる形になるんですよね。

なぜ企業の現場で使われるのか

室谷代表取締役

数字で言うと、オープンソース版は月間3.5億回以上ダウンロードされていて、LangSmithの顧客は7,000社以上、Fortune10のうち5社が使っている。導入事例としてKlarna、Monday Service、ServiceNowなんかが挙がっています。

テキトー教師DotAI 認定講師

企業が先に食いつくの、分かる気がするんですよ。個人だと「どのモデルが一番賢いか」に行きがちなんですけど、企業は「モデルが変わっても同じ書き方で乗り換えられる」ところを評価する。

室谷代表取締役

経営目線で言うと、それはロックインの話なんですよ。モデルは数ヶ月単位で顔ぶれが入れ替わるので、上に乗せる層を固定できるかどうかがコスト構造に直で効いてくる。

モデル選定を毎回やり直すのは、地味に高いんですよね。

テキトー教師DotAI 認定講師

たしかに、そこは現場と経営で見ている場所が違いますね。

2026年のLangChainは何が変わった？「Agent = Model + Harness」という捉え方

Agent = Model + Harnessとはどういう考え方か

室谷代表取締役

土台の話の次は、2026年のLangChainがどこで変わったかです。公式ドキュメントのトップで今いちばん前に出ているのが「Agent = Model + Harness」。

エージェントはモデル単体ではなく、それを包むハーネス込みで一つだ、という捉え方なんですよね。

テキトー教師DotAI 認定講師

初めて触る人はここで「モデルだけじゃ動かないんですか？」と戸惑うんですよ。LLMは賢くても、外部データやツールに自分から手を伸ばせないので、そこを繋いで走らせるのがハーネスの仕事です。

馬そのものより手綱と鞍が走り方を決める、みたいな感覚に近いです。

室谷代表取締役

業界構造としても、モデルの性能差より「どう包んで運用するか」に競争軸が移っているんですよ。モデルは各社が横並びに寄っていくので、差がつくのはハーネス側。

ここは経営判断の材料としても見ておく価値があります。

create_agentには何を渡すだけで動くのか

室谷代表取締役

そのハーネスを組み立てる中核が、create_agent というPythonの関数なんですよね。渡すのはモデル、ツール、システムプロンプト、ミドルウェア。

それだけでReActパターンのエージェントが数行で立ち上がります。

テキトー教師DotAI 認定講師

手を動かすとこういう形です。

from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[...],
    system_prompt="...",
)

agent.invoke({"messages": [...]})

テキトー教師DotAI 認定講師

モデルはOpenAI・Anthropic・Googleといった主要どころに対応しているので、文字列を差し替える感覚で乗り換えられます。最初に驚かれるのが、考えて動いてまた考える、というループを自分で書かなくていい点ですね。

室谷代表取締役

そこが効くんですよ。MYUUUの現場でも、動く試作までの距離が縮んで検証の回転数が上がりました。

人件費を試作に積まずに済むぶん、投資判断そのものが早くなる。ROIで見ると一番効いているのは実はここです。

旧来のChains中心の説明と何が違うのか

室谷代表取締役

ただ、日本語で出てくる解説はまだ「Chains／Agents／Memory／Retrieval／Callbacks」を個別に組み上げる旧構成のままなんですよね。AWSの解説もその形ですし、書籍もそこを丁寧に追っている。

テキトー教師DotAI 認定講師

現場でよく聞くのは「記事と公式で書き方が違って混乱した」という声です。チェーンの理解自体は今も無駄にはならないんですが、公式のトップが主眼に置いているのは create_agent のほう。

ここは分けて考えたほうがいいです。

室谷代表取締役

位置づけとしても、LangChainは今やLangGraphの上に載るハーネスなんですよ。durable execution、persistence、human-in-the-loop、checkpointing はLangGraphから引き継いでいる。

土台と表面が分離した、というのが構造的な変化なんですよね。

テキトー教師DotAI 認定講師

覚えることが増えて嫌になる、という人もいそうですけど、逆に言えば日常的に触るのは create_agent 側だけで済むということですから。そこは気が楽ですね。

LangChainの主要コンポーネントは何をしてくれる？

モデルの呼び出しとプロンプトテンプレートの役割

室谷代表取締役

まず一番下の層、モデルの呼び出し部分なんですけど。GPTでもClaudeでも、API経由で同じ書き方で叩けるようにしてくれるのがLLMインターフェースなんですよね。

乗り換えのたびにコードを書き直すの、地味に高くつくんですよ。

テキトー教師DotAI 認定講師

そこは現場でも効きますね。最初に戸惑うのがプロバイダごとに書き方が違う点なので、そこを揃えてくれるだけで学習の負担がかなり下がります。

室谷代表取締役

その上のプロンプトテンプレート。指示を毎回ベタ書きせず、一貫した形式に整形して使い回せるようにするものですね。

表記ゆれで出力がブレるの、運用に入ると効いてくるので。

テキトー教師DotAI 認定講師

定型の指示をテンプレ化しておくと、あとから直す場所が1か所で済むんですよ。ここを軽く見ると、後で全ファイルを探し回ることになります。

チェーンは複数ステップをつなぐ基本単位

室谷代表取締役

チェーンは、複数の処理を連結して自動で流す基本単位ですね。個々の部品をリンクと呼んで、それを数珠つなぎにするイメージです。

LangChainのパーツの中では一番昔からある考え方なんですよ。

テキトー教師DotAI 認定講師

たしかに。ただ2026年の公式ドキュメントだと、個別モジュールを手で組み上げるより、エージェントに渡す形が前に出てきています。

チェーンは今も概念としては生きてますが、主役の座は譲った感じですね。

室谷代表取締役

発注の粒度と同じなんですよ。全部自前で組み上げるか、フレームワークに乗るか。

組む手間を人件費で換算すると、よほどの特殊要件がない限り後者が勝つんですよね。

テキトー教師DotAI 認定講師

現場感覚でも、最初から全部を理解しようとするより「つなぐ単位がある」とだけ押さえておく方が進めやすいです。

メモリと検索（RAG）が回答精度を支える

室谷代表取締役

メモリと検索は、モデル単体の弱点を埋めるパーツですね。モデルは一般的な質問には強いけど、社内固有のデータや最新情報は苦手なんですよ。

テキトー教師DotAI 認定講師

そこが一番相談の多いところで。文書をベクトル化して保存しておいて、質問に関連する部分だけプロンプトに差し込む。

これで回答の精度が上がって、それっぽい嘘も減ります。

室谷代表取締役

メモリも、直近の会話を覚えるだけの単純なものから、関連度の高い履歴だけを引っ張る高度なものまで幅があるんですよね。何を覚えさせるかは設計判断です。

テキトー教師DotAI 認定講師

覚えすぎてもノイズになるので、そこは調整が要ります。初めて触る人は、まず素直に検索を足すところから始めるといいですよ。

コールバックはログ・監視・ストリーミングに使う

室谷代表取締役

コールバックは、チェーンがいつ呼ばれて、どこでエラーが出たかをログ・監視・ストリーミングする仕組みですね。ここを入れずに走らせると、何が起きてるか分からなくなるんですよ。

テキトー教師DotAI 認定講師

現場でも、動いているように見えて実は別の分岐に入っていた、というのはよくあります。記録が残っていれば後から追えますからね。

室谷代表取締役

経営目線だと、ここは品質保証のコストです。障害対応に何時間溶かすかで回収できるので、最初から入れておく方が安く済みます。

テキトー教師DotAI 認定講師

そこは現場でも同じで、後付けは本当に大変なんですよ。最初の設計に混ぜておくのが結局は近道になります。

LangChainのエージェントはどういう仕組みで動くのか？

ReActパターンとは何か

室谷代表取締役

エージェントの仕組み、突き詰めると「目的とツール一覧を渡して、次に何をするかはモデル自身に決めさせる」なんですよね。手順を人間が全部書かなくていい。

テキトー教師DotAI 認定講師

そこが最初に戸惑うところで。「自分で考えて動く」と言われても、実体は思考と行動を交互に繰り返してるだけなんですよ。

考えて、ツールを選んで、結果を見て、また考える。これがReActパターンと呼ばれる型です。

室谷代表取締役

つまり分岐をif文で書かない、と。従来のワークフローなら「この条件ならこのAPI」を全部設計する必要があった。

そこが丸ごとモデル側に移るので、設計コストの置き場所が変わるんですよね。

テキトー教師DotAI 認定講師

設計者が全部決める代わりに、モデルに選択肢と判断材料を渡す。渡し方を間違えると暴走するので、そこは現場でよく聞くつまずきどころです。

ツール一覧から次の行動を選ぶ流れ

室谷代表取締役

具体的にどう動くのか、流れで追いたいです。たとえば天気を調べるツールを1つ渡したとします。

テキトー教師DotAI 認定講師

はい。ユーザーが「明日の東京の天気は」と聞く。

モデルは渡されたツール一覧を見て、天気を取れるのはこれだと判断して呼び出す。返ってきた結果を読んで、それを答えの文章にまとめて返す。

ここまでが1ループです。

室谷代表取締役

ツールが複数あると、この選び方がそのまま仕事の質になる。検索、計算、社内データベース、どれをどの順で叩くか。

そこを人間が指示しなくなるのが大きいんですよ。

テキトー教師DotAI 認定講師

ただ1回で終わらないのがポイントで。結果を見て「まだ足りない」と判断すれば、またツールを呼ぶ。

この往復がエージェントの実体なので、途中で止まったり状態を失ったりすると実用にならないんです。

LangGraphから継承した耐久実行とチェックポイント

室谷代表取締役

そこで効いてくるのが土台の話で。今のLangChainはLangGraphの上に載っていて、耐久実行とチェックポイントをそのまま引き継いでいるんですよね。

テキトー教師DotAI 認定講師

チェックポイントは各ステップの状態を保存する仕組みです。長時間のタスクが途中で落ちても、保存した地点から再開できる。

初めて触る人は「なぜ状態管理の話が出てくるんだ」と戸惑うんですが、ループが長くなるほど効いてきます。

室谷代表取締役

あとhuman-in-the-loop。危険な操作の直前でいったん止めて、人間が承認してから進める、という止め方ができる。

業務に入れるときの必須条件なんですよ。承認なしに本番データベースを触るエージェントは怖すぎる。

テキトー教師DotAI 認定講師

途中まで戻してやり直す巻き戻しもできるので、「ここから先の判断が違った」となった時に最初からやり直さずに済みます。この土台があるから、モデルに任せる範囲を思い切って広げられるわけです。

LangChainの始め方は？インストールから最小コードまで

インストールで何を入れるのか

入れるものは2つだけです。順番にやれば迷いません。

1. Pythonが動く環境を用意する
2. ターミナルで pip install -qU langchain "langchain[openai]" を実行する（使うモデル提供元に合わせて [openai] の部分を差し替える）
3. インストール後、from langchain.agents import create_agent が通るか確認する

室谷代表取締役

LangChain、始めるハードルは正直かなり低いんですよ。本体を入れて、あとは使うモデルのパッケージを足すだけ。

数分で終わります。

テキトー教師DotAI 認定講師

最初につまずくのが、まさにそこなんですよね。「何を入れればいいのか分からない」で止まる人が多いんです。

本体だけ入れて動かなくて、そこで初めて気づくパターンです。

室谷代表取締役

モデルごとに追加パッケージが分かれてるんですよ。OpenAIを使うなら本体とセットで指定する形ですね。

全部入りのパッケージを探す必要はないんです。

テキトー教師DotAI 認定講師

現場でよく聞くのは「とりあえず全部入れたい」なんですけど、必要なものだけ入れる方が後で壊れにくいです。使うモデルが決まってから足すのが安全なんですよ。

APIキーはどこで用意するのか

テキトー教師DotAI 認定講師

インストールが済むと、次に引っかかるのがキーの話です。「LangChainのアカウントはどこで作るんですか」と聞かれることが、初めて触る人には本当に多いんですよ。

室谷代表取締役

ここ、構造として分かりにくいんですよね。LangChain自体は無料のフレームワークで、裏で呼ぶモデルのAPIキーは各モデル提供元で別に用意する。

アカウントも課金も別々なんですよ。

テキトー教師DotAI 認定講師

だから「無料と聞いたのに請求が来た」が起きるんです。枠組みは無料、推論は従量、と分けて考えるとすっと入ります。

キーの渡し方は公式ドキュメントの手順に沿うのが確実です。

室谷代表取締役

経営目線で言うと、ここはコストの勘所なんです。PoCの段階でどのモデルをどれだけ叩くかで、月の請求がまるで変わる。

キーの発行場所を押さえるついでに、上限の管理も一緒に決めておくといいです。

最小構成のエージェントを動かすまで

室谷代表取締役

で、ここからが本題なんですけど、今のLangChainは create_agent を呼ぶだけでエージェントが立ち上がるんですよ。

from langchain.agents import create_agent

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[...],
    system_prompt="...",
)

agent.invoke({"messages": [{"role": "user", "content": "こんにちは"}]})

テキトー教師DotAI 認定講師

これ、以前の知識で入ると拍子抜けするやつです。チェーンを自分でつないでいた頃と比べると、書くコードの量が全然違います。

OpenAI以外の主要なモデルにも同じ形で切り替えられます。

室谷代表取締役

モデルとツールとシステムプロンプトを渡して、invokeにメッセージを投げる。それだけで考えて動くループが回るんですよね。

テキトー教師DotAI 認定講師

最初はツール無しで一度動かしてみるのがおすすめです。動いた感触を先に取ってから、ツールを1個ずつ足していくとハマりにくいんですよ。

エラーが出たときも、原因がモデル側なのか自分のコードなのか切り分けやすくなります。

LangChainで実際に何が作れる？代表的な活用例

社内データに答えるチャットボット

室谷代表取締役

一番多い着地点が、社内データに答えるチャットボットなんですよね。モデル単体だと自社の規程や製品の価格表までは答えられないので、そこをLangChainで自社データに繋ぎにいく。

テキトー教師DotAI 認定講師

最初に戸惑うのがそこなんですよ。「賢いモデルなのに、うちのことは何も知らないんですね」という反応になる。

現場でよく聞くのは、総務に同じ質問が毎日届く、というパターンです。

室谷代表取締役

そこにメモリを足すと「さっき聞いた続き」が通じるようになる。問い合わせの一次対応あたりは、時給で換算して考えても十分ペイする計算なんですよね。

全部を人が返さなくてよくなるので。

テキトー教師DotAI 認定講師

そうですね。全部をAIに任せるというより、答えられない部分だけ人に渡す設計にすると現実的に回ります。

検索を組み合わせたRAGアプリ

室谷代表取締役

次がRAGです。テキストをベクトル化してベクトルDBに保存しておいて、質問に関連する文書を引っ張ってプロンプトに混ぜる。

社内文書検索が典型例ですね。

テキトー教師DotAI 認定講師

ここがハマりやすいところで、検索で拾った文書の質がそのまま回答の質になるんです。プロンプトの書き方より前段の検索でだいたい決まります。

室谷代表取締役

検索モジュールを差し替えるだけで同じ土台を使い回せるのが、フレームワークとしてありがたいところなんですよ。用途が増えるたびに一から作らなくていい。

テキトー教師DotAI 認定講師

根拠の文書があると、回答がそれっぽく見えるだけで終わらないのも大きいですね。出典を一緒に出せば確認もできます。

ツールを自分で使う自律型エージェント

室谷代表取締役

3つ目が自律型エージェントです。ユーザーの目的とツール一覧をモデルに渡して、次の行動を自分で決めさせる仕組みなんですよ。

テキトー教師DotAI 認定講師

たとえば天気を調べるツールを渡しておくと、入力を見て、ツール一覧から該当するものを選び、実行して、返ってきた結果を踏まえて次に何をするか決める。この流れを自分で回すのがエージェントです。

室谷代表取締役

ただ、勝手に動くということは、危ない操作の手前で止められる仕組みが要る。そこは後で触れるLangGraph側の役割なんですけど、業務に置くならここが一番の論点なんですよね。

テキトー教師DotAI 認定講師

現場感覚で言うと、いきなり全部を任せるより、読み取りだけできるツールから渡すほうが安全です。いきなり書き込み系を渡すと事故ります。

LangChain・LangGraph・Deep Agentsはどう使い分ける？MCPとの関係も整理

公式が示す3つの判断基準

室谷代表取締役

ここは公式ドキュメントに判断基準がそのまま書いてあるんですよね。作りたいものの性質で選べ、と。

テキトー教師DotAI 認定講師

たしかに。最初に「結局どれを使えばいいんですか」で手が止まる人は多いです。

似た名前が3つ並んでるので、全部同じものに見えてしまうんですよ。

室谷代表取締役

ざっくり整理するとこうです。

テキトー教師DotAI 認定講師

上から「自分で組む → 自分で制御する → 任せる」の順ですね。トレースやデバッグ、評価はどの構成でも LangSmith、という役割分担も公式が明示してます。

カスタマイズならLangChain、制御ならLangGraph、長時間の自律タスクならDeep Agents

テキトー教師DotAI 認定講師

現場感覚で言うと、最初に触るなら create_agent から入るのが分かりやすいです。モデルとツールとシステムプロンプトを渡すだけで動きますから。

室谷代表取締役

そうなんですよ。ただ、業務に組み込む段階になると「ここは決定的に処理したい」が出てくるんですよね。

全部をモデルに任せると再現性がなくて、障害が起きたときに説明ができない。そこで LangGraph の出番です。

テキトー教師DotAI 認定講師

Deep Agents はさらにその上ですか。

室谷代表取締役

LangChain の上に構築されていて、コンテキストの自動圧縮や仮想ファイルシステム、サブエージェント生成が標準で付いてくる。長時間走らせる前提の仕組みを自分で組み立てなくていい、という位置づけなんですよね。

MCPがあればLangChainは不要になるのか

テキトー教師DotAI 認定講師

ここ、初めて触る人がいちばん戸惑うところです。「MCPがあるならLangChainはいらないのでは」という疑問ですね。

室谷代表取締役

それは役割が違うんですよ。MCPはAIとツールをつなぐ共通規格で、LangChainはそのツールを組み合わせて処理の流れを作る側。

競合ではなく補完関係です。

テキトー教師DotAI 認定講師

ツールを1つつなぐだけならMCP単体で足りる、と。複数ステップの処理や記憶の管理、複雑な判断が必要になったら LangChain か LangGraph が効いてくる、という切り分けですね。

室谷代表取締役

そう。あと地味に大きいのが、主要モデルを同じ書き方で呼べること。

モデルを差し替えるたびに実装を書き直すのは、事業のスピードを確実に落とすので。

LangChainの料金はいくら？LangSmithのプランと課金の仕組み

無料で使える部分と、財布が痛くなる部分

室谷代表取締役

LangChain自体はオープンソースで無料なんですよね。ライセンス的にも自由に使えて、ライブラリを入れて動かす分には1円もかからない。

で、財布が痛くなるのは裏側なんですよ。呼び出すモデルのAPI利用料と、観測基盤のLangSmithのほう。

テキトー教師DotAI 認定講師

そこ、最初に戸惑う人が多いんですよ。「無料って聞いたのに請求が来た」というパターンで。

フレームワークは無料でも、GPTやClaudeを呼ぶたびに提供元へ従量課金が発生しますし、モデルのAPIキーも別途必要ですから。

室谷代表取締役

経営目線で言うと、LangChain本体のコストはゼロで、実質は「モデルのトークン単価×呼び出し回数」と「LangSmithの席数」の2本立てなんですよね。だから検証段階はほぼ無料で走れて、チームで本番運用に乗せた瞬間にLangSmithの話が出てくる。

テキトー教師DotAI 認定講師

なるほど。作ってる間はお金のことを忘れていい、運用に入る段階で初めて料金を意識する、という順番なんですね。

LangSmithの3プラン、何が違うのか

室谷代表取締役

公式の料金ページに出てる3段階、まとめるとこうです。

テキトー教師DotAI 認定講師

Developerは0ドルで1席まで、月5,000ベーストレースまで無料、超過分は従量課金。個人が触ってみるならここで完結します。

室谷代表取締役

Plusは39ドル/席で席数は無制限に増やせて、月10,000ベーストレース込み。サーバーレスデプロイが1枠ついてくるのと、不具合を自動で検出して修正案まで出すEngineが使えるのが、実務だと効いてくるんですよね。

テキトー教師DotAI 認定講師

Enterpriseはカスタム見積もりで、セルフホストやハイブリッド配置、独自のSSO・RBAC、サポートSLAがつく。判断軸はシンプルで、個人の検証ならDeveloper、チームで本番運用ならPlus、監査や統制が要る大企業ならEnterpriseです。

LSUの従量課金と、トレースは何日残るのか

室谷代表取締役

課金単位がLSUという独特のもので、1LSU=1ドル。超過したトレースはこれで換算されます。

ここを見落とすと月末に「あれ？」となる。

テキトー教師DotAI 認定講師

保持期間も見逃せないところで、ベーストレースは14日で消えます。180日残したいなら拡張トレースへのアップグレードが必要で、そこは追加料金。

障害を後から振り返るチームほど、ここが効いてきます。

室谷代表取締役

あとスタートアップ向けに最大1万ドル分のクレジットが用意されてるんですよ。資金調達したばかりのチームなら真っ先に確認したい。

LangSmithは7,000社以上が使っていて、Fortune10のうち5社が入っている規模なので、価格だけ見て敬遠するのはもったいないんですよね。

テキトー教師DotAI 認定講師

最初から有料プランに飛びつかず、14日で消える前提で残すトレースを選ぶ。その運用にするだけで費用がぐっと読みやすくなります。

よくある質問

Q1. LangChain以外のフレームワークと比べて、どう選べばいいですか？

テキトー教師DotAI 認定講師

選定で一番多いのは、候補を横に並べて「どれが正解か」を探してしまうパターンなんですよね。でも実際は作りたいものの形で決まる部分が大きくて、汎用の土台を選ぶのか、用途を絞った道具を選ぶのかの違いだったりします。

室谷代表取締役

うちでも似た相談を受けるんですけど、最初に見るのは乗り換えコストなんですよ。フレームワークって一度組むと剥がしにくいので、そこが一番高いんですよね。

テキトー教師DotAI 認定講師

たしかに。乗り換えやすさを見るなら、ロジックをどこまで自分のコード側に置けるかが判断材料になりますね。

Q2. プログラミング経験が浅くても始められますか？

テキトー教師DotAI 認定講師

初めて触る人が最初に戸惑うのが、「サンプルは動いたのに自分のやりたい形に変えられない」という壁なんですよ。ここは文法の問題というより、LLMアプリの組み立て方を知らないと詰まりやすいところです。

室谷代表取締役

それって結局、何を作るかが決まってないと進まないやつですよね。僕も新しいツールを試すときは、動かす前にゴールを1行で書くようにしてます。

テキトー教師DotAI 認定講師

そこ大事ですね。小さくても自分の用途で1本通した経験があると、そのあとの伸び方が変わります。

Q3. ネットの情報がすぐ古くなる気がするのですが、どう追えばいいですか？

テキトー教師DotAI 認定講師

現場でよく聞くのが、「記事のとおりに書いたのに動かない」なんですよ。変化が速い分野なので、前提が少しずつズレていくんですよね。

室谷代表取締役

これもツール選定と同じで、情報源を1つに絞るのが結局は安いんですよ。毎回あちこち見て回る時間を時給で換算すると、かなりもったいないので。

テキトー教師DotAI 認定講師

公式のドキュメントを軸にして、足りない部分だけ人に聞く、くらいが現実的ですね。

Q4. 素のAPIを直接叩くのと、LangChainを使うのと、どっちがいいですか？

テキトー教師DotAI 認定講師

これ、ハマる人多いんですよ。小さな検証なら直接叩く方が見通しがいいし、逆に会話の履歴やツール呼び出しが絡んでくると、自分で管理するのが急に重くなります。

室谷代表取締役

業界的には、汎用の土台と専用の部品が数年単位で入れ替わる構図なんですよね。なので「どっちが正しい」ではなく、あとで剥がせる形で載せているかが効いてきます。

テキトー教師DotAI 認定講師

たしかに。最初は直接叩いて、つらくなったところで任せる、という順番でも遅くないと思います。

Q5. 業務で導入するときは、どこから検討すればいいですか？

室谷代表取締役

MYUUU の現場だと、最初に「誰のどの作業が減るか」を1つに決めちゃうんですよ。効果を測れないまま広げると、あとで続けるかどうかの判断ができなくなるので。

テキトー教師DotAI 認定講師

現場感覚で言うと、いきなり全員に配るより、1人か2人で1業務を回してみる方が学びが多いんですよね。失敗のコストも小さく済みますし。

室谷代表取締役

そうそう。あと権限とデータの置き場所だけは先に決めておくんですよね。

あとから変えるのが一番高くつくので。

テキトー教師DotAI 認定講師

そこは飛ばしがちですけど、最初に押さえておくと後がラクですね。

まとめ

室谷代表取締役

ここまで通して見ると、LangChainはLLMアプリを組むための土台で、時代に合わせて役割が移ってきたんですよね。モデル側が賢くなっても、その前段を整える仕事は残ります。

テキトー教師DotAI 認定講師

そうですね。最初は「何ができるのか」で迷いがちなんですけど、実際は自分のどの作業を楽にしたいかから入る方が、遠回りに見えて一番速いんですよ。

室谷代表取締役

なので、この記事を読んで自分の用途だとどうなるんだろうと思った人は、小さい1本を作ってみるのがいいんですよね。続けるかどうかの判断はそれからで十分なので。

テキトー教師DotAI 認定講師

はい。動かしてから足りない部分を調べる順番だと、同じ情報でも頭への入り方が変わりますよ。

まずは今日の内容から1つだけ拾って、手を動かしてみてください。