LangChain（企業）に関するニュース一覧

AI開発フレームワークを提供するLangChain社が、自社のサポート用チャットボット「Chat LangChain」を再構築しました。従来のベクトル検索ベースの手法では社内エンジニアの複雑なニーズに応えられず、利用されていなかったためです。新しいアプローチでは、エンジニアの調査プロセスを模倣した「Deep Agent」アーキテクチャを採用し、回答の精度と信頼性を劇的に向上させました。

なぜ従来のチャットボットは使われなかったのでしょうか。その原因は、一般的な文書検索で用いられるベクトル埋め込み手法の限界にありました。文書を断片化（チャンキング）するため文脈が失われ、頻繁な更新には再インデックスが必要でした。さらに、引用元が曖昧で、ユーザーは回答の正しさを検証するのが困難でした。

そこで同社が注目したのは、熟練エンジニアの思考プロセスです。彼らは問題解決の際、①公式ドキュメント、②ナレッジベース、③ソースコード、という3つの情報源を順に参照していました。この人間のワークフローをそのまま自動化するアプローチを採用。各情報源に特化した「サブエージェント」が調査し、その結果を統括役の「Deep Agent」が集約して最適な回答を生成します。

この新アーキテクチャの強みは、文脈の過負荷を防ぐ点にあります。各サブエージェントは独立して動作し、膨大な情報から最も重要なエッセンスのみを抽出します。これにより、統括エージェントは整理された情報に基づいて最終的な回答を合成できるため、ノイズに惑わされることなく、深く、的確な回答が可能になります。

この事例は、AIエージェント開発における重要な教訓を示唆しています。それは「最適なワークフローを模倣せよ」ということです。ベクトル検索は非構造化データには有効ですが、構造化されたドキュメントやコードには不向きな場合があります。ユーザーの実際の行動を観察し、その思考プロセスを自動化することが、真に役立つAIを構築する鍵となるでしょう。

AI開発フレームワーク大手のLangChainは10月29日、開発者以外のビジネスユーザーでもAIエージェントを構築できる新ツール「LangSmith Agent Builder」を発表しました。このツールは、プログラミング知識を必要としないノーコード環境を提供し、対話形式で簡単にエージェントを作成できるのが特徴です。組織全体の生産性向上を目的としています。

新ツールの最大の特徴は、従来の視覚的なワークフロービルダーとは一線を画す点にあります。あらかじめ決められた経路をたどるのではなく、大規模言語モデル（LLM）の判断能力を最大限に活用し、より動的で複雑なタスクに対応します。これにより、単純な自動化を超えた高度なエージェントの構築が可能になります。

エージェントは主に4つの要素で構成されます。エージェントの論理を担う「プロンプト」、GmailやSlackなど外部サービスと連携する「ツール」、メール受信などをきっかけに自動起動する「トリガー」、そして複雑なタスクを分割処理する「サブエージェント」です。これらを組み合わせ、目的に応じたエージェントを柔軟に設計できます。

開発のハードルを大きく下げているのが、対話形式のプロンプト生成機能です。ユーザーが自然言語で目的を伝えると、システムが質問を重ねながら最適なプロンプトを自動で作成します。さらに、エージェントは記憶機能を備えており、ユーザーによる修正を学習し、次回以降の応答に反映させることができます。

具体的な活用例として、メールやチャットのアシスタント、Salesforceとの連携などが挙げられます。例えば、毎日のスケジュールと会議の準備資料を要約して通知するエージェントや、受信メールの内容に応じてタスク管理ツールにチケットを作成し、返信案を起草するエージェントなどが考えられます。

「LangSmith Agent Builder」は現在、プライベートプレビュー版として提供されており、公式サイトからウェイトリストに登録できます。同社は、オープンソースのLangChainやLangGraphで培った知見を活かしており、今後もコミュニティの意見を取り入れながら機能を拡張していく方針です。

AI開発フレームワークのLangChainは2025年10月28日、自律型AIエージェント構築用のパッケージ「DeepAgents」のバージョン0.2を公開しました。複雑なタスクを長時間実行できるエージェント開発を加速させることが目的です。最大の目玉は、任意のデータストアを「ファイルシステム」として接続できるプラグイン可能なバックエンド機能で、エージェントの長期記憶や柔軟性が大幅に向上します。

これまでDeepAgentsのファイルシステムは、LangGraphのステートを利用した仮想的なものに限定されていました。しかし新バージョンでは、「Backend」という抽象化レイヤーが導入され、開発者はローカルのファイルシステムやクラウドストレージなどを自由に接続できるようになりました。これにより、エージェントがアクセスできるデータの範囲と永続性が飛躍的に高まります。

特に注目すべきは、複数のバックエンドを組み合わせる「コンポジットバックエンド」です。例えば、基本的な作業領域はローカルを使いつつ、「/memories/」のような特定のディレクトリへの操作だけをクラウドストレージに振り分ける設定が可能。これにより、エージェントはセッションを越えて情報を記憶・活用する長期記憶を容易に実装できます。

バージョン0.2では、バックエンド機能の他にも実用的な改善が多数追加されました。トークン数が上限を超えた場合に、ツールの大規模な実行結果を自動でファイルに退避させたり、長くなった会話履歴を要約したりする機能です。これにより、長時間稼働するエージェントの安定性とリソース効率が向上します。

LangChainは今回、`DeepAgents`を「エージェントハーネス」、`LangChain`を「フレームワーク」、`LangGraph`を「ランタイム」と位置づけを明確にしました。それぞれが階層構造で連携しており、開発者はプロジェクトの目的に応じて最適なライブラリを選択することが推奨されます。自律性の高いエージェント開発にはDeepAgentsが最適です。

AI開発ツール大手のLangChain社が、AIエージェント開発ツールを「フレームワーク」「ランタイム」「ハーネス」の3つに分類する新たな概念を提唱しました。これは、乱立する開発ツール群を整理し、開発者がプロジェクトの目的やフェーズに応じて最適なツールを選択しやすくするための「思考の枠組み」を提供するものです。本記事では、それぞれの定義と役割、そして適切な使い分けについて解説します。

まず「フレームワーク」は、開発の抽象化と標準化を担います。代表例は同社の「LangChain」で、開発の初期段階で迅速にプロトタイプを構築するのに役立ちます。一方で、抽象化が進むことで内部動作が不透明になり、高度なカスタマイズが難しい場合があるという課題も指摘されています。

次に「ランタイム」は、エージェントを本番環境で安定して実行するための基盤です。「LangGraph」がこれに該当し、耐久性のある実行や人間による介入（ヒューマン・イン・ザ・ループ）など、インフラ層の機能を提供します。フレームワークよりも低レベルな層で動作し、堅牢なアプリケーションの構築を支えます。

最後に「ハーネス」は、フレームワークよりさらに高レベルな、「すぐに使える」多機能パッケージを指します。同社の新プロジェクト「DeepAgents」がその一例で、デフォルトのプロンプトやツールが予め組み込まれています。特定のタスクに特化した「即戦力」として、迅速な開発と導入が可能です。

これら3つは、ハーネスがフレームワーク上に構築され、フレームワークがランタイム上で動作するという階層関係にあります。開発者は、迅速な試作ならフレームワーク、本番運用ならランタイム、特定用途ですぐに使いたいならハーネス、というように目的応じて使い分けることが重要になるでしょう。

この分類はまだ黎明期にあり定義も流動的ですが、AIエージェント開発の複雑性を理解する上で非常に有用な思考の枠組みと言えます。自社の開発プロジェクトがどの段階にあり、どのツールが最適かを見極めるための一助となるのではないでしょうか。

LangChain社が、LLMアプリ開発基盤「LangSmith」にAIエージェントの監視・評価を強化する新機能を追加しました。2025年10月23日に発表された「Insights Agent」と「Multi-turn Evals」です。これにより開発者は、本番環境でのユーザーの利用実態を深く理解し、エージェントの品質向上を加速できます。

AIエージェントが本番投入される事例が増える一方、その品質評価は大きな課題でした。従来の監視手法では、単なる稼働状況しか分からず、エージェントが「ユーザーの真の目的」を達成できたかまでは把握困難でした。膨大な対話ログの全てに目を通すのは非現実的です。

新機能「Insights Agent」は、この課題に応えます。本番環境の膨大な利用ログをAIが自動で分析し、共通の利用パターンや失敗モードを抽出。「ユーザーは何を求めているか」「どこで対話が失敗しているのか」をデータに基づき把握でき、改善の優先順位付けが格段に容易になります。

もう一つの新機能「Multi-turn Evals」は、複数回のやり取りからなる対話全体を評価します。個々の応答の正しさだけでなく、一連の対話を通じてユーザーの最終目的が達成されたかを測定。LLMを評価者として活用し、対話の成否を自動でスコアリングできるのが特徴です。

これら2つの機能を組み合わせることで、開発サイクルは劇的に変わるでしょう。「Insights Agent」で"何が起きているか"を把握し、「Multi-turn Evals」で"それが成功か"を測定する。この本番データに基づいた高速な改善ループこそが、信頼性の高いエージェントを構築する鍵となります。

LangChain社は、エージェント開発における「本番投入後の改善」という重要課題に正面から取り組みました。今回の新機能は、開発者が実世界のデータから学び、迅速に製品を改良するための強力な武器となるでしょう。今後の機能拡充にも期待が高まります。

AI開発フレームワークを手がけるLangChain社は2025年10月22日、主要ライブラリ「LangChain」と「LangGraph」のバージョン1.0を正式リリースしました。今回の更新は、開発者のフィードバックを反映し、APIの安定性を約束するとともに、本番環境での利用を容易にすることを目的としています。LangChainはミドルウェア導入で柔軟性を、LangGraphは永続化機能で堅牢性を高め、開発の迅速性とシステムの信頼性を両立させます。

LangChain 1.0の最大の目玉は、エージェント開発を高速化する新機能`create_agent`です。これはLangGraphの堅牢なランタイム上で動作します。さらに「ミドルウェア」という新概念が導入され、エージェントの実行ループの各段階で、人間による承認や個人情報のマスキングといったカスタム処理を簡単に追加できるようになりました。これにより、柔軟な制御が可能になります。

LangGraph 1.0は、本番環境で長期稼働する、信頼性の高いAIエージェントの構築に焦点を当てています。最大の特徴は永続的な状態管理機能です。これにより、システムが中断しても会話の文脈を失うことなく、処理を正確に再開できます。また、人間が介入して監視・承認を行う「ヒューマン・イン・ザ・ループ」のパターンもネイティブでサポートし、重要な意思決定を伴う業務にも対応します。

２つのフレームワークはどう使い分けるべきでしょうか。LangChainは、標準的なパターンですばやくエージェントを構築したい場合に最適です。一方、LangGraphは、複数の処理が絡み合う複雑なワークフローや、コストとレイテンシを厳密に管理したい場合に強みを発揮します。重要なのは、両者がシームレスに連携できる点です。LangChainで始め、必要に応じてLangGraphの低レベルな制御へと移行できます。

今回のv1.0リリースは、APIの安定性への強いコミットメントを示すものです。バージョン2.0まで破壊的変更を行わない方針が明言されており、開発者は安心して長期的なプロジェクトに採用できます。合わせてドキュメントサイトも刷新され、PythonとJavaScriptのドキュメントが統合されました。これにより、開発者はより効率的に学習を進めることが可能になります。

AIエージェント開発のオープンソース（OSS）フレームワークを提供するLangChainが10月21日、1億2500万ドル（約187億円）の資金調達を発表しました。これにより、同社の評価額は12億5000万ドル（約1900億円）に達し、ユニコーン企業の仲間入りを果たしました。今回のラウンドはIVPが主導し、新たにCapitalGやSapphire Venturesも参加。AIエージェント構築プラットフォームとしての進化を加速させます。

同社の成長は驚異的です。2022年にOSSプロジェクトとして始まった後、2023年4月にBenchmark主導で1000万ドルのシードラウンドを、そのわずか1週間後にはSequoia主導で2500万ドルのシリーズAラウンドを完了。当時2億ドルと報じられた評価額は、わずか1年半余りで6倍以上に跳ね上がったことになります。

LangChainは、初期の大規模言語モデル（LLM）を用いたアプリ開発における課題を解決し、一躍注目を集めました。Web検索、API呼び出し、データベースとの対話といった、LLMが単体では不得手な処理を容易にするフレームワークを提供。開発者から絶大な支持を得ており、GitHubでのスター数は11.8万を超えています。

最先端のモデルメーカーがインフラ機能を強化する中で、LangChainも単なるツールからプラットフォームへと進化を遂げています。今回の発表に合わせ、エージェントビルダーの「LangChain」やオーケストレーションツール「LangGraph」など主要製品のアップデートも公開。AIエージェント開発のハブとしての地位を確固たるものにしています。

AWSは、Amazon BedrockやLangChain、Streamlitを活用した医療レポート分析ダッシュボードを開発しました。自然言語での対話と動的な可視化を通じて、複雑な医療データの解釈を支援します。

このソリューションは、Amazon BedrockのAI基盤、LangChainの文書処理、StreamlitのUI技術を組み合わせています。これにより、医療データへのアクセスと分析が容易になります。

ユーザーはダッシュボード上で自然言語で質問すると、AIがレポート内容を解釈して回答します。健康パラメータの推移を示すグラフによる可視化機能も搭載されています。

このシステムの強みは、会話の文脈を維持しながら、継続的な対話分析を可能にする点です。これにより、より深く、インタラクティブなデータ探索が実現します。

医療データを扱う上で、セキュリティとコンプライアンスは不可欠です。実運用では、データ暗号化やアクセス制御といった対策が求められます。

特にAmazon Bedrock Guardrailsを設定し、AIによる医療助言や診断を厳しく制限することが重要です。役割はあくまでデータ分析と解釈に限定されます。

この概念実証は、生成AIが医療現場の生産性と意思決定の質を高める大きな可能性を秘めていることを示しています。

AIフレームワーク大手LangChainのハリソン・チェイスCEOは、OpenAIなどが参入する「ビジュアルワークフロービルダー（VWB）」市場に対して、懐疑的な見解を示しました。同氏は、VWBは真の「エージェントビルダー」ではなく、将来的にその役割は「シンプルなノーコードエージェント」と「コードによる高複雑度ワークフロー」の二極に分化し、VWBは淘汰されると提言しています。

VWBは非技術者によるAI構築を目的としていますが、チェイス氏はこの導入障壁が低いという前提を否定します。複雑なタスクを扱う場合、すぐにノード（要素）とエッジ（接続）が絡み合い、UI上での管理が極めて困難になります。特に、高い信頼性が求められるシステム設計においては、VWBは実用的な選択肢とはなり得ないのが現状です。

AIシステムの構築において、予測可能性が高いが自律性に欠けるものが「ワークフロー」、自律性が高いが予測しにくいのが「エージェント」です。VWBは基本的に複雑な処理の経路を視覚化する「ワークフロー」であり、真の自律的なエージェント構築には適していません。

今後のAIシステム開発の最適解は、複雑性に応じて二極化します。低複雑度のユースケースでは、プロンプトとツールのみで構成されるシンプルな「ノーコードエージェント」が主流になります。モデルの性能向上に伴い、エージェントが対応可能なタスクの範囲は拡大すると予想されます。

一方、高度な分岐ロジックや並列処理を必要とする高複雑度のタスクには、やはり「コードによるワークフロー」が不可欠です。LangChainが開発するLangGraphなどがこれに当たります。しかし、コード生成コストがゼロに近づくことで、非技術者でもこの領域に参入しやすくなると期待されています。

LangChainは、すでに存在するVWBに追従せず、よりシンプルなノーコードエージェントの作成支援と、LLMによる高品質なワークフローコード生成の改善に注力すべきだと結論づけています。これは、AI開発ツール市場における明確な戦略転換を意味します。