LangChainで作るAIエージェント入門：自律的に動作するボットを30分で構築する
LangChainを使って、Webを検索しコードを実行できるAIエージェントをゼロから構築します。ReActパターンの実装から本番対応のエラーハンドリングまでを解説。
はじめに
「AIエージェント」という言葉は広く使われていますが、実際にどう実装するのか、具体的なコードを見たことがない方も多いはずです。
この記事では、LangChainを使って実際に動くAIエージェントを30分で作ることを目標に、基礎から実装まで解説します。
事前準備
pip install langchain langchain-openai duckduckgo-search python-dotenv
# .env
OPENAI_API_KEY=your_api_key_here
最小限のエージェント
まず最も単純なエージェントを作ってみましょう。
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import DuckDuckGoSearchRun
from langchain import hub
# LLMの設定
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# ツールの設定
tools = [DuckDuckGoSearchRun()]
# ReActプロンプトを取得（HubからダウンロードOrローカルで定義）
prompt = hub.pull("hwchase17/react")
# エージェントの作成
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# 実行
result = agent_executor.invoke({
"input": "今日の東京の天気を調べて、明日の服装を提案してください"
})
print(result["output"])
verbose=True にすることで、エージェントがどのように思考・行動しているかを確認できます。
ReActパターンの仕組み
エージェントの動作を理解するために、ReActパターンを詳しく見てみましょう。
入力: "今日の東京の天気を教えて"
ループ開始:
[思考] まず東京の天気を検索する必要がある
[行動] duckduckgo_search("東京 今日 天気 2025")
[観察] "東京の本日の天気: 晴れ、最高気温28度、最低気温18度"
[思考] 天気情報が得られた。これで回答できる
[行動] Final Answer: "東京は晴れで最高気温28度です..."
ループ終了
カスタムツールの作成
DuckDuckGo以外にも、独自のツールを簡単に追加できます。
from langchain.tools import tool
from typing import Optional
import subprocess
@tool
def run_python_code(code: str) -> str:
"""
Pythonコードを安全なサンドボックスで実行します。
Args:
code: 実行するPythonコード
Returns:
実行結果（stdout）またはエラーメッセージ
"""
try:
# 注意: 本番環境では必ずサンドボックス化すること
result = subprocess.run(
["python", "-c", code],
capture_output=True,
text=True,
timeout=10 # タイムアウト設定
)
if result.returncode == 0:
return result.stdout or "コードは正常に実行されました（出力なし）"
else:
return f"エラー: {result.stderr}"
except subprocess.TimeoutExpired:
return "エラー: 実行タイムアウト（10秒）"
@tool
def read_file(filepath: str) -> str:
"""
ファイルの内容を読み込みます。
Args:
filepath: 読み込むファイルのパス
Returns:
ファイルの内容
"""
try:
with open(filepath, 'r', encoding='utf-8') as f:
return f.read()
except FileNotFoundError:
return f"エラー: ファイル '{filepath}' が見つかりません"
except Exception as e:
return f"エラー: {str(e)}"
# ツールをエージェントに追加
tools = [
DuckDuckGoSearchRun(),
run_python_code,
read_file,
]
エラーハンドリングと本番対応
エージェントを本番で使うには、適切なエラーハンドリングが必要です。
from langchain.agents import AgentExecutor
from langchain.callbacks.base import BaseCallbackHandler
import logging
logger = logging.getLogger(__name__)
class AgentCallbackHandler(BaseCallbackHandler):
"""エージェントの動作をログに記録するコールバック"""
def on_agent_action(self, action, **kwargs):
logger.info(f"ツール実行: {action.tool} - 入力: {action.tool_input}")
def on_agent_finish(self, finish, **kwargs):
logger.info(f"エージェント完了: {finish.return_values}")
def on_tool_error(self, error, **kwargs):
logger.error(f"ツールエラー: {error}")
def create_production_agent():
llm = ChatOpenAI(
model="gpt-4o",
temperature=0,
max_retries=3, # APIエラー時の自動リトライ
)
agent_executor = AgentExecutor(
agent=agent,
tools=tools,
verbose=False, # 本番ではFalse
max_iterations=10, # 無限ループ防止
max_execution_time=60, # 60秒でタイムアウト
handle_parsing_errors=True, # パースエラーを自動処理
callbacks=[AgentCallbackHandler()],
)
return agent_executor
# 安全な実行ラッパー
async def safe_agent_run(query: str) -> dict:
agent = create_production_agent()
try:
result = await agent.ainvoke({"input": query})
return {"success": True, "output": result["output"]}
except Exception as e:
logger.error(f"エージェント実行エラー: {e}", exc_info=True)
return {"success": False, "error": str(e)}
メモリ機能の追加
会話の文脈を維持するメモリを追加します。
from langchain.memory import ConversationBufferWindowMemory
from langchain.agents import create_react_agent
# 直近5ターンの会話を記憶
memory = ConversationBufferWindowMemory(
k=5,
memory_key="chat_history",
return_messages=True
)
# メモリ対応のプロンプト
prompt = hub.pull("hwchase17/react-chat")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(
agent=agent,
tools=tools,
memory=memory,
verbose=True
)
# マルチターン会話
agent_executor.invoke({"input": "私の名前はTaroです"})
agent_executor.invoke({"input": "私の名前を覚えていますか？"})
# → "はい、Taroさんですね"
実践例：コードレビューエージェント
これらの要素を組み合わせて、実用的なコードレビューエージェントを作ります。
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool
from langchain import hub
import ast
import json
@tool
def analyze_python_syntax(code: str) -> str:
"""Pythonコードの構文解析を行い、問題を特定します"""
try:
ast.parse(code)
return "構文エラーなし"
except SyntaxError as e:
return f"構文エラー: 行{e.lineno} - {e.msg}"
@tool
def check_security_issues(code: str) -> str:
"""セキュリティ上の問題を検出します"""
issues = []
dangerous_patterns = {
"eval(": "evalの使用はコードインジェクションのリスクがあります",
"exec(": "execの使用はコードインジェクションのリスクがあります",
"os.system(": "os.systemよりsubprocessを使用してください",
"pickle.loads(": "信頼できないデータのpickle.loadsは危険です",
"sql = f\"": "f文字列でのSQL構築はSQLインジェクションのリスクがあります",
}
for pattern, message in dangerous_patterns.items():
if pattern in code:
issues.append(f"⚠️ {message}")
return "\n".join(issues) if issues else "明らかなセキュリティ問題は検出されませんでした"
# エージェントシステムプロンプト
SYSTEM_PROMPT = """あなたは熟練したPythonコードレビュアーです。
コードの問題を特定し、建設的なフィードバックを提供してください。
レビューの観点:
1. セキュリティ問題（最優先）
2. パフォーマンス最適化
3. コード品質（可読性・保守性）
4. Pythonのベストプラクティス遵守
フィードバックは具体的で、修正例を含めてください。
"""
tools = [analyze_python_syntax, check_security_issues]
llm = ChatOpenAI(model="gpt-4o", temperature=0, system=SYSTEM_PROMPT)
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)
# レビュー実行
code_to_review = """
import pickle
import os
def process_data(user_input):
query = f"SELECT * FROM users WHERE id = {user_input}"
result = eval(user_input)
data = pickle.loads(result)
return data
"""
review = agent_executor.invoke({
"input": f"以下のPythonコードをレビューしてください:\n\n{code_to_review}"
})
print(review["output"])
まとめ
LangChainを使ったAIエージェントの基礎をカバーしました：
- ReActパターンによる思考→行動→観察のループ
- カスタムツールの作成方法
- エラーハンドリングと本番対応
- メモリによる文脈維持
- 実践的なコードレビューエージェントの例
次のステップとして、マルチエージェントシステム（複数のエージェントが協調して動作する仕組み）に挑戦してみてください。次回の記事でその実装方法を解説します。