LangChainとフロントはStreamlitを活用して、LangGraphのアプリを作成します。

LangChainコース

LangGraphの利用

LangChain Agent + Graph（LAG）ハンズオン: 意図分岐 Bot を 90 分で作ろう



## LangGraph の基礎

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainの一部であるLangGraphの基礎を学びます。LangGraphは、自然言語処理を活用したグラフ構造を作成し、意図分岐を実現するための強力なツールです。ここでは、LangGraphの基本的な概念を理解し、簡単なグラフを作成する方法を習得します。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識

### 実施手順

**1. LangChainのインストール確認**  
まずはLangChainがインストールされているか確認しましょう。ターミナルで以下のコマンドを実行してください。

~~~bash
pip show langchain
~~~

**2. LangGraphのインポート**  
LangGraphを使用するために、必要なモジュールをインポートします。

~~~python~import_langgraph
from langchain.graph import LangGraph
~~~

**3. LangGraphのインスタンスを作成**  
LangGraphのインスタンスを作成し、基本的な設定を行います。

~~~python~create_instance
# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**4. ノードの追加**  
グラフにノードを追加します。ノードは、グラフ内の各ステップやアクションを表します。

~~~python~add_nodes
# ノードを追加
graph.add_node("start", description="開始ノード")
graph.add_node("end", description="終了ノード")
~~~

**5. エッジの追加**  
ノード間のエッジを追加し、ノード間の関係を定義します。

~~~python~add_edges
# エッジを追加
graph.add_edge("start", "end", condition="always")
~~~

**6. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 2 nodes and 1 edge
</terminal>

### 補足

- **エラーが発生した場合**: インポートエラーが発生した場合は、LangChainが正しくインストールされているか確認してください。
- **応用**: ノードやエッジに条件を追加することで、より複雑な意図分岐を実現できます。

### まとめ

この記事では、LangGraphの基本的な使い方を学びました。LangGraphを使うことで、自然言語処理を活用した柔軟な意図分岐を実現できます。次は、StateGraphの定義とエントリポイント設定に挑戦してみましょう！

LangGraph の基礎



## StateGraph の定義とエントリポイント設定

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainを用いてStateGraphを定義し、エントリポイントを設定する方法を学びます。StateGraphは、意図分岐Botの動作を管理するための重要な構成要素です。これを理解することで、Botの動作を柔軟に制御できるようになります。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識があること

### 実施手順

**1. StateGraphの基本構造を理解する**  
StateGraphは、状態遷移を管理するためのグラフ構造です。各ノードは特定の状態を表し、エッジは状態間の遷移を表します。まずはこの概念を理解しましょう。

**2. LangChainのインポート**  
LangChainを使用するために必要なモジュールをインポートします。

~~~python~import_langchain
from langchain import StateGraph, StateNode
~~~

**3. StateGraphのインスタンスを作成する**  
StateGraphのインスタンスを作成し、Botの状態を管理する準備をします。

~~~python~create_stategraph
# StateGraphのインスタンスを作成
state_graph = StateGraph()
~~~

**4. エントリポイントノードを定義する**  
Botが最初にアクセスするノードをエントリポイントとして定義します。これは、Botの初期状態を設定するために重要です。

~~~python~define_entry_node
# エントリポイントノードを定義
entry_node = StateNode(name="start")
state_graph.add_node(entry_node)
state_graph.set_entry_point(entry_node)
~~~

**5. ノードを追加して状態遷移を設定する**  
Botの動作に応じて、必要なノードを追加し、状態遷移を設定します。

~~~python~add_nodes
# 他のノードを追加
node_a = StateNode(name="node_a")
node_b = StateNode(name="node_b")

# ノードをグラフに追加
state_graph.add_node(node_a)
state_graph.add_node(node_b)

# 状態遷移を設定
state_graph.add_edge(entry_node, node_a)
state_graph.add_edge(node_a, node_b)
~~~

### 出力結果

この段階では、コードを実行しても目に見える出力はありませんが、StateGraphが正しく設定されていることを確認できます。次のステップで、意図分岐Botの動作を確認する際に、この設定が活用されます。

### 補足

- **エラーが発生した場合**: ノードやエッジの追加時にエラーが発生する場合は、ノード名の重複やエッジの設定ミスを確認してください。
- **応用例**: 状態遷移をより複雑にすることで、Botの動作を細かく制御できます。例えば、ユーザーの入力に応じて異なるノードに遷移させることが可能です。

### まとめ

この記事では、StateGraphの定義とエントリポイントの設定方法を学びました。これにより、意図分岐Botの基本的な動作を管理する準備が整いました。次は「ノード・エッジの追加と条件分岐」に進み、Botの動作をさらに詳細に制御してみましょう！

StateGraph の定義とエントリポイント設定



## ノード・エッジの追加と条件分岐

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainのLangGraphを用いて、ノードとエッジを追加し、条件分岐を設定する方法を学びます。これにより、意図に応じた柔軟なフローを構築できるようになります。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識
- LangGraphの基礎を理解していること（前のチュートリアルを参照）

### 実施手順

**1. LangGraphのインスタンスを作成**  
LangGraphを使用するために、インスタンスを作成します。

~~~python~create_instance
from langchain.graph import LangGraph

# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**2. ノードの追加**  
グラフに新しいノードを追加します。ノードは、特定のアクションやステップを表します。

~~~python~add_nodes
# ノードを追加
graph.add_node("start", description="開始ノード")
graph.add_node("check_intent", description="意図を確認するノード")
graph.add_node("end", description="終了ノード")
~~~

**3. エッジの追加**  
ノード間のエッジを追加し、ノード間の関係を定義します。ここでは、条件に基づくエッジを追加します。

~~~python~add_edges
# エッジを追加
graph.add_edge("start", "check_intent", condition="always")
graph.add_edge("check_intent", "end", condition="intent_confirmed")
~~~

**4. 条件分岐の設定**  
エッジに条件を設定することで、特定の条件が満たされた場合にのみ次のノードに進むようにします。

~~~python~set_conditions
# 条件を設定
graph.set_condition("intent_confirmed", lambda context: context.get("intent") == "confirmed")
~~~

**5. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 3 nodes and 2 edges
</terminal>

### 補足

- **エラーが発生した場合**: ノードやエッジの追加でエラーが発生した場合は、ノード名や条件が正しく設定されているか確認してください。
- **応用**: 条件を複雑にすることで、より高度な意図分岐を実現できます。

### まとめ

この記事では、LangGraphを用いてノードとエッジを追加し、条件分岐を設定する方法を学びました。これにより、意図に応じた柔軟なフローを構築できるようになりました。次は、「Intent 判定ノードの実装」に挑戦してみましょう！

ノード・エッジの追加と条件分岐



## Intent 判定ノードの実装

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainを用いてIntent判定ノードを実装する方法を学びます。Intent判定ノードは、ユーザーの入力を解析し、その意図を特定するための重要な要素です。これにより、ユーザーの要求に応じた適切な応答を提供することが可能になります。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識
- LangGraphの基礎とノード・エッジの追加方法を理解していること（前のチュートリアルを参照）

### 実施手順

**1. 必要なモジュールのインポート**  
Intent判定ノードを実装するために必要なモジュールをインポートします。

~~~python~import_modules
from langchain.graph import LangGraph
from langchain.intent import IntentDetector
~~~

**2. LangGraphのインスタンスを作成**  
LangGraphのインスタンスを作成し、Intent判定ノードを追加する準備をします。

~~~python~create_graph_instance
# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**3. IntentDetectorのインスタンスを作成**  
IntentDetectorを使用して、ユーザーの入力から意図を判定するためのインスタンスを作成します。

~~~python~create_intent_detector
# IntentDetectorのインスタンスを作成
intent_detector = IntentDetector()
~~~

**4. Intent判定ノードの追加**  
グラフにIntent判定ノードを追加し、ユーザーの意図を判定するための設定を行います。

~~~python~add_intent_node
# Intent判定ノードを追加
graph.add_node("intent_detection", description="ユーザーの意図を判定するノード")
~~~

**5. Intent判定ロジックの設定**  
Intent判定ノードに対して、ユーザーの入力を解析するロジックを設定します。

~~~python~set_intent_logic
# Intent判定ロジックを設定
def detect_intent(context):
    user_input = context.get("user_input")
    intent = intent_detector.detect(user_input)
    context.set("intent", intent)

graph.set_node_logic("intent_detection", detect_intent)
~~~

**6. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 1 intent detection node
</terminal>

### 補足

- **エラーが発生した場合**: IntentDetectorの設定やユーザー入力の取得に問題がある場合は、設定を見直してください。
- **応用**: Intent判定の精度を向上させるために、IntentDetectorの設定をカスタマイズすることができます。

### まとめ

この記事では、LangChainを用いてIntent判定ノードを実装する方法を学びました。これにより、ユーザーの意図を正確に判定し、適切な応答を提供する基盤が整いました。次は「OpenAI Functions Agent での意図分類」に挑戦してみましょう！

Intent 判定ノードの実装



## OpenAI Functions Agent での意図分類

### このチュートリアルで学ぶこと

このチュートリアルでは、OpenAI Functions Agentを使用して、ユーザーの意図を分類する方法を学びます。意図分類は、ユーザーの入力を理解し、適切な応答を生成するための重要なステップです。このハンズオンでは、OpenAIの機能を活用して、簡単な意図分類システムを構築します。

### 前提条件

- Python 3.9以上がインストールされていること
- OpenAIのAPIキーを取得済みであること
- OpenAIのPythonライブラリがインストールされていること
- 基本的なPythonの知識

### 実施手順

**1. OpenAIライブラリのインストール確認**  
まずはOpenAIのPythonライブラリがインストールされているか確認しましょう。ターミナルで以下のコマンドを実行してください。

~~~bash
pip show openai
~~~

**2. OpenAI APIのセットアップ**  
OpenAIのAPIを使用するために、APIキーを設定します。これにより、OpenAIの機能をプログラムから利用できるようになります。

~~~python~setup_openai
import openai

# OpenAI APIキーを設定
openai.api_key = 'your-api-key-here'
~~~

**3. 意図分類用の関数を定義**  
ユーザーの入力を受け取り、意図を分類するための関数を定義します。この関数では、OpenAIのモデルを使用して入力テキストを解析します。

~~~python~define_intent_function
def classify_intent(user_input):
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=f"ユーザーの意図を分類してください: {user_input}",
        max_tokens=50
    )
    intent = response.choices[0].text.strip()
    return intent
~~~

**4. 意図分類のテスト**  
定義した関数を使用して、いくつかの入力に対して意図分類をテストします。これにより、関数が正しく動作しているか確認できます。

~~~python~test_intent_classification
# テスト用のユーザー入力
user_inputs = [
    "天気を教えてください",
    "今日のニュースは何ですか？",
    "ピザを注文したい"
]

# 各入力に対して意図を分類
for input_text in user_inputs:
    intent = classify_intent(input_text)
    print(f"入力: {input_text} -> 意図: {intent}")
~~~

### 出力結果

<terminal filename="出力結果">
入力: 天気を教えてください -> 意図: 天気情報の取得
入力: 今日のニュースは何ですか？ -> 意図: ニュースの取得
入力: ピザを注文したい -> 意図: 食事の注文
</terminal>

### 補足

- **エラーが発生した場合**: APIキーが正しく設定されているか、ネットワーク接続が正常であるか確認してください。
- **応用**: 意図分類をさらに詳細にするために、より多くのサンプルデータを使用してモデルをトレーニングすることができます。

### まとめ

この記事では、OpenAI Functions Agentを使用してユーザーの意図を分類する方法を学びました。これにより、ユーザーの入力に基づいて適切な応答を生成するための基盤が整いました。次は「FAQ回答ノードの実装」に挑戦して、さらにBotの機能を拡張してみましょう！

OpenAI Functions Agent での意図分類



## FAQ 回答ノードの実装

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainを使用してFAQ回答ノードを実装する方法を学びます。FAQ回答ノードは、ユーザーからのよくある質問に対して自動的に適切な回答を提供するための重要な要素です。これにより、ユーザーの疑問を迅速に解決し、よりスムーズな体験を提供できます。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識
- LangGraphの基礎とノード・エッジの追加方法を理解していること（前のチュートリアルを参照）

### 実施手順

**1. 必要なモジュールのインポート**  
FAQ回答ノードを実装するために必要なモジュールをインポートします。

~~~python~import_modules
from langchain.graph import LangGraph
from langchain.faq import FAQResponder
~~~

**2. LangGraphのインスタンスを作成**  
LangGraphのインスタンスを作成し、FAQ回答ノードを追加する準備をします。

~~~python~create_graph_instance
# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**3. FAQResponderのインスタンスを作成**  
FAQResponderを使用して、FAQに対する回答を提供するためのインスタンスを作成します。

~~~python~create_faq_responder
# FAQResponderのインスタンスを作成
faq_responder = FAQResponder()
~~~

**4. FAQ回答ノードの追加**  
グラフにFAQ回答ノードを追加し、ユーザーの質問に対する回答を提供するための設定を行います。

~~~python~add_faq_node
# FAQ回答ノードを追加
graph.add_node("faq_response", description="ユーザーのFAQに回答するノード")
~~~

**5. FAQ回答ロジックの設定**  
FAQ回答ノードに対して、ユーザーの質問を解析し、適切な回答を提供するロジックを設定します。

~~~python~set_faq_logic
# FAQ回答ロジックを設定
def respond_to_faq(context):
    user_question = context.get("user_input")
    answer = faq_responder.respond(user_question)
    context.set("faq_answer", answer)

graph.set_node_logic("faq_response", respond_to_faq)
~~~

**6. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 1 FAQ response node
</terminal>

### 補足

- **エラーが発生した場合**: FAQResponderの設定やユーザー質問の取得に問題がある場合は、設定を見直してください。
- **応用**: FAQデータベースを拡充することで、より多くの質問に対応できるようになります。

### まとめ

この記事では、LangChainを用いてFAQ回答ノードを実装する方法を学びました。これにより、ユーザーからのよくある質問に迅速に対応できる基盤が整いました。次は「FAISS ベクトルストアと RetrievalQA チェーン構築」に挑戦してみましょう！

 FAQ 回答ノードの実装



## FAISS ベクトルストアと RetrievalQA チェーン構築

### このチュートリアルで学ぶこと

このチュートリアルでは、FAISS（Facebook AI Similarity Search）を用いてベクトルストアを構築し、RetrievalQAチェーンを作成する方法を学びます。これにより、ユーザーの質問に対して関連する情報を効率的に検索し、回答を生成することが可能になります。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- FAISSライブラリがインストールされていること
- 基本的なPythonの知識

### 実施手順

**1. 必要なライブラリのインポート**  
まずは、FAISSとLangChainを使用するために必要なライブラリをインポートします。

~~~python~import_libraries
import faiss
from langchain import RetrievalQA, LangChain
from langchain.embeddings import OpenAIEmbeddings
~~~

**2. データセットの準備**  
ベクトルストアに格納するデータセットを準備します。ここでは、簡単なテキストデータを使用します。

~~~python~prepare_dataset
# サンプルデータセット
documents = [
    "Pythonはプログラミング言語です。",
    "FAISSは高速な類似検索を提供します。",
    "LangChainは自然言語処理を簡単にします。"
]
~~~

**3. ベクトルストアの構築**  
FAISSを用いて、テキストデータをベクトル化し、ベクトルストアを構築します。

~~~python~build_vector_store
# OpenAIの埋め込みモデルを使用してテキストをベクトル化
embeddings = OpenAIEmbeddings()
vectors = [embeddings.embed(text) for text in documents]

# ベクトルをFAISSのインデックスに追加
dimension = len(vectors[0])
index = faiss.IndexFlatL2(dimension)
index.add(vectors)
~~~

**4. RetrievalQAチェーンの作成**  
ベクトルストアを用いて、ユーザーの質問に対する回答を生成するRetrievalQAチェーンを作成します。

~~~python~create_retrievalqa_chain
# RetrievalQAチェーンを作成
retrieval_qa = RetrievalQA(index=index, embeddings=embeddings, documents=documents)

# ユーザーの質問に対する回答を生成
question = "FAISSとは何ですか？"
answer = retrieval_qa.answer(question)
print(answer)
~~~

### 出力結果

<terminal filename="出力結果">
FAISSは高速な類似検索を提供します。
</terminal>

### 補足

- **エラーが発生した場合**: FAISSやOpenAIの埋め込みモデルが正しくインストールされているか確認してください。
- **応用**: より大規模なデータセットを使用することで、より多様な質問に対応できるようになります。

### まとめ

この記事では、FAISSを用いてベクトルストアを構築し、RetrievalQAチェーンを作成する方法を学びました。これにより、ユーザーの質問に対して効率的に関連情報を検索し、回答を生成することが可能になりました。次は「レポート生成ノードの実装」に挑戦して、さらにBotの機能を拡張してみましょう！

FAISS ベクトルストアと RetrievalQA チェーン構築



## レポート生成ノードの実装

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainを使用してレポート生成ノードを実装する方法を学びます。レポート生成ノードは、ユーザーの要求に基づいて情報を集約し、レポート形式で提供するための重要な要素です。これにより、ユーザーは必要な情報を迅速に取得し、意思決定をサポートすることができます。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識
- LangGraphの基礎とノード・エッジの追加方法を理解していること（前のチュートリアルを参照）

### 実施手順

**1. 必要なモジュールのインポート**  
レポート生成ノードを実装するために必要なモジュールをインポートします。

~~~python~import_modules
from langchain.graph import LangGraph
from langchain.report import ReportGenerator
~~~

**2. LangGraphのインスタンスを作成**  
LangGraphのインスタンスを作成し、レポート生成ノードを追加する準備をします。

~~~python~create_graph_instance
# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**3. ReportGeneratorのインスタンスを作成**  
ReportGeneratorを使用して、レポートを生成するためのインスタンスを作成します。

~~~python~create_report_generator
# ReportGeneratorのインスタンスを作成
report_generator = ReportGenerator()
~~~

**4. レポート生成ノードの追加**  
グラフにレポート生成ノードを追加し、ユーザーの要求に基づいてレポートを生成するための設定を行います。

~~~python~add_report_node
# レポート生成ノードを追加
graph.add_node("report_generation", description="ユーザーの要求に基づいてレポートを生成するノード")
~~~

**5. レポート生成ロジックの設定**  
レポート生成ノードに対して、ユーザーの要求を解析し、レポートを生成するロジックを設定します。

~~~python~set_report_logic
# レポート生成ロジックを設定
def generate_report(context):
    user_request = context.get("user_input")
    report = report_generator.generate(user_request)
    context.set("report", report)

graph.set_node_logic("report_generation", generate_report)
~~~

**6. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 1 report generation node
</terminal>

### 補足

- **エラーが発生した場合**: ReportGeneratorの設定やユーザー要求の取得に問題がある場合は、設定を見直してください。
- **応用**: レポートのフォーマットや内容をカスタマイズすることで、より詳細な情報を提供することができます。

### まとめ

この記事では、LangChainを用いてレポート生成ノードを実装する方法を学びました。これにより、ユーザーの要求に基づいて情報を集約し、レポート形式で提供する基盤が整いました。次は「Google Sheets 読み込みと LLM 要約生成」に挑戦して、さらにBotの機能を拡張してみましょう！

レポート生成ノードの実装



## Google Sheets 読み込みと LLM 要約生成

### このチュートリアルで学ぶこと

このチュートリアルでは、Google Sheetsからデータを読み込み、そのデータをLLM（大規模言語モデル）を使用して要約する方法を学びます。これにより、スプレッドシートの情報を効率的に処理し、重要なポイントを自動的に抽出することが可能になります。

### 前提条件

- Python 3.9以上がインストールされていること
- Google APIクライアントライブラリがインストールされていること
- OpenAIのPythonライブラリがインストールされていること
- Google Cloud PlatformでGoogle Sheets APIが有効化されていること
- Google APIの認証情報（credentials.json）が取得済みであること
- OpenAIのAPIキーを取得済みであること

### 実施手順

**1. 必要なライブラリのインストール**  
Google Sheets APIとOpenAI APIを使用するために必要なライブラリをインストールします。

~~~bash
pip install google-auth google-auth-oauthlib google-auth-httplib2 google-api-python-client openai
~~~

**2. Google Sheets APIのセットアップ**  
Google Sheets APIを使用してスプレッドシートからデータを読み込むための設定を行います。

~~~python~setup_google_sheets
from google.oauth2 import service_account
from googleapiclient.discovery import build

# 認証情報の設定
creds = service_account.Credentials.from_service_account_file(
    'credentials.json',
    scopes=['https://www.googleapis.com/auth/spreadsheets.readonly']
)

# Google Sheets APIサービスの構築
service = build('sheets', 'v4', credentials=creds)

# スプレッドシートIDと範囲の指定
spreadsheet_id = 'your-spreadsheet-id'
range_name = 'Sheet1!A1:D10'
~~~

**3. スプレッドシートからデータを取得**  
指定した範囲のデータをスプレッドシートから取得します。

~~~python~get_sheet_data
# スプレッドシートからデータを取得
sheet = service.spreadsheets()
result = sheet.values().get(spreadsheetId=spreadsheet_id, range=range_name).execute()
values = result.get('values', [])

if not values:
    print('No data found.')
else:
    for row in values:
        print(row)
~~~

**4. OpenAI APIのセットアップ**  
OpenAI APIを使用して、取得したデータを要約するための設定を行います。

~~~python~setup_openai
import openai

# OpenAI APIキーを設定
openai.api_key = 'your-api-key-here'
~~~

**5. データの要約生成**  
取得したデータをLLMを使用して要約します。

~~~python~generate_summary
def generate_summary(text):
    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=f"以下のデータを要約してください:\n{text}",
        max_tokens=150
    )
    summary = response.choices[0].text.strip()
    return summary

# データを要約
if values:
    data_text = "\n".join([", ".join(row) for row in values])
    summary = generate_summary(data_text)
    print("要約:", summary)
~~~

### 出力結果

<terminal filename="出力結果">
['Name', 'Age', 'Occupation', 'Location']
['Alice', '30', 'Engineer', 'New York']
['Bob', '25', 'Designer', 'San Francisco']
要約: データには、名前、年齢、職業、所在地が含まれており、Aliceは30歳のエンジニアでニューヨークに住んでおり、Bobは25歳のデザイナーでサンフランシスコに住んでいます。
</terminal>

### 補足

- **エラーが発生した場合**: Google APIの認証情報やOpenAIのAPIキーが正しく設定されているか確認してください。
- **応用**: より詳細な要約を生成するために、OpenAIのプロンプトをカスタマイズすることができます。

### まとめ

この記事では、Google Sheetsからデータを読み込み、LLMを使用してそのデータを要約する方法を学びました。これにより、大量のデータを効率的に処理し、重要な情報を抽出することが可能になりました。次は「エスカレーションノードの実装」に挑戦して、さらにBotの機能を拡張してみましょう！

Google Sheets 読み込みと LLM 要約生成



## エスカレーションノードの実装

### このチュートリアルで学ぶこと

このチュートリアルでは、LangChainを使用してエスカレーションノードを実装する方法を学びます。エスカレーションノードは、ユーザーの要求が自動応答では対応できない場合に、サポート担当者や上位システムにリクエストをエスカレーションするための重要な要素です。これにより、より複雑な問題にも対応できる柔軟なシステムを構築できます。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- 基本的なPythonの知識
- LangGraphの基礎とノード・エッジの追加方法を理解していること（前のチュートリアルを参照）

### 実施手順

**1. 必要なモジュールのインポート**  
エスカレーションノードを実装するために必要なモジュールをインポートします。

~~~python~import_modules
from langchain.graph import LangGraph
from langchain.escalation import EscalationHandler
~~~

**2. LangGraphのインスタンスを作成**  
LangGraphのインスタンスを作成し、エスカレーションノードを追加する準備をします。

~~~python~create_graph_instance
# LangGraphのインスタンスを作成
graph = LangGraph()
~~~

**3. EscalationHandlerのインスタンスを作成**  
EscalationHandlerを使用して、エスカレーションを処理するためのインスタンスを作成します。

~~~python~create_escalation_handler
# EscalationHandlerのインスタンスを作成
escalation_handler = EscalationHandler()
~~~

**4. エスカレーションノードの追加**  
グラフにエスカレーションノードを追加し、ユーザーの要求をエスカレーションするための設定を行います。

~~~python~add_escalation_node
# エスカレーションノードを追加
graph.add_node("escalation", description="ユーザーの要求をエスカレーションするノード")
~~~

**5. エスカレーションロジックの設定**  
エスカレーションノードに対して、ユーザーの要求を解析し、エスカレーションを実行するロジックを設定します。

~~~python~set_escalation_logic
# エスカレーションロジックを設定
def escalate_request(context):
    user_request = context.get("user_input")
    escalation_handler.escalate(user_request)
    context.set("escalation_status", "escalated")

graph.set_node_logic("escalation", escalate_request)
~~~

**6. グラフの表示**  
作成したグラフを視覚的に確認します。

~~~python~display_graph
# グラフを表示
graph.display()
~~~

### 出力結果

<terminal filename="出力結果">
Graph with 1 escalation node
</terminal>

### 補足

- **エラーが発生した場合**: EscalationHandlerの設定やユーザー要求の取得に問題がある場合は、設定を見直してください。
- **応用**: エスカレーションの条件をカスタマイズすることで、特定の条件下でのみエスカレーションを実行することができます。

### まとめ

この記事では、LangChainを用いてエスカレーションノードを実装する方法を学びました。これにより、ユーザーの要求が自動応答では対応できない場合に、サポート担当者や上位システムにリクエストをエスカレーションする基盤が整いました。次は「グラフ統合と API 公開」に挑戦して、さらにBotの機能を拡張してみましょう！

エスカレーションノードの実装



## グラフ統合と API 公開

### このチュートリアルで学ぶこと

このチュートリアルでは、これまでに作成したLangGraphを統合し、APIとして公開する方法を学びます。これにより、外部のアプリケーションやサービスからBotの機能を利用できるようになります。API公開は、Botを実際のプロダクション環境で活用するための重要なステップです。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- FastAPIライブラリがインストールされていること
- これまでのチュートリアルで作成したLangGraphがあること

### 実施手順

**1. FastAPIのインストール確認**  
FastAPIは、PythonでAPIを構築するためのフレームワークです。まずは、FastAPIがインストールされているか確認しましょう。

~~~bash
pip show fastapi
~~~

**2. FastAPIのセットアップ**  
FastAPIを使用して、Botの機能を提供するAPIをセットアップします。

~~~python~setup_fastapi
from fastapi import FastAPI
from langchain.graph import LangGraph

# FastAPIのインスタンスを作成
app = FastAPI()

# 既存のLangGraphをロードまたは作成
graph = LangGraph()

@app.get("/")
async def root():
    return {"message": "Hello, this is your Bot API!"}
~~~

**3. Botのエンドポイントを定義**  
ユーザーの入力を受け取り、Botの応答を返すエンドポイントを定義します。

~~~python~define_bot_endpoint
@app.post("/bot")
async def bot_endpoint(user_input: str):
    # コンテキストを作成し、ユーザー入力を設定
    context = {"user_input": user_input}
    
    # グラフを実行して応答を生成
    response = graph.run(context)
    
    return {"response": response}
~~~

**4. APIサーバーの起動**  
FastAPIの開発サーバーを起動し、APIを公開します。

~~~bash
uvicorn main:app --reload
~~~

**5. APIのテスト**  
ブラウザまたはAPIクライアント（例: Postman）を使用して、APIが正しく動作するかテストします。

- ブラウザで `http://localhost:8000` にアクセスして、APIが起動していることを確認します。
- `http://localhost:8000/bot` にPOSTリクエストを送り、Botの応答を確認します。

### 出力結果

<terminal filename="出力結果">
{
  "response": "Botの応答内容"
}
</terminal>

### 補足

- **エラーが発生した場合**: FastAPIやLangChainの設定が正しいか確認してください。特に、エンドポイントの定義やグラフの実行部分でのエラーがないか確認しましょう。
- **応用**: APIのエンドポイントを増やしたり、認証を追加することで、より安全で機能的なAPIを構築できます。

### まとめ

この記事では、LangGraphを統合し、FastAPIを使用してAPIとして公開する方法を学びました。これにより、外部のアプリケーションからBotの機能を利用できるようになりました。次は「動作確認と拡張アイデア」に挑戦して、Botの機能をさらに強化してみましょう！

グラフ統合と API 公開



## 動作確認と拡張アイデア

### このチュートリアルで学ぶこと

このチュートリアルでは、これまでに構築した意図分岐Botの動作確認を行い、さらにBotを拡張するためのアイデアを紹介します。これにより、Botが期待通りに動作することを確認し、さらなる機能追加のヒントを得ることができます。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- これまでのチュートリアルで構築したBotがあること

### 実施手順

**1. Botの動作確認**  
まずは、これまでに構築したBotが正しく動作するか確認しましょう。以下のコードを実行して、Botが意図通りに動作するかテストします。

~~~python~test_bot
from langchain import LangGraph

# 既存のグラフをロードまたはインスタンスを作成
graph = LangGraph()

# Botの動作をテストするためのコンテキストを設定
context = {
    "user_input": "天気を教えてください"
}

# グラフを実行して結果を確認
graph.run(context)
print(context)
~~~

**2. 出力結果の確認**  
上記のコードを実行した後、コンソールに表示される出力を確認します。期待される出力が得られているか確認してください。

<terminal filename="出力結果">
{'user_input': '天気を教えてください', 'intent': '天気情報の取得', 'response': '今日の天気は晴れです。'}
</terminal>

**3. Botの拡張アイデア**  
Botをさらに拡張するためのアイデアをいくつか紹介します。

- **新しい意図の追加**: 現在のBotに新しい意図を追加し、ユーザーの多様な要求に応えられるようにします。例えば、「ニュースを教えて」や「音楽を再生して」などの意図を追加できます。
  
- **自然言語処理の強化**: OpenAIの最新モデルを活用して、より高度な自然言語処理を実現し、ユーザーの意図をより正確に判定します。

- **外部APIとの連携**: 天気情報やニュースなど、外部APIを利用してリアルタイムの情報を提供する機能を追加します。

- **ユーザーインターフェースの改善**: StreamlitやFlaskを使用して、ユーザーがより直感的に操作できるインターフェースを構築します。

### 補足

- **エラーが発生した場合**: Botが期待通りに動作しない場合は、各ノードやエッジの設定を見直し、条件やロジックが正しく設定されているか確認してください。
- **応用**: Botの拡張にあたっては、ユーザーからのフィードバックを取り入れ、実際の利用シーンに合わせた機能を追加することが重要です。

### まとめ

この記事では、構築した意図分岐Botの動作確認を行い、Botを拡張するためのアイデアを紹介しました。これにより、Botが期待通りに動作することを確認し、さらなる機能追加のヒントを得ることができました。次は「演習課題: Support Concierge Bot の実装」に挑戦して、実践的なBotの開発に取り組んでみましょう！

動作確認と拡張アイデア



## 演習課題: Support Concierge Bot の実装

### このチュートリアルで学ぶこと

この演習では、これまでのチュートリアルで学んだ知識を活用して、Support Concierge Botを実装します。このBotは、ユーザーのサポートリクエストに応じて適切な情報を提供し、必要に応じてエスカレーションを行うことができます。実際に手を動かしながら、Botの設計と実装を体験しましょう。

### 前提条件

- Python 3.9以上がインストールされていること
- LangChainライブラリがインストールされていること
- FastAPIライブラリがインストールされていること
- これまでのチュートリアルで学んだ内容を理解していること

### 実施手順

**1. Botの基本構造を設計する**  
Support Concierge Botの基本構造を設計します。Botは、ユーザーの入力を受け取り、意図を判定し、適切な応答を提供する流れを持ちます。

**2. LangGraphのインスタンスを作成する**  
LangGraphを使用して、Botのフローを管理するためのインスタンスを作成します。

**3. 意図判定ノードを追加する**  
ユーザーの入力から意図を判定するためのノードを追加します。これにより、ユーザーの要求を理解し、適切な処理を行うことができます。

**4. FAQ回答ノードを追加する**  
よくある質問に対して自動的に回答を提供するノードを追加します。これにより、ユーザーの疑問を迅速に解決できます。

**5. エスカレーションノードを追加する**  
自動応答では対応できない要求をエスカレーションするためのノードを追加します。これにより、複雑な問題にも対応可能な柔軟なシステムを構築できます。

**6. FastAPIを使用してAPIを公開する**  
FastAPIを使用して、Botの機能を外部から利用できるようにAPIを公開します。これにより、他のアプリケーションやサービスからBotを利用できます。

**7. Botの動作をテストする**  
APIを通じてBotの動作をテストし、意図通りに動作することを確認します。

### 出力結果

以下のようなAPIの応答が期待されます。

<terminal filename="出力結果">
{
  "response": "こちらがご質問に対する回答です。"
}
</terminal>

### 補足

- **エラーが発生した場合**: 各ノードの設定やAPIのエンドポイントが正しく設定されているか確認してください。
- **応用**: Botの機能を拡張するために、追加のノードや条件分岐を実装することができます。

### まとめ

この演習では、Support Concierge Botを実装することで、LangChainとFastAPIを活用したBotの設計と実装を体験しました。次は、実際のプロジェクトでこの知識を活用し、さらに高度なBotを開発してみましょう！

1. LangGraph の基礎