クイックスタートはゼロから完全に機能する AI エージェントを数分で構築できるようにガイドします。単純なものから始めて、段階的に洗練されたエージェントを構築していきます。
LangChain v1.0 は OpenAI, Anthropic, Google 等によるエージェントを 10 行以下のコードで構築し始めることができます。

LangChain v1.0 alpha : Get started – クイックスタート

作成 : クラスキャット・セールスインフォメーション
作成日時 : 09/20/2025
バージョン : 1.0.0a5

* 本記事は docs.langchain.com の以下のページを独自に翻訳した上で、補足説明を加えてまとめ直しています。スニペットはできる限り日本語を使用しています :

LangChain OSS (v1-alpha) : Get started – Quickstart

* サンプルコードの動作確認はしておりますが、必要な場合には適宜、追加改変しています。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

クラスキャット人工知能研究開発支援サービス ⭐️ リニューアルしました 😉

◆ クラスキャットは人工知能に関する各種サービスを提供しています。お気軽にご相談ください :

人工知能導入個別相談会(無償)実施中！ [詳細]
人工知能研究開発支援 [詳細]
1. 自社特有情報を含むチャットボット構築支援
2. 画像認識 (医療系含む) / 画像生成
PoC(概念実証)を失敗させないための支援 [詳細]

◆ お問合せ : 下記までお願いします。

クラスキャット セールス・インフォメーション
sales-info@classcat.com
ClassCatJP

LangChain v1.0 alpha : Get started – クイックスタート

クイックスタートはゼロから完全に機能する AI エージェントを数分で構築できるようにガイドします。単純なものから始めて、段階的に洗練されたエージェントを構築していきます。

基本的なエージェントの構築

エージェントの基本から始めましょう – 質問に回答し、ツールを使用できる単純なエージェントを作成します。以下の特徴を持つエージェントを作成します :

言語モデル (Claude 3.7 Sonnet)
単純なツール (weather 関数)
基本的なプロンプト
メッセージによりそれを呼び出す (invoke) 機能

from langchain.agents import create_agent

def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"{city} では常に晴れています!"

agent = create_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt="You are a helpful assistant",
)

# Run the agent
agent.invoke(
    {"messages": [{"role": "user", "content": "大阪の天気は？"}]}
)

実世界のエージェントの構築

それではより実践的なものを作成しましょう。本番環境で使用する主要コンセプトを実演する、天気予報エージェントを構築してみましょう :

より良いエージェント動作のための 詳細なシステムプロンプト
外部データと統合する 実世界のツール
一貫性のある応答のための モデル構成設定
予測可能な結果のための 構造化出力
チャットのようなインタラクションのための 会話メモリ
これらすべてをまとめて完全に機能するエージェントを作成します。

各ステップを段階的に見ていきましょう :

システムプロンプトの定義

システムプロンプトは、エージェントのパーソナリティと指示です。具体的かつ実行可能にしましょう :

system_prompt = """あなたは、ダジャレを多用する、熟練した天気予報士です。

あなたは 2 つのツールを利用できます :

- get_weather_for_location: これを利用して、特定の位置の天気を取得します。
- get_user_location: これを利用して、ユーザの位置を取得します。

ユーザが天気について質問する場合、必ず位置情報を確認してください。質問から、ユーザがどこにいてもという意図とわかる場合は、get_user_location ツールを使用してユーザの位置を特定してください。"""

ツールの作成

ツールはエージェントが呼び出すことができる関数です。ツールは十分なドキュメント化が必要です。多くの場合、ツールは外部システムへの接続が必要で、そのためにはランタイムの構成設定に依存します。ここで get_user_location ツールが正確にそれを行う方法に注意してください :

from langchain_core.tools import tool

def get_weather_for_location(city: str) -> str:  # (1)!
    """Get weather for a given city."""
    return f"{city} では常に晴れています!"

from langchain_core.runnables import RunnableConfig

USER_LOCATION = {
    "1": "東京",
    "2": "大阪"
}

@tool
def get_user_location(config: RunnableConfig) -> str:
    """Retrieve user information based on user ID."""
    user_id = config["context"].get("user_id")
    return USER_LOCATION[user_id]

モデルの構成設定

ユースケースに適したパラメータで言語モデルをセットアップします :

from langchain.chat_models import init_chat_model

model = init_chat_model(
    "anthropic:claude-3-7-sonnet-latest",
    temperature=0
)

レスポンス形式の定義

構造化出力はエージェントが予測できる形式でデータを返すことを保証します。ここでは、Python の DataClass 辞書を使用します。
```
from dataclasses import dataclass

@dataclass
class WeatherResponse:
    conditions: str
    punny_response: str
```
メモリの追加

エージェントが会話履歴を記憶するように有効化します :
```
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()
```

Bring it all together

最後にすべてのコンポーネントでエージェントを構成しましょう :

agent = create_agent(
    model=model,
    prompt=system_prompt,
    tools=[get_user_location, get_weather_for_location],
    response_format=WeatherResponse,
    checkpointer=checkpointer
)

config = {"configurable": {"thread_id": "1"}}
context = {"user_id": "1"}
response = agent.invoke(
    {"messages": [{"role": "user", "content": "外の天気はどうですか?"}]},
    config=config,
    context=context
)

response['structured_response']

response = agent.invoke(
    {"messages": [{"role": "user", "content": "ありがとう!"}]},
    config=config,
    context=context
)

response['structured_response']

※ 参考 (訳註) : 現時点 (1.0.0a5) の上記のコードは config と context の扱いがそのままでは動作しませんので、少し修正を加えて動作するようにしたコードが以下です :

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain_core.tools import tool

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.runtime import get_runtime

from dataclasses import dataclass


# Context schema を定義
@dataclass
class Context:
    user_id: str

model = init_chat_model(
    "anthropic:claude-3-7-sonnet-latest",
    temperature=0
)

system_prompt = """あなたは、ダジャレを多用する、熟練した天気予報士です。

あなたは 2 つのツールを利用できます :

- get_weather_for_location: これを利用して、特定の位置の天気を取得します。
- get_user_location: これを利用して、ユーザの位置を取得します。

ユーザが天気について質問する場合、必ず位置情報を確認してください。
質問から、ユーザがどこにいてもという意図とわかる場合は、get_user_location ツールを使用してユーザの位置を特定してください。
"""

USER_LOCATION = {
    "1": "京都",
    "2": "大阪"
}

@tool
def get_user_location() -> str:
    """Retrieve user information based on user ID."""
    runtime = get_runtime(Context)
    user_id = runtime.context.user_id
    return USER_LOCATION[user_id]

@tool
def get_weather_for_location(city: str) -> str:
    """Get weather for a given city."""
    return f"{city} は常に晴れています!"


@dataclass
class WeatherResponse:
    conditions: str
    punny_response: str


checkpointer = InMemorySaver()

agent = create_agent(
    model=model,
    prompt=system_prompt,
    tools=[get_user_location, get_weather_for_location],
    response_format=WeatherResponse,
    checkpointer=checkpointer,
    context_schema=Context
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "外の天気はどうですか?"}]},
    config={"configurable": {"thread_id": "1"}},
    context={"user_id": "1"}  # type: ignore
)

print(response['structured_response'])

response = agent.invoke(
    {"messages": [{"role": "user", "content": "天気は？"}]},
    config={"configurable": {"thread_id": "1"}},
    context={"user_id": "2"}  # type: ignore
)

print(response['structured_response'])

出力例

WeatherResponse(conditions='晴れ', punny_response='京都は晴れていて、「京（きょう）晴れ（ばれ）」になっていますね！お出かけ日和です！')
WeatherResponse(conditions='晴れ', punny_response='大阪は晴れていて、「大阪（おおさか）晴れ（ばれ）」の絶好のお天気です！太陽が「笑い」かけていますよ！')

以上

月	火	水	木	金	土	日
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30