LangGraph も LangChain とともに 10 月のバージョン 1.0 リリースを目指しています。
Graph API と Functional API を使用したクイックスタートです。Colab 上で動作確認済みです。

LangGraph 1.0 alpha : Get started – クイックスタート on Colab

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 : 09/27/2026
バージョン : 1.0.0a3

* 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 :

• LangGraph 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。

 

 

 

LangGraph 1.0 alpha : Get started – クイックスタート on Colab

Graph API の使用

準備

%pip install -U -q langgraph "langchain[anthropic]"

 

ステップ 0 : ツールとモデルの定義

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

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


# ツールの定義
@tool
def multiply(a: int, b: int) -> int:
    """Multiply a and b.

    Args:
        a: first int
        b: second int
    """
    return a * b


@tool
def add(a: int, b: int) -> int:
    """Adds a and b.

    Args:
        a: first int
        b: second int
    """
    return a + b


@tool
def divide(a: int, b: int) -> float:
    """Divide a and b.

    Args:
        a: first int
        b: second int
    """
    return a / b


# LLM をツールで強化します
tools = [add, multiply, divide]
tools_by_name = {tool.name: tool for tool in tools}
llm_with_tools = llm.bind_tools(tools)

 

ステップ 1 : 状態の定義

from langchain_core.messages import AnyMessage
from typing_extensions import TypedDict, Annotated
import operator

class MessagesState(TypedDict):
    messages: Annotated[list[AnyMessage], operator.add]
    llm_calls: int

 

ステップ 2 : モデルノードの定義

from langchain_core.messages import SystemMessage
def llm_call(state: dict):
    """LLM はツールを呼び出すかどうか決定します。"""

    return {
        "messages": [
            llm_with_tools.invoke(
                [
                    SystemMessage(
                        content="あなたは、一連の入力に対して計算を実行する役割を担う、役に立つアシスタントです。"
                    )
                ]
                + state["messages"]
            )
        ],
        "llm_calls": state.get('llm_calls', 0) + 1
    }

 

ステップ 3 : ツールノードの定義

from langchain_core.messages import ToolMessage

def tool_node(state: dict):
    """ツール呼び出しを実行します。"""

    result = []
    for tool_call in state["messages"][-1].tool_calls:
        tool = tools_by_name[tool_call["name"]]
        observation = tool.invoke(tool_call["args"])
        result.append(ToolMessage(content=observation, tool_call_id=tool_call["id"]))
    return {"messages": result}

 

ステップ 4 : 終了するかどうかを決定するロジックの定義

from typing import Literal
from langgraph.graph import StateGraph, START, END

# LLM がツール呼び出しを行ったかどうかに基づいて、ツールノードか END にルーティングする条件付きエッジ関数
def should_continue(state: MessagesState) -> Literal["tool_node", END]:
    """Decide if we should continue the loop or stop based upon whether the LLM made a tool call"""

    messages = state["messages"]
    last_message = messages[-1]
    # If the LLM makes a tool call, then perform an action
    if last_message.tool_calls:
        return "tool_node"
    # Otherwise, we stop (reply to the user)
    return END

 

ステップ 5 : エージェントの構築

# Build workflow
agent_builder = StateGraph(MessagesState)

# ノードの追加
agent_builder.add_node("llm_call", llm_call)
agent_builder.add_node("tool_node", tool_node)

# ノードを接続するためにエッジの追加
agent_builder.add_edge(START, "llm_call")
agent_builder.add_conditional_edges(
    "llm_call",
    should_continue,
    ["tool_node", END]
)
agent_builder.add_edge("tool_node", "llm_call")

# エージェントのコンパイル
agent = agent_builder.compile()


from IPython.display import Image, display
# エージェントの表示
display(Image(agent.get_graph(xray=True).draw_mermaid_png()))

# Invoke (呼び出し)
from langchain_core.messages import HumanMessage
messages = [HumanMessage(content="Add 3 and 4.")]
messages = agent.invoke({"messages": messages})
for m in messages["messages"]:
    m.pretty_print()

出力例

================================ Human Message =================================

3 と 4 を足します。
================================== Ai Message ==================================

[{'text': '3と4を足す計算を実行します。', 'type': 'text'}, {'id': 'toolu_01UunbEbTQxPM7TtMrtJuNaL', 'input': {'a': 3, 'b': 4}, 'name': 'add', 'type': 'tool_use'}]
Tool Calls:
  add (toolu_01UunbEbTQxPM7TtMrtJuNaL)
 Call ID: toolu_01UunbEbTQxPM7TtMrtJuNaL
  Args:
    a: 3
    b: 4
================================= Tool Message =================================

7
================================== Ai Message ==================================

3と4を足した結果は7です。

 

Functional API の使用

ステップ 0 : ツールとモデルの定義

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

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


# Define tools
@tool
def multiply(a: int, b: int) -> int:
    """Multiply a and b.

    Args:
        a: first int
        b: second int
    """
    return a * b


@tool
def add(a: int, b: int) -> int:
    """Adds a and b.

    Args:
        a: first int
        b: second int
    """
    return a + b


@tool
def divide(a: int, b: int) -> float:
    """Divide a and b.

    Args:
        a: first int
        b: second int
    """
    return a / b


# Augment the LLM with tools
tools = [add, multiply, divide]
tools_by_name = {tool.name: tool for tool in tools}
llm_with_tools = llm.bind_tools(tools)

 

ステップ 1 : モデルノードの定義

from langgraph.graph import add_messages
from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
    BaseMessage,
    ToolCall,
)
from langgraph.func import entrypoint, task

@task
def call_llm(messages: list[BaseMessage]):
    """LLM decides whether to call a tool or not"""
    return llm_with_tools.invoke(
        [
            SystemMessage(
                content="あなたは、一連の入力に対して計算を実行する役割を担う、役に立つアシスタントです。"
            )
        ]
        + messages
    )

 

ステップ 2 : ツールノードの定義

@task
def call_tool(tool_call: ToolCall):
    """ツール呼び出しの実行"""
    tool = tools_by_name[tool_call["name"]]
    return tool.invoke(tool_call)

 

ステップ 3 : エージェントの定義

@entrypoint()
def agent(messages: list[BaseMessage]):
    llm_response = call_llm(messages).result()

    while True:
        if not llm_response.tool_calls:
            break

        # Execute tools
        tool_result_futures = [
            call_tool(tool_call) for tool_call in llm_response.tool_calls
        ]
        tool_results = [fut.result() for fut in tool_result_futures]
        messages = add_messages(messages, [llm_response, *tool_results])
        llm_response = call_llm(messages).result()

    messages = add_messages(messages, llm_response)
    return messages

# Invoke
messages = [HumanMessage(content="Add 3 and 4.")]
for chunk in agent.stream(messages, stream_mode="updates"):
    print(chunk)
    print("\n")

出力例

{'call_llm': AIMessage(content=[{'text': '3と4を足す計算を実行します。', 'type': 'text'}, {'id': 'toolu_01XtHKoPmdCiJbLVBrf89S5Y', 'input': {'a': 3, 'b': 4}, 'name': 'add', 'type': 'tool_use'}], additional_kwargs={}, response_metadata={'id': 'msg_016FJwJ7d2nEPLDS7KxycjCn', 'model': 'claude-3-7-sonnet-20250219', 'stop_reason': 'tool_use', 'stop_sequence': None, 'usage': {'cache_creation': {'ephemeral_1h_input_tokens': 0, 'ephemeral_5m_input_tokens': 0}, 'cache_creation_input_tokens': 0, 'cache_read_input_tokens': 0, 'input_tokens': 620, 'output_tokens': 83, 'server_tool_use': None, 'service_tier': 'standard'}, 'model_name': 'claude-3-7-sonnet-20250219'}, id='run--924fbfa5-a36f-4af5-a713-aa7073b51e5b-0', tool_calls=[{'name': 'add', 'args': {'a': 3, 'b': 4}, 'id': 'toolu_01XtHKoPmdCiJbLVBrf89S5Y', 'type': 'tool_call'}], usage_metadata={'input_tokens': 620, 'output_tokens': 83, 'total_tokens': 703, 'input_token_details': {'cache_read': 0, 'cache_creation': 0, 'ephemeral_5m_input_tokens': 0, 'ephemeral_1h_input_tokens': 0}})}


{'call_tool': ToolMessage(content='7', name='add', tool_call_id='toolu_01XtHKoPmdCiJbLVBrf89S5Y')}


{'call_llm': AIMessage(content='3と4を足した結果は7です。', additional_kwargs={}, response_metadata={'id': 'msg_01RyQ5YbH5NRAxit6LcosNgw', 'model': 'claude-3-7-sonnet-20250219', 'stop_reason': 'end_turn', 'stop_sequence': None, 'usage': {'cache_creation': {'ephemeral_1h_input_tokens': 0, 'ephemeral_5m_input_tokens': 0}, 'cache_creation_input_tokens': 0, 'cache_read_input_tokens': 0, 'input_tokens': 715, 'output_tokens': 16, 'server_tool_use': None, 'service_tier': 'standard'}, 'model_name': 'claude-3-7-sonnet-20250219'}, id='run--4f5ac643-a054-4d4a-af3d-352330aa224e-0', usage_metadata={'input_tokens': 715, 'output_tokens': 16, 'total_tokens': 731, 'input_token_details': {'cache_read': 0, 'cache_creation': 0, 'ephemeral_5m_input_tokens': 0, 'ephemeral_1h_input_tokens': 0}})}


{'agent': [
HumanMessage(content='3 と 4 を足します。', additional_kwargs={}, response_metadata={}, id='bb4e0361-7cee-4977-bc28-afd54623a8b0'), 
AIMessage(content=[{'text': '3と4を足す計算を実行します。', 'type': 'text'}, {'id': 'toolu_01XtHKoPmdCiJbLVBrf89S5Y', 'input': {'a': 3, 'b': 4}, 'name': 'add', 'type': 'tool_use'}], additional_kwargs={}, response_metadata={'id': 'msg_016FJwJ7d2nEPLDS7KxycjCn', 'model': 'claude-3-7-sonnet-20250219', 'stop_reason': 'tool_use', 'stop_sequence': None, 'usage': {'cache_creation': {'ephemeral_1h_input_tokens': 0, 'ephemeral_5m_input_tokens': 0}, 'cache_creation_input_tokens': 0, 'cache_read_input_tokens': 0, 'input_tokens': 620, 'output_tokens': 83, 'server_tool_use': None, 'service_tier': 'standard'}, 'model_name': 'claude-3-7-sonnet-20250219'}, id='run--924fbfa5-a36f-4af5-a713-aa7073b51e5b-0', tool_calls=[{'name': 'add', 'args': {'a': 3, 'b': 4}, 'id': 'toolu_01XtHKoPmdCiJbLVBrf89S5Y', 'type': 'tool_call'}], usage_metadata={'input_tokens': 620, 'output_tokens': 83, 'total_tokens': 703, 'input_token_details': {'cache_read': 0, 'cache_creation': 0, 'ephemeral_5m_input_tokens': 0, 'ephemeral_1h_input_tokens': 0}}), ToolMessage(content='7', name='add', id='e5eb4247-d336-4a90-b065-9b7f0fbc48a0', tool_call_id='toolu_01XtHKoPmdCiJbLVBrf89S5Y'), 
AIMessage(content='3と4を足した結果は7です。', additional_kwargs={}, response_metadata={'id': 'msg_01RyQ5YbH5NRAxit6LcosNgw', 'model': 'claude-3-7-sonnet-20250219', 'stop_reason': 'end_turn', 'stop_sequence': None, 'usage': {'cache_creation': {'ephemeral_1h_input_tokens': 0, 'ephemeral_5m_input_tokens': 0}, 'cache_creation_input_tokens': 0, 'cache_read_input_tokens': 0, 'input_tokens': 715, 'output_tokens': 16, 'server_tool_use': None, 'service_tier': 'standard'}, 'model_name': 'claude-3-7-sonnet-20250219'}, id='run--4f5ac643-a054-4d4a-af3d-352330aa224e-0', usage_metadata={'input_tokens': 715, 'output_tokens': 16, 'total_tokens': 731, 'input_token_details': {'cache_read': 0, 'cache_creation': 0, 'ephemeral_5m_input_tokens': 0, 'ephemeral_1h_input_tokens': 0}})
]}

以上