AIエージェント開発の実践的ガイド『LangChainとLangGraphによるRAG・AIエージェント[実践]入門』が11月9日に発売 #AIエージェント実践本

株式会社ジェネラティブエージェンツ（本社：東京都港区、代表取締役CEO：西見公宏、以下「当社」）の創業メンバーである西見 公宏、吉田 真吾、大嶋 勇樹の3名が、最新のAIアプリケーション開発技術を網羅的に解説した実践書『LangChainとLangGraphによるRAG・AIエージェント[実践]入門』（ハッシュタグ：#AIエージェント実践本、以下「本書」）を執筆しました。

本書は2024年11月9日（土）より、全国の書店および各ネットストアにて絶賛発売中です。

また、当社では本書の知見を活かした企業向けLLMアプリケーション開発者養成プログラムの提供、ならびにコンサルティングサービスの提供も併せて開始いたします。

▼書店さまでの陳列状況

共著者の吉田 真吾が書店さまを巡り、著者直筆POPを置かせていただきました。

丸善 丸の内本店さま

ジュンク堂書店 池袋本店さま

紀伊國屋書店 新宿本店さま

▼本書の全体像と主な特徴

本書はLLM（大規模言語モデル）を活用したアプリケーション開発の実践的なガイドとして、以下の3つの領域を体系的にカバーしています。

1. LLM活用の基礎と実践

   • OpenAIのチャットAPI活用の基礎から詳細までの解説

   • LLMアプリケーション開発で必要なプロンプトエンジニアリング手法

   • LangChainを利用したアプリケーション開発の基礎

2. RAG（検索拡張生成）の実装と評価

   • 検索クエリの工夫、リランクモデル・ハイブリッド検索の活用

   • Advanced RAGの実装方法

   • LangSmithを使用したRAGアプリケーションの評価手法

3. AIエージェント開発の基礎と実践

   • LLMを活用したAIエージェントの起源と変遷

   • LangGraphを利用したAIエージェント開発の基礎と実践

   • 18種類のエージェントデザインパターン解説

   • LangChain/LangGraphによるエージェントデザインパターンの実装解説

ChatGPTの登場以降、あらゆるアプリケーションにLLMをはじめとした生成AIを組み込んでいく流れが加速していますが、基本的な情報源は英語であり、日本語による体系的な情報提供はまだまだ進んでいないのが実情です。特に、LLMアプリケーション開発のデファクトスタンダードとして利用されているライブラリLangChain/LangGraphの情報のほとんどは英語で提供されています。

このような状況を受け、LangChainの公式エキスパートである当社の創業メンバー3名にて執筆した書籍が『LangChainとLangGraphによるRAG・AIエージェント[実践]入門』です。目次をご覧いただくと分かる通り、LangChainならびにLangGraphの使い方から、LLMアプリケーションの定番パターンであるRAG（検索拡張生成）の開発手法ならびにAIエージェントの開発手法まで網羅的にまとめています。また初学者の方でも、最初から丁寧に読み進んで頂けると、本当に基礎の部分からAIエージェント開発までステップアップできる仕組みになっております。

「AIエージェントって凄い！でも、全くAIに関する知識がないから、自分に手が出せるものか分からない・・・」という方にこそ、手に取って頂きたい一冊に仕上げています。

▼目次

第1章 LLMアプリケーション開発の基礎

• 1.1 活用され始めた生成AI

• 1.2 Copilot vs AIエージェント

• 1.3 すべてはAIエージェントになる

• 1.4 AIエージェントの知識地図

• 1.5 まとめ

第2章 OpenAIのチャットAPIの基礎

• 2.1 OpenAIのチャットモデル

• 2.2 OpenAIのチャットAPIの基本

• 2.3 入出力の長さの制限や料金に影響する「トークン」

• 2.4 Chat Completions APIを試す環境の準備

• 2.5 Chat Completions APIのハンズオン

• 2.6 Function calling

• 2.7 まとめ

第3章 プロンプトエンジニアリング

• 3.1 プロンプトエンジニアリングの必要性

• 3.2 プロンプトエンジニアリングとは

• 3.3 プロンプトの構成要素の基本

• 3.4 プロンプトエンジニアリングの定番の手法

• 3.5 まとめ

第4章 LangChainの基礎

• 4.1 LangChainの概要

• 4.2 LLM/Chat model

• 4.3 Prompt template

• 4.4 Output parser

• 4.5 Chain―LangChain Expression Language（LCEL）の概要

• 4.6 LangChainのRAGに関するコンポーネント

• 4.7 まとめ

第5章 LangChain Expression Language（LCEL）徹底解説

• 5.1 RunnableとRunnableSequence―LCELの最も基本的な構成要素

• 5.2 RunnableLambda―任意の関数をRunnableにする

• 5.3 RunnableParallel―複数のRunnableを並列につなげる

• 5.4 RunnablePassthrough―入力をそのまま出力する

• 5.5 まとめ

第6章 Advanced RAG

• 6.1 Advanced RAGの概要

• 6.2 ハンズオンの準備

• 6.3 検索クエリの工夫

• 6.4 検索後の工夫

• 6.5 複数のRetrieverを使う工夫

• 6.6 まとめ

第7章 LangSmithを使ったRAGアプリケーションの評価

• 7.1 第7章で取り組む評価の概要

• 7.2 LangSmithの概要

• 7.3 LangSmithとRagasを使ったオフライン評価の構成例

• 7.4 Ragasによる合成テストデータの生成

• 7.5 LangSmithとRagasを使ったオフライン評価の実装

• 7.6 LangSmithを使ったフィードバックの収集

• 7.7 フィードバックの活用のための自動処理

• 7.8 まとめ

第8章 AIエージェントとは

• 8.1 AIエージェントのためのLLM活用の期待

• 8.2 AIエージェントの起源とLLMを使ったAIエージェントの変遷

• 8.3 汎用LLMエージェントのフレームワーク

• 8.4 マルチエージェント・アプローチ

• 8.5 AIエージェントが安全に普及するために

• 8.6 まとめ

第9章 LangGraphで作るAIエージェント実践入門

• 9.1 LangGraphの概要

• 9.2 LangGraphの主要コンポーネント

• 9.3 ハンズオン：Q&Aアプリケーション

• 9.4 チェックポイント機能：ステートの永続化と再開

• 9.5 まとめ

第10章 要件定義書生成AIエージェントの開発

• 10.1 要件定義書生成AIエージェントの概要

• 10.2 環境設定

• 10.3 データ構造の定義

• 10.4 主要コンポーネントの実装

• 10.5 ワークフロー構築

• 10.6 エージェントの実行と結果の確認

• 10.7 全体のソースコード

• 10.8 まとめ

第11章 エージェントデザインパターン

• 11.1 エージェントデザインパターンの概要

• 11.2 18のエージェントデザインパターン

  • エージェントデザインパターンの全体図

  • パッシブゴールクリエイター (Passive Goal Creator)

  • プロアクティブゴールクリエイター (Proactive Goal Creator)

  • プロンプト/レスポンス最適化 (Prompt/Response Optimizer)

  • 検索拡張生成 (Retrieval-Augmented Generation: RAG)

  • シングルパスプランジェネレーター (Single-Path Plan Generator)

  • マルチパスプランジェネレーター (Multi-Path Plan Generator)

  • セルフリフレクション (Self-Reflection)

  • クロスリフレクション (Cross-Reflection)

  • ヒューマンリフレクション (Human-Reflection)

  • ワンショットモデルクエリ (One-Shot Model Querying)

  • インクリメンタルモデルクエリ (Incremental Model Querying)

  • 投票ベースの協調 (Voting-Based Cooperation)

  • 役割ベースの協調 (Role-Based Cooperation)

  • 議論ベースの協調 (Debate-Based Cooperation)

  • マルチモーダルガードレール (Multimodal Guardrails)

  • ツール/エージェントレジストリ (Tool/Agent Registry)

  • エージェントアダプター (Agent Adapter)

  • エージェント評価器 (Agent Evaluator)

• 11.3 まとめ

第12章 LangChain/LangGraphで実装するエージェントデザインパターン

• 12.1 本章で扱うエージェントデザインパターン

• 12.2 環境設定

• 12.3 パッシブゴールクリエイター（Passive Goal Creator）

• 12.4 プロンプト／レスポンス最適化（Prompt/Response Optimizer）

• 12.5 シングルパスプランジェネレーター（Single-Path Plan Generator）

• 12.6 マルチパスプランジェネレーター（Multi-Path Plan Generator）

• 12.7 セルフリフレクション（Self-Reflection）

• 12.8 クロスリフレクション（Cross-Reflection）

• 12.9 役割ベースの協調（Role-Based Cooperation）

• 12.10 まとめ

▼著者情報

LangChainアンバサダーにも認定されている3名による共著です。

https://www.langchain.com/community

西見公宏（にしみまさひろ）

株式会社ジェネラティブエージェンツ 代表取締役CEO

ChatGPTの利活用を中心に大規模言語モデルを活用したアプリケーション開発ならびにアドバイザリーを提供する中で，吉田，大嶋と出会い，株式会社ジェネラティブエージェンツを共同創業。AIエージェントを経営に導入することにより，あらゆる業種業態の生産性を高めるための活動に尽力している。 「その仕事，AIエージェントがやっておきました。――ChatGPTの次に来る自律型AI革命」（技術評論社）単著，Software Design「実践LLMアプリケーション開発」（技術評論社）連載。

吉田真吾（よしだしんご）

株式会社ジェネラティブエージェンツ 取締役COO / 株式会社セクションナイン 代表取締役CEO

AWS Serverless Heroとして日本におけるサーバーレスの普及を促進。 「ChatGPT/LangChain によるチャットシステム構築［実践］入門」（技術評論社）共著，「Azure OpenAI ServiceではじめるChatGPT/LLMシステム構築入門」（技術評論社）共著，「AWSによるサーバーレスアーキテクチャ」（翔泳社）監修，「サーバーレスシングルページアプリケーション」（オライリー）監訳，「AWSエキスパート養成読本」（技術評論社）共著。 ChatGPT Community（JP）主催

大嶋勇樹（おおしまゆうき）

株式会社ジェネラティブエージェンツ 取締役CTO

大規模言語モデルを組み込んだアプリケーションやAIエージェントの開発を実施。個人ではエンジニア向けの勉強会開催や教材作成など。オンラインコースUdemyではベストセラー講座多数。勉強会コミュニティStudyCo運営。 「ChatGPT/LangChain によるチャットシステム構築［実践］入門」（技術評論社）共著。

▼刊行記念イベントの開催予定

11月14日（木）StudyCo主催「書籍『LangChainとLangGraphによるRAG・AIエージェント［実践］入門』の歩き方」

開催日時：2024/11/14(木) 19:30 〜 20:30

開催形態：オンラインのみの開催（後日、アーカイブを配信予定）

参加費用：無料

https://studyco.connpass.com/event/335350/

12月11日（水）WAKE Career主催「女性エンジニア必見！LangChainとLangGraphによるRAG・AIエージェント［実践］入門」

開催日時：2024/12/11(水) 19:00 〜 20:30

開催形態：オンラインのみの開催（後日、アーカイブをWAKE Career登録者限定で配信予定）

参加費用：無料

https://wake-career.connpass.com/event/336681/

▼書籍刊行にあわせて、企業向けLLMアプリケーション開発者養成講座の提供、ならびにコンサルティングサービスの提供も開始！

書籍の刊行にあわせ、当社では企業向け『LLMアプリケーション開発者養成講座（以下、「本講座」』の提供を開始する予定です。

本講座では、LangChainの基礎から実践的なアプリケーション開発までを効率的に学べる研修プログラムとして、レベル別に「1日基礎コース」、「3日実践コース」を用意します。

• 1日基礎コースでは、メンバーとしてLLMアプリケーションの開発に参加できるレベルを目指し、プロンプトエンジニアリングの基礎から基本的なチャットボット、RAG（検索拡張生成）アプリケーションの実装までを学びます。

• 3日実践コースでは、リーダーとしてLLMアプリケーションの開発を主導できるレベルを目指し、RAGの発展的な手法や、評価、運用のためのLLMOpsの基礎を学びます。また、AIエージェント開発にあたっての基礎的な事項から、AIエージェントを開発するためのデザインパターンについて学びます。

提供例として、1日コースのカリキュラム構成については以下の通りです。

【カリキュラム構成】

1. LLMアプリケーション開発の基礎（2時間）

2. LangChain入門（2時間）

3. LangChainを使ったRAGアプリ開発（2時間）

4. 質疑応答（30分）

ニーズにあわせてカスタマイズプランも用意しておりますので、まずはお気軽にお問い合わせ下さい。また、LLMアプリケーション開発を推進するにあたってのコンサルティングサービスも提供しております。こちらもあわせてご検討くださいませ。

▼会社情報