LangChainとは？AIに手足を与える仕組みと使い方【2026年版】

Step 1: 必要なライブラリをインストール

!pip install langchain-openai langchain-community faiss-cpu

from langchain_openai import ChatOpenAI, OpenAIEmbeddings

from langchain_community.document_loaders import TextLoader

from langchain.text_splitter import CharacterTextSplitter

from langchain_community.vectorstores import FAISS

from langchain.chains import RetrievalQA

Step 2: ドキュメントを読み込む（例：社内マニュアルのテキストファイル）

loader = TextLoader("manual.txt", encoding="utf-8")

documents = loader.load()

Step 3: ドキュメントを分割（AIが一度に読める量に小分けにする）

splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)

docs = splitter.split_documents(documents)

Step 4: ベクトルDBに保存（検索できるように変換）

embeddings = OpenAIEmbeddings()

vectorstore = FAISS.from_documents(docs, embeddings)

Step 5: RAGチェーンを作成して質問する

qa_chain = RetrievalQA.from_chain_type(

llm=ChatOpenAI(model="gpt-4o"),

retriever=vectorstore.as_retriever()

)

「マニュアルの内容」をもとにAIが回答してくれる

result = qa_chain.invoke("有給休暇の申請手順を教えて")

print(result["result"])

---

RAGのコードはこのままGoogle Colabに貼り付けて実行できます。 manual.txtを自分のテキストファイルに変えるだけで、すぐに「社内データに答えるAI」が完成します。まず動かしてみることが理解への最短経路です。

→ Google Colab で今すぐ試す

実装で詰まった場合はランサーズからお気軽にご相談ください。

---

3. Agents（エージェント）：道具を使わせる

AIに「Google検索」や「計算機」などの道具を持たせ、AI自身に「あ、これは今の知識じゃわからないから検索しよう」と判断させて行動させる機能です。

イメージ： 優秀な秘書。「航空券取っておいて」と言えば、勝手にカレンダーを見て、空き状況を検索し、予約まで完了してくれます。

#### Agentsのコード例（Step形式）

Step 1: 必要なライブラリをインストール

!pip install langchain-openai langchain-community duckduckgo-search

from langchain_openai import ChatOpenAI

from langchain.agents import initialize_agent, AgentType

from langchain_community.tools import DuckDuckGoSearchRun

Step 2: 道具（ツール）を用意する

search_tool = DuckDuckGoSearchRun()

tools = [search_tool]

Step 3: AIエージェントを作成（道具を持たせる）

llm = ChatOpenAI(model="gpt-4o", temperature=0)

agent = initialize_agent(

tools=tools,

llm=llm,

agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,

verbose=True # Trueにすると思考過程が見える

)

Step 4: エージェントに質問する（必要なら勝手に検索してくれる）

result = agent.invoke("2026年3月の為替レート（USD/JPY）を調べて、100ドルは何円か教えて")

print(result["output"])

LangChain vs LlamaIndex vs Haystack：どれを選ぶべきか

「LangChainの他にもLlamaIndexやHaystackがあると聞いたけど何が違うの？」—実案件でよく聞かれる質問です。200件の受注経験から、選定基準をまとめました。

| 比較項目 | LangChain | LlamaIndex | Haystack |

|:--------|:----------|:-----------|:---------|

| 主な用途 | 汎用LLMアプリ開発 | RAG・検索特化 | エンタープライズNLP |

| 学習コスト | 中（概念が多い） | 低〜中（RAGがシンプル） | 高（設定項目が多い） |

| RAG構築 | 可能、汎用的 | 最も得意 | 可能、Pipeline形式 |

| Agent機能 | 豊富 | 限定的 | 限定的 |

| GitHubスター | ★9万以上 | ★4万以上 | ★2万以上 |

| 日本語情報量 | 多い | 中程度 | 少ない |

| 向いている案件 | 複雑な自動化全般 | 社内文書Q&A特化 | 大規模検索システム |

LangChainを使わなかった案件

社内規程PDFに特化したQ&Aシステムの案件では、LangChainではなくLlamaIndexを選びました。LangChainでも実装はできますが、LlamaIndexはRAGの設定がより直感的で、PDFのチャンク分割・インデックス構築が約3分の1のコード量で済んだためです。

判断基準：「RAGだけ作りたい」→ LlamaIndex、「検索以外の自動化も組み合わせたい」→ LangChain。 この使い分けが200件を経た結論です。逆に言えば、LangChainを選んでおけば後からRAG以外の機能を追加しやすいという拡張性が最大のメリットです。

【実践】Google ColabでAIツールを作ってみよう

ここからは実際に、Googleが提供する無料のプログラム実行環境「Google Colab」を使って、LangChainを動かしてみましょう。

※Googleアカウントがあれば誰でも無料でできます。

Step 1: 準備（ライブラリのインストール）

Google Colabを開き、以下のコードを貼り付けて再生ボタン（▶）を押してください。LangChainという道具箱をインストールします。

!pip install langchain-openai langchain-core

Step 2: AI（シェフ）と注文書（プロンプト）の用意

次に、AIに指示を出すための準備をします。ここでは最新の書き方（LCEL記法）を使いますが、やっていることは「つなぐ」だけです。

※OpenAIのAPIキーが必要です。

import os

APIキーをここに設定（本来は安全な管理が必要ですが、テスト用に直接代入します）

os.environ["OPENAI_API_KEY"] = "sk-あなたのAPIキーを入力してください"

from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

1. シェフ（AIモデル）を呼ぶ

model = ChatOpenAI(model="gpt-4o")

2. 注文書（プロンプト）を作る

{topic}の部分に好きな言葉が入ります

prompt = ChatPromptTemplate.from_template("{topic}について、中学生でもわかるように3行で解説して")

3. 盛り付け係（結果をきれいな文字にする）

parser = StrOutputParser()

4. 連結！（チェーン）

パイプ（|）という記号で、左から右へデータが流れるようにつなぎます

chain = prompt | model | parser

Step 3: 実行！

最後に、チェーンを実行してみましょう。

「量子コンピュータ」について解説してもらう

result = chain.invoke({"topic": "量子コンピュータ"})

print(result)

実行結果の例：

「従来のコンピュータは0か1しか扱えませんが、量子コンピュータは0と1を同時に扱える不思議な機械です。

これにより、スーパーコンピュータでも何万年もかかる計算を、一瞬で解く可能性を秘めています。

まだ開発途中ですが、新しい薬の開発やAIの進化に役立つと期待されています。」

【一次情報】累計200件で見えた失敗パターンTOP3

200件以上の実案件を経て、初心者がLangChainでつまずくパターンは明確に絞られています。他の解説記事では読めない、クライアントワークの現場から得た失敗と解決策をまとめます。

失敗TOP1：プロンプトに全データを突っ込んでAPIコスト月10万円超え

従業員50名規模のIT商社から受注した「社内FAQ検索チャットボット開発」案件でのことです。クライアントから「チャットボットに社内FAQ500件を全部覚えさせてほしい」という依頼がありました。

最初は「プロンプトに全部突っ込めばいい」と考え、500件のFAQをそのままシステムプロンプトに貼り付けました。結果、1回の質問あたりのAPIコストが約25円になり、月間コストが10万円超えの見積もりに。クライアントから「高すぎる」と言われ、その場で方針転換。

RAGに切り替えてベクトルDBで検索させるように実装し直したところ、1回あたりのコストが約0.3円（98.8%削減）になりました。この経験から、「大量データはRAG、少量の指示はプロンプトに入れる」という使い分けを徹底するようになりました。

失敗TOP2：Agent無限ループで1日サーバーコスト3,000円超え

都内で物件1,000件超を管理する不動産管理会社からの「問い合わせ対応チャットボット開発」案件で、LangChain AgentsにAIの手足として物件情報DBを繋いだチャットボットを構築した時のことです。

初期実装でAgentが無限ツール呼び出しループに陥り、サーバーコストが1日で3,000円超える事故が発生しました。原因は「答えが見つからない時にAgentが同じ検索を繰り返す」というLLMの特性を見落としていたことです。

NG: デフォルト設定のままだとループが止まらない

agent = initialize_agent(tools=tools, llm=llm, ...)

OK: 反復上限とエラー処理を必ず設定する

agent = initialize_agent(

tools=tools,

llm=llm,

max_iterations=10, # ループ上限

handle_parsing_errors=True, # パースエラーで止まらない

...

)

失敗TOP3：会話履歴の蓄積でコストが指数関数的に増加

長期運用チャットボット案件でConversationBufferMemory（会話履歴をすべてAIに渡す機能）を使ったところ、会話が30ターンを超えた時点でコンテキスト上限オーバーのエラーが発生。それ以前の段階でも会話が長くなるにつれてAPIコストが指数関数的に増加していました。

解決策はConversationBufferWindowMemory(k=5)で直近5ターンのみ保持する設定への変更です。コストを約70%削減しながら、会話の自然さは維持できました。

NG: 全会話履歴を蓄積し続ける（長期運用で破綻する）

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()

OK: 直近kターンのみ保持（コストと品質のバランスが良い）

from langchain.memory import ConversationBufferWindowMemory

memory = ConversationBufferWindowMemory(k=5)