AIエージェントの作り方【LangChainでタスク自動化を実装する】

はじめに
AIエージェントとは
LangChainでのエージェント実装
製造業向けエージェントの実装例
エージェントの注意点と限界
よくある質問
まとめ

はじめに

AIエージェントは2025〜2026年から急速に注目されている技術領域です。LangChainを使えばPythonで自律的にタスクをこなすエージェントを比較的簡単に作れます。実装手順を解説します。

AIエージェントとは

AIエージェントは「目標を与えると、自分でタスクを分解し、ツールを使って実行する」AIシステムです。例えば「来週の天気を調べて雨の日の会議をずらして」と指示すると、天気APIを呼んで・カレンダーを確認して・会議を変更するという一連の作業を自律的に行います。従来のLLMとの違いは「単発の質問→回答」ではなく「目標→自律的な計画と実行」という点です。

LangChainでのエージェント実装

from langchain_anthropic import ChatAnthropic
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent

# ツールの定義
@tool
def get_weather(location: str) -> str:
    """指定した場所の天気を取得する"""
    # 実際はWeather APIを呼ぶ
    return f"{location}の天気: 晴れ、気温22度"

@tool
def search_web(query: str) -> str:
    """Web検索を実行する"""
    # 実際はSerper APIなどを呼ぶ
    return f"{query}の検索結果: ..."

# エージェントの作成
model = ChatAnthropic(model="claude-opus-4-5")
tools = [get_weather, search_web]
agent = create_react_agent(model, tools)

# エージェントの実行
result = agent.invoke({
    "messages": [{"role": "user", "content": "東京の今日の天気を調べて、屋外活動に適しているか判断して"}]
})
print(result["messages"][-1].content)

製造業向けエージェントの実装例

製造ラインの異常検知エージェントを例に挙げます。センサーデータを定期的に確認して・異常を検知したら原因を分析して・関係者に通知して・対処手順をマニュアルから検索するという一連のタスクを自動化できます。

@tool
def get_sensor_data(line_id: str, metric: str) -> dict:
    """製造ラインのセンサーデータを取得"""
    # DB/APIからデータ取得
    return {"value": 98.5, "threshold": 95.0, "status": "warning"}

@tool
def send_alert(recipient: str, message: str) -> str:
    """アラートを送信する"""
    # Slack/メール送信
    return f"アラートを{recipient}に送信しました"

@tool
def search_manual(query: str) -> str:
    """設備マニュアルを検索する"""
    # RAGシステムで検索
    return "温度異常時の対処手順: 1.電源を確認..."

エージェントの注意点と限界

AIエージェントは「計画が長くなるほど失敗しやすい」という特性があります。シンプルなタスク（3〜5ステップ以内）は安定して動作しますが、複雑なマルチステップのタスクは途中で迷走することがあります。ツールの実行は必ずログを取得して人間が確認できる仕組みを作りましょう。重要な判断（メール送信・DB更新等）は人間の確認を挟む「Human-in-the-Loop」設計が安全です。

よくある質問

「LangChainとLangGraphどちらを使うべきですか」という質問をよく受けます。シンプルなエージェントはLangChainのcreate_react_agentで十分です。複雑な状態管理・複数エージェントの連携が必要な場合はLangGraphが適しています。「エージェントのコストはどのくらいですか」という質問については、エージェントはLLMのAPIを複数回呼ぶためコストが高くなります。1タスクあたりの想定API呼び出し回数とコストを事前に計算してから本番運用に踏み切りましょう。