LangChainで実用的な自律型エージェントを構築する方法

# 仮想環境を作成（お節介だが、環境を汚さないのは基本だ）
python -m venv venv
source venv/bin/activate  # Windowsなら venv\Scripts\activate

# 必要なライブラリのインストール
pip install -U langchain langchain-openai langchain-community tavily-python

export OPENAI_API_KEY="your_openai_api_key_here"
export TAVILY_API_KEY="your_tavily_api_key_here" # 検索ツール用

import os
from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate

# 1. LLMの定義（推論能力が低いモデルだとツール選択を間違えるぞ）
llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 2. ツールの準備
# TavilyはAIエージェントに特化した検索エンジンだ。Google検索より精度が高い。
tools = [TavilySearchResults(max_results=2)]

# 3. プロンプトのテンプレート
# Agentにどのような役割を与えるかを定義する。
prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたはNegi Lab所属の優秀なアシスタントです。必要に応じてツールを使い、正確な情報を提供しなさい。"),
    ("placeholder", "{chat_history}"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

# 4. エージェントの構築
agent = create_tool_calling_agent(llm, tools, prompt)

# 5. 実行環境（Executor）の作成
# verbose=Trueにしておかないと、裏で何が起きているか分からずデバッグが詰むぞ。
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 実行例
response = agent_executor.invoke({"input": "2024年現在のLangChainの最新動向と、エージェント開発のトレンドを要約して。"})

print(f"\n--- 最終回答 ---\n{response['output']}")

InvalidFormatError: Could not parse LLM output...

openai.RateLimitError: You exceeded your current quota...