メインコンテンツへスキップ
見出し画像

LangGraph入門 AIの判断を仕事の流れに変える

    AIに仕事を任せたいと思ったとき、最初に探したくなるのは「判断力の高いモデル」だろう。

    だが、仕事の途中で困るのは答えの質だけではない。根拠が足りなければ調べ直す。重要な操作の前には人に確認する。通信が切れたら途中から続ける。同じ依頼を二重に処理しない。こうした段取りがなければ、一度はうまく答えるAIでも、繰り返し使える仕組みにはなりにくい。

    LangGraphが担うのは、この段取りである。

    本稿は公式READMEと関連文書をもとに、LangGraphの役割を六つの視点から解説する。途中で登場する記事制作の例は、仕組みを理解するための設計例であり、実際に動作検証した製品ではない。

    1 判断するAIではなく判断の流れをつくる

    LangGraphは、特定の問いに正解を返すために訓練されたAIモデルではない。情報を持ちながら長く動くエージェントやワークフローを構築するための、低水準のオーケストレーション基盤である。

    画像

    低水準とは、使いにくいという評価ではなく、処理の順番や状態の扱いを開発者が細かく決められるという意味だ。オーケストレーションも難しく考える必要はない。複数の処理を、順番や条件に従って動かす仕組みである。

    公式文書でも、LangGraphはプロンプトやエージェントの構成を一つに固定せず、通常のコードとLLMによる処理を同じ流れに組み込めると説明されている。LangChainと組み合わせられるが、LangChainの利用は必須ではない。[1][2]

    たとえば、新しい技術について記事を作る仕事を考える。

    文章の要約や構成案づくりはLLMに任せる。一方で、必要な出典がそろっているか、文字数が上限内か、公開の承認が記録されているかはコードで調べる。そして、次に調査へ戻るのか、原稿を作るのか、人の返答を待つのかをLangGraphでつなぐ。

    ここには三種類の役割がある。

    LLMは、意味を読み取って候補を出す。ルールは、定義された条件を確かめる。LangGraphは、それらをどの順番で動かすかを管理する。

    この区別は大切だ。LangGraphを入れたからといって、モデルの知識が増えるわけでも、誤った判断が自動的に消えるわけでもない。間違いを点検し、必要なら止める場所を設計しやすくなるのである。

    「賢いAIを一つ選ぶ」から「判断を確かめられる仕事の流れを作る」へ。LangGraphを理解する入口は、この視点の移動にある。

    2 状態と処理と分岐で考える

    名前にGraphとあるが、ここでいうグラフは売上の折れ線グラフではない。処理を点として置き、その間のつながりを線で表したものだ。

    画像

    Graph APIの基本はState、Node、Edgeの三つである。Stateは共有する状態、Nodeは仕事を行う関数、Edgeは次の処理へ進む道筋を表す。NodeはStateを読み、必要な更新を返す。Edgeには固定の接続だけでなく、条件によって進路を変える接続もある。[3]

    記事制作なら、Stateは一枚の作業票にたとえられる。

    依頼されたテーマ、集めた出典、確認済みの事実、まだ分からない点、原稿、修正回数、承認の有無。こうした情報を項目ごとに持つ。長い会話を丸ごと渡すだけでなく、次の処理に何が必要かを明確にするのである。

    Nodeは、その作業票を受け取って仕事をする担当だ。「資料を集める」「出典を点検する」「下書きを作る」「人に確認する」と分けて考えればよい。担当は必ずしもAIではない。URLの形式を確かめる処理なら、普通のプログラムで足りる。

    Edgeは、担当から担当へ渡す条件だ。出典が足りなければ調査へ戻す。原稿ができたら点検へ進む。点検を通ったら確認待ちにする。

    設計のこつは、状態に「文章」だけを詰め込まないことである。

    たとえば、原稿の末尾に「承認済み」と書かれていることと、権限を持つ人が承認した記録があることは別だ。文章はLLMが生成できる。承認は、別の入力経路から得た事実として管理する必要がある。

    同じように「出典あり」と「出典の該当箇所を確認済み」も分けたい。URLの本数だけでは、内容の裏付けは分からない。

    三つの部品は単純だ。しかし、何をStateとして残すかによって、後から点検できる範囲が変わる。グラフを描く前に、作業票の項目を考えることが重要なのである。

    3 調べ直しと人の確認を組み込む

    AIの作業は、いつも一直線には進まない。

    資料を読むと別の疑問が生まれる。原稿を書いてから根拠の弱い段落に気づく。修正すると、今度は別の箇所との整合性が崩れる。こうした往復を最初から想定する必要がある。

    画像

    公式ガイドは、あらかじめコード上の経路を決めるワークフローと、モデルが状況に応じて処理や道具の使い方を選ぶエージェントを区別している。LangGraphでは双方を構成できる。[4]

    すべてを自由なエージェントにする必要はない。記事制作なら、調査、執筆、点検、確認という大枠は固定し、その中で調べる語句や修正案をLLMに選ばせる設計が考えられる。

    ただし、「十分になるまで改善する」とだけ決めるのは危うい。何を十分とするのかが曖昧なら、修正を続けても終わらない。反対に、モデルが自分で合格と判定して、弱い根拠を見逃すこともある。

    そこで、内容の評価と停止条件を分ける。

    たとえば、根拠が見つからなければその主張を削る。再調査の上限に達したら保留にする。新しい証拠が得られないまま修正だけが続いたら、人に渡す。これはLangGraphが自動的に決める規則ではなく、用途に合わせて用意する設計である。

    人の確認を挟むためには、interruptという仕組みがある。処理を一時停止し、外からの入力を受けて続ける。利用には状態保存の仕組みと、どの作業を再開するかを識別するthread_idが必要になる。[5]

    ここでも「確認待ちにできる」と「安全な承認システムになっている」は同じではない。

    誰が承認できるのか。何を承認したのか。承認後に内容が変わっていないか。これらはアプリ側で設計する。公開用原稿なら、承認対象の版を記録しておく。修正された原稿を、古い承認のまま公開してはならない。

    人を途中に入れる価値は、AIの弱さを最後に埋め合わせることだけではない。人が責任を持つ境界を、作業の中に明確に置けることにある。

    4 途中から続けるために残す

    長い仕事では、止まらないことより、止まっても困らないことが重要になる。

    資料の取得中に通信が切れる。確認者が翌日まで返答できない。サーバーが再起動する。こうした出来事のたびに最初からやり直すのでは、時間も費用も無駄になる。

    画像

    LangGraphでは、Checkpointerが作業単位の状態をCheckpointとして残す。別にStoreを使えば、複数の作業をまたいで使う情報を保存できる。前者は今回の記事の進行状況、後者は継続して使う執筆上の好み、と考えると違いをつかみやすい。[6]

    ただし、保存先の選択は省略できない。メモリ上に保存するInMemorySaverは、プロセスが再起動すると内容を失う。再起動後も続けたいなら、永続的な保存先を用意する必要がある。[6]

    さらに、「途中から再開できる」を「外部への操作が絶対に一度しか起きない」と読み替えてはいけない。

    再試行ではNodeの関数が最初から実行されることがある。外部サービスへの送信が成功した直後に応答が途切れると、手元では結果不明でも、相手側では処理済みかもしれない。公式文書も、外部への副作用を一度だけにする保証とは別問題だと説明している。[7]

    記事を保存する処理なら、同じ原稿が二つできる程度で済む場合もある。だが、公開、メール送信、注文などでは影響が大きい。

    対策の一つは、同じ処理を識別する番号を残し、外部サービスが対応する重複防止の仕組みを使うことだ。結果が不明なら、未実行と決めつけず相手側の状態を確認する。[7]

    これは、読者にとっても身近な問題である。送信ボタンを押したのに画面が固まったとき、もう一度押してよいのか。その迷いを、プログラムの側で扱わなければならない。

    記憶があることと、正しく仕事を再開できることの間には、設計が必要なのだ。

    5 判断の過程と費用を見えるようにする

    完成した文章だけを見ても、失敗の原因は分からない。

    資料を集め損ねたのか。内容の読み取りを間違えたのか。点検で見逃したのか。承認を飛ばしたのか。同じ誤りに見えても、直す場所は違う。

    画像

    READMEが紹介するLangSmithは、実行の追跡や評価、運用の可視化を支援する別の製品である。どの処理が走り、どの情報が渡されたかを調べることで、完成品だけでは見えない問題を追える。[1][8]

    ただし、ログがあるから正しさが証明されるわけではない。「点検処理を通った」という記録は、その点検の基準が妥当だったことまでは示さない。

    記事制作なら、出典と本文が食い違う例、古い資料しかない例、資料が一件も取れない例などを、あらかじめ評価用に用意するとよい。流暢に書けたかだけでなく、書いてはいけない場面で保留できたかを見るのである。

    また、記録には入力や出力の情報が含まれ得る。個人情報や非公開資料を扱う場合は、何を記録し、どこへ送信し、いつ消すかも決めたい。観測しやすさと、情報を出し過ぎないことを両立させる必要がある。

    費用も、ひとまとめにしないほうが分かりやすい。

    LangGraphの公開リポジトリはMITライセンスで提供されている。ただし、これを使うシステム全体が無料になるという意味ではない。外部のモデルAPI、実行するサーバー、状態を保存するデータベース、有料の運用サービスには、それぞれ別の条件がある。[9]

    LangSmithの公式料金表にも無料の席から始めるDeveloperプランがあるが、利用量に応じた課金や有料プランが併記されている。導入時は、席の料金だけでなく追跡量や実行基盤の料金も確認したい。本稿では変更されやすい単価を固定的な比較表にはしない。[10]

    安いモデルを選んでも、何度も調べ直せば総額は増える。逆に、すべての点検を高性能モデルに任せる必要もない。明確な条件はコードで確かめ、意味の判断が必要な部分にモデルを使う。その切り分けは、費用と点検のしやすさの両方に関わる。

    6 小さな業務から設計する

    最初から「何でも任せられるAI」を作ろうとすると、どこまでできれば完成なのかが分からなくなる。

    最初の題材としては、公開前の短い解説記事を一つ作る程度の範囲が扱いやすい。ここでは次のような流れを提案したい。

    画像

    依頼を受ける。対象の資料を読む。確認できたことと未確認のことを分ける。下書きを作る。出典との対応を点検する。人の確認を待つ。

    初期段階では、公開や外部への送信を含めなくてよい。まずは下書きと点検結果を返し、どこで判断を誤るかを知る。自動化する範囲を広げるのは、その後である。

    Stateに必要なのは、テーマと文章だけではない。資料のURL、確認した範囲、残る疑問、処理の状態も持たせる。全文を読めなかった資料を、全文確認済みとして次のNodeに渡さないためだ。

    次に、成功の条件を短く決める。

    依頼したテーマから外れていないこと。重要な主張に裏付けがあること。未確認事項を断定していないこと。根拠が足りない場合には、その不足を返せること。ここで必要なのは「完成したふり」ではなく、使える成果か、次に何が必要かである。

    確認する試験も、成功例だけでは足りない。リンクが切れているとき、資料同士が食い違うとき、人が承認を拒否したとき、保存結果が不明なときにどう動くかを確かめる。手戻りする場面こそ、LangGraphを使う意味が現れる。

    一方、短い要約を一度返すだけなら、通常の関数とモデル呼び出しで十分な場合もある。分岐も中断も継続状態もほとんどない仕事に、複雑なグラフを持ち込む必要はない。

    公式READMEも、素早くエージェントを作るための高水準な選択肢としてDeep Agentsを紹介している。計画、サブエージェント、ファイルシステムを使う作業などを支える上位の仕組みである。LangGraphは、それより細かく状態や流れを制御したいときに検討する位置づけだ。[1][2]

    判断に特化したAIを探すという問いに戻ろう。

    求めているのが、文章を判定するモデルなのか。条件に合う候補を選ぶ計算なのか。あるいは、調査、判断、確認、実行を一つの仕事として回す仕組みなのか。その違いによって、選ぶ道具は変わる。

    LangGraphは三つ目に向いている。

    AIに任せる部分を増やすだけでなく、任せない部分を明確にする。情報が不足したら戻る。結果が不明なら確かめる。人の判断が必要なら止まる。

    仕事として頼れるAIに近づくために必要なのは、答えを出す力だけではない。答えを扱う手順である。LangGraphは、その手順を実装するための道具なのだ。

    出典と確認範囲

    確認日 2026年11月15日 JST

    対象 ユーザー提供のREADME抜粋全文と、以下の公式資料の関連節。実機でのアプリ構築・性能測定は実施していない。mainブランチとWeb文書は更新されるため、導入時には使用バージョンとの一致を確認すること。

    [1] LangGraph README
    https://github.com/langchain-ai/langgraph/blob/main/README.md

    提供された抜粋全文とWeb版の概要・機能・エコシステムを確認。

    [2] LangGraph overview
    https://docs.langchain.com/oss/python/langgraph/overview

    概要、導入、各製品の役割、機能を確認。

    [3] Graph API overview
    https://docs.langchain.com/oss/python/langgraph/graph-api

    Graphs、StateGraph、Compiling your graphを確認。

    [4] Workflows and agents
    https://docs.langchain.com/oss/python/langgraph/workflows-agents

    ワークフローとエージェントの区別、Setup、Prompt chainingを確認。

    [5] Interrupts
    https://docs.langchain.com/oss/python/langgraph/interrupts

    概要、Pause using interrupt、Resuming interruptsの導入を確認。

    [6] Persistence
    https://docs.langchain.com/oss/python/langgraph/persistence

    CheckpointerとStoreの区別、再起動時のメモリ保存の制限を確認。

    [7] Fault tolerance
    https://docs.langchain.com/oss/python/langgraph/fault-tolerance

    Retry boundaries and idempotency、Treat a missing acknowledgement as unknownを確認。

    [8] LangSmith Observability
    https://docs.langchain.com/langsmith/observability

    実行追跡、調査・監視、フィードバックの案内を確認。

    [9] LangGraph LICENSE
    https://github.com/langchain-ai/langgraph/blob/main/LICENSE

    MITライセンス本文を確認。依存パッケージや外部サービスの条件を一括で保証するものではない。

    [10] LangSmith Plans and Pricing
    https://www.langchain.com/pricing

    Developer、Plus、Enterpriseおよび従量課金の区別を確認。金額は契約時の公式表示を優先。

    あなたへのおすすめ