＜目次＞
(１) LangChainのChainやAgentとは？概要やサンプルプログラムをご紹介
(１-１) やりたいこと
(１-２) Chain概要
(１-３) Chainサンプルプログラム（Chainの適用）
(１-４) Agent概要
(１-５) Agentサンプルプログラム
(１) LangChainのChainやAgentとは？概要やサンプルプログラムをご紹介
(１-１) やりたいこと
・LangChainのChainやAgentの概要について理解する
・LangChainのChainやAgentのサンプルプログラムを動かし、理解を深める
・LangChainのAgentが「自律的に段取りを考える」様子を肌で実感する
（前提）
(１-２) Chain概要
・LangChainではLLMの連結（Chain）により複雑な処理を実現する
・Chainを用いる事で、1つの完結したアプリを作る事ができる
・例えば、ユーザー入力→プロンプト生成→LLMへ連携→応答の一連の流れを実現
(１-３) Chainサンプルプログラム（Chainの適用）
前回の記事のプログラムに対して微修正しました（LLMChainを導入）。
（修正前）
# モデルにPrompt（入力）を与えCompletion（出力）を取得する
response = llm(chat_prompt.format_prompt(
prefectures=input("都道府県名を入力してください : "),
text="調子はどうですか？").to_messages()
)
↓
（修正後）
# chainを用いて、ModelとPromptを紐づけ
chain = LLMChain(llm=llm, prompt=chat_prompt)
# chainを用いてモデルを実行（Prompt（入力）を与えCompletion（出力）を取得する）
response = chain.run(prefectures=input("都道府県名を入力してください : "), text="調子はどうですか？")
（全体）サンプルプログラム
import os
from dotenv import load_dotenv
from langchain.chat_models import ChatOpenAI
from langchain.prompts.chat import (ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate)
from langchain import LLMChain
# 環境変数読み込み
load_dotenv()
#OpenAIの接続情報など
api_key = os.environ.get('OPEN_AI_KEY')
def main():
# 言語モデル（OpenAIのチャットモデル）のラッパークラスをインスタンス化
llm = ChatOpenAI(
model="gpt-3.5-turbo",
openai_api_key=api_key,
temperature=0.0
)
# プロンプトのテンプレート生成
system_template = "あなたは{prefectures}出身です。{prefectures}の方言で返答してください。"
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
# chainを用いて、ModelとPromptを紐づけ
chain = LLMChain(llm=llm, prompt=chat_prompt)
# chainを用いてモデルを実行（Prompt（入力）を与えCompletion（出力）を取得する）
response = chain.run(prefectures=input("都道府県名を入力してください : "), text="調子はどうですか？")
print(response)
if __name__ == "__main__":
main()
（図１１１）
（参考）
(１-４) Agent概要
・今までは「アクション」の実行順序が事前に定義されていた
・Agentは実行順序すらもLLMに判断させる
・「アクション」の内容はTool（何かの処理をする関数）を使い出力を得るなど、多岐にわたる
→例えばGoogle検索、DBルックアップ、他Chainの利用など。
(１-５) Agentサンプルプログラム
●STEP0：SerpAPIのAPIキー取得
・①下記URLにアクセス
https://serpapi.com/manage-api-key
↓
・②GitHubやGoogleアカウントでサインイン
（図１２１）
↓
・③サインイン完了
（図１２２）
↓
・④確認メールを送付
（図１２３）
↓
・⑤メールを確認
（図１２４）
↓
・⑥電話番号の確認
（図１２５①）
↓
（図１２５②）
↓
（図１２５③）
↓
・⑦登録
（図１２６①）
↓
・⑧「API Key」押下
（図１２７①）
↓
・⑨表示されたAPIキーを控える（後のサンプルプログラムの「SERPAPI_API_KEY」で使用）
●STEP1：パッケージのインストール
> pip install google-search-results
（図１３１）
●STEP2：サンプルプログラムの実行（Agentが自律的に段取りを考える！）
（サンプルプログラム）
import os
from dotenv import load_dotenv
from langchain.agents import load_tools
from langchain.agents import initialize_agent
from langchain.agents import AgentType
from langchain.llms import OpenAI
# 環境変数読み込み
load_dotenv()
#OpenAIの接続情報など
api_key = os.environ.get('OPEN_AI_KEY')
os.environ["SERPAPI_API_KEY"] = os.environ.get('SERPAPI_API_KEY')
def main():
# 言語モデル（OpenAIのチャットモデル）のラッパークラスをインスタンス化
llm = OpenAI(
openai_api_key=api_key,
temperature=0.0
)
# ツールのロード。`llm-math`はllmを使用するため、引数に与える
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# Agentを初期化。Tool、LLM、Agentの種別を与える。
agent = initialize_agent(tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True)
# 実行
agent.run("昨日の東京の気温は摂氏で何度？その数字を3乗すると？")
if __name__ == "__main__":
main()
（実行結果例）
> Entering new AgentExecutor chain... I need to find the temperature in Tokyo yesterday and then cube it. Action: Search Action Input: Tokyo temperature yesterday Observation: Tokyo Temperature Yesterday. Maximum temperature yesterday: 70 °F (at 1:00 pm) Minimum temperature yesterday: 61 °F (at 8:30 am) Average temperature ... Thought: I need to convert the temperature from Fahrenheit to Celsius Action: Calculator Action Input: (70-32)*5/9 Observation: Answer: 21.11111111111111 Thought: I now need to cube the temperature Action: Calculator Action Input: 21.11111111111111^3 Observation: Answer: 9408.779149519889 Thought: I now know the final answer Final Answer: 9408.779149519889 > Finished chain.
（図１４１）
（動画１４１）
（参考）
