目次 › 第3章 › 3-1

第3章 アプリケーション開発 / 想定学習時間:30〜40分 / 最終確認:2026年8月

3-1. LangChainによるチェーン構築(プロンプト→LLM→出力パーサー)

1. LangChain とは何か:部品を「つなぐ」ためのフレームワーク

第1章で学んだとおり、実用的な生成AIアプリは「プロンプトを組み立てる → LLM を呼ぶ → 出力を整形する」という複数ステップの連なり(チェーン)で構成されます。LangChain は、この各ステップを部品(コンポーネント)として定義し、それらを宣言的につなぐためのオープンソースフレームワークです。試験の第3セクション「Application Development」は全体の30%を占める最重要領域で、その中核が LangChain によるチェーン構築です。

最小のチェーンは、次の3要素からなります。

PromptTemplate は単一のテキストプロンプト用、ChatPromptTemplate は system / user などのロール付きメッセージ列を組み立てるチャットモデル用です。現在の主流はチャットモデルなので、ChatPromptTemplate + ChatModel の組み合わせを基本形として押さえましょう。

2. LCEL:パイプ記法でチェーンを宣言する

LCEL(LangChain Expression Language)は、コンポーネントを Unix のパイプのように | 演算子でつなぐ記法です。データは左から右へ流れます。

chain = prompt | llm | parser
result = chain.invoke({"question": "Delta Lakeとは何ですか?"})

• invoke(入力) — チェーンを1回実行して結果を返す(基本の実行メソッド)
• 入力は辞書で渡し、キー名はプロンプトテンプレートの {変数名} と一致させる
• 各コンポーネントの出力が、そのまま次のコンポーネントの入力になる

3. Databricks のモデルをチェーンで使う:ChatDatabricks

Databricks 上では、Foundation Model API やモデルサービングエンドポイントで提供されるモデルを、databricks-langchain パッケージの ChatDatabricks クラスから呼び出せます。エンドポイント名を指定するだけで、LangChain の ChatModel としてそのまま使えます。

from databricks_langchain import ChatDatabricks

llm = ChatDatabricks(
    endpoint="databricks-meta-llama-3-3-70b-instruct",
    temperature=0.1,
)

• endpoint にはサービングエンドポイント名を指定する(Foundation Model API の pay-per-token エンドポイントも、自分でデプロイしたカスタムエンドポイントも同じ書き方)
• temperature や max_tokens などの生成パラメータも指定できる(1-4参照)
• ノートブックから実行する場合、Databricks への認証はワークスペースの資格情報が自動的に使われる

from databricks_langchain import ChatDatabricks
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# ① プロンプトテンプレート
prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたは丁寧な日本語で回答するアシスタントです。"),
    ("user", "{question}"),
])

# ② モデル
llm = ChatDatabricks(endpoint="databricks-meta-llama-3-3-70b-instruct")

# ③ 出力パーサー
parser = StrOutputParser()

# LCEL でつなぐ
chain = prompt | llm | parser

answer = chain.invoke({"question": "Unity Catalog の役割を教えてください。"})
print(answer)  # → 文字列として回答が返る

4. 複数入力と RunnablePassthrough:RAG チェーンへの拡張

テンプレートの変数は複数置けます。その場合、invoke() には対応するキーをすべて含む辞書を渡します。

prompt = ChatPromptTemplate.from_template(
    "以下のコンテキストに基づいて質問に答えてください。\n"
    "コンテキスト: {context}\n質問: {question}"
)
chain.invoke({"context": "...", "question": "..."})

ここで「context は検索(retriever)で自動的に埋めたい、question はユーザー入力をそのまま通したい」という場面が出てきます。これを実現するのが RunnablePassthrough です。入力をそのまま素通しするコンポーネントで、辞書を組み立てる段に置きます。

from langchain_core.runnables import RunnablePassthrough

rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | parser
)
rag_chain.invoke("Databricks AI Search(旧 Vector Search) の同期モードは?")

この形では、ユーザーの質問文字列が retriever(検索)と RunnablePassthrough(素通し)の両方に渡され、その結果が {"context": 検索結果, "question": 元の質問} という辞書に組み立てられてプロンプトへ流れます。これが RAG チェーンの骨格であり、retriever の作り方は 3-3、プロンプトへの組み込み方は 3-4 で詳しく扱います。

5. チェーン設計の考え方:小さく作って、つなぐ

LCEL の利点は、部品を差し替えやすいことです。モデルを変えたければ llm の定義だけを、出力を JSON にしたければパーサーだけを差し替えれば、チェーンの他の部分は変わりません。第1章で行った「タスク分解」の各ステージを、そのまま1本ずつのチェーン(またはチェーンの一段)として実装していくのが基本方針です。

練習問題