Tableau Langchainとは何か？ Tableau Serverと生成AIの可能性 Yuta Sakai(さかぴー) 2025.7.8 (火) 中部Tableauユーザー会 

Tableau Serverにも生成AIが来た！ https://youtu.be/ROwf5jS1MZY?si=mtcCdb_lpwOdNCBy&t=3679 

先月の売上は？ 100万円です！ 質問をVDSクエリに 変換して問い合わせて 返答をいい感じに返す VDS Query VDS Reponse 

先月の売上は？ 100万円です！ 質問をVDSクエリに 変換して問い合わせて 返答をいい感じに返す VDS Query VDS Reponse どうやってるの？？ 

自己紹介 酒井 佑太 Yuta Sakai （さかぴー） 仕事：お客様のデータ活用を支援 ダッシュボード構築の伴走やTableauの技術的なレ クチャー、ワークショップなどやっています。 Tableau歴：9年くらい Tableau PublicでのViz作成も大好き。 Tableau Ambassador、Visionaryとして コミュニティ活動も積極的に実施。 生成AI歴：ライトユーザー 翻訳や調査、ライティング補助に利用。 生成AIアプリの開発などはしていない。 @unbosoms 

最初の疑問 「これってなに？」 

生成AIアプリケーションを開発するためのフレームワーク エージェントに強み RAGに強み 検索とQAに強み 

生成AIアプリケーションを開発するためのフレームワーク エージェントに強み RAGに強み 検索とQAに強み 「Tableau Langchain」というパッケージが提供されているので LangChainを使えば生成AIとTableauの連携が簡単に実現できる 

今日のテーマ Tableau Server × LLMのコアである 「Tableau Langchain」は何をしているのか？ を読み解いてみた内容をちょっとだけシェア 

LangChainのためのTableauパッケージ GithubでOSSとして公開されている （MITライセンス） 現在正式に提供されている機能は以下の一つ ※他にも機能を開発中とのこと Tableau Langchainとは？ https://github.com/tableau/tableau_langchain simple_datasource_qa 特定のデータソースに対して自然言語で 質問をすると回答を返してくれる機能。 

simple_datasource_qaの位置づけ ● LangChainではAIエージェントを作れます ● AIエージェントとは会話だけでなく様々なシステムとの連携もできる （検索をするとか、メールを送るとか、システムから情報を取ってくるとか） ● LangChainでは「AIエージェントのできる事」を「ツール」として定義 ● AIエージェントは自律的にどのツールを使うか？を判断します ● simple_datasource_qaはAIエージェントのための「ツール」の一つとし て機能します 

simple_datasource_qaの動作イメージ ＜例＞サンプルスーパーストアについて質問をする例 ================================ Human Message ================================= WEST地域で最も売り上げの大きいカテゴリーは何ですか？ ↓ ================================== Ai Message ================================== WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 

simple_datasource_qaの動作イメージ ＜例＞サンプルスーパーストアについて質問をする例 ================================ Human Message ================================= WEST地域で最も売り上げの大きいカテゴリーは何ですか？ ↓ ================================== Ai Message ================================== WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 エージェントが自律的にsimple_datasource_qaを使うべきだと 判断して当該ツールから取得した結果をもとに回答している 

simple_datasource_qaの動作イメージ ＜例＞サンプルスーパーストアについて質問をする例 ================================ Human Message ================================= WEST地域で最も売り上げの大きいカテゴリーは何ですか？ ↓ ================================== Ai Message ================================== WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 simple_datasource_qaの中では 具体的にどんな事が起きているのか？ 

simple_datasource_qaがやっていること Input Output WEST地域で最も売り上げの大きいカテゴリーは何ですか？ WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、 売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 

simple_datasource_qaがやっていること query_writing_data query_writing_prompt query_writer get_data response_inputs response_prompt Input Output WEST地域で最も売り上げの大きいカテゴリーは何ですか？ WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、 売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 6つの処理を行っていることが分かる tableau_langchain/pkg/langchain_tableau/tools/simple_datasource_qa.py の259-264行目から抜粋 

01.VDSクエリを生成するためのプロンプトを作る query_writing_data query_writing_prompt query_writer get_data response_inputs response_prompt Input Output Inputに答えるために必要なデータを取得するための VDSクエリを生成するためのプロンプトを生成する query_writing_dataでクエリ生成に必要な情報を収集し、 query_writing_promptでクエリ生成用プロンプトを生成 クエリの生成にはLangChainのPromptTemplateを使用。 定義済のテンプレートにquery_writing_dataで取得した データをあてはめてプロンプトを生成する テンプレートは101行、826単語で構成されている。 ※実際のプロンプトは変数を追加するのでもっと長くなる 

(参考)クエリ生成用プロンプトのテンプレートイメージ tableau_langchain/pkg/langchain_tableau/tools/prompts.pyの1070-1170行 （一部抜粋） あなたの仕事はユーザーから与えられたタスクに答えるためのデータを取得 するためのTableau VizQL Data Service APIのクエリを書くことです。 data_dictionaryをつかってユーザーの自然言語による質問を、データソース 上で利用可能なフィールドへのマッピングに使ってください。etc... 他にもクエリの書き方の詳細説明やサンプルクエリもつけていし、 出力結果はVDS Queryのみをシンプルに記述する旨も指定している 

02.クエリを生成してデータを取得する query_writing_data query_writing_prompt query_writer get_data response_inputs response_prompt Input Output さっき作ったプロンプトを使って LLMにVDSクエリを生成してもらう 指定されたデータソースに対して さっき生成したVDSクエリを実行して結果を獲得する 

03.エージェントに返す文章を生成 query_writing_data query_writing_prompt query_writer get_data response_inputs response_prompt Input Output VDSクエリの結果を整理してエージェントが 返すべき内容を支持するプロンプトを生成する response_promptがPromprTemplate機能を使って エージェントに返す内容を生成 response_inputsはテンプレートで使う要素を 整理してresponse_promptに渡している こっちのテンプレートはクエリ生成プロンプトよりは シンプルで23行、145単語で構成されている。 ※実際のプロンプトは変数を追加するのでもっと長くなる 

(参考)エージェントに返すためのテンプレート こんなデータソースに こんなクエリを投げたら ユーザーの質問はこれなので こんな結果が返ってきました こんな感じで返してあげてね tableau_langchain/pkg/langchain_tableau/tools/prompts.pyの1172-1196行 

【再掲】simple_datasource_qaの動作イメージ ＜例＞サンプルスーパーストアについて質問をする例 ================================ Human Message ================================= WEST地域で最も売り上げの大きいカテゴリーは何ですか？ ↓ ================================== Ai Message ================================== WEST地域で最も売り上げの大きいカテゴリーは「Furniture」で、売上は約260,679.73ドルです。 次に「Technology」が約252,766.99ドル、そして「Office Supplies」が約226,366.89ドルとなっています。 この情報はSuperstoreデータセットから取得したものです。 

まとめ：Tableau Langchainの所感 ● スクラッチでTableauxLLMを作るより圧倒的に楽！開発者に感謝！ ● プロンプトエンジニアリングの学びが多かった ● VDSクエリ生成用のプロンプトは大きいのでトークン消費量が心配かも？ ● 新機能開発中とのことなので今後に期待！ ○ データソースを選ぶところからやってくれたり？ ○ 複数のデータソースを組み合わせて回答してくれたり？ 皆様のTableau Langchain理解の一助になれば幸いです！ 

参考１：今後の開発動向について Experimentalフォルダに実験中のコードが入っているので今後の開発動向が予測 しやすいかも？（chains/search_datasourcesも気になる） 

参考２：ハンズオンノートブック ハンズオンで学べるJupyterNotebookもあるので試したい方はこちらを触ってみ てください！ 

EoF