Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
LangChain Open Deep Researchとは?
Search
ttnyt8701
May 15, 2025
Programming
2
220
LangChain Open Deep Researchとは?
https://blueish.connpass.com/event/354793/
ttnyt8701
May 15, 2025
Tweet
Share
More Decks by ttnyt8701
See All by ttnyt8701
Gemini CLI のはじめ方
ttnyt8701
1
160
ObsidianをMCP連携させてみる
ttnyt8701
3
1.4k
Claude Codeの使い方
ttnyt8701
2
270
FastMCPでMCPサーバー/クライアントを構築してみる
ttnyt8701
3
300
Vertex AI Agent Builderとは?
ttnyt8701
4
210
A2A(Agent2Agent )とは?
ttnyt8701
2
390
Amazon Bedrock LLM as a Judgeを試す
ttnyt8701
2
56
Amazon Sagemaker Jump Startを用いて爆速でモデルを作成してみる
ttnyt8701
3
73
Amazon SageMaker Lakehouseでデータのサイロ化による課題を解決する
ttnyt8701
2
37
Other Decks in Programming
See All in Programming
VisionFrameworkで実現する - プライバシーに配慮した「顔ぼかし」機能 / Face blurring with Vision Framework
imaizume
0
150
より安全で効率的な Go コードへ: Protocol Buffers Opaque API の導入
shwatanap
3
1.1k
Reactをクライアントで使わない
yusukebe
7
5.6k
高度なUI/UXこそHotwireで作ろう Kaigi on Rails 2025
naofumi
4
1.2k
Things You Thought You Didn’t Need To Care About That Have a Big Impact On Your Job
hollycummins
0
210
SpecKitでどこまでできる? コストはどれくらい?
leveragestech
0
130
API Platform 4.2: Redefining API Development
soyuka
0
710
Platformに“ちょうどいい”責務ってどこ? 関心の熱さにあわせて考える、責務分担のプラクティス
estie
2
480
10年もののAPIサーバーにおけるCI/CDの改善の奮闘
mbook
0
310
個人開発で徳島大学生60%以上の心を掴んだアプリ、そして手放した話
akidon0000
2
210
今だからこそ入門する Server-Sent Events (SSE)
nearme_tech
PRO
3
290
AIエージェント時代における TypeScriptスキーマ駆動開発の新たな役割
bicstone
4
1.1k
Featured
See All Featured
Designing Dashboards & Data Visualisations in Web Apps
destraynor
231
53k
Code Reviewing Like a Champion
maltzj
525
40k
Building an army of robots
kneath
306
46k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
12
1.1k
Principles of Awesome APIs and How to Build Them.
keavy
127
17k
Intergalactic Javascript Robots from Outer Space
tanoku
273
27k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
53
3k
A designer walks into a library…
pauljervisheath
208
24k
A better future with KSS
kneath
239
17k
Fashionably flexible responsive web design (full day workshop)
malarkey
407
66k
Large-scale JavaScript Application Architecture
addyosmani
513
110k
Statistics for Hackers
jakevdp
799
220k
Transcript
LangChain Open Deep Researchとは? 2025.05.15 ©BLUEISH 2025. All rights reserved.
立野 祐太 Yuta Tateno 普段はOCRやRAGを用いたアプリケーション開発に従事しています エンジニア 自己紹介 ©BLUEISH 2024. All
rights reserved.
目次 1. Open Deep Researchとは? 2. Open Deep Researchの利点 3.
ワークフロー 4. マルチエージェント 5. ワークフロー vs マルチエージェント 6. サポート(LLMモデル / 検索API) 7. ハンズオン 8. 振り返り
Open Deep Researchとは? LangChainが提供するオープンソースのリサーチアシスタント あらゆるトピックに関する包括的な レポートを作成できる 「ワークフロー 」と「マルチエージェント 」の2つのアプローチ が提供されている
Open Deep Researchの利点 類似サービス • Gemini Deep Research • OpenAI
Deep Research 利点 • 設定柔軟性 • コスト効率 • 新しいモデルやツールを柔軟に組み込める 設定柔軟性 : • レポート構造を細かく指定可能 • 使用するLLMモデルを自由に選択・変更可能 • 検索回数や反復回数を設定可能 • 使用する検索APIを自由に選択・変更可能
ワークフロー 計画と実行をワークフローで行い、人間のフィードバックを取り入れてレポートを作成 人間のフィードバックによりレポートを細かく制御できる。レポートの品質と正確性が重要な状況に最適
1. テーマ入力 2. Plannerがレポート計画を作成 3. ユーザー指示・承認 4. 各章を順番に「検索→執筆→検索…」 5. レポート完成
ワークフロー
マルチエージェント テーマを入力するのみで、スーパーバイザーエージェントとリサーチャーエージェントが並列処理でレポートを作成 効率性と並列化に重点を置いており、ユーザーの関与を減らしてレポートを高速に生成するのに最適
1. テーマ入力 2. Supervisorエージェントがレポート計画を作成 3. 各 Researcherエージェントに並列タスク配分 4. 各 Researcherエージェントが独立に章を完成
5. Supervisor が導入・結論をまとめる 6. レポート完成 マルチエージェント
ワークフロー vsマルチエージェント レポート生成時間 ワークフロー: 1章ずつ順番に処理。次の章に進む前に前章の完成・反映を待つため、全体の所要時間は合計になる。 マルチエージェント: すべての章を同時に処理。章数が多いほど並列メリットが大きく、全体の所要時間は最長の1章分だけに近づく。 ユーザーの介入ポイント ワークフロー: プランニングフェーズで人のフィードバックを挟める。必要なら計画を練り直してから本文生成
マルチエージェント: 計画後は自動並列処理。途中で人が介入する仕組みは標準ではなし
ワークフロー vsマルチエージェント 制御と可視化のしやすさ ワークフロー: 各フェーズごとに状態が明確(計画案/フィードバック/各章の進捗) マルチエージェント: 背後で同時に処理が走るため、状態が追いにくい 検索ツールの対応範囲 ワークフロー: Tavily、Perplexity、Exa、ArXiv、PubMed、Linkup…複数の
API が選択可能 マルチエージェント: Tavily のみ対応(将来的に拡張可能)
向いているシナリオ ワークフロー: 「品質重視」 人によるフィードバック、多様なソースからの検索が必要なケース マルチエージェント: 「スピード重視」 章ごとに独立した調査が可能で、交差検証が不要なケース ワークフロー vsマルチエージェント
ワークフロー: • Tavily API • Perplexity API • DuckDuckGo API
• Linkup API • Exa API • Google Search API/Scrapper • ArXiv (物理学、数学、コンピュータサイエンスなどの学術論文 ) • PubMed (MEDLINE、生命科学ジャーナル、オンライン書籍からの生物医学文献 ) マルチエージェント: • Tavily API(将来的に他のツールもサポート予定) 検索APIのサポート
LangChain: init_chat_model()でサポートされているモデルを使用できる LLMモデルのサポート プロバイダー • openai • anthropic • azure_openai
• azure_ai • google_vertexai • google_genai • bedrock • bedrock_converse • cohere • fireworks • together • mistralai • huggingface • groq • ollama • google_anthropic_vertex • deepseek • ibm • nvidia • xai • perplexity
⚠注意 ワークフロー 構造化された出力をサポートする必要がある マルチエージェント エージェントモデルはツール呼び出しをサポートする必要がある LLMモデルのサポート
ハンズオン(セットアップ) 1)リポジトリをクローン 2)環境変数の雛形をコピー
ハンズオン(セットアップ) 3)各サイトからAPIキーを取得して入力 4) ライブラリインストール &サーバー起動
ハンズオン(セットアップ) 5) Studio UIにアクセス
ハンズオン(ワークフロー) open_deep_researchを選択 入力 1) open_deep_researchを選択 2) トピックを入力&送信
ハンズオン(ワークフロー) 3) レポートプランが生成される 4) ユーザー確認が提示される
ハンズオン(ワークフロー) 4) レポートプランに問題なければ true を入力 5) 修正したい場合はプランを入力
ハンズオン(ワークフロー) 6) 受理されると、レポートのセクショ ンが生成される
ハンズオン(ワークフロー) 7) レポートがマークダウン形式で作 成される
ハンズオン(マルチエージェント) マルチエージェントを選択 入力 出力 1) open_deep_research_multi _agentを選択 2) トピックについてエージェント とチャットすると、レポートの
生成が開始 3) レポートはマークダウン形式 で作成される
振り返り • オープンソースのリサーチアシスタント • 低コストでカスタマイズ性に優れる • 「ワークフロー」では高品質なレポートを生成するのに最適 • 「マルチエージェント」ではレポートを高速に生成するのに最適
参考文献・引用 https://github.com/langchain-ai/open_deep_research?tab=readme-ov-file