LangChain Open Deep Researchとは？

https://blueish.connpass.com/event/354793/

Transcript

1. LangChain Open Deep Researchとは？ 2025.05.15 ©BLUEISH 2025. All rights reserved.
2. 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.
3. 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
4. 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
5. 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
6. 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
7. 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
8. 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
9. 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
10. 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
11. 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）
12. 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
13. 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
14. 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
15. ⚠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
16. 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
17. 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
18. ハンズオン（セットアップ） 5) Studio UIにアクセス
19. 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
20. 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
21. 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
22. 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
23. 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
24. 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
25. 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
26. 参考文献・引用 https://github.com/langchain-ai/open_deep_research?tab=readme-ov-file