#A1 LangGraph × ChatGPT で「調査 → 批判 → 要約」を自動化する

――Colab 完全動作スクリプトと実戦ノウハウを徹底解説

• 公開日：2025‑04‑19
• 想定読者：
  1. ChatGPT を使い倒しているが「同じ手順を繰り返すのが面倒」な方
  2. RAG やエージェント分業を小規模でも実践したい個人開発者
  3. ブログ／YouTube／社内報告で AI リサーチ結果を量産したいクリエイター

00. 記事のゴール

• 1 台本で 3 役（Researcher → Critic → Summarizer）の マルチエージェントパイプライン を
  LangGraph で構築し、Google Colab で即実行できる形に落とし込む。
• 実例を通して
  • ループ制御
  • エラー対策
  • Prompt エンジニアリング
    を解説し、**「品質を担保しながら自動生成」**する考え方を共有する。
• 最後に ChatGPT 単発質問との比較や運用コスト、拡張アイデアも提案。

01. なぜ LangGraph なのか？

1‑1. “if 文地獄” からの脱却

LangChain を使っていると、複数ツール＆分岐が増えるにつれ

#python
if poor_answer:
    do_retry()
elif good:
    summarize()

のネストが深くなる。
LangGraph はそのロジックを “グラフ” として宣言的に定義できる。

• ノード = 関数
• エッジ = 遷移条件
• グラフ = ワークフロー

1‑2. 「途中結果を見たい」「ツールを差し替えたい」に強い

中間ステップごとに state を保持できるので、

• RAG で取ってきた引用
• LLM の中間ドラフト
  をログ保存・可視化しやすい。
  後から「ここだけ Gemini に変える」「Critic を二段構えにする」も簡単。

02. 全体アーキテクチャ

scssコピーする編集する(User Topic)
   │
   ▼
┌────────┐
│Research│  ← LLM ① 下調べ
└────────┘
   │
   ▼
┌────────┐
│ Critic │  ← LLM ② 品質判定
└────────┘
   │yes               no│
┌──┴───────────────────┘
│(tries≧MAX_TRIES？)│
└──┬───────────────────┘
   │          │
   ▼          ▼
Summarize   Research  ← ループ
   │
   ▼
(Answer)

• Researcher：指示されたテーマを 1 ～ 2 ページ程度で調査メモ化
• Critic：yes か no の 1 語で評価。no が続くと再調査ループ
• Summarizer：箇条書き＋100 字要約でアウトプット
• tries カウンタ：無限ループ対策、MAX_TRIES=3 で打ち止め
• 全ノードが 同じ GPT‑4o‑mini を呼ぶが、将来はモデル別に切替可。

03. Colab で動かす完全スクリプト

依存：langgraph>=0.0.27, langchain>=0.1.7, openai>=1.24
（本文末尾の requirements.txt 参照）

#python
!pip install -q langchain langgraph openai typing_extensions

from typing import TypedDict
from google.colab import userdata
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langgraph.graph import StateGraph, END

### 1. LLM 準備 ###########################################################
llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    openai_api_key=userdata.get("OPENAI_API_KEY"),  # Colab Secrets 推奨
)

### 2. State スキーマ ######################################################
class GraphState(TypedDict, total=False):
    topic: str
    draft: str
    critic_verdict: str
    summary: str
    tries: int        # ループカウンタ

### 3. ノード定義 ##########################################################
def research_node(state: GraphState) -> GraphState:
    prompt = ChatPromptTemplate.from_messages([
        ("system", "You are a diligent researcher. Answer in Japanese."),
        ("human", f"「{state['topic']}」について 1～2 ページ程度で調査メモを作成してください。")
    ])
    state["draft"] = llm.invoke(prompt.format_messages()).content
    return state

def critic_node(state: GraphState) -> GraphState:
    prompt = ChatPromptTemplate.from_messages([
        ("system", "You are a critical reviewer. Answer ONLY 'yes' or 'no'."),
        ("human", f"この調査メモは十分に詳しいですか？不足なら no。\n\n{state['draft']}")
    ])
    state["critic_verdict"] = llm.invoke(prompt.format_messages()).content.strip().lower()
    state["tries"] = state.get("tries", 0) + 1
    return state

def summarize_node(state: GraphState) -> GraphState:
    prompt = ChatPromptTemplate.from_messages([
        ("system", "You are a concise summarizer. Answer in Japanese."),
        ("human", f"以下の調査メモを (1) 箇条書き 5 点 (2) 100 字要約 にまとめてください。\n\n{state['draft']}")
    ])
    state["summary"] = llm.invoke(prompt.format_messages()).content
    return state

### 4. グラフ構築 ##########################################################
graph = StateGraph(state_schema=GraphState)

graph.add_node("research",   research_node)
graph.add_node("critic",     critic_node)
graph.add_node("summarize",  summarize_node)

graph.set_entry_point("research")
graph.add_edge("research", "critic")

MAX_TRIES = 3
def route(edge_state: GraphState) -> str:
    if edge_state["critic_verdict"].startswith("yes"):
        return "summarize"
    if edge_state.get("tries", 0) >= MAX_TRIES:
        return "summarize"
    return "research"

graph.add_conditional_edges("critic", route)
graph.add_edge("summarize", END)

assistant = graph.compile()

### 5. 実行 ###############################################################
topic = input("調査したいテーマを入力してください: ")
out = assistant.invoke({"topic": topic})
print("\n===== 要約結果 =====\n")
print(out["summary"])

04. コード解説：ポイントは 3 つだけ

4‑1. TypedDict で State を型安全に

TypedDict を使うと IDE が補完を効かせてくれ、
「キー名タイプミス → KeyError」事故が激減。

4‑2. LLM 呼び出しは invoke()

llm(prompt) は langchain-core 0.1.7 で deprecate。
invoke() へ置き換えると将来の 1.0 リリースでも安心。

4‑3. ループ上限は ビジネスルール

自動化＝無限ループ対策が命。

• コストを読める（MAX_TRIES×API 料金）
• レイテンシを制御
  ビジネス要件に合わせて 2～5 回程度に設定すると良い。

05. 実行結果サンプル

テーマ：「量子コンピュータの勉強法」

===== 要約結果 =====

● 量子力学の基礎（重ね合わせ・エンタングルメント）を3週間で習得  
● Python 製 SDK（Qiskit / Cirq）でハンズオンしながら計算基礎を体得  
● アルゴリズム（Grover, Shor）を小規模 QPU シミュレータで実装  
● NISQ 限界とエラー耐性の最新研究を arXiv ウォッチで追跡  
● ビジネス応用（暗号・最適化）の国内外事例をケーススタディで整理  

100 文字要約：  
量子計算の基礎理論→SDK 実装→代表アルゴリズム→NISQ 課題→応用事例という 5 ステップ学習を 3 か月ロードマップで回すのが効率的。

Critic が no を返した例（1 回目）もログに残しておくと、
「何が不足と判定されたか？」が可視化でき、プロンプトの改善材料になる。

06. ChatGPT 単発質問との比較

“楽をしたい瞬間” は ChatGPT、
“量産・自動化” は LangGraph――と 棲み分け するのが実践的。

07. 運用コスト試算

• GPT‑4o‑mini（執筆時）
  • 入力 1 K tokens ≒ 0.5¢
  • 出力 1 K tokens ≒ 0.75¢
• Research, Critic, Summarize 各 1 K tokens と仮定すると
  • 1 ループ ≒ ~2.25¢
  • 3 ループ上限でも ≒ ~6.75¢
    ブログ 10 本書いても数百円＝コーヒー 1 杯より安い。

08. より高度な拡張アイデア

09. つまずきポイント FAQ

1. GraphRecursionError が出た
   → MAX_TRIES を設定 or Critic プロンプトを緩める
2. RateLimitError が出る
   → sleep 挿入 or gpt-4o-mini → gpt-3.5-turbo に落とす
3. OpenAI_API_KEY が None
   → Colab の左サイドバー > 🔑 Secrets に OPENAI_API_KEY を登録

10. まとめ & 次の一手

• LangGraph は「LLM フロー型自動化」を超少コードで実現できる強力ツール
• 3 ノード構成でも チェック付きアウトプット が得られ、
  ブログ／レポート量産に向いた再現性と品質を両立
• 拡張余地が大きく、RAG・マルチモーダル・GUI への発展も容易

次回予告：このパイプラインに Neo4j を接続し、
「生成したメモを即座に知識グラフ化 → クエリで再活用」する究極ワークフローを構築します。
お楽しみに！

付録：requirements.txt

makefileコピーする編集するlangchain==0.1.7
langgraph==0.0.27
openai==1.24.0
typing_extensions>=4.10

ライセンス・引用ポリシー

• コード部分：Apache‑2.0（OpenAI / LangChain のライセンスに準拠）
• 記事本文：CC‑BY 4.0。引用の際は本記事へのリンクを明記してください。

[補足]Langgraphプログラムとchatgptとの比較

1. 基本コンセプトのちがい

2. 得られる “質” の違い

3. 実運用で感じるメリット・デメリット

4. 使い分けガイド

5. まとめ

LangGraph パイプライン は「ワークフローをコードに固定して、何度回しても均質な成果物を得たい」「途中工程を監視・改変したい」――そんな プロダクション用途 に最適です。

単発 ChatGPT は「とりあえず答えを聞きたい」「軽く壁打ちしたい」――といった インタラクティブ用途 に向いています。

🔑 鍵は “繰り返し同じ型で動かすか”。

「1 回きり」なら ChatGPT、
「10 回以上同じ流れ」なら LangGraph が効率的——これが実務現場の体感です。