> ## Documentation Index > Fetch the complete documentation index at: https://docs.sambanova.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # LangChain 本ガイドでは、LangChain を使用して SambaNova のモデルと連携する手順を、セットアップからインスタンス化、呼び出し、ストリーミング、チェーンの構築まで解説します。LangChain は、LLM (大規模言語モデル) を活用したアプリケーションを開発するためのソフトウェアフレームワークです。 ## 前提条件 作業を始める前に、以下の環境を準備してください。 * [SambaCloud](https://cloud.sambanova.ai/?utm_source=langchain\&utm_medium=external\&utm_campaign=cloud_signup) のアカウントと API キー。[API キーと URL](/docs/ja/get-started/api-keys-urls) をご参照ください。 * Python 3.10 以上。`langchain-sambanova` のバージョン 1.x は Python 3.10 以上を必要とします。Python 3.9 では、pip はエラーを報告する代わりに、はるかに古い 0.2.0 リリースをインストールしてしまいます。 ## セットアップ ChatSambaNova モデルを使用するには、以下の手順を実行してください。 1. [SambaCloud](https://cloud.sambanova.ai/?utm_source=langchain\&utm_medium=external\&utm_campaign=cloud_signup) のアカウントを作成し、API キーを取得します。 2. 以下のコマンドを実行して、連携パッケージ `langchain-sambanova` をインストールします。 ```bash theme={} pip install "langchain-sambanova>=1.1,<2" ``` バージョンの範囲指定は残してください。リリース 1.0.0 では `ChatSambaNovaCloud` クラスと `ChatSambaStudio` クラスが削除されており、このパッケージは破壊的変更を含むメジャーリリースを実際に出しています。範囲を指定しない `pip install langchain-sambanova` では、本ページの例が動作しなくなる将来のメジャーバージョンを取得してしまう可能性があります。 インストールしたバージョンを確認します。 ```bash theme={} python -c "import langchain_sambanova; print(langchain_sambanova.__version__)" ``` 以下のような出力が表示されるはずです。 ```text theme={} # Expected output 1.1.1 ``` ## 認証情報の設定 [cloud.sambanova.ai](https://cloud.sambanova.ai/apis) で取得した API キーを環境変数として登録します。`ChatSambaNova` は `SAMBANOVA_API_KEY` を自動的に読み取るため、コード内でキーを渡す必要はありません。 ```bash theme={} export SAMBANOVA_API_KEY="your-sambanova-api-key" ``` Python セッションやノートブックの中からキーを設定する場合は、ソースコードにハードコードする代わりに、実行時に入力を求めるようにします。 ```python theme={} import getpass import os os.environ["SAMBANOVA_API_KEY"] = getpass.getpass("SambaNova API key: ") ``` SambaCloud ユーザーに必要なのは API キーのみです。リクエストはデフォルトで `https://api.sambanova.ai/v1` に送信されます。SambaStack ユーザーは、これに加えて `SAMBANOVA_API_BASE` にデプロイメントの URL を設定するか、`ChatSambaNova` に `base_url` を渡します。 ## モデルのインスタンス化 以下の例のように、ChatSambaNova モデルオブジェクトをインスタンス化し、chat completion を生成できます。 以下は、Meta 社の Llama 3.3 70B 向けに構成した ChatSambaNova モデルオブジェクトを作成する例です。 ```python theme={} from langchain_sambanova import ChatSambaNova llm = ChatSambaNova( model="Meta-Llama-3.3-70B-Instruct", max_tokens=1024, temperature=0.7, top_p=0.01, ) ``` SambaCloud が現在提供している任意のモデル ID を指定できます。モデルカタログは随時変更されるため、[SambaCloud モデル](/docs/ja/models/sambacloud-models) で ID を確認するか、`curl https://api.sambanova.ai/v1/models` で直接一覧を取得してください。 ## モデルの呼び出し システムプロンプトとユーザーメッセージをモデルに渡します。 ```python theme={} messages = [ ( "system", "You are a helpful assistant that translates English to French. " "Translate the user sentence.", ), ("human", "I love programming."), ] ai_msg = llm.invoke(messages) print(ai_msg.content) ``` 以下のような出力が表示されるはずです。 ```text theme={} # Expected output J'adore la programmation. ``` ## ストリーミング モデルが生成したトークンを逐次表示するには、`invoke()` の代わりに `stream()` を呼び出し、各チャンクの `content` を出力します。各チャンクは `AIMessageChunk` であり、それぞれの `content` の値を連結すると完全な応答が再現されます。 ```python theme={} for chunk in llm.stream(messages): print(chunk.content, end="", flush=True) ``` 以下のような出力が、一度にまとめてではなく少しずつ表示されるはずです。 ```text theme={} # Expected output J'adore la programmation. ``` ## チェーンの構築 プロンプトテンプレートとモデルを組み合わせてチェーンを構築し、翻訳先の言語を動的に扱えるようにします。 ```python theme={} from langchain_core.prompts import ChatPromptTemplate prompt = ChatPromptTemplate( [ ( "system", "You are a helpful assistant that translates {input_language} " "to {output_language}.", ), ("human", "{input}"), ] ) chain = prompt | llm response = chain.invoke( { "input_language": "English", "output_language": "German", "input": "I love programming.", } ) print(response.content) ``` 以下のような出力が表示されるはずです。 ```text theme={} # Expected output Ich liebe das Programmieren. ``` ## ツール呼び出し `bind_tools` を使って Python 関数をモデルにバインドします。LangChain は各関数のシグネチャと docstring を JSON Schema に変換し、リクエストの `tools` フィールドで送信します。つまり、その関数をいつ呼び出すべきかをモデルに伝えるのは docstring です。 ```python theme={} from langchain_core.tools import tool @tool def get_weather(city: str) -> str: """Return the current weather for a city.""" return f"It is sunny in {city}." llm_with_tools = llm.bind_tools([get_weather]) response = llm_with_tools.invoke("What is the weather in Palo Alto?") print(response.tool_calls) ``` 以下のような出力が表示されるはずです。 ```text theme={} # Expected output [{'name': 'get_weather', 'args': {'city': 'Palo Alto'}, 'id': 'call_1', 'type': 'tool_call'}] ``` モデルが返すのは、実行してほしい呼び出しであって、その実行結果ではありません。関数を実行して出力をモデルに戻すのは呼び出し側のコードの役割です。 ```python theme={} from langchain_core.messages import HumanMessage messages = [HumanMessage("What is the weather in Palo Alto?")] messages.append(response) for call in response.tool_calls: result = get_weather.invoke(call) messages.append(result) print(llm_with_tools.invoke(messages).content) ``` モデルがツールを呼び出さずに直接回答した場合、`response.tool_calls` は空になります。呼び出しが行われた前提で処理せず、`response.tool_calls` の有無で分岐してください。 ツール呼び出しには、対応するモデルが必要です。現在の対応モデル一覧は [Function calling](/docs/ja/features/function-calling) をご参照ください。`Meta-Llama-3.3-70B-Instruct` は対応していますが、`gemma-4-31B-it` は非対応です。非対応モデルでは、リクエストは通常のテキスト回答を返すだけで、ツールが無視されたことを示すエラーは発生しません。 ## 構造化出力 `with_structured_output` を使用すると、テキストの代わりに検証済みの Pydantic オブジェクトを取得できます。この機能はツール呼び出しを使用しません。スキーマを `type: json_schema` の `response_format` として送信し、応答をモデルクラスにパースするため、Function calling ではなく[構造化出力のサポート](/docs/ja/features/function-calling)に依存します。 ```python theme={} from typing import Literal, Optional from pydantic import BaseModel, Field class Ticket(BaseModel): """A support ticket extracted from a message.""" title: str = Field(description="One-line summary") priority: Literal["low", "medium", "high"] = Field(description="Urgency") owner: Optional[str] = Field(default=None, description="Assignee if named") structured_llm = llm.with_structured_output(Ticket) ticket = structured_llm.invoke("Ada needs the quarterly review finished, it is urgent.") print(ticket) ``` 以下のような出力が表示されるはずです。 ```text theme={} # Expected output title='Quarterly review' priority='high' owner='Ada' ``` 結果は正真正銘の `Ticket` インスタンスであるため、`ticket.priority` は型付けされ、`Literal` の範囲外の値はコードに渡る前に拒否されます。フィールドの説明 (description) はスキーマの一部として送信されるため、丁寧に書く価値があります。 ## トラブルシューティング スクリプトを実行する環境に環境変数が設定されていません。[認証情報の設定](#認証情報の設定) の手順どおりにエクスポートするか、`ChatSambaNova` に `api_key="..."` を渡してください。 キーが誤っているか、失効しているか、余分な引用符や改行が混入しています。[cloud.sambanova.ai/apis](https://cloud.sambanova.ai/apis) で新しいキーを生成してください。 `ChatSambaNovaCloud` は `langchain-sambanova` 1.0.0 で削除され、現在は引数を受け取らない空の非推奨スタブになっています。[モデルのインスタンス化](#モデルのインスタンス化) のとおり、代わりに `ChatSambaNova` を使用してください。 `ChatSambaNovaCloud` のみを提供していた 0.1.x を使用しています。`pip install -U "langchain-sambanova>=1.1,<2"` でアップグレードしてください。 Python 3.9 以前を使用しています。バージョン 1.x は Python 3.10 以上を必要とします。Python をアップグレードしてから再インストールしてください。 バージョン 1.x はベース URL を `SAMBANOVA_API_BASE` から読み取ります。`SAMBANOVA_URL` は 0.1.x の環境変数で、現在は効果がありません。 ティアで許可されているリクエスト数を超過しました。間隔を空けて再試行するか、同時実行数を減らしてください。適用される制限は [レート制限](/docs/ja/models/rate-limits) をご参照ください。 応答がスキーマに対して有効な JSON ではありませんでした。これは構造化出力に対応していないモデルで発生します。[Function calling](/docs/ja/features/function-calling) でモデルの対応状況を確認し、深くネストしたスキーマは簡素化してください。 モデルがツールを呼び出さないことを選択したか、ツール呼び出しに対応していません。[Function calling](/docs/ja/features/function-calling) で対応状況を確認し、ツールをいつ使うべきかを docstring に明確に記述してください。 ## 参考情報 詳細については、以下のリソースをご参照ください。 * [ChatSambaNova ドキュメント](https://docs.langchain.com/oss/python/integrations/chat/sambanova) * [SambaNova-LangChain ドキュメント](https://docs.langchain.com/oss/python/integrations/providers/sambanova) * [LangChain 公式ドキュメント](https://docs.langchain.com/oss/python/langchain/overview) * [LangChain と SambaNova を使用したエンドツーエンドのコード例](https://github.com/sambanova/ai-starter-kit) * [SambaNovaEmbeddings ドキュメント](https://docs.langchain.com/oss/python/integrations/embeddings/sambanova)。Embedding モデルは SambaCloud ではなく SambaStack 上で動作します。[Embedding (埋め込み) 機能の実装](/docs/ja/features/embeddings) をご参照ください。