> ## 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. # LangGraph 本ガイドでは、セットアップから実践的なユースケースまで、LangGraph と SambaNova を連携させる手順を解説します。LangGraph は、ステートフルで長時間実行されるワークフローやエージェントを構築するための低レベルの基盤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。 * 有効な API キーを取得済みの [SambaCloud](https://cloud.sambanova.ai/?utm_source=langgraph\&utm_medium=external\&utm_campaign=cloud_signup) アカウント * Python 3.10 以上がインストールされていること。`langgraph` と `langchain-sambanova` は Python 3.9 以前をサポートしていません。 * グラフからツールを呼び出す場合は、Function calling (関数呼び出し) に対応したモデル。本ページの例では、Function calling に対応した `Meta-Llama-3.3-70B-Instruct` を使用します。対応モデルの一覧は [Function calling と JSON モード](/docs/ja/features/function-calling) をご参照ください。Function calling 非対応のモデルでツール呼び出しグラフを実行すると、モデルはツール呼び出しを一切発行しないため、グラフは通常のテキスト応答を返し、ツールノードは完全にスキップされます。 macOS には Python 3.9 が標準搭載されており、`python` ではなく `python3` として提供されます。`python3 --version` でバージョンを確認してください。3.10 未満の場合は、[pyenv](https://github.com/pyenv/pyenv)、[uv](https://docs.astral.sh/uv/)、または `brew install python@3.12` で対応バージョンをインストールしてから先へ進んでください。 ## インストールとセットアップ 1. 仮想環境を作成します。 ```bash theme={} python3 -m venv .venv source .venv/bin/activate python --version ``` 2. 必要なライブラリをインストールします。 ```bash theme={} pip install langchain-sambanova langchain langgraph ``` 3. API キーを設定します。 ```bash theme={} export SAMBANOVA_API_KEY="your-api-key" ``` 各パッケージは、本ページの例のそれぞれ異なる部分を担っています。 | パッケージ | 提供内容 | | :- | :- | | `langchain-sambanova` | SambaCloud と通信するチャットモデル `ChatSambaNova` | | `langgraph` | `StateGraph`、`MessagesState`、およびグラフの始点・終点を示す `START` と `END`。あわせて、`ToolNode` と `tools_condition` を提供する `langgraph-prebuilt`、`InMemorySaver` を提供する `langgraph-checkpoint` もインストールされます。 | | `langchain` | `@tool` デコレーターなどの `langchain-core` プリミティブに加え、手組みのグラフではなく事前構築済みエージェントを使いたくなった場合の `langchain.agents.create_agent` | 本ページの例は、`langchain-sambanova` 1.1.1、`langgraph` 1.2.10、`langchain` 1.3.14 で動作確認済みです。まったく同じ組み合わせを再現するには、`pip install langchain-sambanova==1.1.1 langchain==1.3.14 langgraph==1.2.10` でバージョンを固定してください。 ## クイックスタート SambaCloud のチャットモデルをインスタンス化し、最初のメッセージを送信します。 ```python theme={} from langchain_sambanova import ChatSambaNova llm = ChatSambaNova(model="Meta-Llama-3.3-70B-Instruct") response = llm.invoke([("human", "Hello!")]) print(response.content) ``` 以下のような出力が表示されます。 ```text theme={} Hello. How can I help you today? ``` `ChatSambaNova` は環境変数 `SAMBANOVA_API_KEY` からキーを読み取ります。`invoke` は `AIMessage` を返すため、`response.content` が応答テキストになります。応答が表示されれば、モデルをグラフに組み込む準備は完了です。 ## グラフの構築 モデルを単一ノードのグラフに追加します。`MessagesState` スキーマは `add_messages` リデューサーを使用するため、各ノードの戻り値は会話を置き換えるのではなく、会話に追記されます。 ```python theme={} from langchain_sambanova import ChatSambaNova from langgraph.graph import END, START, MessagesState, StateGraph llm = ChatSambaNova(model="Meta-Llama-3.3-70B-Instruct") def chat(state: MessagesState) -> MessagesState: return {"messages": [llm.invoke(state["messages"])]} builder = StateGraph(MessagesState) builder.add_node("chat", chat) builder.add_edge(START, "chat") builder.add_edge("chat", END) graph = builder.compile() result = graph.invoke({"messages": [("human", "Hello!")]}) print(result["messages"][-1].content) ``` 以下のような出力が表示されます。 ```text theme={} Hello. How can I help you today? ``` `graph.invoke` は単一の応答ではなく、最終状態を返します。`MessagesState` は蓄積型のため、`result["messages"]` には会話全体が格納されます。先頭が入力で、末尾がモデルの `AIMessage` です。この例で `result.content` ではなく `result["messages"][-1].content` を読み取っているのはそのためです。 代わりに状態全体を出力すると、参照しているデータの形を確認できます。 ```text theme={} {'messages': [HumanMessage(content='Hello!', ...), AIMessage(content='Hello. How can I help you today?', ...)]} ``` ## ツールと条件付きエッジの追加 ノードが 1 つだけでは、まだエージェントとは言えません。ツールを呼び出すかどうかをモデルに判断させるには、ツールをモデルにバインドし、ツールを実行する `ToolNode` を追加し、条件付きエッジで両者の間をルーティングします。`tools_condition` は最後のメッセージを検査し、ツール呼び出しが含まれていれば `"tools"` を返し、含まれていなければグラフを終了します。`tools` から `model` へ戻るエッジがループを構成するため、モデルは各ツールの結果を確認したうえで、別のツールを呼び出すか応答を返すかを選択できます。 ```python theme={} from langchain_core.tools import tool from langchain_sambanova import ChatSambaNova from langgraph.graph import START, MessagesState, StateGraph from langgraph.prebuilt import ToolNode, tools_condition @tool def get_exchange_rate(base: str, quote: str) -> str: """Return the exchange rate from one currency code to another.""" rates = {("USD", "EUR"): 0.92, ("USD", "JPY"): 157.0} rate = rates.get((base.upper(), quote.upper())) if rate is None: return f"No rate available for {base} to {quote}." return f"1 {base.upper()} = {rate} {quote.upper()}" tools = [get_exchange_rate] llm = ChatSambaNova(model="Meta-Llama-3.3-70B-Instruct").bind_tools(tools) def call_model(state: MessagesState) -> MessagesState: return {"messages": [llm.invoke(state["messages"])]} builder = StateGraph(MessagesState) builder.add_node("model", call_model) builder.add_node("tools", ToolNode(tools)) builder.add_edge(START, "model") builder.add_conditional_edges("model", tools_condition) builder.add_edge("tools", "model") graph = builder.compile() result = graph.invoke({"messages": [("human", "How many euros is 100 US dollars?")]}) for message in result["messages"]: message.pretty_print() ``` 上記の `get_exchange_rate` ツールは、2 つ目の API キーなしで例を実行できるよう、ハードコードされたレートを返します。数値を実際に利用する場合は、実際のレート API に置き換えてください。 各メッセージに対する `pretty_print` は、ループが実際に実行されたことを確認する最も手軽な方法です。質問、モデルのツール呼び出し、ツールの結果、最終的な応答の 4 つのメッセージが表示されるはずです。 ```text theme={} ================================ Human Message ================================= How many euros is 100 US dollars? ================================== Ai Message ================================== Tool Calls: get_exchange_rate (call_abc123) Call ID: call_abc123 Args: base: USD quote: EUR ================================= Tool Message ================================= Name: get_exchange_rate 1 USD = 0.92 EUR ================================== Ai Message ================================== 100 US dollars is about 92 euros. ``` メッセージが 2 つ (質問とテキスト応答) しか表示されない場合、モデルはツール呼び出しを発行していません。モデルが Function calling に対応していることを確認し、ツールをいつ使うべきかが明確に伝わるように docstring を記述してください。 このグラフを必ずしも手作業で構築する必要はありません。`from langchain.agents import create_agent` を使えば、同等のコンパイル済み ReAct エージェントを 1 回の呼び出しで取得できます。独自のノード、カスタムルーティング、状態フィールドを追加する必要がある場合に、グラフを自分で構築してください。 ## ターンをまたいだ状態の永続化 `graph.invoke` の各呼び出しは毎回新しい状態から始まるため、上のグラフは何も記憶できません。会話を維持するには、チェックポインターを指定してコンパイルし、`thread_id` を渡します。チェックポインターはスレッドごとに状態を保存し、`thread_id` でどの会話を継続するかを選択します。 ```python theme={} from langchain_sambanova import ChatSambaNova from langgraph.checkpoint.memory import InMemorySaver from langgraph.graph import END, START, MessagesState, StateGraph llm = ChatSambaNova(model="Meta-Llama-3.3-70B-Instruct") def chat(state: MessagesState) -> MessagesState: return {"messages": [llm.invoke(state["messages"])]} builder = StateGraph(MessagesState) builder.add_node("chat", chat) builder.add_edge(START, "chat") builder.add_edge("chat", END) graph = builder.compile(checkpointer=InMemorySaver()) config = {"configurable": {"thread_id": "conversation-1"}} graph.invoke({"messages": [("human", "My name is Ada.")]}, config) result = graph.invoke({"messages": [("human", "What is my name?")]}, config) print(result["messages"][-1].content) ``` 以下のような出力が表示されます。 ```text theme={} Your name is Ada. ``` 2 回目の呼び出しで送信しているのは新しい質問だけですが、チェックポインターが `conversation-1` の保存済みメッセージを復元するため、モデルは最初のターンの内容を保持しています。`thread_id` を新しい値に変更すると、モデルは名前を知らない状態に戻ります。 `InMemorySaver` は状態をプロセス内に保持し、終了時に失われます。これはローカル開発に適した挙動です。`MemorySaver` は同じクラスの後方互換エイリアスです。デプロイする用途では、`langgraph-checkpoint-postgres` の `PostgresSaver` など、永続化されるチェックポインターを使用してください。 ## ユースケースの例 LangGraph を SambaCloud と組み合わせて使用することで、Web 検索、検索拡張生成 (RAG)、SQL エージェントなどのマルチエージェントワークフローを構築できます。以下は、これらのパターンをそのまま実行できる完全な実装例です。 * [Agentic Search](https://github.com/sambanova/integrations/blob/main/langgraph/agentic_search.ipynb): Web 検索ツールと SambaCloud のモデルを組み合わせたチャットボットを構築するノートブックです。 * [Agentic Graph RAG](https://github.com/sambanova/integrations/tree/main/langgraph/agentic_graph_rag): ノートブックではなく完全なアプリケーションで、インテリジェントなルーティングと生成された Cypher クエリを使用して、医療系グラフデータベースに対する自然言語の質問に回答します。LangGraph と FastAPI で構築され、Web インターフェースを備えています。 ## トラブルシューティング macOS には `python` 実行ファイルが用意されておらず、`python3` のみが提供されます。仮想環境の作成には `python3 -m venv .venv` を使用してください。`source .venv/bin/activate` で有効化した後は、環境内で `python` が期待どおりに動作します。 `ChatSambaNova` はオブジェクトの構築時に HTTP クライアントを作成するため、`SAMBANOVA_API_KEY` が未設定の場合、リクエストが送信される前の `ChatSambaNova(...)` の行で失敗します。`echo $SAMBANOVA_API_KEY` で、キーがプロセスから参照できることを確認してください。`export` は実行したシェルにのみ適用されるため、新しいターミナルや新しいエディタセッションでは再度設定が必要です。 キーは設定されていますが、有効ではありません。[SambaCloud ポータル](https://cloud.sambanova.ai/apis) からもう一度コピーしてください。 仮想環境が有効になっていません。`source .venv/bin/activate` を再度実行し、プロンプトに `(.venv)` が表示されることを確認してから、ステップ 2 のインストールコマンドを再実行してください。 `model=` を省略すると、`ChatSambaNova` は自身のデフォルトである `Llama-4-Maverick-17B-128E-Instruct` にフォールバックします。このモデルは SambaCloud では提供終了となりすでに提供されていないため、別のモデルで気付かないうちに実行されるのではなく、リクエストが失敗します。常に `model=` を明示的に指定し、[SambaCloud モデル](/docs/ja/models/sambacloud-models) に記載の ID を使用してください。 古いチュートリアルでは `ChatSambaNovaCloud` をインポートしています。`langchain-sambanova` 1.x では、この名前は実装を持たない非推奨 (deprecated) のプレースホルダです。クラスには `@deprecated(since="0.2.0", removal="1.0.0")` が付与され、本体は空になっています。`ChatSambaNova` を使用してください。SambaCloud と SambaStack の両方に対応し、`base_url` からどちらに接続するかを選択します。 グラフの結果に対して `.content` を呼び出しています。`graph.invoke` が返すのはメッセージではなく状態のディクショナリなので、まず `result["messages"][-1].content` のように状態から最後のメッセージを取り出してください。`.content` を直接読み取れる `AIMessage` を返すのは `llm.invoke` だけです。 チェックポインター付きでグラフをコンパイルしたにもかかわらず、config なしで呼び出しています。チェックポインターはどの会話を読み込むかを知る必要があるため、毎回の呼び出しで `thread_id` を渡してください: `graph.invoke(payload, {"configurable": {"thread_id": "conversation-1"}})`。会話を継続するには同じ値を再利用し、新しい会話を始めるには新しい値を使用します。 グラフが `END` に到達せずループし続けています。ツール呼び出しグラフでは通常、モデルがツールを呼び出し、結果に満足できず、再度呼び出すことが原因です。`message.pretty_print()` でメッセージを出力し、何が繰り返されているかを確認してください。例外を送出するのではなく、利用可能な回答か明確なエラー文字列を返すようにツールを修正し、完了の判断基準がモデルに伝わるように docstring を明確にしてください。上限を引き上げるのは、ループ自体が正しく動作するようになってからにします: `graph.invoke(payload, {"recursion_limit": 50})`。 `langgraph-prebuilt` 1.1 以降では、`create_react_agent` は非推奨です。`from langgraph.prebuilt import create_react_agent` を `from langchain.agents import create_agent` に置き換え、`create_agent(model, tools)` を呼び出してください。`ToolNode` と `tools_condition` は非推奨ではないため、上で示した手組みのグラフは引き続き有効です。 よくある原因は 2 つあります。1 つ目は、モデルが Function calling に対応しておらず、そもそもツール呼び出しを発行できないケースです。[Function calling と JSON モード](/docs/ja/features/function-calling) で対応状況を確認してください。2 つ目は、グラフは構築したもののツールをバインドしておらず、モデルがツールの存在を知らないケースです。`ToolNode(tools)` はツール呼び出しを実行するだけで、ツールの存在をモデルに知らせるわけではありません。グラフ内の `ToolNode(tools)` と、モデルへの `.bind_tools(tools)` の両方が必要です。 ## 参考情報 * [LangGraph の公式ドキュメント](https://docs.langchain.com/oss/python/langgraph/overview): グラフ API の全体像、永続化バックエンド、ストリーミングオプション * [PyPI の langchain-sambanova](https://pypi.org/project/langchain-sambanova/): コンストラクターオプションと `ChatSambaNova` のリファレンス * [SambaCloud モデル](/docs/ja/models/sambacloud-models): 最新のモデル ID、コンテキストウィンドウ、Function calling 対応モデル * [Function calling と JSON モード](/docs/ja/features/function-calling): ツール呼び出しを発行できるモデルの確認 * [SambaCloud API リファレンス](/docs/ja/api-reference/overview)