Share
Embed
AIエージェントとLangChain
生成AI新年会2024 LT
https://algomatic.connpass.com/event/306870/
Masahiro Nishimi
January 30, 2024
Transcript
41 slides
-
生成AIによって変化する ビジネスモデルについて レポートして ユーザー AIエージェント プログラムコードの生成/実行 インターネットや データベースからの情報収集 大規模言語モデルによる思考 ファイルの読み込み/書き出し
アウトプットとなる成 果物 生成AIによって変化する ビジネスモデルは以下の 通りです... -
11/7 OpenAI DevDayでサム・アルトマンCEOが語った言葉 Eventually, you'll just askthe computer for what
you need and it'll do all of these tasks for you. These capabilities are often talkedin the AI field about as "agents." The upsides of thisare going to be tremendous. At OpenAI, we really believethat gradual iterative deployment is the best way to address the safety issues,the safety challenges with AI. We think it's especially importantto move carefully towards this future of agents. 最終的には、コンピュータに必要なことを頼むだけで、これらのタスクをすべ てやってくれるようになるだろう。 このような能力は、AIの分野ではしばしば「エージェント」として語られる。 これによってもたらされるプラス面は、とてつもなく大きなものになる。 We introduced GPTs, custom versions of GPT that combine instructions, extended knowledge and actions. We launched the Assistants API to make it easier to build assistive experiences with your own apps. These are your first steps towards AI agents and we'll be increasing their capabilities over time. 我々が今回紹介するGPTsはGPTのカスタムバージョンであり、命令、拡張知 識、およびアクションを組み合わせたものだ。 また、独自のアプリでエージェント体験を簡単に構築するためのアシスタント APIの提供も開始した。 これらはAIエージェントへの第一歩であり、我々は時間をかけてその機能を増 やしていく予定だ。 -
2024/1/10 OpenAIがChatGPT for Teamを発表 Plusと違いチャットデータがGPTのトレーニングに使用されない、というビジネスユースには嬉しいアップデートだった が、何よりも大きい変化はチーム内のみでGPTsを共有できるようになったこと。 Output the results of
the use case analysis according to the following definition by toml: [definition] output_language = "Japanese" output_format = "markdown" [target_user] prompt = "Based on the product_description provided, provide a bulleted description of the target user's industry, job title, and tasks." [needs_and_challenges] prompt = "Based on the product_description provided, identify and describe them in bullet points the main needs and problems faced by the user." Output the results of the use case analysis according to the following definition by toml: [definition] output_language = "Japanese" output_format = "markdown" [target_user] prompt = "Based on the product_description provided, provide a bulleted description of the target user's industry, job title, and tasks." [needs_and_challenges] prompt = "Based on the product_description provided, identify and describe them in bullet points the main needs and problems faced by the user." Output the results of the use case analysis according to the following definition by toml: [definition] output_language = "Japanese" output_format = "markdown" [target_user] prompt = "Based on the product_description provided, provide a bulleted description of the target user's industry, job title, and tasks." [needs_and_challenges] prompt = "Based on the product_description provided, identify and describe them in bullet points the main needs and problems faced by the user." 社内プロンプト集の共有 個別目的のGPTsを共有 「便利プロンプト集をため込む」から「便利なエージェントをたくさん作成する」へのパラダイムシフト 業務ソフトウェアがエージェント化していく時代を示唆している -
11/16 Microsoft Ignite 2023 サティア・ナデラCEO We are Copilot Company. We
believe in the future where there will be Copilot for everyone, and everything you do. 我々はCopilotカンパニーだ。あらゆる人のあらゆる行動の側 にCopilotが存在する、という未来を信じている OSを起動し、アプリケーションを利用したりWebブラウザで 情報にアクセスするのと同じように、何か行動を起こすとき にはCopilotを呼び出して、買い物や電話や分析や制作をする ようになるだろう。我々はあなたがどこにいてもCopilotがそ こにあってほしいと考えている。 -
ポケットの中のエージェント Rabbit R1 LLM(大規模言語モデル)から LAM(大規模アクションモデル)へ 言葉を解釈して現実のアクションへ繋げる 中国のスタートアップRabbitがCESとあわせてAIガジェット「Rabbit」 を発表。約29,000円の低価格ながら、「AIエージェントを持ち歩く」と 言っても過言ではない機能を備えており、新時代の到来を感じさせる。 内蔵カメラのRabbit
Eye を用いて冷蔵庫内を撮影 し「ここにある食材でヘ ルシーな料理を考えて」 と依頼することができる アプリケーションの操作 方法をRabbitに学ばせる ことで、音声一つでアプ リケーションを操作でき るようになる -
ヒエラルキー型のチームワーク User Supervisor Document Team Research Team Searcher Web Scraper
Writer Chart Generator ユーザーから受け取ったタスク内容から、 どちらのチームに仕事を任せるかを判断する 各チームからの成果物を元に、更に仕事を チームに依頼するか判断する リサーチの プロフェッショナルとし て仕事をする ライティングのスペシャリストと して仕事をする -
フラットなチームワーク User Reearcher Chart Generator Router call_tool 最初は検索からスタート (エントリーポイントを定める) ユーザーに応答するかの
最終ジャッジはRouterが持つ Routerが必要な処理にルーティング ツール呼び出しが必要な場合 -
LangGraphとは? マルチエージェント型(マルチアクター型)のアプリケーションを構築するためのライブラリ。「LCEL」(LangChain Expression Language)を拡張して、複数チェーン(またはエージェントループ)を循環的に協調動作させることができる。 LangGraphでは「ノード」と「エッジ」を定義す ることでグラフを定義することができる。 ノードの条件は「関数」かLCELの「Runnable」で あること。関数の場合は、ステートを引数にとっ てステートの差分を返す関数であれば良い。 条件分岐を作成するこ
ともできる ノードの条件さえ満たせば、外部のラ イブラリと接続して高度な処理を行わ せることも可能。 -
シンプルなライティングチーム Supervisor Checker Researcher Writer 以下のURLに関する記事を書いてー! https://techcrunch.com/2024/01/25/kids-spent-60-mo re-time-on-tiktok-than-youtube-last-year-20-tried-op enais-chatgpt/ ①まずはResearcherに調べさせ
よう ②Webスクレイピングツールで 調べるよ ③調べた結果をまとめたよ ④リサーチャーから記事が上 がってきた。品質チェックして もらおう。 -
シンプルなライティングチーム Supervisor Checker Researcher Writer 以下のURLに関する記事を書いてー! https://techcrunch.com/2024/01/25/kids-spent-60-mo re-time-on-tiktok-than-youtube-last-year-20-tried-op enais-chatgpt/ ①まずはResearcherに調べさせ
よう ②Webスクレイピングツールで 調べるよ ③調べた結果をまとめたよ ④リサーチャーから記事が上 がってきた。品質チェックして もらおう。 ⑤記事が英語だからNGね。文章 もAIっぽいから、人間っぽい文 章にしてね。 -
シンプルなライティングチーム Supervisor Checker Researcher Writer 以下のURLに関する記事を書いてー! https://techcrunch.com/2024/01/25/kids-spent-60-mo re-time-on-tiktok-than-youtube-last-year-20-tried-op enais-chatgpt/ ①まずはResearcherに調べさせ
よう ②Webスクレイピングツールで 調べるよ ③調べた結果をまとめたよ ④リサーチャーから記事が上 がってきた。品質チェックして もらおう。 ⑤記事が英語だからNGね。文章 もAIっぽいから、人間っぽい文 章にしてね。 ⑥品質チェックのフィードバッ クを元にライターに書き直して もらおう。 -
シンプルなライティングチーム Supervisor Checker Researcher Writer 以下のURLに関する記事を書いてー! https://techcrunch.com/2024/01/25/kids-spent-60-mo re-time-on-tiktok-than-youtube-last-year-20-tried-op enais-chatgpt/ ①まずはResearcherに調べさせ
よう ②Webスクレイピングツールで 調べるよ ③調べた結果をまとめたよ ④リサーチャーから記事が上 がってきた。品質チェックして もらおう。 ⑤記事が英語だからNGね。文章 もAIっぽいから、人間っぽい文 章にしてね。 ⑥品質チェックのフィードバッ クを元にライターに書き直して もらおう。 ⑦フィードバックを元に書き直 したよ。 -
シンプルなライティングチーム Supervisor Checker Researcher Writer 以下のURLに関する記事を書いてー! https://techcrunch.com/2024/01/25/kids-spent-60-mo re-time-on-tiktok-than-youtube-last-year-20-tried-op enais-chatgpt/ ①まずはResearcherに調べさせ
よう ②Webスクレイピングツールで 調べるよ ③調べた結果をまとめたよ ④リサーチャーから記事が上 がってきた。品質チェックして もらおう。 ⑤記事が英語だからNGね。文章 もAIっぽいから、人間っぽい文 章にしてね。 ⑥品質チェックのフィードバッ クを元にライターに書き直して もらおう。 ⑦フィードバックを元に書き直 したよ。 ⑧良さそうだからユーザーに返 却しよう。 -
実際に作ってみると結構むずい • ステートグラフのデータ構造はどうすると良いのか正解が分からない • LangGraphのマルチエージェントサンプルを実際に実行してみると、全然協調 動作しない、全然参考にならない • 応答履歴をバケツリレーすると雪だるま式にトークンが膨れ上がるので、小 規模のグラフでも注意が必要(処理も重くなる) •
どんなノード(チェイン、エージェント)をどんな風に繋げれば良い成果が 得られるかは未知数 • いろいろ実験するしかない -
ソフトウェア開発のパラダイムが変わる感 • データモデリングやオブジェクト指向といったソフトウェア開発の脳みそを 使いながら、エージェント同士が上手く協調して働くためのチームマネジメ ント的な脳みそを使う • 更にはLLM(function calling)から呼び出しやすい形でツールを整備している と、ユーザーの主体が人間(開発者)からAIに変わっていることを感じる •
協調動作(チームマネジメント)によってLLMないしエージェントの成果を レバレッジできるとすれば、ソフトウェア開発のパラダイムが大きく変わる -
そんなわけで、コミュニティでも研究しています 👉AI活用コミュニティ「AIAD」にて定期的な勉強会を開催中! https://note.com/23letter/n/n09529f16bf02 https://discord.gg/qbbXysHm57 Let's Join! LangChainもくもく会 LLMアプリケーション開発のためのライブラリ LangChainをもっとみんな使えるようになるため の勉強会を毎月1〜2回ほど定例で行っています。
AIエージェント分科会(New!) 特にAIエージェントの活用/実装に向けた分科会 を立ち上げます。こちらは2月以降にイベントを 開催予定です。 https://langchain-jp.connpass.com/