Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
LangChain Open Deep Researchとは?
Search
ttnyt8701
May 15, 2025
Programming
2
81
LangChain Open Deep Researchとは?
https://blueish.connpass.com/event/354793/
ttnyt8701
May 15, 2025
Tweet
Share
More Decks by ttnyt8701
See All by ttnyt8701
ObsidianをMCP連携させてみる
ttnyt8701
2
140
Claude Codeの使い方
ttnyt8701
1
130
FastMCPでMCPサーバー/クライアントを構築してみる
ttnyt8701
2
130
Vertex AI Agent Builderとは?
ttnyt8701
3
110
A2A(Agent2Agent )とは?
ttnyt8701
1
290
Amazon Bedrock LLM as a Judgeを試す
ttnyt8701
1
27
Amazon Sagemaker Jump Startを用いて爆速でモデルを作成してみる
ttnyt8701
2
60
Amazon SageMaker Lakehouseでデータのサイロ化による課題を解決する
ttnyt8701
1
33
Langsmith入門 トレーシングとプロンプト管理を試す
ttnyt8701
1
110
Other Decks in Programming
See All in Programming
Rails産でないDBを Railsに引っ越すHACK - Omotesando.rb #110
lnit
1
170
FormFlow - Build Stunning Multistep Forms
yceruto
1
190
Passkeys for Java Developers
ynojima
3
870
Cline指示通りに動かない? AI小説エージェントで学ぶ指示書の書き方と自動アップデートの仕組み
kamomeashizawa
1
540
機械学習って何? 5分で解説頑張ってみる
kuroneko2828
0
220
技術懸念に立ち向かい 法改正を穏便に乗り切った話
pop_cashew
0
1.5k
Gleamという選択肢
comamoca
6
740
AWS CDKの推しポイント 〜CloudFormationと比較してみた〜
akihisaikeda
3
280
無関心の谷
kanayannet
0
180
エラーって何種類あるの?
kajitack
5
260
iOSアプリ開発で 関数型プログラミングを実現する The Composable Architectureの紹介
yimajo
2
210
Java on Azure で LangGraph!
kohei3110
0
160
Featured
See All Featured
Raft: Consensus for Rubyists
vanstee
140
7k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
35
2.3k
Product Roadmaps are Hard
iamctodd
PRO
53
11k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
53
2.8k
Design and Strategy: How to Deal with People Who Don’t "Get" Design
morganepeng
130
19k
What’s in a name? Adding method to the madness
productmarketing
PRO
22
3.5k
Rails Girls Zürich Keynote
gr2m
94
14k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
357
30k
RailsConf 2023
tenderlove
30
1.1k
Principles of Awesome APIs and How to Build Them.
keavy
126
17k
Building Better People: How to give real-time feedback that sticks.
wjessup
367
19k
Become a Pro
speakerdeck
PRO
28
5.4k
Transcript
LangChain Open Deep Researchとは? 2025.05.15 ©BLUEISH 2025. All rights reserved.
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.
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
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
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
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
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
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
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
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
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)
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
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
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
⚠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
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
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
ハンズオン(セットアップ) 5) Studio UIにアクセス
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
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
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
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
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
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
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
参考文献・引用 https://github.com/langchain-ai/open_deep_research?tab=readme-ov-file