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
68
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
FastMCPでMCPサーバー/クライアントを構築してみる
ttnyt8701
2
98
Vertex AI Agent Builderとは?
ttnyt8701
3
100
A2A(Agent2Agent )とは?
ttnyt8701
1
210
Amazon Bedrock LLM as a Judgeを試す
ttnyt8701
1
23
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
30
Langsmith入門 トレーシングとプロンプト管理を試す
ttnyt8701
1
84
Amazon Bedrock Custom model importを試してみる
ttnyt8701
2
84
Prompt Cachingは本当に効果的なのか検証してみた.pdf
ttnyt8701
1
660
Other Decks in Programming
See All in Programming
PT AI без купюр
v0lka
0
190
AIエージェントによるテストフレームワーク Arbigent
takahirom
0
270
DevTalks 25 - Create your own AI-infused Java apps with ease
kdubois
2
120
型付け力を強化するための Hoogle のすゝめ / Boosting Your Type Mastery with Hoogle
guvalif
1
230
JVM の仕組みを理解して PHP で実装してみよう
m3m0r7
PRO
1
250
Practical Domain-Driven Design - Workshop at NDC 2025
mufrid
0
130
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
750
「兵法」から見る質とスピード
ickx
0
190
テスト分析入門/Test Analysis Tutorial
goyoki
11
2.7k
生成AI時代のフルスタック開発
kenn
10
2.7k
「MCPを使ってる人」が より詳しくなるための解説
yamaguchidesu
0
590
技術的負債と戦略的に戦わざるを得ない場合のオブザーバビリティ活用術 / Leveraging Observability When Strategically Dealing with Technical Debt
yoshiyoshifujii
0
160
Featured
See All Featured
Writing Fast Ruby
sferik
628
61k
Balancing Empowerment & Direction
lara
1
84
Building Applications with DynamoDB
mza
95
6.4k
ReactJS: Keep Simple. Everything can be a component!
pedronauck
667
120k
Automating Front-end Workflow
addyosmani
1370
200k
Measuring & Analyzing Core Web Vitals
bluesmoon
7
460
The Cost Of JavaScript in 2023
addyosmani
49
8.1k
Intergalactic Javascript Robots from Outer Space
tanoku
271
27k
How to Think Like a Performance Engineer
csswizardry
23
1.6k
Facilitating Awesome Meetings
lara
54
6.4k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
248
1.3M
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
mongodb
45
9.6k
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