✍️ LangChain公式解説：LangGraphマルチエージェントワークフローの3パターン

ブログ概要（Summary）

LangChain公式ブログによる2024年1月（2025年2月更新）のマルチエージェントワークフロー決定版ガイド。Collaboration、Supervisor、Hierarchical Teamsの3つの設計パターンを、グラフ理論（状態機械）の観点から解説します。各パターンの適用場面、トレードオフ、実装方法を、PythonおよびJavaScriptのコード例とともに提供。Autogen、CrewAIとの設計思想の違いも明確化し、LangGraphの「低レベルで制御可能」なアプローチの利点を示します。

この記事は Zenn記事: LangGraphで作るマルチエージェント：30分で構築する実践ガイド の深掘りです。

情報源

• 種別: 企業テックブログ（LangChain公式）
• URL: https://blog.langchain.com/langgraph-multi-agent-workflows/
• 組織: LangChain, Inc.
• 著者: LangChainチーム
• 発表日: 2024年1月23日（最終更新: 2025年2月26日）

技術的背景（Technical Background）

マルチエージェントの定義

LangChainは、マルチエージェントを以下のように定義します。

Multiple independent actors powered by language models connected in a specific way

重要なのは、「独立した」アクターであり、単に複数のツールを持つ単一エージェントとは異なる点です。

なぜグラフ表現か

状態機械（State Machine）は、「ラベル付き有向グラフ」として表現できます。

• ノード（Node）: 状態（各エージェントの実行ステップ）
• エッジ（Edge）: 状態遷移（エージェント間の接続）
• ラベル: 遷移条件（例: “品質スコア >= 0.8”）

LangGraphは、この状態機械を StateGraph クラスで実装します。

from langgraph.graph import StateGraph

workflow = StateGraph(AgentState)
workflow.add_node("agent_a", agent_a_function)
workflow.add_node("agent_b", agent_b_function)
workflow.add_edge("agent_a", "agent_b")  # agent_a → agent_b

タスク分割のメリット

単一の汎用エージェントではなく、専門エージェントに分割する理由：

1. プロンプトの最適化: 各エージェントが特化したプロンプトを持つ
2. モデルの選択: 高コストなタスクのみGPT-4、それ以外はGPT-3.5
3. ツールのスコープ制限: エージェントAはDB読み取り専用、エージェントBはDB書き込み可能
4. デバッグ容易性: どのエージェントで失敗したか特定しやすい

実装アーキテクチャ（Architecture）

パターン1: Multi-Agent Collaboration

特徴:

• 全エージェントが単一の共有スクラッチパッド（メッセージリスト） を参照
• ルールベースのルーターが次のエージェントを決定
• シンプルだが、エージェント数が増えるとメッセージが複雑化

graph LR
    A[User Input] --> B[Router]
    B --> C[Agent 1]
    B --> D[Agent 2]
    B --> E[Agent 3]
    C --> F[Shared Scratchpad]
    D --> F
    E --> F
    F --> B
    B --> G[END]

実装例:

from typing import TypedDict, Literal
from langgraph.graph import StateGraph, END

class AgentState(TypedDict):
    messages: list[dict]  # 全エージェントが共有
    next_agent: str

def router(state: AgentState) -> Literal["agent_1", "agent_2", "end"]:
    """単純なルールベースルーター"""
    last_message = state["messages"][-1]["content"]

    if "search" in last_message.lower():
        return "agent_1"  # 検索エージェント
    elif "analyze" in last_message.lower():
        return "agent_2"  # 分析エージェント
    else:
        return "end"

def agent_1(state: AgentState) -> AgentState:
    """検索エージェント"""
    # 検索実行
    result = perform_search(state["messages"][-1]["content"])
    state["messages"].append({"role": "assistant", "content": result})
    return state

def agent_2(state: AgentState) -> AgentState:
    """分析エージェント"""
    # 分析実行
    analysis = perform_analysis(state["messages"][-1]["content"])
    state["messages"].append({"role": "assistant", "content": analysis})
    return state

# グラフ構築
workflow = StateGraph(AgentState)
workflow.add_node("router", router)
workflow.add_node("agent_1", agent_1)
workflow.add_node("agent_2", agent_2)

workflow.set_entry_point("router")
workflow.add_conditional_edges("router", router, {
    "agent_1": "agent_1",
    "agent_2": "agent_2",
    "end": END
})
workflow.add_edge("agent_1", "router")
workflow.add_edge("agent_2", "router")

app = workflow.compile()

適用場面: エージェント数が3個以下、シンプルなタスク分割。

パターン2: Agent Supervisor

特徴:

• 各エージェントが独立したスクラッチパッドを持つ
• Supervisorエージェントが次のエージェントを選択
• 最終応答のみが全体のスクラッチパッドに追記

graph TD
    A[User Input] --> B[Supervisor Agent]
    B --> C[Agent 1]
    B --> D[Agent 2]
    B --> E[Agent 3]
    C --> B
    D --> B
    E --> B
    B --> F[END]

実装例（Zenn記事のコード拡張）:

from langgraph_supervisor import create_supervisor
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o", temperature=0)

# 専門エージェント定義
search_agent = create_react_agent(
    model=llm,
    tools=[wikipedia_search],
    name="search_specialist",
    prompt="あなたはWeb検索の専門家です。"
)

analyst_agent = create_react_agent(
    model=llm,
    tools=[analyze_data],
    name="analyst_specialist",
    prompt="あなたはデータ分析の専門家です。"
)

# Supervisor作成
supervisor = create_supervisor(
    agents=[search_agent, analyst_agent],
    system_prompt="""
あなたはタスクを適切なエージェントに割り当てるスーパーバイザーです。

ルール:
- 情報検索が必要な場合 → search_specialist
- データ分析が必要な場合 → analyst_specialist
- すべて完了した場合 → FINISH
""",
    llm=llm
)

app = supervisor.compile()
result = app.invoke({"messages": [{"role": "user", "content": "東京の人口を調べて分析して"}]})

Supervisorの内部処理:

1. LLMにタスクを提示し、次のエージェントを選択させる
2. 選択されたエージェントを実行
3. エージェントの出力をSupervisorに返す
4. Supervisorが「FINISH」を選択するまで繰り返す

適用場面: エージェント数が3〜10個、動的なタスク割り当てが必要。

パターン3: Hierarchical Agent Teams

特徴:

• ネストされたLangGraphオブジェクトをサブエージェントとして使用
• 各チームが独立したSupervisorを持つ
• スケーラブルで、大規模組織のような階層構造を実現

graph TD
    A[Top Supervisor] --> B[Research Team]
    A --> C[Engineering Team]
    B --> D[Search Agent]
    B --> E[Summarize Agent]
    C --> F[Code Agent]
    C --> G[Test Agent]

実装例:

from langgraph.graph import StateGraph

# Research Team（ネストされたグラフ）
research_team = StateGraph(AgentState)
research_team.add_node("search", search_agent)
research_team.add_node("summarize", summarize_agent)
research_team.set_entry_point("search")
research_team.add_edge("search", "summarize")
research_team_app = research_team.compile()

# Engineering Team（ネストされたグラフ）
eng_team = StateGraph(AgentState)
eng_team.add_node("code", code_agent)
eng_team.add_node("test", test_agent)
eng_team.set_entry_point("code")
eng_team.add_edge("code", "test")
eng_team_app = eng_team.compile()

# Top Supervisor
top_supervisor = StateGraph(AgentState)
top_supervisor.add_node("research", research_team_app)  # サブグラフとして追加
top_supervisor.add_node("engineering", eng_team_app)
top_supervisor.set_entry_point("research")
top_supervisor.add_edge("research", "engineering")

app = top_supervisor.compile()

適用場面: 10個以上のエージェント、複雑な階層構造が必要。

パフォーマンス最適化（Performance）

パターン別のトレードオフ

パターン	レイテンシ	コスト	スケーラビリティ	デバッグ容易性
Collaboration	低（並列実行不可）	低	低（3個まで）	中
Supervisor	中（逐次実行）	中	高（10個まで）	高
Hierarchical	高（深いネスト）	高	非常に高	中

最適化手法

1. 並列実行（Parallel Execution）

Supervisorパターンで、独立したエージェントを並列実行：

from langgraph.graph import StateGraph

def parallel_agents(state: AgentState) -> AgentState:
    """複数エージェントを並列実行"""
    import asyncio

    async def run_all():
        results = await asyncio.gather(
            search_agent.ainvoke(state),
            analyst_agent.ainvoke(state)
        )
        return results

    results = asyncio.run(run_all())
    # 結果を統合
    state["messages"].extend([r["messages"][-1] for r in results])
    return state

効果: 処理時間が50%削減（2エージェントの場合）。

2. ストリーミング応答

for chunk in app.stream({"messages": [{"role": "user", "content": "質問"}]}):
    print(chunk)  # 中間結果を逐次表示

ユーザー体感レイテンシが改善。

運用での学び（Production Lessons）

GPT-Newspaperの事例

LangGraphを使った実プロジェクト「GPT-Newspaper」（自動ニュース記事生成）の構成：

• 6つの専門エージェント: Editor, Writer, Researcher, Critic, Designer, Publisher
• Writer-Critiqueフィードバックループ: 記事品質が0.8以上になるまで反復
• 階層構造: Top Supervisor → Content Team / Design Team

教訓:

• エージェント数が6個を超えると、Supervisorパターンで管理が複雑化
• Hierarchical Teamsに移行することで、各チームの責任が明確化

デバッグのベストプラクティス

LangSmithでのトレース:

import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your-api-key"

app.invoke({"messages": [...]})

LangSmithのUIで、各エージェントの実行時間、入出力、エラーを可視化。

学術研究との関連（Academic Connection）

フレームワーク比較

フレームワーク	設計思想	制御レベル	LangChain統合
LangGraph	明示的なグラフベースフロー	低レベル	ネイティブ
Autogen	会話ベースのワークフロー	高レベル	サードパーティ
CrewAI	高レベルな抽象化	高レベル	サードパーティ

LangGraphの利点:

• 条件分岐・ループなど、複雑な制御フローを明示的に記述
• LangChainエコシステム（LangSmith、LangServe）とシームレスに統合

関連研究

• Multi-Agent RL (Lowe et al., 2017): 強化学習ベースのマルチエージェント。LangGraphはLLMベース。
• CAMEL (Li et al., 2023): 会話型エージェント。LangGraphはタスク指向。
• AgentVerse (Chen et al., 2023): 大規模エージェントシミュレーション。LangGraphは実用システム。

まとめと実践への示唆

主要な成果

1. 3つの設計パターン: Collaboration、Supervisor、Hierarchical Teamsの使い分けを明確化
2. グラフ理論ベース: 状態機械としてのマルチエージェントシステム設計
3. 実装コード公開: Python/JavaScriptのサンプルコードをGitHubで提供
4. プロダクション実績: GPT-Newspaperなどの実プロジェクトで検証

Zenn記事との連携

Zenn記事で紹介したSupervisorパターンは、このブログ記事の「パターン2」に対応します。

• Zenn記事: 実装手順とハマりポイント
• 本記事: 設計パターンの理論的背景と比較

次のステップ

1. LangGraph Studio: GUIデバッガで実行フローを可視化
2. プロンプトチューニング: 各エージェントのプロンプトをA/Bテスト
3. Human-in-the-loop: 重要な決定にユーザー承認を挟む

参考文献

• Blog URL: https://blog.langchain.com/langgraph-multi-agent-workflows/
• Code Repository: https://github.com/langchain-ai/langgraph/tree/main/examples/multi_agent
• Video Tutorial: https://www.youtube.com/watch?v=hvAPnpSfSGo
• Related Zenn article: https://zenn.dev/0h_n0/articles/8487a08b378cf1