langchainテックブログの品質と頻度は本当にすごい。 ライブラリへの批判は多々あれども、テックで自社プロダクトを広めるだけでなく、知見を共有するこの行動力は尊敬しかない。

TL;DR LangChainが自社の有料広告運用を任せるエージェントを構築した実践記録です。「エージェントを知識労働者として扱う」設計で、6ヶ月でパイプライン寄与度を0%から20%まで伸ばしました。 タイトル: How We Built LangChain's Paid Media Agent URL: ポイント 🖥️ Deep Agents＋隔離マイクロVM上のサンドボックスで、人間のアナリストと同じ装備をエージェントに与えています 📚 システムプロンプト・スキル・社内ウィキ・218個のライブツール・決定論的コードの5層でコンテキストを構成しています 🧮 「判断はモデル、計算はコード」の原則に切り替え、レポート生成のトークンコストを40分の1に削減しました 🔍 218個あるツール定義を全部読み込ませず、必要なものだけ動的に検索・読込する方式でトークンを4分の1に抑えています 🧩 親エージェント＋プラットフォームごとのサブエージェントに分離し、失敗の影響範囲を明確に隔離しています ✅ Slack上のBlock Kit承認カードで、提案内容を確認・編集・承認してから実行する経路を作っています 📈 CPL（獲得単価）は3ヶ月で30%低下、広告支出は約60%増加という成果を出しています 社内業務エージェントの設計原則として、他のドメインにもそのまま転用できそうな内容だと感じました。 #AIエージェント# #マーケティング#

マルチエージェントで、サブエージェントに毎回ファイル読み込みをやり直させていませんか？その無駄を解消する新機能がLangChainから登場しました。 タイトル: Organizing Context in a Multi-Agent Harness URL: 📝 概要 deepagentsフレームワークに「フォークサブエージェント」という機能が追加されました。サブエージェント起動時に、スーパーバイザーの会話履歴を引き継ぐか、まっさらな文脈から始めるかを選べます。 ❗ 解決する課題 サブエージェントを完全に独立させると、スーパーバイザーが既に済ませた調査や文脈収集をもう一度やり直す必要があり、トークンとレイテンシの無駄が発生していました。 ⚙️ 方法論 「Isolated Mode（隔離）」と「Fork Mode（継承）」の2種類を用意。フォークモードではスーパーバイザーの状態全体を引き継ぎつつ、プロンプトキャッシュでコスト効率を保ちます。 🔧 ユースケース ・ワーカーエージェント：修正作業の続きを任せる時はfork ・レビュアーエージェント：客観的な評価をさせたい時はisolated ・リサーチャーエージェントやメモリエージェントでも役割に応じて使い分け可能 📊 実験結果 具体的な数値ベンチマークはありませんが、重複した文脈収集やツール呼び出しを削減できると述べられています。 サブエージェントの役割設計における新しい重要な選択肢だと感じました。 #マルチエージェント# #LangChain#

📌 TL;DR: MCPが「ステートレス」になったことで、LangChainのMCP統合が大幅刷新。セッション管理の呪縛から解放され、人間参加型の確認フローやキャッシングまで一気に実現しました。 タイトル: MCP in LangChain: Stateless Protocol, Elicitation, and More! URL: ポイント 🔌 セッションID保持が不要になり、サーバー再デプロイで接続が切れる問題を解消 📦 別パッケージだったMCP統合が本体`langchain.mcp`に統合（`pip install "langchain[mcp]"`） 🧩 複数クライアントが単一の`MCPAdapter`クラスに統一され利用がシンプルに 🙋 「エリシテーション」機能で、実行中にユーザーへ確認を求めて再開できる 🗂 `ClientGroup`で認証方式の異なる複数MCPサーバーをまとめて管理可能 ⚡ サーバー指定TTLに基づくクライアント側キャッシングでツール検出を高速化 セッション管理という地味だけど厄介な制約が外れたことで、実運用に効く機能がまとめて入ってきた印象です。 #MCP# #LangChain#

エージェントのベンチマーク、どうやって作ればいいのか？LangChainが実践ノウハウを公開しました。 タイトル: How We Build Agent Environments & Tasks URL: ❓ エージェントの「タスク」って何で構成されているの？ 💡 タスクは「インプット・環境・テストスクリプト」の3要素で成り立ちます。環境はエージェントの実行場所を提供し、ルーブリックが採点基準を定義します。複数の関連タスクにまたがる共有知識は「ワールドスペック」としてまとめ、APIスキーマ・データ生成方法・トレース解析スクリプトなどを一元管理します。 ❓ 大量のタスクを効率よく作るにはどうすればいい？ 💡 LangChainは2段階パイプラインを採用しています。最初に「スペック生成」フェーズでコーディングエージェントがリポジトリをスキャン・トレースを分析しワールドスペックを自動生成します。次に「Spec2Task」フェーズでそのスペックから実行可能なタスクに変換します。最初のタスク作成時のスペックをベースに、後続のサイクルで反復的に品質を高めていく設計です。 ❓ タスク作成で特に注意すべき落とし穴は？ 💡 3点が重要です。 ・実際のエージェントを動かさないと環境の欠陥が見えない（ペーパーテストでは不十分） ・モデルティア間（例: gpt-5.6-Luna vs Sol）で難易度を均等に校正する必要がある ・自由記述にはLLMベースの生成、表形式データにはSQLスクリプトという使い分けを徹底する ❓ ベンチマークは作ったら完成ですか？ 💡 いいえ。本番データを使った継続的改善が核心です。コスト分析・プロンプト簡略化の検証・ツール設定テストに本番トレースを活用し、ベンチマーク自体の品質を運用しながら高め続けます。 評価環境の構築を「一度やれば終わり」でなく継続的なエンジニアリングとして捉える姿勢が実践的です。 #AIエージェント# #LLM評価#

3名のデータチームに毎週積み上がるリクエスト、事前定義されたダッシュボード以外の分析は全員がデータチームを経由する——それがLangChainのBI時代の日常でした。 🔍 チームは変化を決意しました。求めたのは「ダッシュボード・ノートブック・会話型インターフェースを統合し、ネイティブにAIエージェントを扱える」プラットフォームです。Hexを選び、dbtデータモデル・セマンティックレイヤー・ワークスペースガイド・エンドースメント（信頼シグナル）・GitHub連携という5層のコンテキスト構造を設計しました。移行は6週間で完了し、社員全員が採用するという結果になりました。 変化の核心は技術ではなく「明示性」でした。「account_statusはアカウントのステータスです」という曖昧な定義を、ライフサイクル状態・デフォルトフィルタ・レポート規約を含む詳細な記述に書き換えるだけで、エージェントの回答精度が劇的に変わります。ARR・パイプライン・カスタマーヘルスなど主要指標はセマンティックレイヤーで一元定義し、複数のアセットが同一概念を扱う際にエージェントが混乱しないよう信頼シグナル（エンドースメント）で正規ソースを明示しました。 今、マーケティング・プロダクト・営業・カスタマーエンジニアリングの全部門が、データチームを介さずに自分で分析を進められるようになっています。月間約2,200件のエージェント会話が生まれ、3名のチームが手動で対応できる量の40倍のリクエストをエージェントが処理しています。データチームの仕事は「質問に答える」から「他者が質問に答えられるシステムを設計する」へと変わりました。LangChainの実践記録「How LangChain Built an Agent-First Data Stack」は、エージェント時代のデータチームのあり方を具体的な数字と設計思想で語っています。 #DataStack# #AIエージェント#

コーディングエージェントは1タスクで数十回もAPIを叩くので、誰にも気づかれず週に数千ドル溶かしてしまう——LangChainがこの「支出の予測不能性」を社内でどう潰したかの話です💸 鍵は予算管理をオブザーバビリティと同じ場所に統合することでした。 タイトル: How LangChain Made Coding Agent Spend Predictable URL: 💸 概要 LangSmithに統合した「LLM Gateway」で、全社のモデル支出を分単位で俯瞰し、予算を中央集権的に管理する仕組みです。外付けプロキシではなく、既存のトレース・評価・ユーザー管理と同じ基盤の上に乗せた点が特徴です。 ❓ 解決する課題 モデル利用が一部チームから全社に拡大し、プレミアムモデルの値上げも重なってコストが急増。 ・コーディングエージェントは1タスクで数十回のAPI呼び出しを発生させます ・個々の開発者が気づかぬうちに週数千ドルを使い、月末まで誰も気づけませんでした 💡 方法論と提案手法 予算を多階層で設定できます。 ・組織／ワークスペース／ユーザー／APIキーの単位で上限を設定 ・月次・週次・日次・時間単位の既定ウィンドウを全従業員に適用し、高負荷プロジェクトには例外を許可 ・Claude Code・Codex・LangChain Deep Agents経由のエージェントをカバー ・MDMで配布し各自のセットアップを不要に ・実行はトレースされユーザーとAPIキーに紐づき、超過時は該当トレースを評価データで診断できます 🌍 ユースケース チーム単位で上限を設定しつつ、サプライズ請求の不安なくエージェント利用を許可できます。月末の請求ショックを、リアルタイム監視に置き換えるのが実用的な価値です。 📊 教訓と成果 ・モデル価格は静的な表ではすぐ陳腐化するため、キャッシュやティア差を含め動的に扱う必要がありました ・CursorやClaude DesktopはきれいにルーティングできずGateway捕捉分と提供側設定の差分を計測して補正 ・ハードリミットだけでは業務が止まるため、早期警告アラートと監査可能な増額申請に進化 ・社内展開以降、LLMコストは予算内に収まっています #コーディングエージェント# #LLMOps#

【朗報】CopilotKit創業者が、Meta「Muse」への対抗OSS版「OpenMuse」を公開 Meta公式のMuse発表からわずか2週間で、中身を自分のインフラで動かせるセルフホスト版が出てきた。 ・PC操作：ブラウザ・ターミナル・ファイル ・個人アプリの連携コネクタ搭載 ・アイデア/目標/進捗を一元管理 ・AG-UI経由でLangChain等に接続可能 個人でセルフホストして試せるのが強い。 ↓詳細

🏥 医療・ライフサイエンス領域でのエージェント導入は、製品の質だけでなく監査証跡や患者安全まで問われる特殊な世界です。3社の実例から見えてきた共通点を紹介します。 タイトル: Scaling Agents in Healthcare & Life Sciences: Lessons from Madrigal Pharmaceuticals, Abridge, and Vizient URL: LangChainが医療・ライフサイエンス業界を分析し、可観測性と評価をエージェント本体と同時に作り込む企業が先を行くと報告しています。3つの事例が象徴的です。 注目ポイント①💊 Madrigal Pharmaceuticals バラバラな形式のデータをウェアハウスに正規化し、Deep Agentsでオーケストレーター＋モジュール型スキルの構成に再構築。新ユースケースの開発が数週間から数時間に短縮し、デプロイも数ヶ月から数週間へ短縮しました。 注目ポイント②🩺 Abridge 臨床記録エージェントが250以上の医療機関へ拡大する中、品質の柱ごとにLLM判定器を整備し段階的リリースを構築。判定器作成が数日から数時間に、リリースサイクルが1〜2ヶ月から数日に短縮し、精度17%・完全性19%改善を達成しました。 注目ポイント③🏢 Vizient サイロ化したマルチエージェントを、スーパーバイザーが束ねる階層構造に再編。プロンプトをコードから分離したことで、エラーのリアルタイム診断や新データソースの高速オンボーディングが可能になりました。 信頼を後付けせず最初から組み込む姿勢が、結局は自律性拡大の近道になっているという学びだと思います。 #AIエージェント# #ヘルスケアDX#

🔑 `.env`に埋め込んだAPIキーは、エージェントが「何をできるか」は教えてくれても、「誰が頼んだのか」は決して教えてくれません。全ユーザーが同じボットアカウントを共有していれば、GitHubのIssueも社内チケットも、誰が実際に作業したのか記録に残らないのです。 キーのローテーションのたびにコードを直して再デプロイし、OAuthを使いたければ認可URL・トークン保存・リフレッシュ処理・同意画面まで自前で組む必要がありました。そんな地味だけれど重くのしかかる「配管作業」を、LangChainのManaged Deep Agentsが新機能Connectionsで肩代わりしてくれます。 認証情報を「エージェント所有（全員共有）」か「ユーザー所有（呼び出し元ごとに解決）」かで分け、静的なAPIキーとOAuthグラントの両方に対応。Web検索のような共通機能は共有キーで済ませつつ、GitHub連携ではユーザーごとに実際の権限とアカウント名でアクセスさせ、Issue作成者にも本人の名前が記録されるようになります。 Connections: Managed credentials and per-caller identity for Managed Deep Agents 認証情報の管理と「誰が呼んだか」を切り分けるこの発想が、エージェント開発の面倒なOAuth配管をなくしてくれそうです。 #AIエージェント# #LangChain#