DeepSeek + LangChain 開発チュートリアル

from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langgraph.prebuilt import create_react_agent # モデルの初期化 llm = ChatOpenAI( model="deepseek-chat", api_key="sk-your-api-key-here", base_url="https://api.deepseek.com/v1", temperature=0.0, # Agent シナリオでは低い温度を推奨 ) # カスタムツールの定義 @tool def calculator(expression: str) -> str: """数学式を計算します。入力は有効な Python の数学式、例: '2 + 3 * 4' である必要があります。""" try: result = eval(expression, {"__builtins__": {}}, {}) return f"計算結果: {expression} = {result}" except Exception as e: return f"計算エラー: {str(e)}" @tool def get_word_count(text: str) -> str: """テキストの文字数を数えます。入力はカウントするテキスト文字列です。""" # 中国語の文字数カウント chinese_chars = sum(1 for c in text if '\u4e00' <= c <= '\u9fff') return f"文字数: 合計 {chinese_chars} 文字の中国語文字" # Agent の作成 tools = [calculator, get_word_count] agent = create_react_agent(llm, tools) # Agent のテスト response = agent.invoke({ "messages": [ ("user", "(15 + 27) * 3 - 8 の結果を計算し、その後「人工智能改变世界」というフレーズの文字数を教えてください。") ] }) for msg in response["messages"]: if msg.type == "ai": print(msg.content)

# 依存関係のインストール # pip install langchain-community tavily-python from langchain_openai import ChatOpenAI from langchain_community.tools.tavily_search import TavilySearchResults from langgraph.prebuilt import create_react_agent llm = ChatOpenAI( model="deepseek-chat", api_key="sk-your-api-key-here", base_url="https://api.deepseek.com/v1", temperature=0.0, ) # 検索ツールの作成（Tavily API Key が必要） search = TavilySearchResults( max_results=3, tavily_api_key="tvly-your-tavily-key", # https://tavily.com で登録して取得 ) tools = [search] agent = create_react_agent(llm, tools) response = agent.invoke({ "messages": [ ("user", "2026年のDeepSeekモデルに関する最新情報を検索し、中国語で要約してください。") ] }) for msg in response["messages"]: if msg.type == "ai": print(msg.content)

エージェント開発の注意点

• temperature を 0 に設定：エージェントは決定論的な出力を必要とし、ランダム性によるツール呼び出しの失敗を避けます。
• ツールの説明を明確に：docstring 内の説明は、エージェントがツールを正しく呼び出すかに直接影響します。
• 安全第一：eval() はデモ専用です。本番環境では安全な式パーサーを使用してください。
• langgraph を使用：LangGraph は LangChain 推奨のエージェントフレームワークで、旧来の AgentExecutor よりも安定しています。

# 依存関係のインストール # pip install langchain-community faiss-cpu pypdf from langchain_openai import ChatOpenAI, OpenAIEmbeddings from langchain_community.document_loaders import TextLoader, PyPDFLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_community.vectorstores import FAISS from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough # 1. モデルの初期化 llm = ChatOpenAI( model="deepseek-chat", api_key="sk-your-api-key-here", base_url="https://api.deepseek.com/v1", temperature=0.3, # RAG シナリオでは低い温度を推奨 ) # 2. ドキュメントのロード # テキストファイルのロード loader = TextLoader("data/knowledge.txt", encoding="utf-8") documents = loader.load() # PDF をロードする場合 # loader = PyPDFLoader("data/report.pdf") # documents = loader.load() # 3. テキスト分割 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, # 各チャンク500文字 chunk_overlap=50, # 50文字のオーバーラップで文脈を維持 separators=["\n\n", "\n", "。", "！", "？", " "], ) chunks = text_splitter.split_documents(documents) print(f"ドキュメントは {len(chunks)} 個のチャンクに分割されました") # 4. ベクトルストアの作成 # 注意: DeepSeek は公式の Embedding API をまだ提供していないため、 # ここでは OpenAI の Embedding またはローカルモデルを使用します。 embeddings = OpenAIEmbeddings( model="text-embedding-3-small", # ローカルモデルを使用する場合は、HuggingFace などのソリューションを選択できます。 ) vectorstore = FAISS.from_documents(chunks, embeddings) # 5. リトリーバーの作成 retriever = vectorstore.as_retriever( search_type="similarity", # 類似度検索 search_kwargs={"k": 4}, # 最も関連性の高い4つのドキュメントチャンクを返す ) # 6. RAGプロンプトの構築 rag_prompt = ChatPromptTemplate.from_messages([ ("system", """あなたはドキュメントベースのQ&Aアシスタントです。 以下のコンテキスト情報に基づいてユーザーの質問に回答してください。 コンテキストに関連情報がない場合は、「提供されたドキュメントに基づいて、この質問には回答できません」と正直に述べてください。 情報を捏造しないでください。 コンテキスト情報： {context}"""), ("human", "{question}"), ]) # 7. RAGチェーンの構築 def format_docs(docs): return "\n\n".join(doc.page_content for doc in docs) rag_chain = ( {"context": retriever | format_docs, "question": RunnablePassthrough()} | rag_prompt | llm | StrOutputParser() ) # 8. 質問 question = "このドキュメントのプロジェクトタイムラインの重要なマイルストーンは何ですか？" answer = rag_chain.invoke(question) print(answer)

# 依存関係のインストール # pip install sentence-transformers from langchain_community.embeddings import HuggingFaceEmbeddings # ローカルBGE中国語埋め込みモデルの使用 embeddings = HuggingFaceEmbeddings( model_name="BAAI/bge-small-zh-v1.5", model_kwargs={"device": "cpu"}, encode_kwargs={"normalize_embeddings": True}, ) # 残りのコードは上記と同じ vectorstore = FAISS.from_documents(chunks, embeddings)

RAG最適化のヒント

• chunk_sizeの調整：小さすぎるとコンテキストが失われ、大きすぎると検索精度が低下します。中国語ドキュメントでは300〜800文字が推奨されます。
• ハイブリッド検索：キーワード検索（BM25）とベクトル検索を組み合わせて再現率を向上させます。
• 再ランキング：検索後にCross-Encoderを使用して結果を再ランキングします。
• 引用の追跡：プロンプトでモデルに具体的なドキュメント断片を引用させ、信頼性を高めます。

# 依存関係のインストール # pip install langchain-ollama from langchain_ollama import ChatOllama from langchain_core.messages import HumanMessage, SystemMessage # ローカルOllamaのDeepSeekモデルに接続 llm = ChatOllama( model="deepseek-r1:8b", # あなたのOllamaモデル名 base_url="http://localhost:11434", # Ollamaのデフォルトアドレス temperature=0.7, ) messages = [ SystemMessage(content="あなたはプロのPythonプログラミングアシスタントです。"), HumanMessage(content="Pythonで関数の実行時間を計算するデコレータを書いてください。"), ] response = llm.invoke(messages) print(response.content)

from langchain_ollama import ChatOllama, OllamaEmbeddings from langchain_community.document_loaders import TextLoader from langchain_text_splitters import RecursiveCharacterTextSplitter from langchain_community.vectorstores import FAISS from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough # ローカルOllamaモデルと埋め込みを使用 llm = ChatOllama(model="deepseek-r1:8b", temperature=0.3) embeddings = OllamaEmbeddings(model="nomic-embed-text") # 最初にollama pull nomic-embed-textを実行する必要があります # ドキュメントの読み込み loader = TextLoader("data/knowledge.txt", encoding="utf-8") documents = loader.load() # ドキュメントの分割 text_splitter = RecursiveCharacterTextSplitter( chunk_size=500, chunk_overlap=50, ) chunks = text_splitter.split_documents(documents) # ベクトルストアの作成 vectorstore = FAISS.from_documents(chunks, embeddings) retriever = vectorstore.as_retriever(search_kwargs={"k": 4}) # RAGチェーンの構築 rag_prompt = ChatPromptTemplate.from_messages([ ("system", "以下のコンテキストに基づいて質問に回答してください：\n\n{context}"), ("human", "{question}"), ]) def format_docs(docs): return "\n\n".join(doc.page_content for doc in docs) rag_chain = ( {"context": retriever | format_docs, "question": RunnablePassthrough()} | rag_prompt | llm | StrOutputParser() ) question = "ドキュメントにはどのような主要技術が言及されていますか？" answer = rag_chain.invoke(question) print(answer)

ローカルデプロイの注意点

• Ollamaサービスが実行中：Ollamaがバックグラウンドで実行され、デフォルトでlocalhost:11434をリッスンしていることを確認してください
• モデルがダウンロード済み：ollama listを使用してモデルが存在することを確認してください
• Embeddingモデル：ローカルRAGには、nomic-embed-textやbge-m3などの別のEmbeddingモデルが必要です
• パフォーマンスはハードウェアに依存：8BモデルはコンシューマーGPUで良好に動作しますが、CPU推論は遅くなります