LangChain マルチエージェント

from dotenv import load_dotenv
load_dotenv()

from langchain.tools import tool
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)

# 子エージェント1：天気専門家
@tool
def get_weather(city: str) -> str:
    """天気を調べる"""
    data = {"杭州": "晴れ、25°C", "北京": "曇り、18°C"}
    return data.get(city, f"{city}: データがありません")

weather_agent = create_agent(
    model=model,
    tools=[get_weather],
    name="weather_expert",  # 名前は識別とログに使用される
    system_prompt="あなたは天気の専門家で、天気に関する質問に答えます。回答は簡潔にしてください。",
)

# 子エージェント2：計算専門家
@tool
def calculate(expression: str) -> str:
    """数式を計算する"""
    result = eval(expression, {"__builtins__": {}}, {})
    return f"{expression} = {result}"

math_agent = create_agent(
    model=model,
    tools=[calculate],
    name="math_expert",
    system_prompt="あなたは数学の専門家で、数学の計算を行います。回答は簡潔にしてください。",
)

# 親エージェント：コーディネーター
# 子エージェントをツールとして登録
@tool
def ask_weather_expert(question: str) -> str:
    """天気の専門家に天気関連の質問を相談します。

    Args:
question: 天気に関する質問
    """
    result = weather_agent.invoke(
        {"messages": [HumanMessage(content=question)]}
    )
    return result["messages"][-1].content


@tool
def ask_math_expert(question: str) -> str:
    """数学の専門家に数学の計算問題を相談します。

    Args:
question: 数学の計算問題
    """
    result = math_agent.invoke(
        {"messages": [HumanMessage(content=question)]}
    )
    return result["messages"][-1].content


coordinator = create_agent(
    model=model,
    tools=[ask_weather_expert, ask_math_expert],
    system_prompt="""あなたは調整アシスタントです。ユーザーの質問に応じて適切な専門家を選択してください：
- 天気関連の問題 → ask_weather_expert を使用
- 数学の計算問題 → ask_math_expert を使用
- 複数の分野にまたがる場合は、各専門家に順番に相談してください""",
)

# 複合問題をテスト
result = coordinator.invoke({
    "messages": [HumanMessage(
        content="杭州の今日の天気はどうですか？温度が25度の場合、華氏に換算すると何度ですか？"
        "（公式：華氏 = 摂氏 × 9/5 + 32）"
    )]
})
print(result["messages"][-1].content)

# name パラメータの役割：
# 1. コンパイル後のグラフでこの名前が使用される
# 2. サブグラフノードとして親グラフに埋め込まれるときにこの名前が使用される
# 3. すべての AI メッセージがこの名前でマークされる

agent = create_agent(
    model=model,
    tools=[...],
    name="customer_service",  # エージェントに名前を付ける
)

from langchain.agents.middleware import before_model


# 異なる専門家が使用するツールセットを定義
general_tools = [tool_a, tool_b]
admin_tools = [tool_c, tool_d]


@before_model
def route_by_user_role(state, runtime):
    """ユーザーの役割に応じて利用可能なツールを動的に切り替える"""
    context = runtime.context
    if context is None:
        return None

    user_role = context.get("user_role", "user")

    # 役割によって表示されるツールが異なる
    if user_role == "admin":
        available_tools = general_tools + admin_tools
    else:
        available_tools = general_tools

    # 注意：before_model は tools を直接変更できない。
    # wrap_model_call または request.override と組み合わせて実装する必要がある
    return None