LangChainとの連携

LangChainとLlamaIndexを組み合わせる目的

---

1. 基本的な統合アプローチ

---

2. 実装ステップ

2-1. 前提パッケージ

bash
pip install llama-index langchain langchain-community  # LangChain v0.3系以降

2-2. インデックスを Tool 化して Agent から呼ぶ

python
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.langchain_helpers.agents import (
    IndexToolConfig, LlamaIndexTool
)
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType

# 1) データを取り込みインデックス化
docs = SimpleDirectoryReader("data/").load_data()
index = VectorStoreIndex.from_documents(docs)
query_engine = index.as_query_engine()

# 2) LlamaIndex → LangChain Tool へ変換
tool_cfg = IndexToolConfig(
    query_engine=query_engine,
    name="KnowledgeBase",
    description="社内ドキュメント検索用",
    tool_kwargs={"return_direct": True},
)
llama_tool = LlamaIndexTool.from_tool_config(tool_cfg)

# 3) LangChain Agent に登録
llm = ChatOpenAI(model="gpt-4o")
agent = initialize_agent(
    tools=[llama_tool],
    llm=llm,
    agent=AgentType.OPENAI_FUNCTIONS,
    verbose=True,
)
agent.invoke("昨年度の売上推移を教えて")

Tool 化の API 例は公式ドキュメントのサンプルに基づく docs.llamaindex.ai

2-3. Retriever ラッパを使うシンプル RAG

python
from langchain_community.retrievers.llama_index import LlamaIndexRetriever
from langchain.chains import RetrievalQA

retriever = LlamaIndexRetriever(query_engine=index.as_query_engine())
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
)
qa_chain.invoke({"query": "主要製品Aの保証期間は？"})

LlamaIndexRetriever / LlamaIndexGraphRetriever は LangChain v0.3 で正式サポート python.langchain.com

2-4. 会話メモリとしての利用イメージ

python
from llama_index.core import SummaryIndex
from llama_index.memory import LlamaIndexMemory
from langchain.memory import ConversationBufferMemory

memory_index = SummaryIndex.from_documents([])
llama_memory = LlamaIndexMemory(index=memory_index)  # LlamaIndex側
memory      = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True,
    chat_memory=llama_memory,           # LangChain側へ橋渡し
)

LlamaIndex をメモリに利用すると「長い履歴を圧縮インデックスしつつ検索」できる。LangChain の ConversationBufferMemory では難しい “数万トークン規模の履歴” でも効率的に保持可能です。datastax.com

---

3. オブジェクトモデル対応表

---

4. ベストプラクティス & 注意点

1. バージョン整合性

   • 2025-06 時点では LlamaIndex ≥ 0.10.18 と LangChain ≥ 0.3.0 の組み合わせで動作確認済み。

   • 内部 API が頻繁に変わるため、requirements.txt で固定推奨。

2. 冗長インデックス生成の回避

   • Agent 実行ごとにインデックスを再構築しない。persist_dir でディスク保存、または service_context.cache を利用。

3. メモリ・ツールの併用

   • 長対話では Memory → Retriever → LLM の順で呼び出すとトークン効率が高い。

   • Tool としても Retriever としても同じクエリエンジンを共有すれば、ベクトル計算を再利用できる。

4. 非同期処理

   • LangChain で AsyncAgentExecutor を使う場合、LlamaIndex 側も async_query_engine を取得してから Tool 化する。

5. 監視・トレース

   • LangChain 既存の LangfuseCallbackHandler などに加え、LlamaIndex の LlamaDebugHandler を同時に登録すると、検索パスと LLM 推論の両方を一元で可視化できる。docs.llamaindex.aipython.langchain.com

---

5. 代表的ユースケース

---

まとめ

• LangChain は “LLMアプリの脳” としてワークフローやエージェントを制御。

• LlamaIndex は “記憶装置” として外部・社内データを高効率に格納・検索。

• 両者を接続することで、高性能RAG + 強力なタスク指向エージェント を最小コードで実装できる。

これらの統合パターンとベストプラクティスを押さえておけば、更新の早い2025年現在でも安定したハイブリッド環境を維持できます。