LangChain

LangChainとローカルOllamaサーバー上に構築されたAIエージェントアーキテクチャの教育ラボ。チャット、ツール呼び出し、RAG、ハイブリッド、エージェンティックRAGなど、複数のバリアントを提供。

OpenWiki Brainsは、LangChainが提供する新しいフレームワークで、Gmail、Notion、Gitなどのソースに接続し、ローカルWikiを自動更新することで、AIエージェントにプロアクティブなメモリを提供します。

Perplexity Agent API、LangGraph、LangSmithを使用して、引用付きの投資メモを90秒で生成するベンチャーキャピタルリサーチエージェントの構築方法を学びます。エージェントは、チーム、財務、製品、市場の4つの並列リサーチノードを実行し、7つのセクションからなるメモを合成します。すべての主張は一次情報源に遡ることができ、出力は監査可能です。また、3つの検索プロバイダーの比較と、同様のエージェントを構築するためのポイントを提供します。

LangChain、LlamaIndex、生API呼び出しのLLMアプリケーションにおける利点とトレードオフを比較し、適切な抽象化レベルの選択フレームワークを提供する。

LangChainとNVIDIAが協業し、LangChain Deep Agents Code、NVIDIA Nemotron 3 Ultra、OpenShellを組み合わせた、オープンでガバナンスが効くエンタープライズエージェント向けブループリント「NemoClaw」を発表。評価では、リーディングパフォーマンスを約10分の1の推論コストで実現。

Nemotron 3 Ultraのハーネス（足場）のみを調整することで、Deep Agentsスイートで最高0.86を達成し、Opus 4.8の最高0.87にほぼ匹敵し、コストは約10分の1に削減。本稿では、評価駆動のアプローチ、プロンプトエンジニアリング、ミドルウェアの最適化、効果がなかった点について詳述する。

NVIDIA Nemotron 3 Ultraは、最も広く採用されているAIエージェントオーケストレーションプラットフォームにおいて、トップクローズドモデルよりも低コストでリーディングパフォーマンスを提供。LangChainがNemotron 3 Ultra向けにDeep Agentsハーネスをチューニングした結果、オープンモデルで最高の精度を達成し、より多くのタスクを高いスループットで完了、実行あたりの推論コストは主要クローズドモデルの10分の1に抑えられました。

Deep Agents Code が NVIDIA NemoClaw のガバナンスブループリントとして利用可能に。デフォルト拒否ネットワーク、人間による承認、監査ログにより、機密コードのモダナイゼーションを安全に実行。

brAIn は、従来のチャットループモデルを廃し、NATS パブ/サブバス上の長寿命デーモンノードアーキテクチャを採用した新しい AI エージェントフレームワークです。ノードはリアクティブで、関連するメッセージが到着したときのみ起動し、トークン消費を回避します。各ノードは独自の UI を持ち、分散デプロイが可能で、優先度プリエンプションや MCP クライアント統合などの機能を備えています。著者は、環境認識エージェント、Slack リスナー、IoT コントローラーなどの実際の使用例をデモで示し、LangGraph、AutoGen、ROS 2 などの既存ツールとのアーキテクチャ比較も行っています。

このAINews号は2026年7月6日から7日までの幅広いAI開発をカバーしています。ハイライトには、Lilian Wengによる再帰的自己改善のためのハーネス工学への深掘り、MetaのMuse ImageとMuse Videoの発表（エージェント生成ループを備える）、Anthropic、LangChain、Googleによるエージェントプラットフォームの主要製品アップデートが含まれます。その他注目点：NVIDIAのAudexオーディオモデル、Cohereのアラビア語ASR、Hugging FaceとNVIDIAとのロボティクス統合、Liquid AIのAntidoom（推論ループ失敗削減）、Anthropicの論争を呼んだJ-space解釈可能性研究。また、エージェントと法律AIのベンチマーク、研究自動化、推論効率の進歩もカバーしています。

LangChainがエージェントのトレースをマイニングして障害を発見し、フロンティアLLMよりも安価な評価モデルを微調整し、評価でパフォーマンスを向上させる方法。

シュナイダーエレクトリックはLangSmithを活用して、AI製品の可観測性、評価、展開を大規模に改善するエンタープライズLLMOps基盤を構築しました。350人の専門家からなるAIハブは60以上のエージェントを展開。可観測性（セルフホスト型LangSmith、製品ごとに1つのワークスペース）、評価（オフライン/オンライン評価と成熟度フレームワーク）、展開（製品ごとに独立したランタイム）の3本柱を紹介。内部AIアシスタントOne Jo、CSMコパイロット、文書処理エージェントの事例で大幅な効率向上を示しています。

Deep Agents は LangChain が開発したオープンソースのエージェントハーネスで、長期的かつ複数ステップのタスク向けに設計されています。サブエージェント、ファイルシステム、コンテキスト管理、シェルアクセス、永続メモリ、人間による承認などの機能を内蔵しています。モデルに依存せず、LangGraph 上に構築されており、LangSmith によるプロダクション対応も可能です。

5つのClaudeモデル（Opus、Fable、Sonnet、Sonnet 4.6、Haiku）をLangChain Pythonモノレポの完全監査で比較した詳細な実験。FableはOpusと同じA-の評価を得たが、実行可能なマイルストーンとクイックウィンの生成で優れていた。各モデルの強みと弱みを示し、マルチモデルパイプラインを推奨。

コーディングエージェント（Claude Code、Cursor、Copilotなど）の利用が急増し、請求書が制御不能になっています。本記事では、「トークンマキシング」現象の背後にある断片化の問題を分析し、可視化、コスト標準化、最適化、ガバナンスの4段階のソリューションを提示し、マルチツール環境でのAIコスト管理を支援します。

2026年のエージェンティックAIフレームワーク10選を包括的に紹介。LangGraph、CrewAI、OpenAI Agents SDK、Google ADK、PydanticAI、smolagents、Mastra、Microsoft Agent Framework、Strands Agents、LlamaIndex Workflowsを取り上げ、それぞれの強み、最適なユースケース、開発者へのトレードオフを分析。

OpenWikiはコードベースのドキュメントを自動生成・維持するオープンソースエージェントです。コーディングエージェントがリポジトリのコンテキストを効率的に取得できるようにします。

再帰的言語モデル（RLM）は、エージェントがコードを書いてコンテキストチャンクに対してサブエージェントをディスパッチすることで、コンテキスト腐敗を修正します。Deep Agentsは現在、動的サブエージェントと軽量コードインタプリタを通じてRLMをサポートし、エージェントが大規模入力に対してgrep、map、reduceのようにプログラム的に作業を分散できるようにします。OOLONGベンチマークでは、RLMは長いコンテキストタスクでターンバイターンエージェントよりも優れた成績を示しました。

Pendoは、行動データとセッションリプレイをコード修正に変換するAIプロダクトエージェントNovusのデバッグ、評価、モニタリングにLangSmithを活用しました。LangSmithの本番トレーシングにより、PendoはNovusを数日で本番稼働させ、成功率90%以上を達成し、新ユースケースの特定に25%の時間短縮、顧客が気づく前に60%のAI問題を捕捉しました。

Harborは長期実行・ステートフルなエージェントのための新しい評価ハーネスで、LangChainのDeep Agents、LangSmithサンドボックス、可観測性と統合し、スケーラブルで隔離された評価を提供します。本記事ではHarborの仕組みと、レジストリやプラグインを介したLangGraphエージェントの統合方法を解説します。

本記事では、エージェントが生のソースデータをコンパクトで永続的、構造化された知識層に変換する「Wikiメモリ」パターンを紹介します。RAGとは異なり、高レベルの合成を事前計算します。DeepWiki、KarpathyのLLM Wiki、FactoryのAutoWikiなどの例を挙げ、生データ、圧縮形式、メンテナンスに関する未解決の質問について議論し、ファイルとエージェントが一般的な答えであると結論付けています。

本論文では、オフィスビルにおける家電レベルのエネルギー監視のために、深層時系列予測、変分異常検知、LLM推論を組み合わせたエンドツーエンドのエージェンティックパイプラインを提案する。システムはハイブリッドSSA-LSTM予測モデルと家電別LSTM VAEアテンションを用いて異常を検出し、3段階のLangChainパイプライン（コンテキスト、診断、レポートエージェント）で診断を生成する。16シナリオのベンチマーク評価では、最高バックエンドが90.4/100を獲得し、ローカル7Bモデルが全シナリオに合格した。

LangChain は、LLM のツール使用能力を評価するための4つの新しいテスト環境を公開しました。関数呼び出し、計画、推論などのスキルをカバーします。テストでは、GPT-4、Claude 2.1、GPT-3.5、およびオープンソースモデル（Mistral 7b など）を比較。主な発見：GPT-4 は関係データタスクで最高得点だが、長い軌道では失敗；Claude 2.1 は3つのタスクで GPT-4 と同等；オープンソースモデルは複数関数の組み合わせが苦手；計画は依然として困難。

LangChainは、チャットログから構造化情報を抽出するLLMの能力を評価するための新しいベンチマークデータセットを公開しました。データセットの作成プロセス、評価指標、GPT-4、Claude-2、Code Llama 2などのモデルのベンチマーク結果を詳述します。実験により、GPT-4が多くの指標で最良であり、オープンソースモデルは構造化出力に課題があることが示されました。

動的サブエージェントにより、AIエージェントはツール呼び出しではなくコードを使用して作業を大規模にオーケストレーションできます。Deep Agentsのプログラムによるオーケストレーションがどのようにカバレッジを保証し、ファンアウトを処理し、一般的なオーケストレーションパターンとリアルタイムトレースを使用して信頼性の高いマルチステップの複雑なエージェントパイプラインを実現するかを学びます。

Candidlyは、入力出力隠れマルコフモデル（IO-HMM）を用いて会話トレースからユーザーのエンゲージメント状態をリアルタイムに推測し、それに基づく応答ポリシーにより離脱率を低減するエージェントハーネスを構築しました。4つの状態（Engaged、Detailed、Guided、Disengaging）を識別し、離脱状態の割合を23%から11%に削減します。

Deep Agentsがプロンプトキャッシングを活用し、追加設定不要で主要モデルプロバイダーのLLMトークンコストを最大80%削減する方法をご紹介します。

LangSmithの新機能：アラートトリアージ用のFleetオンコールコパイロット、エージェントのコンピュータ使用、音声トレースデバッグ、実験ステータストラッキング。さらにDeep Agentsルーブリック、プログラムによるサブエージェント、新しいLangSmithデプロイメントコース、そしてシカゴ、ベルリン、ワシントンDC、ラスベガスでのイベント。

Max Agencyポッドキャストで、Zack Reneau-WedeenはAIエージェントの未来について語り、シンプルなアーキテクチャ、成果ベースの価格設定、組織図の押し付けを避けることを提唱。Sierraでの顧客向けエージェント構築の経験から得た洞察を共有。

KlarnaはLangGraphとLangSmithを活用したAIアシスタントにより、700人のフルタイムスタッフ相当の業務を処理し、顧客問い合わせ解決時間を80％短縮、反復的なサポートタスクの約70％を自動化しました。

EU AI Actの遵守期限は2026年8月2日です。本記事では、EU AI ActがハイリスクAIシステムに求める要件と、LangSmithおよびLangChain OSSが各要件をどのように満たすかを説明します。

AIエージェントにメモリを追加する実践的なガイド。短期・長期記憶の概念、トレース分析、LangSmithツールを使ったメモリループの実装により、エージェントが実行間で学習し改善する方法を解説します。

この記事では、Playwright、browser-use、LangGraphを使用して、実際のWebサイトを閲覧・操作できるAIエージェントをPythonで構築する方法を解説します。トピックは、PlaywrightがSeleniumよりも優れている理由（30～50%高速、永続的WebSocket、内蔵自動待機、リアルなイベント）、環境設定手順、動的ページのスクレイピング、複数ステップのフォーム入力、アンチボット検出対策、セッション永続化、Dockerへのデプロイです。コード例を通じて、Webサイトをナビゲートし、フォームに記入し、構造化データを抽出し、LLMで意思決定を行う実用的なブラウザエージェントを作成します。

LangSmith は、メモリ、ガイド付きプロンプト、MCP ツールを備えた AI エージェントをコード不要で作成できるエージェントビルダーをリリース。会話形式のガイダンス、組み込みメモリ、サブエージェントにより、エージェント開発のハードルを下げ、内部生産性向上のユースケースに適しています。

本論文は、低軌道宇宙船に展開されたソフトウェアシステムNAVI-Orbitalを紹介する。2026年4月16日、NAVI-Orbitalは、視覚言語モデルが完全にオンボードで自律的なマルチモーダル推論を実行する初の軌道上実証を達成した。Gemma 3モデルを使用して各シーンを分類し、テキスト記述を生成し、自然言語対話でオペレーターに応答する。グラフベースのステートマシン（LangGraph）によって調整される。地上ベンチマークで88.16%の精度を達成し、軌道上でも未校正のYAM-9画像を処理。セマンティック圧縮により帯域幅プロファイルを逆転させる可能性を示す。

本稿では、既存のツールを使わずにカスタムAIアシスタントを自作した理由、アーキテクチャ、技術スタック、LLMやLangChain、メモリ管理、ツール統合を含む実装プロセスを詳述している。

本研究は、マルチエージェントLLMシステムにおける状態共有に起因する並行処理異常に対処し、TLA+を用いて4つの異常タイプを形式化し、機械検証済みの一貫性階層L0～L4を構築した。274のVerus証明義務により、検出器の健全性と完全性が証明された。3つのRustランタイムがL0～L1を実装し、ByteDanceのdeer-flowやLangGraphにおける実際の異常を再現し、検証済みの修正を提供した。

Factory AIはLangSmithの可観測性とフィードバックAPIを活用して製品フィードバックループを最適化し、反復速度を2倍に向上させ、開発サイクルの大幅な短縮を実現しました。

Open SWEは、オープンソースでクラウドホスト型のコーディングエージェントであり、GitHubのタスク（計画、コーディング、テスト、PR作成）を自律的に処理します。マルチエージェントアーキテクチャ、ヒューマンインザループ制御、非同期実行を特徴としています。

Monte Carlo は LangGraph を基盤に AI トラブルシューティングエージェントを構築し、LangSmith でデバッグすることで、データチームが問題をより迅速に解決できるようにしました。このエージェントは複数の調査経路を並列に探索し、根本原因分析を加速します。

LangSmithは、公開ベンチマークと評価データセットの共有機能を開始し、開発者が異なるLLMアーキテクチャのパフォーマンスを同じタスクで比較できるようにしました。最初のベンチマークはLangChainドキュメントのQ&Aデータセットで、langchain-benchmarksパッケージもリリースされました。記事では、さまざまなモデルとアーキテクチャのパフォーマンスを分析し、デバッグ方法を提供しています。

LangSmith のホームページは、可観測性、評価、プロンプトエンジニアリングの3つのセクションに再編成されました。また、リソースタグが改善され、アプリケーションやカスタムタグで柔軟にリソースをグループ化できます。オンボーディングガイドと今後のABACにより、ユーザビリティが向上します。

エージェントエンジニアリングは、プロダクト思考、エンジニアリング、データサイエンスを統合し、反復的な構築、テスト、出荷、観察、改善のサイクルを通じて非決定論的なLLMシステムを信頼性の高い本番体験に変える新しい分野です。Clay、Vanta、LinkedIn、Cloudflareなどの企業が実践しています。

LangSmithを使用してファインチューニングされたオープンソースLLMを評価・比較する方法を紹介。複数のモデルをテストし、評価を自動化して最適なAIを選択します。

AIエージェントは、チームが長年培ってきた知識と判断を反映するときに最も効果的に機能します。この記事では、トレーダー向けコパイロットの例を用いて、ワークフロー設計、ツール設計、コンテキストエンジニアリングに人間の判断を組み込む方法を解説し、自動評価とモニタリングによる改善ループを紹介します。

Deep Agents SDKは、オフロード、要約、ファイルシステム抽象化を通じて、長時間実行されるAIタスクのコンテキストを管理し、コンテキスト腐敗を防ぎます。本記事では、3つの圧縮技術（大規模ツール結果のオフロード、大規模ツール入力のオフロード、要約）の仕組みと実践ガイドを紹介します。

信頼性の高いAIエージェントを構築するには、単に優れたモデルを使うだけでなく、ループを慎重に設計することが重要です。この記事では、エージェントループ、検証ループ、イベント駆動ループ、山登りループという4つのネストされたループを紹介し、LangChainプリミティブを使って各レベルを実装する方法を示します。エージェントをエコシステムに組み込み、継続的に改善することで、模倣困難な競争優位を構築できます。

Fleetは、アドホックなタスクと繰り返し発生する責任の両方をサポートします。汎用チャットと専門エージェントがどのようにチームの作業委任を支援するかをご覧ください。

本研究は、従来の無状態自律実験パターンを、LangGraphを用いたステートフルReActエージェントに再構築し、毎回の反復でコンテキストを再構築する必要性を排除。ハイパーパラメータ調整で90%、コード最適化で52%のトークン削減を達成しつつ、最適化品質を維持する。

LangChainとFireworksはオープンモデルをファインチューニングし、プロダクショントレースから知覚エラーシグナルを抽出。フロンティアモデル並みの性能をわずかなコストで実現。