3Dシーンを準備しています…
LANGCHAIN / DATA FLOW

LangChainを、データの旅で見る。

「こんにちは」が、メッセージになり、応答の文字列になるまで。

入力
dict
→
プロンプト
ChatPromptValue
→
LLM
AIMessage
→
出力
str

ONE CHAIN

データをつなぐ。 工程をつなぐ。

前の工程の出力を、次の工程の入力へ。

データの形が変わる
dict → メッセージ → 応答 → str

例:「こんにちは」を英語に翻訳する。

INPUT

入力は、変数名と値。

text に「こんにちは」を渡す。

dict
{
  "text": "こんにちは"
}

FORMAT

値を、テンプレートへ。

{text} を、入力値に置き換える。

変数の差し込み
{text}を英語に翻訳してください。
↓
こんにちはを英語に翻訳してください。

PROMPT

プロンプトは、 メッセージのまとまり。

指示と依頼を、ひとまとめにする。

ChatPromptValue
system
あなたは翻訳アシスタントです。
human
こんにちはを英語に翻訳してください。

LLM INPUT

LLMに渡るのは、 完成したメッセージ。

この例は、チャットモデルで処理する。

ChatPromptValue → messages
system
あなたは翻訳アシスタントです。
human
こんにちはを英語に翻訳してください。

LLM RESPONSE

応答も、メッセージ。

返ってきた本文は content に入る。

AIMessage
AIMessage(
content="Hello."
)

PARSE

本文を、取り出す。

StrOutputParser が、応答を文字列にする。

AIMessage → str
AIMessage(content="Hello.")
↓ StrOutputParser()
"Hello."

OUTPUT

結果は、文字列。

この値が chain.invoke(...) の戻り値になる。

str
"Hello."

プロンプト → LLM → Parser の順に処理。

チャットモデルを使う例。LLMの応答は固定サンプル。時間と立体は説明用の演出です。
0:00 / 0:56

「視点を動かす」をオンにしてドラッグすると、別の角度から確認できます。スマートフォンでは横向きでご覧ください。音声なしのテストです。

この例は ChatPromptTemplate → チャットモデル → StrOutputParser をつなぐLCELのチェーンです。入力の辞書がChatPromptValueになり、モデルがAIMessageを返し、Parserが本文を文字列として取り出します。

メッセージの組み立てと文字列への変換は、LangChain Core 1.7.6で実行確認しました。LLMの返答はFakeListChatModelによる固定値「Hello.」です。実際のLLM API通信を録画したものではありません。

/