OllamaとLangGraphでステートフルAIエージェントを構築する方法｜グラフ構造とループ処理でローカルLLMに複雑な業務フローを実装する手順

この記事のポイント

・LangGraphのStateGraphでノードとエッジを定義し、グラフ構造のエージェントを構築できる
・add_conditional_edgesで条件分岐とループを実装し、LLMが自律的に処理を継続・終了を判断できる
・MemorySaverをCheckpointerに指定すると、スレッドIDごとに会話履歴を永続管理できる
・LangGraphはLangChainの単純チェーンでは扱いにくい「繰り返し処理が必要なタスク」に向いている

$ curl http://localhost:11434/api/version
{"version":"0.3.12"}

$ python3 --version
Python 3.12.3

$ ollama list
NAME                              ID              SIZE      MODIFIED
llama3.3:70b-instruct-q4_0        xxxxxxxxxxxx    40 GB     3 days ago

$ python3 -m venv ~/langgraph-demo
$ source ~/langgraph-demo/bin/activate
(langgraph-demo) $

(langgraph-demo) $ pip install langgraph langchain-ollama langchain-core

# インストール確認
(langgraph-demo) $ python3 -c "import langgraph; print(langgraph.__version__)"
0.2.45

(langgraph-demo) $ python3 - << 'EOF'
from langchain_ollama import ChatOllama

llm = ChatOllama(model="llama3.3:70b-instruct-q4_0", base_url="http://localhost:11434")
response = llm.invoke("一言で答えてください: 1+1は?")
print(response.content)
EOF
2

from typing import Annotated
from typing_extensions import TypedDict
from langchain_core.messages import HumanMessage, AIMessage
from langchain_ollama import ChatOllama
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

# 1. State定義（グラフ全体で共有するデータ構造）
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 2. LLMノード関数
llm = ChatOllama(model="llama3.3:70b-instruct-q4_0")

def call_llm(state: State) -> dict:
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 3. グラフ構築
graph_builder = StateGraph(State)
graph_builder.add_node("llm_node", call_llm)
graph_builder.add_edge(START, "llm_node")
graph_builder.add_edge("llm_node", END)
graph = graph_builder.compile()

# 4. 実行
result = graph.invoke({"messages": [HumanMessage(content="OllamaとLangGraphの違いを30字以内で教えて")]})
print(result["messages"][-1].content)

(langgraph-demo) $ python3 agent_basic.py
OllamaはLLM実行基盤、LangGraphは処理フロー制御フレームワーク。

from typing import Annotated, Literal
from typing_extensions import TypedDict
from langchain_core.messages import HumanMessage, ToolMessage
from langchain_core.tools import tool
from langchain_ollama import ChatOllama
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

# ツール定義
@tool
def get_current_date() -> str:
    """現在の日付を返す"""
    from datetime import date
    return str(date.today())

@tool
def calculate(expression: str) -> str:
    """数式を計算して結果を返す。例: '2 + 3 * 4'"""
    try:
        return str(eval(expression, {"__builtins__": {}}))
    except Exception as e:
        return f"エラー: {e}"

tools = [get_current_date, calculate]

class State(TypedDict):
    messages: Annotated[list, add_messages]

llm = ChatOllama(model="llama3.3:70b-instruct-q4_0").bind_tools(tools)

# ノード: LLMを呼び出す
def call_llm(state: State) -> dict:
    return {"messages": [llm.invoke(state["messages"])]}

# ノード: ツールを実行する
def run_tools(state: State) -> dict:
    tool_map = {t.name: t for t in tools}
    last_msg = state["messages"][-1]
    results = []
    for call in last_msg.tool_calls:
        result = tool_map[call["name"]].invoke(call["args"])
        results.append(ToolMessage(content=str(result), tool_call_id=call["id"]))
    return {"messages": results}

# 分岐関数: ツールを呼ぶかENDへ進むかを判断
def should_continue(state: State) -> Literal["tools", END]:
    last_msg = state["messages"][-1]
    if hasattr(last_msg, "tool_calls") and last_msg.tool_calls:
        return "tools"
    return END

# グラフ構築
graph_builder = StateGraph(State)
graph_builder.add_node("agent", call_llm)
graph_builder.add_node("tools", run_tools)
graph_builder.add_edge(START, "agent")
graph_builder.add_conditional_edges("agent", should_continue)
graph_builder.add_edge("tools", "agent")
graph = graph_builder.compile()

(langgraph-demo) $ python3 - << 'EOF'
result = graph.invoke({"messages": [HumanMessage(content="今日の日付を教えて。また 123 * 456 を計算して")]})
print(result["messages"][-1].content)
EOF
今日の日付は 2026-10-22 です。また 123 × 456 の計算結果は 56088 です。

from langgraph.checkpoint.memory import MemorySaver

# MemorySaverをcheckpointerとして渡してコンパイル
memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

# thread_idで会話セッションを識別する
config = {"configurable": {"thread_id": "session-001"}}

# 1回目の会話
result1 = graph.invoke(
    {"messages": [HumanMessage(content="私の名前はtanaka、覚えておいてください")]},
    config=config
)
print(result1["messages"][-1].content)

# 2回目（同じthread_idで続きの会話）
result2 = graph.invoke(
    {"messages": [HumanMessage(content="私の名前は何でしたか?")]},
    config=config
)
print(result2["messages"][-1].content)

(langgraph-demo) $ python3 memory_agent.py
了解しました。tanakaさんですね。
あなたの名前はtanakaさんです。

# モデルのツール対応確認
$ ollama show llama3.3:70b-instruct-q4_0 | grep -i "tool\|function"

# 再帰上限を設定して実行する
result = graph.invoke(
    {"messages": [HumanMessage(content="テスト")]},
    config={"recursion_limit": 5}
)

# 正しい宣言
from langgraph.graph.message import add_messages
class State(TypedDict):
    messages: Annotated[list, add_messages]  # Annotatedとadd_messagesが必須

# 誤った宣言（上書きになる）
class State(TypedDict):
    messages: list  # Annotatedなし → NG

OllamaとLangGraphのエージェント構築を2日間のハンズオンで体験する

StateGraphによるグラフ設計や条件分岐の実装を手を動かしながら習得したい方向けに、「ローカルAIマスターセミナー」を開催しています。
少人数（最大8名）ZOOMハンズオン形式で実施しています。