LangChain、Cube と連携し LLM アプリ開発を簡素化

*編集者注：本記事は、Cubeチームとの共同執筆です。テキストからSQLを生成するLLMベースのアプリケーション構築において、セマンティックレイヤー（意味層）は正確性と予測可能性を保証する上で重要な役割を果たします。LangChain と Cube を連携させることで、Cube のセマンティックレイヤーの上に AI アプリケーションを構築し始めることが非常に容易になります。

長年にわたり、私たちはデータ駆動型の世界に生きています。データを効率的にアクセスし、そこから洞察を引き出すことは何よりも重要です。今年に入り、技術の最新動向と広がりゆく可能性によって後押しされ、人工知能（AI）、特に大規模言語モデル（LLM）への関心が爆発的に高まっています。

LLM を扱うための包括的なツールキットである LangChain は、AI エクスペリエンスを開発するエンジニアにとって最も重要な構成要素の一つとなっています。Cube において私たちは、セマンティックレイヤーが AI アプリケーションの重要な構成要素であると認識しています。なぜなら Cube は単に指標計算を一元化するだけでなく、AI のハルシネーション（幻覚）に対する解毒剤 としても機能するからです。

セマンティック・ドキュメントローダー

本日、Cube と LangChain の連携を発表できることを嬉しく思います。これは、セマンティックレイヤーのデータモデルから導き出された埋め込み（embeddings）を用いてベクトルデータベースを構築するための ドキュメントローダー です。その後、このベクトルデータベースを検索することで、セマンティックレイヤーの最も関連性の高いエンティティを見つけることができます。これは、自然言語による自由な入力（例：クエリ）と、データモデル内のビューやそのメンバーを照合する際に非常に役立ちます。

また、Cube の SQL API に対してクエリを構築するための例となる OpenAI プロンプト を備えた、チャットベースのデモアプリケーションも提供しています（詳細は GitHub の ソースコード 参照）。セマンティックレイヤー向けに、Delphi と同様に機能する AI 搭載の対話型インターフェース を構築したい場合は、これらのプロンプトが優れた出発点となります。

チャットベースのデモアプリを分解する

LangChain の最新ドキュメントローダー、ベクトルデータベース、OpenAI の大規模言語モデル（LLM）、そしてユーザーインターフェースに Streamlit を組み合わせて構築できるものをご紹介します。

0:00/1×

LLM が生成した SQL クエリ内のテーブル、カラム、集計処理、フィルタリングが、人間の入力とどのように一致しているかをご覧ください。このデモアプリをローカル環境で実行する方法については、GitHub の README ファイル をご確認ください。あるいは、以下のハイライトポイントを確認するだけでも構いません。

Cube からメタデータを取得し、ベクトルデータベースに格納する。

ingest.py ファイル内の ingest_cube_meta 関数は、最新の CubeSemanticLoader を使用して Cube のデータモデルを読み込みます。なお、読み込まれるのは ビュー のみです。これは、データの「ファサード」と見なされているためです。

model](https://cube.dev/blog/complementing-data-graph-with-views?ref=blog.langchain.com)。読み込まれたドキュメントはエンベディングされ、FAISS ベクトルストアに保存された後、後で使用するためにピクル化されます。

def ingest_cube_meta():
    ...
    loader = CubeSemanticLoader(api_url, api_token)
    documents = loader.load()
    ...
    with open("vectorstore.pkl", "wb") as f:
        pickle.dump(vectorstore, f)

LLM の設定。 main.py ファイルでは依存関係がインポートされ、環境変数が読み込まれます。OpenAI モデル（llm）は、指定された API キーを使用して初期化されます。

import ...
load_dotenv()
llm = OpenAI(
    temperature=0,
    openai_api_key=os.environ.get("OPENAI_API_KEY"),
    verbose=True
)

ユーザー入力とベクトルストアの初期化

同じファイル内で、Streamlit のプリミティブを使用してユーザーからの入力を取得します。

question = st.text_input(
    "Your question: ",
    placeholder="Ask me anything ...",
    key="input"
)
if st.button("Submit", type="primary"):
    check_input(question)
    vectorstore = init_vectorstore()

ベクトルストアへのクエリ実行

ベクトルストアに対して、ユーザーの質問に類似したドキュメントを検索します。最も一致度の高い結果からテーブル名を抽出し、これを最良の推測として、ベクトルストア内の列情報を用いたプロンプト作成に活用します。

docs = vectorstore.similarity_search(question)
    # take the first document as the best guess
    table_name = docs[0].metadata["table_name"]

    # Columns
    columns_question = "All available columns"
    column_docs = vectorstore.similarity_search(
        columns_question,
        filter=dict(table_name=table_name),
        k=15
    )

プロンプトの構築と OpenAI の呼び出し

構築したプロンプトを OpenAI の大規模言語モデル（LLM）に送信し、そのレスポンスを解析して SQL クエリおよび関連するフィルタ条件を抽出します。

# Construct the prompt
prompt = CUBE_SQL_API_PROMPT.format(
    input_question=question,
    table_info=table_name,
    columns_info=columns,
    top_k=1000,
    no_answer_text=_NO_ANSWER_TEXT,
)
llm_answer = llm(prompt + PROMPT_POSTFIX)

まとめ

Cube と LangChain の連携により、自然言語を用いたデータクエリがシームレスに実現されます。SQL の複雑さを抽象化し、LLM の推論能力を活用することで、AI 体験を構築する開発者にとって、ユーザーフレンドリーかつエラーの少ないデータアクセス手法を提供しています。

企業が LLM の推論力を正しく活用するには、社内のナレッジを適切に統合することが不可欠です。Cube と LangChain を組み合わせたセマンティックレイヤーの連携は、多くのプロダクト会社が将来的に LLM 向けのスマートな統合を実装し、これらの推論エンジンをより強力なものにするための好例と言えます。

関連コンテンツ

パートナー

スケールするエージェント型コマース：LangChain エージェントが安全に取引を行う

S. Tangedipalli,

K. Singh,

N. Okoroafor,

M. Samhitha Vangara,

C. Shriyan

2026 年 8 月 17 日

10 分

パートナー

エージェントの呼び出しのうち、実際に最先端モデルが必要なのはどれくらいか？

S. Tangedipalli,

K. Singh

2026 年 8 月 11 日

11 分

ロゴとタイトル.png)

パートナー

金融サービスにおけるエージェント AI の ROI を証明する

K. Singh, D. Tepper

2026 年 7 月 17 日

14 分

エージェントが実際に何をしているかを確認する

エージェントエンジニアリングプラットフォームの LangSmith を使えば、開発者はすべてのエージェントの意思決定をデバッグし、変更の評価を行い、ワンクリックでデプロイすることが可能です。