LangChain / LlamaIndex RAG¶

想定 user¶

LangChain (0.3+) / LlamaIndex (0.10+) を使って RAG bot を構築する agent dev / SaaS 開発者 / 大学研究者で、補助金原文 (要綱本文) を検索コーパスに、メタデータ (program_id / tier / deadline / source_url) を構造化フィルタとして使う層。jpcite を 1 つの retrieval tool として登録し、agent 推論側で組み合わせ。LLM API の選定 (OpenAI / Anthropic / Bedrock / VertexAI / GROQ 等) は agent 構築者責任、本 recipe は jpcite tool wrapping のみ。

必要な前提¶

jpcite API key (¥3/req、初回 3 req/IP/日無料、JST 翌日 00:00 リセット)
langchain 0.3+ または llama-index 0.10+
Python 3.10+ (3.11 推奨、async tool 利用時)
(任意) Vector DB (Chroma / Pinecone / Weaviate / pgvector) — jpcite メタデータと併用するハイブリッド検索用

入力例¶

from langchain.tools import Tool
from jpcite import Client
c = Client()
search_tool = Tool(
    name="jpcite_search",
    description="日本の補助金・税制を keyword + 業種 + 地域 で検索",
    func=lambda q: c.search_programs(keyword=q, limit=10),
)

実行 (curl / Python / TypeScript)¶

curl¶

curl "https://api.jpcite.com/v1/programs/search?keyword=ものづくり&prefecture=東京都&limit=5"

curl https://api.jpcite.com/v1/openapi.json | jq '.paths | keys | length'

Python¶

import os
from langchain.tools import Tool
from jpcite import Client
c = Client(api_key=os.environ.get("JPCITE_API_KEY"))
tools = [
    Tool(name="jpcite_search", description="補助金検索",
         func=lambda q: c.search_programs(keyword=q, limit=10)),
    Tool(name="jpcite_detail", description="補助金原文取得",
         func=lambda pid: c.get_program_detail(program_id=pid)),
    Tool(name="jpcite_corp", description="法人 360 度ビュー",
         func=lambda hb: c.get_corp_360(corp_number=hb)),
]
# agent 構築 (LLM は呼出側で初期化、本 recipe では具体的 LLM 非依存)

TypeScript¶

import { DynamicTool } from "@langchain/core/tools";
import { jpcite } from "@jpcite/sdk";
const searchTool = new DynamicTool({
  name: "jpcite_search", description: "日本の補助金検索",
  func: async (q: string) => {
    const r = await jpcite.search_programs({ keyword: q, limit: 10 });
    return JSON.stringify(r);
  },
});

出力例 (artifact)¶

{
  "fetched_at": "2026-05-11T09:00:00Z",
  "source_url": "https://api.jpcite.com/openapi.json",
  "tools_registered": ["jpcite_search", "jpcite_detail", "jpcite_corp"],
  "agent_invocation_example": {
    "user_query": "中小製造業向け補助金を 3 つ挙げて",
    "tool_calls": [
      {"tool": "jpcite_search", "args": {"keyword": "中小製造業", "limit": 3}},
      {"tool": "jpcite_detail", "args": {"program_id": "METI-MONOZUKURI-2026"}}
    ],
    "agent_response": "1. METI-MONOZUKURI-2026 (出典: ...) 2. ..."
  },
  "known_gaps": ["RAG コーパス保存は別途 vector DB", "LLM 部分は agent 構築者責任"]
}

known gaps¶

補助金原文 PDF は別 endpoint (get_program_detail で本文 markdown + PDF URL を返却)
Vector DB との連携は別 recipe、本 recipe は jpcite を retrieval tool として wrapping するまで
LangChain 0.3 への migration で initialize_agent deprecated → create_react_agent 推奨
LlamaIndex 0.10 系は ServiceContext → Settings API へ移行済
大量 doc embedding は jpcite ではなく Vector DB 側でローカルに行う設計

billable_units 試算¶

1 req 1 unit × ¥3 = ¥3
agent 1 query 平均 3-5 tool call = ¥9-15 / query
月 1,000 query = ¥9,000-15,000 / 月、税込 ¥9,900-16,500
RAG embed 後の検索は keyword + LLM コスト (LLM 側別途)

商業利用条件¶

PDL v1.0 + CC-BY-4.0
RAG 出力に jpcite 出典 (source_url) 明記
agent SaaS への組込 OK、最終出力 (chat / レポート / PDF) に jpcite 出典明記
LLM ベンダーの利用規約 (商用利用条項 + データ取扱) と併せて確認

業法 fence¶

agent 出力は参考、税務 / 法務判断は資格者
LLM ベンダー利用規約も併読 (OpenAI / Anthropic / Google / AWS / GROQ 等)
業法 fence (税理士法 §52 / 弁護士法 §72 / 行政書士法 §1) — agent 出力は scaffold + 一次 URL まで
景表法 §5 — agent 出力は推定値含む可能性、最終判断は人間