この投稿は、 Aurabaseの ネイティブ AI パノラマの一部です。どちらのフレームワークもデータベースへの独自のコネクタを提供しません。Postgres への接続は、どちらの場合も、汎用 SQL ドライバー (Python 側の SQLAlchemy) と標準の接続文字列を介して行われます。これは、マネージド Postgresと同様に、 Aurabase にも当てはまります。
- LangChain: 一般的な LLM オーケストレーション フレームワーク (チェーン、ツール、メモリ)。現在、エージェントは
LangGraphを介して構築されており、SQL はツールキットの 1 つとして扱われます。 - LlamaIndex: RAG および構造化ソースのクエリのために生まれたデータ フレームワーク。ネイティブ SQL エンジン (
NLSQLTableQueryEngine)、そのWorkflowsエンジン経由のエージェント。 - CrewAI および AutoGen は、 LangChain/LlamaIndexの代替ではありません。これらは、2 つのうちの 1 つ (または社内 Python 関数) の上に配置されるマルチエージェント オーケストレーション レイヤーです。
- LangChain も LlamaIndex も独自の Postgres コネクタを提供しません。どちらも SQLAlchemy を使用し、含まれるマネージド Postgres、 Aurabase と互換性があります。
- 現在のところ、これらのフレームワークには Aurabase パッケージ化された統合は存在しません。接続は、各プロジェクトによって公開される標準の Postgres 接続文字列を介して行われます。
異なるニーズに合わせて生まれた2つのフレームワーク
LangChain と LlamaIndex は、2022 年末の ChatGPT のリリースを受けて、同じ時期に登場しました。それらの出発点は著しく異なります。 LangChain は、プロンプト、モデル呼び出し、ツール、メモリなど、すべて LCEL または LangGraphグラフを介して組み立てられる、構成可能なステップのチェーンとして LLM アプリケーションをモデル化します。
LlamaIndex は、最初にデータ (ドキュメント、ノード、インデックス、クエリ エンジン) をモデル化します。 VectorStoreIndex または SQLDatabase は第一級市民であり、汎用エージェントに追加されるツールではありません。どちらもオープン ソース (MIT ライセンス) で、Python と TypeScriptで利用でき、現在、エージェント、RAG、ツール呼び出し、SQL 接続など、大きく重複する範囲をカバーしています。
この収束により、比較は機能のリストよりもアーキテクチャ上でより有用になります。どちらも、ほぼ同じことを実行できます。何がどのように変わるのかということです。
パッケージ化された統合を使用せずに、誰もが Postgresに接続する方法
LangChain 側では、langchain_community.utilities.SQLDatabase モジュールが SQLAlchemy エンジンをカプセル化します。 create_sql_agent エージェントは、テーブルの一覧表示、スキーマの記述、クエリの実行、実行前のクエリのチェックなどのツール セットとしてそれを公開します。
from langchain_community.utilities import SQLDatabase
from langchain_community.agent_toolkits import create_sql_agent
from langchain_openai import ChatOpenAI
# Studio → 設定 → 接続から取得したチャンネル。
# search_path プロジェクト スキーマへのルート (詳細については SQLAlchemy/psycopg ドキュメントを参照)
# 「options」パラメータの正確なエンコードは、使用されるドライバに応じて異なります)。
db = SQLDatabase.from_uri(
"postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)
llm = ChatOpenAI(model="gpt-4o-mini")
agent = create_sql_agent(llm=llm, db=db, agent_type="tool-calling")
agent.invoke({"input": "Combien de commandes la semaine dernière ?"})
LlamaIndex 側では、同等の抽象化は llama_index.core.SQLDatabaseであり、これも SQLAlchemy エンジン上に構築されています。 NLSQLTableQueryEngine クエリ エンジンは、自然言語の質問を SQL クエリに変換して実行し、結果を応答として再定式化します。
from sqlalchemy import create_engine
from llama_index.core import SQLDatabase
from llama_index.core.query_engine import NLSQLTableQueryEngine
from llama_index.llms.openai import OpenAI
engine = create_engine(
"postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
)
sql_database = SQLDatabase(engine, include_tables=["orders", "customers"])
query_engine = NLSQLTableQueryEngine(
sql_database=sql_database, llm=OpenAI(model="gpt-4o-mini"),
)
response = query_engine.query("Combien de commandes la semaine dernière ?")
どちらの抽出も Aurabaseには依存しません。 Supabase、RDS、または自己ホスト型インスタンスの場合と同様、SQLAlchemy ドライバーと標準の Postgres 接続文字列で十分です。
LangGraph とワークフロー: エージェントを調整する 2 つの方法
LangChain は、最初に古典的なエージェント ループ (AgentExecutor、ReAct パターン) を提案しました。それ以来、プロジェクトはエージェントを LangGraphに向けて収束させました。エージェントはノードとエッジの明示的なグラフとして表されており、チェックポイント設定と 2 つのステージ間の人間の介入の可能性があります。
LlamaIndex は、その Workflowsで応答します。これは、各ステップが型指定されたイベントを発行および消費するイベント駆動型のオーケストレーションです。 SQL またはベクトル クエリ エンジンは、すでにフレームワークのネイティブ プリミティブであるため、追加のアダプテーション レイヤーを必要とせずに、ステップとして直接プラグインされます。
Postgresをクエリするエージェントの場合、実質的な違いは次のとおりです。 LangGraph では、SQL 呼び出しの前後で分岐と再試行をきめ細かく制御できます。 LlamaIndex では、フレームワークによってすでにインデックス付けされているデータに関する質問の場合、必要なリンク コードが少なくなります。
LlamaIndex は歴史的な一歩を踏み出し続けます
LlamaIndex は、コネクタのカタログ (LlamaHub) とコンテンツの種類に応じた特殊なインデックスを使用して、LLM をデータ ソースに接続するために最初から設計されました。 RAG は、フレームワークの最も直接的な使用例であり、後から追加される機能ではありません。
LangChain は、retrievers およびフェッチ チェーンを通じて同じニーズに対応し、LangGraph エコシステムへの同様に成熟した統合を実現します。違いは容量に関するものではなく、ビジネス ロジックが存在する場所です。LlamaIndex 側ではインデックスに統合され、LangChain 側ではチェーンに明示的に組み立てられます。
どちらも pgvector をベクトル ベースとして使用する方法を知っています。LlamaIndex 側では llama-index-vector-stores-postgres、LangChain 側では langchain-postgres パッケージの PGVector クラスです。 Aurabase プロジェクトでは、pgvector 0.8.6 が Postgres テナント イメージにすでに存在します。両方のパッケージは、別のアクティブ化手順を行わずに、同じ接続文字列を使用してそれに接続します。
CrewAI および AutoGen: 単一のエージェントでは不十分な場合
CrewAI は、ロールごとに複数のエージェントを調整します。各エージェントは、目的、コンテキスト (backstory)、およびツールを受け取り、順番にまたは階層に従って実行される Task を含む Crew にグループ化されます。これは本格的なオーケストレーション フレームワークであり、 LangChainの拡張ではありません。
Microsoft の研究プロジェクトである AutoGenは、別のアプローチを採用しています。つまり、隔離された環境でコードを実行する機能を備えた、互いに通信するエージェント (AssistantAgent、 UserProxyAgent、 GroupChat) です。調整は、 LangGraphのような明示的な状態グラフではなく、会話のように見えます。
どちらもデータ接続層を置き換えるものではありません。 Postgres を読み取る必要がある CrewAI または AutoGen エージェントは、実際には、 LangChain または LlamaIndexで構築された SQL ツール、または psycopg2を中心とした単純な Python 関数を呼び出します。 CrewAI と AutoGen は、「データベースの読み取り方法」ではなく、「誰が何をどの順序で実行するか」に答えます。
Postgres データベースではどちらもネイティブに行わないこと
create_sql_agent および NLSQLTableQueryEngine は、提供された接続に対してモデルによって生成されたクエリを実行します。デフォルトで返される行数を制限したり、書き込みリクエストをブロックしたりすることはありません。実際のガードレールは、フレームワーク オプションではなく、接続文字列で使用される Postgres ロールです。
これは、 Aurabaseのネイティブ NL2SQLとの構造的な違いであり、サーバー側で質問を SQL に変換し、生成されたクエリを検証し (SQL 解析、なりすましサーバー フィールドの拒否)、実行前に LIMIT を制限します。これは同じレンガではありません。NL2SQL エンドポイントは 1 ターンで応答し、プラットフォームによってガードレールがインストールされます。 LangChain または LlamaIndex エージェントは、自分で組み立てるための安全策を講じて、いくつかの段階で推論します。
実際には、この 2 つのアプローチは、お互いを排除するのではなく、補完し合います。エンド ユーザーに公開される単純な質問に対する制限付き NL2SQL エンドポイントと、SQL を超えたいくつかのツールを組み合わせたマルチステップ推論のためのエージェントです。
LangChain、 LlamaIndex、 CrewAI、 AutoGen を 1 つのテーブルに
| 主な目的 | ゼネラリスト LLM オーケストレーション | データフレームワーク / RAG | 役割別のマルチエージェントオーケストレーション | 会話型マルチエージェント オーケストレーション |
|---|---|---|---|---|
| プリミティブエージェント | LangGraph (状態グラフ) | ワークフロー(イベントステップ) | スタッフ / タスク / プロセス | アシスタントエージェント / グループチャット |
| ネイティブ SQL 接続 | SQLデータベース + create_sql_agent | SQLデータベース + NLSQLTableQueryEngine | なし(外部ツール) | なし(外部ツール) |
| pgvector のサポート | langchain-postgres (PGVector) | ラマインデックスベクターストアポストグレ | ネイティブではありません | ネイティブではありません |
| ネイティブマルチエージェント | いいえ (マルチノード LangGraph) | いいえ (単一エージェント フロー) | はい | はい |
| ライセンス | マサチューセッツ工科大学 | マサチューセッツ工科大学 | マサチューセッツ工科大学 | MIT (マイクロソフトリサーチプロジェクト) |
| ラングチェーン | ラメインデックス | クルーワイ | オートジェン |
LangChain または LlamaIndex を標準の Postgres バックエンドに接続します
選択したフレームワークに関係なく、3 つの手順で十分です。また、プラットフォーム固有のコネクタに依存しません。
# 1. プロジェクトの Postgres 接続文字列を取得します。
# (スタジオ → 設定 → 接続、または管理対象の Postgres)
export AURA_DB_URL="postgresql+psycopg2://aura:***@<host>:5432/aura_db_master?options=-csearch_path%3Dproject_<id>"
# 2. SQL ドライバーと選択したフレームワークをインストールします
pip install langchain langchain-community langchain-openai psycopg2-binary
# または、LlamaIndex 側で次のようにします。
pip install llama-index llama-index-llms-openai psycopg2-binary
# 3. 専用の Postgres ロールを作成します。エージェントがポーリングのみを行う場合は読み取り専用です。
CREATE ROLE agent_readonly LOGIN PASSWORD '***';
GRANT SELECT ON ALL TABLES IN SCHEMA project_<id> TO agent_readonly;
3 番目のステップは、フレームワークの選択よりも重要です。本当に必要な権限に制限された Postgres ロールは、それを実行するエージェントに関係なく、その範囲を超える生成されたリクエストに対する唯一の信頼できる保護手段となります。エージェント側で使用できる Aurabaseのネイティブ LLM プロバイダー (OpenAI、Anthropic、Gemini) の構成については、AI ドキュメント を参照してください。
プロジェクトに応じてどれを選択するか
どちらのフレームワークも、 Postgresに接続されているエージェントにとって厳密には優れていません。プロジェクトの開始コンテキストは、機能のリストよりも決定的です。
- LangChain: エージェントが複数の異種ツール (SQL、外部 API、Web 検索) を組み合わせて LangGraph経由でフローを細かく制御する必要がある場合、およびチームが市場で最も広範な統合エコシステムを重視する場合。
- LlamaIndex: プロジェクトの中心が RAG またはすでにインデックス付けされたデータのクエリであり、ソース コネクタとユース ケースに直接適合するインデックス/クエリ モデルが強く必要な場合。
- CrewAI または AutoGen に加えて: 単一のエージェントでは十分ではなくなり、2 つのデータ フレームワークのいずれかの上にある複数の特殊なロール間で作業を分散する必要がある場合はすぐに実行されます。
この 2 つは同じプロジェクト内で共存することもできます。LlamaIndex クエリ エンジンが LangGraph エージェントのツールとして公開されるのが一般的なパターンです。 2 つのフレームワークを維持するには、実際の複雑さのコストがかかり、デフォルトで採用する前に利点と比較検討する必要があります。
よくある質問
LangChain および LlamaIndex は Postgres データを変更 (INSERT、UPDATE、DELETE) できますか?+
create_sql_agent も LlamaIndex 側の NLSQLTableQueryEngine も、読み取り専用クエリをネイティブに制限しません。本当の安全策は、 Postgresのレベルで発生します。これは、 GRANT が SELECTに制限された専用のアプリケーション ロールです。 SQL インジェクションに対する NL2SQL の保護に関するガイドも参照してください。