Rasa vs LangChain vs Rasa + LangChain

あなたのビジネスチャットボットに最適なのはどれ？

チャットボットやAIアシスタントを導入する企業が増える中で、注目を集めているのがRasaとLangChainという2つの強力なオープンソースツールです。

それぞれ単体でも非常に優れた機能を持っていますが、組み合わせることで「構造 × 知識」の最強AIボットが誕生します。

本記事では、以下の内容を解説します：

Rasa・LangChainの特徴
それぞれの得意分野と限界
なぜ両方を組み合わせると最強なのか？

🧠 Rasaとは？

Rasa は、対話型AIアシスタントを構築するためのフレームワークです。主に以下のことが得意です：

ユーザーの意図（インテント）分類
キーワード（エンティティ）抽出
会話の流れ管理（ストーリー・ルール）
LINE や Slack、ウェブチャットなどとの統合

✅ 向いているケース

フォームの入力や予約受付など「決まったフロー」がある会話
日本語対応（GiNZA、SudachiPy など）
社内チャット、顧客サポートボット

🧠 LangChainとは？

LangChain は、大規模言語モデル（GPT、Claudeなど）を活用したアプリケーションを作るためのフレームワークです。

主に以下が得意です：

PDF や Web、Notion、CSVなどのドキュメント検索
回答生成（RAG = 検索＋生成）
長文の要約、比較、要点抽出
エージェント型チャットや自動ツール連携

✅ 向いているケース

FAQにない質問への対応
文書ベースの社内ナレッジボット
製品仕様・契約内容などの問い合わせ回答
日本語での文書Q\&AもOK（多言語ベクトル埋め込み）

⚖️ Rasa vs LangChain vs Rasa + LangChain

機能 / 用途	Rasaのみ 🟦	LangChainのみ 🟨	Rasa + LangChain 🟩
意図・エンティティ認識	✅ 強力	❌ 非対応	✅ Rasaが担当
会話の流れ管理（ストーリー）	✅ 強力	❌ 自前実装が必要	✅ Rasaで制御
文書ベースのQ\&A（RAG）	❌ 不可	✅ 優秀	✅ LangChainで実現
FAQ対応	✅ 定義が必要	⚠️ プロンプト次第	✅ 静的＋動的に対応可能
日本語対応	✅ 対応ライブラリあり	✅ 多言語埋め込みあり	✅ 両方に対応
複雑な業務対応（人事・契約・技術）	⚠️ 人力構築が必要	✅ 柔軟に対応	✅ 最適解

🧪 実例：返品ポリシーに関する質問

ユーザー：
「返品ポリシーについて教えてください」

システム	応答
Rasaのみ	「返品は7日以内に受け付けています」 ※ `utter_return_policy` に定義
LangChainのみ	社内PDFから該当部分を抽出し、LLMで要約して返答
Rasa + LangChain	インテントを分類 → LangChainで文書検索 → 公式文書から正確な情報を要約して返答：「返品は商品到着日から7日以内、未使用状態に限り可能です。詳細はこちら：...」 + 「じゃあ送料は？」という続きにも対応可能

🔧 どれを選ぶべきか？

こんな場合におすすめ	使用ツール
シンプルな予約やFAQが中心	✅ Rasaのみ
マニュアル・PDFからの柔軟なQ\&A	✅ LangChainのみ
予約・FAQも、文書検索も、すべて対応したい	✅ Rasa + LangChain

🏗 アーキテクチャ図（全体像）

graph TD
  U["ユーザー"]
  U --> RASA["Rasa"]
  RASA -->|インテント: 文書質問| LANGCHAIN["LangChain"]
  LANGCHAIN --> DOCS["会社ドキュメント"]
  LANGCHAIN --> RASA
  RASA --> U