グラぽ

2025年7月31日時点での名古屋グランパスの成績（順位、スタッツ）をどう評価するか？

現在のチームの強みと弱点をデータからどう分析するか？

シーズン後半戦、順位を上げるために何が必要か？

ネタばらし

あれ？なんかいつもの忍者さん・侍さんと違うような？

デスクはこの対談を見て一番最初に思ったのは「マジメか！」というツッコミでした

って皆さん思いましたよね。それもそのはず、これはAI（ChatGPT）に今年のやわらかめコラムを全部読み込ませ、テーマに沿って対談してください、というお願いをしてできたものなのです。このアイデアはグランパスファミリーTさんとCさんにいただきました。

だいぶそれっぽいことを喋ってくれていますが、ラグさん @Lagty_in_2D が描くキャラクターたちとは面白さが違うのではないでしょうか？AI、まだまだだな！

おまけ

今回使用したコードを一部公開します。詳しい人は読んでみて。

import os
import random

# LangChainの主要コンポーネントをインポート
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.document_loaders import DirectoryLoader, TextLoader, CSVLoader, WebBaseLoader
from langchain_community.vectorstores import FAISS
from langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain.chains.history_aware_retriever import create_history_aware_retriever
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage
from langchain.memory import ConversationBufferMemory
from langchain.schema.runnable import RunnablePassthrough
from langchain_core.output_parsers import StrOutputParser


# ==============================================================================
# Characterクラス: 個々の対話キャラクターを定義
# ==============================================================================
class Character:
    """キャラクターのRAGチェーンと情報をカプセル化するクラス。

    各キャラクターは、固有の知識、共有された会話ログ、ウェブからの情報を基に
    知識ベースを構築し、対話を行うためのRAGチェーンを保持します。

    Attributes:
        name (str): キャラクターの名前。
        rag_chain (Runnable): このキャラクターの発言を生成するためのRAGチェーン。
    """

    def __init__(self, name: str, private_docs_path: str, shared_logs_path: str, system_prompt_template: str, web_urls: list):
        """Characterオブジェクトを初期化します。

        Args:
            name (str): キャラクターの名前。
            private_docs_path (str): キャラクター固有の知識ファイルが格納されたディレクトリのパス。
            shared_logs_path (str): 全員が参照する共有会話ログが格納されたディレクトリのパス。
            system_prompt_template (str): キャラクターのペルソナや行動を定義するシステムプロンプト。
            web_urls (list): キャラクターが参照するウェブページのURLリスト。
        """
        # --- 1. キャラクターの基本情報を設定 ---
        self.name = name
        print(f"キャラクター「{self.name}」を構築中...")

        # --- 2. 知識ソースの読み込み ---
        # 2-1. キャラクター固有の知識（.txtファイル）を読み込む
        private_loader = DirectoryLoader(private_docs_path, glob="**/*.txt", loader_cls=TextLoader)
        private_docs = private_loader.load()

        # 2-2. 共有会話ログ（.csvファイル）を読み込む
        shared_docs = []
        # 共有ログファイルはキャラクター名で命名されていると想定（例: "忍者.csv"）
        character_log_file = os.path.join(shared_logs_path, f"{self.name}.csv")
        if os.path.exists(character_log_file):
            try:
                # CSVローダーでログファイルを読み込む
                log_loader = CSVLoader(file_path=character_log_file, encoding='utf-8')
                shared_docs = log_loader.load()
            except Exception:
                # ファイルの読み込みに失敗した場合はスキップ
                pass

        # 2-3. ウェブページから情報を読み込む
        web_docs = []
        if web_urls:
            try:
                # WebBaseLoaderで指定されたURLリストからコンテンツを取得
                loader = WebBaseLoader(web_urls)
                web_docs = loader.load()
            except Exception:
                # ウェブからの取得に失敗した場合はスキップ
                pass

        # 2-4. 全てのドキュメントを結合して、キャラクターの知識ベースとする
        all_docs = private_docs + shared_docs + web_docs
        print(f"  > 合計 {len(all_docs)} 件のドキュメントで知識ベースを構築します。")

        # --- 3. RAGチェーンの構築 ---
        # 3-1. LLM、Embeddingモデル、テキスト分割器を準備
        llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
        embeddings = OpenAIEmbeddings()
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100)

        # 3-2. ドキュメントを分割し、ベクトル化してFAISSインデックスを作成
        split_docs = text_splitter.split_documents(all_docs)
        # MMR (Maximal Marginal Relevance) を使用して、多様な検索結果を取得するRetrieverを作成
        retriever = FAISS.from_documents(split_docs, embeddings).as_retriever(
            search_type="mmr", search_kwargs={'k': 5, 'fetch_k': 20}
        )

        # 3-3. 会話履歴を考慮して検索クエリを再生成するためのプロンプトとRetriever
        history_aware_prompt = ChatPromptTemplate.from_messages([
            MessagesPlaceholder(variable_name="chat_history"),
            ("user", "{input}"),
            ("user", "上記の発言を踏まえ、関連情報を検索するためのキーワードを生成してください。"),
        ])
        history_aware_retriever = create_history_aware_retriever(llm, retriever, history_aware_prompt)

        # 3-4. 最終的な回答を生成するためのプロンプト
        answer_prompt = ChatPromptTemplate.from_messages([
            ("system", system_prompt_template),
            MessagesPlaceholder(variable_name="chat_history"),
            ("user", "{input}"),
        ])

        # 3-5. RAGチェーンの各部品を結合
        # 取得した文書を整形してプロンプトに渡すチェーン
        document_chain = create_stuff_documents_chain(llm, answer_prompt)
        # 履歴考慮型Retrieverと文書チェーンを結合して最終的なRAGチェーンを作成
        self.rag_chain = create_retrieval_chain(history_aware_retriever, document_chain)
        print(f"キャラクター「{self.name}」の構築完了。")

    def speak(self, input_text: str, chat_history: list, summary: str, private_history: str) -> str:
        """入力、共有ログ、議論の要約に基づいて発言を生成します。

        Args:
            input_text (str): 直前の発言など、応答のトリガーとなるテキスト。
            chat_history (list): 全員が共有する会話履歴。
            summary (str): これまでの議論の要約。
            private_history (str): このキャラクター自身の過去の発言履歴。

        Returns:
            str: 生成された発言テキスト。
        """
        # RAGチェーンを実行し、結果の"answer"部分を返す
        result = self.rag_chain.invoke({
            "input": input_text,
            "chat_history": chat_history,
            "discussion_summary": summary,
            "private_history": private_history
        })
        return result["answer"]


# ==============================================================================
# DialogueManagerクラス: 対談全体の進行を管理
# ==============================================================================
class DialogueManager:
    """キャラクター間の対談進行を管理するクラス。

    対談のテーマ管理、発言順の決定、会話履歴の保持、議論の要約など、
    司会者としての役割を担います。

    Attributes:
        characters (list[Character]): 対談に参加するCharacterオブジェクトのリスト。
        topics (list[str]): 対談のテーマリスト。
        shared_history (list): 全員が共有する会話履歴。
        summarizer_llm (ChatOpenAI): 要約生成用のLLM。
        summarizer_chain (Runnable): 要約を生成するためのチェーン。
    """

    def __init__(self, characters: list, topics: list):
        """DialogueManagerオブジェクトを初期化します。

        Args:
            characters (list[Character]): 対談に参加するCharacterオブジェクトのリスト。
            topics (list[str]): 対談のテーマリスト。
        """
        self.characters = characters
        self.topics = topics
        self.shared_history = []

        # 議論の要約を生成するためのLLMと言語モデルチェーンを初期化
        self.summarizer_llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
        summarizer_prompt = ChatPromptTemplate.from_messages([
            ("system", "以下の会話履歴を、重要な論点がわかるように簡潔に要約してください。"),
            MessagesPlaceholder(variable_name="chat_history")
        ])
        # プロンプト、LLM、出力パーサーを連結して要約チェーンを作成
        self.summarizer_chain = summarizer_prompt | self.summarizer_llm | StrOutputParser()

    def _introduce_topic(self, topic: str) -> str:
        """新しいテーマを紹介し、最初の発言を促すメッセージを作成します。

        Args:
            topic (str): 新しい対談テーマ。

        Returns:
            str: 最初の発言者に渡すための入力テキスト。
        """
        print("\n" + "="*50); print(f"【新たなテーマ】: {topic}"); print("="*50 + "\n")
        # 司会者としてテーマ開始を宣言し、共有履歴に追加
        moderator_message = f"司会者: それでは、次のテーマ「{topic}」について議論を始めましょう。"
        self.shared_history.append(HumanMessage(content=moderator_message))
        # 最初の発言を促すメッセージを返す
        return f"最初の議題として、「{topic}」について、皆さんのご意見をお聞かせください。"

    def _summarize_discussion(self) -> str:
        """現在の共有会話履歴を要約します。

        Returns:
            str: 生成された要約テキスト。
        """
        # 履歴が空の場合は要約しない
        if not self.shared_history:
            return "まだ議論は開始されていません。"
        # 履歴が長くなりすぎないように最新10件などに絞ることも可能
        return self.summarizer_chain.invoke({"chat_history": self.shared_history})

    def run_discussion(self, turns_per_character: int = 3):
        """全テーマにわたる対談を実行します。

        Args:
            turns_per_character (int, optional): 各テーマにおける、一人のキャラクターあたりの発言回数。デフォルトは3。
        """
        # 定義された全てのテーマで対談ループを実行
        for topic in self.topics:
            # テーマが変わるたびに共有会話履歴をリセット
            self.shared_history.clear()
            # 新しいテーマを紹介し、最初の入力テキストを取得
            current_input = self._introduce_topic(topic)
            last_speaker = None
            # このテーマでの総発言回数を計算
            total_turns = len(self.characters) * turns_per_character
            print(f"今回のテーマでは、合計 {total_turns} 回の発言が予定されています。"); print("-" * 50 + "\n")

            # 総発言回数分のループを開始
            for turn in range(total_turns):
                # --- 発言者の決定ロジック ---
                if turn == 0:
                    # 最初のターンは「記者」が存在すれば優先的に指名
                    try:
                        speaker = next(c for c in self.characters if c.name == "記者")
                    except StopIteration:
                        # 「記者」がいなければランダムに選ぶ
                        speaker = random.choice(self.characters)
                else:
                    # 2ターン目以降は、直前の発言者以外からランダムに選ぶ（連続発言を避ける）
                    possible_speakers = [c for c in self.characters if c.name != last_speaker.name]
                    speaker = random.choice(possible_speakers)

                print(f"--- (ターン{turn + 1}/{total_turns}) {speaker.name}の発言 ---")

                # 発言の直前に、これまでの議論を要約する
                discussion_summary = self._summarize_discussion()

                # speakメソッドに要約を渡して発言を生成
                # 現状、個別の履歴は空文字列を渡しているが、将来的に個別履歴を管理する拡張も可能
                response = speaker.speak(current_input, self.shared_history, discussion_summary, "")

                print(response); print("-" * 20 + "\n")

                # --- 状態の更新 ---
                # 生成された発言を共有履歴に追加
                self.shared_history.append(AIMessage(content=response, name=speaker.name))
                # 現在の発言を次の入力とする
                current_input = response
                # 直前の発言者を記録
                last_speaker = speaker