イントロダクション

Healthcare Assistantアプリケーション

3 minutes

このワークショップで観測するアプリケーションは、Careful Health Providerの healthcare assistant です。検索拡張生成（RAG）とText-to-SQLツールを使用したエンドツーエンドのチャット体験を提供しますが、ベースバージョンには オブザーバビリティの計装が含まれていません 。それをこれから追加していきます。

技術スタック

レイヤーテクノロジー
UIStreamlit (app.py)
エージェントランタイムLangGraph (agent.py)
LLMOpenAI via LangChain (ChatOpenAI)
ベクトルストアPostgreSQL + pgvector via LangChain PGVector
リレーショナルデータCSVから読み込まれたPostgreSQLテーブル
設定config.yaml, system_prompt.json, .streamlit/secrets.toml

アーキテクチャ

Streamlit UIがユーザーメッセージを受け取り、会話を HealthcareAgent に渡します。エージェントは2つのノードを持つ LangGraph ステートグラフを実行します。LLMを呼び出す chatbot ノードと、LLMがリクエストしたツールを実行する tools ノードがあり、LLMが最終回答を生成するまでループします。

Healthcare assistantアーキテクチャ

リクエストフロー

  1. Streamlit がユーザー入力を収集し、セッションステートにチャット履歴を保持します。
  2. HealthcareAgent.process_query() がメッセージをLangChain形式に変換し、LangGraphグラフを呼び出します。
  3. chatbotノード がシステムプロンプトとバインドされたツールを使用してLLMを呼び出します。
  4. LLMがツールをリクエストした場合、 toolsノード が該当する関数を実行し、chatbotノードに制御を戻します。
  5. LLMがユーザーへの最終回答を生成するまでループが続きます。

ツール

エージェントには3つのツールがあり、Traceで確認できるSpanに直接対応しています。

ツール目的バックエンド
search_medicine_qa薬に関する質問に回答（用量、副作用、相互作用）RAG over pgvector
get_patient_infoIDで患者を検索Text-to-SQL → healthcare_patient
delete_patient_recordIDで患者を削除Text-to-SQL → healthcare_patient

2つのクエリ例が主要なパスを実行します。これらはワークショップ全体で使用するため、覚えておいてください。

留意すべき2つのリスク

  • ハルシネーションによる医療ガイダンス : 薬のQ&Aパスでは、誤った用量や相互作用が通過する可能性があります。メトリクスとシグナルでこれを検出し、ガードレールで防止します。
  • 機密性が高く不可逆なアクション : delete_patient_record は患者を永久に削除できます。これはランタイムガードレールの典型的なケースです。両方については後のチャプターで取り上げます。

ステージフォルダー

アプリケーションはインスタンス上の4つの段階的なフォルダーとして提供されます。各フォルダーはワークショップのステージに対応し、そのステージの完成版リファレンスとしても機能します。

text 
~/workshop/healthcare-assistant/
├── 1-base-app/                  # Deploy (Chapter 3): 計装なしの開始地点
├── 2-app-with-instrumentation/  # Instrument, trace, metrics, signals (Chapters 4–7)
├── 3-app-with-experiments/      # Experiments (このワークショップでは使用しません)
└── 4-app-with-controls/         # Guardrails / agent controls (Chapter 8)

ステージフォルダーの使い方

各コードチャプターでは、あるステージを次のステージに変換するための具体的な変更手順を確認します。
Last Modified ·