速報！LangGraphの「神ノード」をFableほか10のLLMでリファクタリング比較してみた結果

「LangGraphのコードが複雑になりすぎて、どのAIに頼めばきれいにリファクタリングしてもらえるんだろう？」

そんな疑問を持ったことはありませんか？実は今、海外のエンジニアコミュニティで面白い実験が話題になっています 🎉

FableをはじめとするLLM（大規模言語モデル）11種類を使って、LangGraphの”god node”（神ノード）と呼ばれる肥大化したコードをリファクタリングさせる比較検証です。結果がなかなか興味深いので、今回はその内容と背景をかみ砕いて紹介しますね。

Contents

🤔 「神ノード（god node）」ってそもそも何？
🧪 どんな比較をしたの？
💡 Fableってどんなモデル？
🔍 リファクタリング前後のイメージ
📊 実験から見えてくること
まとめ

🤔 「神ノード（god node）」ってそもそも何？

AI comparison / Photo by Google DeepMind via Pexels

まず前提知識として押さえておきましょう。

god node（神ノード）とは、ソフトウェア開発における「アンチパターン」のひとつです。イメージとしては、「なんでもひとりでこなしすぎてしまう万能キャラ」みたいなもの。コードで言うと、1つのノードやクラスに処理が詰め込まれすぎて、読みにくく・保守しにくい状態のことを指します。

LangGraphの文脈では、エージェントのワークフローを構成する「ノード」に処理が集中しすぎている状態ですね。本来は役割ごとに分割すべきところを、1つのノードが何もかもやってしまっている状態です。

🧪 どんな比較をしたの？

今回の実験では、以下のようなアプローチで各LLMを評価しています。

実際に肥大化したLangGraphノードのコードを渡す
各LLMに「リファクタリングしてください」と依頼する
出力されたコードの品質・分割の適切さ・可読性などを比較する
評価対象はFableを含む合計11種類のLLM

つまり、「AIにコードを直してもらう」という実務でもよくある場面を実験として再現しているわけです。これ、実際の開発で気になりますよね。

💡 Fableってどんなモデル？

Fableは比較的新しいLLMで、コード生成・リファクタリング能力に特化した設計が注目されています。今回の実験では、ChatGPT系・Claude系・Gemini系などの主要モデルと並んで評価されています。

比較の観点としては、こんな点が重視されています。

✅ ノードを適切な粒度で分割できるか
✅ 元のロジックを壊さずリファクタリングできるか
✅ コードの可読性・命名規則が改善されているか
✅ LangGraph特有の構造（State・Edge・Node）を正しく理解しているか

🔍 リファクタリング前後のイメージ

実際にどんな変化が期待されるか、簡単なコードで見てみましょう。

# ❌ リファクタリング前：god nodeの例
def god_node(state):
    # データ取得・加工・判断・出力を全部ここでやっている
    raw_data = fetch_data(state["query"])
    cleaned = clean_data(raw_data)
    result = analyze(cleaned)
    if result["score"] > 0.8:
        return {"output": result, "next": "approve"}
    else:
        return {"output": result, "next": "reject"}

# ✅ リファクタリング後：役割ごとに分割された例
def fetch_node(state):
    # データ取得だけに専念するノード
    raw_data = fetch_data(state["query"])
    return {"raw_data": raw_data}

def analyze_node(state):
    # 分析だけに専念するノード
    cleaned = clean_data(state["raw_data"])
    result = analyze(cleaned)
    return {"result": result}

def decision_node(state):
    # 判断だけに専念するノード
    score = state["result"]["score"]
    next_step = "approve" if score > 0.8 else "reject"
    return {"next": next_step}

ポイントをまとめるとこんな感じです 👇