RAG(検索拡張生成)
外部知識を検索してLLMに回答させるRAGの手法を、OpenKB・FessなどKurage記事群の実装例と実測から整理する概念ページ。
RAG(Retrieval-Augmented Generation、検索拡張生成)は、外部の知識ベースから関連情報を検索し、その結果をプロンプトに組み込んでLLMに回答させる手法。LLMの学習知識だけでは不足する自社データや最新情報を扱うときに有効で、回答の根拠を明示できる。
「検索」と「生成」を分離して考えるのが実務上の要点で、検索側の索引品質(全文検索・日本語の扱い・チャンク設計)と、生成側のモデル選択(クラウドAPIかlocal-llmか)を別々に評価する必要がある。
本ドキュメントでの関連事例
kurage-articles-index には、RAGを実践する記事が複数収録されている。
- OpenKBで自社ナレッジのAI相談窓口とWikiを作った — openkb の実装。gemma4 12bとDeepSeekを『コンパイル』と『回答』で使い分ける構成が紹介されている。同じモデルを両方の工程に使うのではなく、ナレッジの構造化(コンパイル)と質問応答(回答)でモデルの得手不得手が分かれるという実測が主題。
- OpenKB——ベクトルDB不要のRAG「PageIndex」でナレッジチャットAIを作る — ベクトルDBを使わない軽量RAG設計。ページ索引(PageIndex)で文書を辿る方式のため、埋め込みモデルやベクトルストアの運用を持ち込まずに済む。local-llm と組み合わせてローカル完結で動作する。
- NamazuからFessへ——日本発の全文検索OSS「Fess」をdockerで立てて45本のPDFを索引し、ローカルLLMで「聞けば答える」を10問で実測(検索10/10・回答9/10) — fess を全文検索エンジンとして使い、その上位結果をローカルLLMに渡す構成。検索ヒット率と回答正答率を分けて計測しており、RAGのボトルネックが検索側か生成側かを切り分ける見本になっている。
- whisper.cppで日本語の文字起こしを自社サーバーで動かす — 会議音声を文字起こしして議事録を自動化する構成。RAGの前段(コーパス生成)として位置づけられる。
設計上の論点
ベクトルDBを持つか持たないか
OpenKBのPageIndexは「ベクトルDB不要」を明示的な設計方針としている。小〜中規模の社内文書なら、埋め込みベクトルの再計算・次元管理・近似検索のチューニングを省略し、全文検索+LLMによる辿りで十分という判断。一方、Fessのように全文検索エンジンを土台に据える構成は、日本語の形態素解析やPDF索引の実績を既存OSSから借りられる利点がある。
検索品質は「翻訳」では解決しない
OSSの日本語化(oss-japanese-localization)の記事群が繰り返し示すのは、UIの翻訳率が100%でも日本語での検索に穴が残るという事実(Docmost、Twenty など)。RAGの検索側でも同じ問題が起きるため、japanese-search-gap は retrieval の前提条件として扱う必要がある。
根拠をどこまで残すか
検索結果を引用するだけでは不十分で、どの文書のどの箇所に基づいたかを追跡できる形にする(evidence-traceability)。行政・法務・化学報告書のような領域では、数値や条文を生成させず与件として固定するdeterministic-core的な分担が有効。
データを外に出さない
no-external-data-egress の方針とRAGは相性が良く、ollama などのローカル推論と組み合わせれば、社内文書をクラウドに送らずに質問応答を完結できる。
特徴と利点
- 根拠付き回答: 検索結果を引用するため、回答の信頼性が上がる。
- 知識の更新が容易: モデル再学習なしにドキュメント追加だけで知識を更新できる。
- ローカル環境との相性: ollama や deepseek などlocal-llmと組み合わせ、外部APIなしで社内ナレッジを活用できる。
- 工程ごとのモデル選択: 索引構築(コンパイル)と回答生成で別モデルを割り当てられ、コストと精度のバランスを取れる。
関連トピック
- rag — この概念ページ自体
- local-llm — ローカルで動く軽量LLMとRAGの組み合わせ(gemma、deepseek、ollama)
- ai-agent — エージェントがRAGで知識を取得して行動する構成
- japanese-search-gap — 日本語検索の穴がretrieval品質を決める
- evidence-traceability — 回答の根拠を追跡可能にする設計
- no-external-data-egress — 社外に文書を出さないRAG運用
- ai-search-optimization — 逆方向(LLMに引用される側)の最適化。GEO/AEOとしてkgeo などが担う
- kurage-platform — Kurageが提供するOSSツール群の中での位置づけ
- self-hosting — 自社ホストでナレッジAIを運用する際の基盤
参照元
kurage-articles-index の「OpenKB」「Fess」「whisper.cpp」関連記事が主要な情報源。詳細は各記事のURLを参照のこと。
See also: kurage-lps
See also: kurage-repos
See also: kurage-products
Kurage.AI に質問する
