🔍
RAG & ナレッジシステム
RAGの仕組み、構築方法、ベクトルデータベース比較
53
記事
RAGとは
RAG（Retrieval-Augmented Generation / 検索拡張生成）は、LLMの回答精度を外部知識で補強する技術です。LLM単体では学習データにない情報（社内ドキュメント、最新ニュース等）に答えられませんが、RAGを使えば「まず検索し、見つかった情報を元にLLMが回答する」ことで正確な回答が可能になります。
RAGの基本的な仕組み
RAGは3つのステップで動作します。
- インデックス作成 — ドキュメントをチャンク（断片）に分割し、ベクトル化してDBに格納
- 検索（Retrieval） — ユーザーの質問をベクトル化し、類似度で関連チャンクを取得
- 生成（Generation） — 取得したチャンクをLLMのコンテキストに注入し、回答を生成
ポイント: RAGの精度は「検索の質」で決まります。チャンク分割の粒度・エンベディングモデルの選択・検索アルゴリズムのチューニングが重要です。
ベクトルDBの選び方
| DB | 特徴 | 向いている用途 |
|---|---|---|
| Chroma | 軽量、Python特化 | プロトタイピング |
| Qdrant | 高性能、フィルタリング充実 | 本番環境 |
| pgvector | PostgreSQL拡張 | 既存PG環境への追加 |
| Weaviate | マルチモーダル対応 | 画像+テキスト検索 |
RAGフレームワーク比較
| フレームワーク | 特徴 |
|---|---|
| LangChain | 最も普及。豊富なインテグレーション |
| RAGFlow | エンタープライズ向け。DeepDocでPDF高精度解析 |
| Dify | ノーコード。非エンジニアでもRAGアプリ構築可能 |
| LlamaIndex | データ接続に特化。100+のデータソース対応 |
このトピックの読み方
RAGを初めて学ぶ → 関連記事の各フレームワークガイドから、自分の環境に合うものを選んでください。
すでにRAGを運用している → RAGをゼロから構築した教訓が実践的なチューニング知見として参考になります。
📄 関連記事（3件）
🔍
🔗
RAGFlowとは｜高精度な文書解析でRAGを組むOSSエンジンの使い方・Docker導入・GraphRAG
LangChainとは｜使い方入門ガイド — LLMエージェント・RAG・チェーン構築をPythonで実践
🏷️ 「rag」タグの記事
📚
🧠
📄
🕸️
🔍
🕸️
🧠
🎓
🐦
☁️
🗄️
🦛
LLM Wikiとは｜Karpathyの知識コンパイル手法・RAGとの違い・OSS実装の選び方を実測
claude-obsidianとは｜Obsidian金庫をAIが自己組織化する15スキルの中身と安全設計
pdf-inspector徹底解説｜PDFがOCR必要かを25msで判定しMarkdown化するRust製OSSを実測
Semanticaとは｜LLM不要のグラフ型コンテキスト基盤をPythonで実測しベクトルRAGとの違いを解説
Supavecとは｜OSSのRAG-as-a-Service基盤を実測——クラウドAPI停止後の自己ホスト検証
FalkorDBとは｜GraphRAGの土台になるグラフDBエンジンを疎行列・インデックス・ライセンスから解説
BrainAPIとは｜エージェントが自分でナレッジグラフを描くAIメモリ層をmem0・cogneeと比較
DeepTutor解説｜長期記憶とマルチエンジンRAGで動く自己ホスト型OSS AI家庭教師
WrenAIとは？自然言語→SQL（Text-to-SQL）をエージェント駆動で回すOSSのGenBI基盤
Nextcloud AIとは｜Context Chatで自前文書をRAG、ローカルLLM完結のセルフホストAI基盤
SeekDBとは？AIネイティブ検索データベースの使い方をDockerで実機検証【LEANNとの違いも】
Chonkieとは？RAGチャンキングライブラリを各Chunkerで実機比較検証
