ai-search-rag

RAG 設定による AI Search

概要

このスキルでは、検索拡張生成（RAG）を使用した ServiceNow AI Search の設定と最適化について説明します。

• 検索ソース（ナレッジベース、カタログアイテム、サービスポータルのコンテンツ）の作成と設定
• 検索動作とソースの優先順位を定義する検索プロファイルの設定
• 質の高い検索結果を得るための結果ランキングと関連性の調整
• 検索されたナレッジコンテンツから回答を生成する RAG の有効化
• 最適な検索のための検索インデックスとフィールド設定の管理
• フィードバックループと分析による検索品質の調整
• AI Search と Now Assist および Virtual Agent の統合

使用する場面： ナレッジベース全体を対象に AI を活用した検索を設定する場合、エンタープライズコンテンツから生成回答を作成するために RAG を設定する場合、または ServiceNow の検索結果の品質を最適化する場合に使用します。

前提条件

• ロール： admin、search_admin、または now_assist_admin
• プラグイン： com.snc.ai_search（AI Search）、com.snc.generative_ai_controller（Generative AI Controller）、sn_gen_ai（Generative AI）
• アクセス権： sn_ai_search_source、sn_ai_search_profile、sn_gen_ai_config テーブル
• 知識： 検索の概念（インデックス作成、ランキング、関連性）とナレッジ管理の基本を理解していること
• 関連スキル： 会話型 AI については genai/now-assist-qa、KB コンテンツについては knowledge/article-generation

手順

ステップ 1：利用可能なナレッジソースを評価する

検索可能にし、RAG で利用できるコンテンツを特定します。

MCP アプローチ：

Use SN-Query-Table on kb_knowledge_base:
  - query: active=true
  - fields: sys_id,title,description,kb_version,active,article_count
  - limit: 20

既存のナレッジ記事を確認します：

Use SN-Query-Table on kb_knowledge:
  - query: workflow_state=published^kb_knowledge_base=<kb_sys_id>
  - fields: sys_id,short_description,kb_knowledge_base,workflow_state,sys_updated_on
  - limit: 20

REST アプローチ：

GET /api/now/table/kb_knowledge_base
  ?sysparm_query=active=true
  &sysparm_fields=sys_id,title,description,active
  &sysparm_limit=20

ステップ 2：検索ソースを作成する

検索ソースは、AI Search がコンテンツを取得する場所を定義します。

ナレッジベース検索ソース：

MCP アプローチ：

Use SN-Create-Record on sn_ai_search_source:
  - name: "IT Knowledge Base"
  - description: "Primary IT support knowledge articles"
  - source_type: "knowledge"
  - source_table: "kb_knowledge"
  - source_condition: "workflow_state=published^kb_knowledge_base=<kb_sys_id>"
  - active: true
  - enable_rag: true
  - rag_content_field: "text"
  - search_fields: "short_description,text,meta"
  - display_fields: "short_description,kb_category,sys_updated_on"

REST アプローチ：

POST /api/now/table/sn_ai_search_source
Body: {
  "name": "IT Knowledge Base",
  "description": "Primary IT support knowledge articles",
  "source_type": "knowledge",
  "source_table": "kb_knowledge",
  "source_condition": "workflow_state=published",
  "active": true,
  "enable_rag": true,
  "rag_content_field": "text"
}

カタログアイテム検索ソース：

Use SN-Create-Record on sn_ai_search_source:
  - name: "Service Catalog Items"
  - description: "Available service catalog offerings"
  - source_type: "catalog"
  - source_table: "sc_cat_item"
  - source_condition: "active=true^hide_sp=false"
  - active: true
  - enable_rag: false
  - search_fields: "name,short_description,description"
  - display_fields: "name,short_description,category"

インシデント解決策検索ソース：

Use SN-Create-Record on sn_ai_search_source:
  - name: "Resolved Incidents"
  - description: "Previously resolved incidents for pattern matching"
  - source_type: "table"
  - source_table: "incident"
  - source_condition: "state=6^close_notes!=NULL^universal_requestISNOTEMPTY"
  - active: true
  - enable_rag: true
  - rag_content_field: "close_notes"
  - search_fields: "short_description,description,close_notes"

ステップ 3：検索プロファイルを設定する

検索プロファイルは、検索するソースと結果のランキング方法を制御します。

MCP アプローチ：

Use SN-Create-Record on sn_ai_search_profile:
  - name: "IT Support Search"
  - description: "Search profile for IT help desk agents and self-service"
  - active: true
  - default_profile: false
  - rag_enabled: true
  - max_results: 10
  - rag_max_sources: 5
  - rag_confidence_threshold: 0.7
  - search_sources: "<kb_source_sys_id>,<catalog_source_sys_id>,<incident_source_sys_id>"

REST アプローチ：

POST /api/now/table/sn_ai_search_profile
Body: {
  "name": "IT Support Search",
  "description": "Search profile for IT help desk agents and self-service",
  "active": true,
  "rag_enabled": true,
  "max_results": 10,
  "rag_max_sources": 5,
  "rag_confidence_threshold": 0.7
}

ステップ 4：検索フィールドの重み付けを設定する

フィールド設定では、関連性スコアへの各フィールドの寄与を制御します。

MCP アプローチ：

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "short_description"
  - boost_factor: 3.0
  - searchable: true
  - displayable: true
  - order: 100

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "text"
  - boost_factor: 1.0
  - searchable: true
  - displayable: false
  - order: 200

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "meta"
  - boost_factor: 2.0
  - searchable: true
  - displayable: false
  - order: 300

ブースト係数の目安：

ブーストレベル	値	使用例
高	3.0-5.0	タイトル、短い説明 -- 主な一致フィールド
中	1.5-2.5	タグ、メタデータ、カテゴリ -- 補助的な一致フィールド
標準	1.0	本文、全コンテンツ -- 幅広い一致
低	0.5	コメント、メモ -- 補足情報

ステップ 5：RAG の回答生成を設定する

検索したコンテンツから回答を生成する生成 AI 設定を行います。

MCP アプローチ：

Use SN-Create-Record on sn_gen_ai_config:
  - name: "AI Search RAG Configuration"
  - description: "Controls how RAG generates answers from search results"
  - active: true
  - llm_provider: "now_llm"
  - model: "default"
  - temperature: 0.3
  - max_tokens: 500
  - system_prompt: "You are a helpful IT support assistant. Answer questions using only the provided context. If the context does not contain enough information, say so clearly. Always cite the source article."
  - context_window: 4000
  - enable_citations: true
  - citation_format: "inline"

REST アプローチ：

POST /api/now/table/sn_gen_ai_config
Body: {
  "name": "AI Search RAG Configuration",
  "description": "Controls how RAG generates answers from search results",
  "active": true,
  "llm_provider": "now_llm",
  "temperature": 0.3,
  "max_tokens": 500,
  "enable_citations": true
}

RAG における温度設定の目安：

温度	動作	使用例
0.0-0.2	非常に事実に忠実で、決定的	ポリシーの検索、コンプライアンスに関する回答
0.3-0.5	バランスが取れており、おおむね事実に忠実	IT サポート、トラブルシューティングのガイダンス
0.6-0.8	より創造的で、多様な言い回し	コンテンツの提案、おすすめ
0.9-1.0	非常に創造的	RAG には推奨されません

ステップ 6：検索インデックス設定を行う

最適な検索のために、コンテンツのインデックス作成方法を制御します。

MCP アプローチ：

Use SN-Create-Record on sn_ai_search_index:
  - search_source: "<kb_source_sys_id>"
  - name: "KB Article Index"
  - index_type: "full_text"
  - active: true
  - rebuild_schedule: "daily"
  - chunk_size: 500
  - chunk_overlap: 50
  - embedding_model: "default"

REST アプローチ：

POST /api/now/table/sn_ai_search_index
Body: {
  "search_source": "<kb_source_sys_id>",
  "name": "KB Article Index",
  "index_type": "full_text",
  "active": true,
  "rebuild_schedule": "daily",
  "chunk_size": 500,
  "chunk_overlap": 50
}

チャンク分割戦略の目安：

コンテンツタイプ	チャンクサイズ	オーバーラップ	理由
短い KB 記事	300-500	30-50	記事全体の文脈を保持する
長いドキュメント	500-800	50-100	文脈と具体性のバランスを取る
FAQ コンテンツ	200-300	20-30	Q&A の組み合わせを維持する
ポリシー文書	800-1200	100-150	セクション単位の文脈を維持する

Step 7：結果のランキングを設定する

MCP アプローチ：

Use SN-Create-Record on sn_ai_search_result_config:
  - search_profile: "<profile_sys_id>"
  - name: "IT Support Ranking"
  - ranking_model: "hybrid"
  - semantic_weight: 0.6
  - keyword_weight: 0.3
  - recency_weight: 0.1
  - personalization: true
  - active: true

ランキングモデルのオプション：

モデル	説明	最適な用途
keyword	従来のキーワード／BM25 マッチング	完全一致の用語検索、エラーコード
semantic	ベクトルベースの意味的類似性	自然言語での質問
hybrid	キーワード検索とセマンティック検索の組み合わせ	汎用（推奨）

Step 8：Virtual Agent と Now Assist に統合する

AI Search を会話型インターフェイスに接続します。

Virtual Agent の検索ソース：

Use SN-Create-Record on sys_cs_ai_search_source:
  - name: "VA AI Search Integration"
  - search_profile: "<profile_sys_id>"
  - active: true
  - auto_summarize: true
  - fallback_action: "transfer_to_agent"
  - confidence_threshold: 0.65
  - max_results_shown: 3

REST アプローチ：

POST /api/now/table/sys_cs_ai_search_source
Body: {
  "name": "VA AI Search Integration",
  "search_profile": "<profile_sys_id>",
  "active": true,
  "auto_summarize": true,
  "fallback_action": "transfer_to_agent",
  "confidence_threshold": 0.65
}

Step 9：検索品質を監視する

検索分析データを照会して、パフォーマンスを把握します。

MCP アプローチ：

Use SN-Query-Table on sn_ai_search_log:
  - query: search_profile=<profile_sys_id>^sys_created_on>javascript:gs.daysAgo(7)
  - fields: sys_id,query_text,result_count,click_through,feedback_score,rag_generated
  - limit: 50
  - orderBy: sys_created_on
  - orderDirection: desc

RAG の回答品質を追跡します：

Use SN-Query-Table on sn_ai_search_feedback:
  - query: search_profile=<profile_sys_id>^rating<3
  - fields: sys_id,query_text,answer_text,rating,feedback_comment
  - limit: 20

Step 10：調整と最適化を行う

分析データに基づいて、検索設定を調整します。

信頼度しきい値を調整する：

Use SN-Update-Record on sn_ai_search_profile:
  - sys_id: "<profile_sys_id>"
  - rag_confidence_threshold: 0.75

フィールドのブーストを更新する：

Use SN-Update-Record on sn_ai_search_field_config:
  - sys_id: "<field_config_sys_id>"
  - boost_factor: 4.0

インデックスの再構築を開始する：

Use SN-Update-Record on sn_ai_search_index:
  - sys_id: "<index_sys_id>"
  - rebuild_requested: true

ツールの使用方法

ツール	目的	使用するタイミング
SN-Query-Table	既存のソース、プロファイル、分析データを検索する	発見と監視
SN-Create-Record	ソース、プロファイル、フィールド設定を作成する	初期設定と拡張
SN-Update-Record	ランキング、しきい値、インデックスを調整する	最適化とメンテナンス
SN-Get-Table-Schema	設定フィールドを確認する	利用可能な設定の把握

ベストプラクティス

1. ナレッジベースから始めます。主要な RAG ソースとして使用します。構造化され、精選されたコンテンツが含まれているためです
2. ハイブリッドランキングを使用し、セマンティック検索とキーワード検索を組み合わせて最良の結果を得ます
3. 最初は保守的な信頼度しきい値（0.7 以上）を設定し、必要な場合にのみ下げます
4. RAG の Temperature は低く（0.2～0.4）設定し、事実の正確性を保ちます
5. 引用を有効にし、ユーザーが回答をソース資料と照合できるようにします
6. コンテンツを適切なサイズに分割します。小さすぎると文脈が失われ、大きすぎると関連性が薄まります
7. タイトルフィールドの重みを本文の 3～5 倍に設定し、結果の関連性を高めます
8. クリック率とフィードバックスコアを監視し、品質上の課題を特定します
9. ナレッジベースの更新後は定期的にインデックスを再構築し、コンテンツを最新の状態に保ちます
10. 検索ログから実際のユーザークエリを使ってテストし、ランキングの変更を検証します

トラブルシューティング

問題	原因	解決方法
検索結果が返されない	検索ソースが非アクティブ、または一致するコンテンツがない	ソースがアクティブであり、コンテンツが source_condition と一致することを確認します
RAG の回答が幻覚を含む	Temperature が高すぎる、またはコンテキストが不足している	Temperature を下げ、rag_max_sources を増やし、コンテンツの品質を確認します
関連性の低い結果が上位に表示される	フィールドのブーストの重みが正しく設定されていない	タイトル／説明のブーストを増やし、本文のブーストを減らします
検索が遅い	インデックスが大きい、または検索対象のソースが多すぎる	source_condition の範囲を限定し、chunk_size を最適化し、max_results を減らします
RAG の回答に引用がない	生成 AI 設定で引用が有効になっていない	sn_gen_ai_config で enable_citations=true を設定します
インデックスが古い	再構築スケジュールの頻度が低すぎる	手動で再構築するか、rebuild_schedule の頻度を上げます
結果が重複する	同じコンテンツが複数のソースからインデックスに登録されている	ソースの重複排除を追加するか、source_condition フィルターの範囲を狭めます

例

例 1：IT セルフサービスの AI Search

従業員向けセルフサービスポータルに AI Search を設定します：

• ソース： IT ナレッジベース（公開済みの記事）、サービスカタログ（有効なアイテム）、FAQ ナレッジベース
• プロファイル： RAG を有効にしたセルフサービス、最大 5 件の結果、信頼度しきい値 0.7
• ランキング： ハイブリッドモデル、semantic_weight=0.6、keyword_weight=0.3、recency=0.1
• RAG 設定： Temperature 0.3、最大 500 トークン、インライン引用を有効化
• 統合： 自動要約を有効にした Virtual Agent、ライブエージェントへのフォールバック

例 2：RAG による HR ポリシー検索

HR ポリシーに関する質問向けに AI Search を設定します。

• ソース： HR ナレッジベース（ポリシー文書）、HR カタログ（申請フォーム）
• プロファイル： 厳格な RAG を適用した HR 専用設定（ポリシーの正確性を高めるため、temperature は 0.1）
• チャンク分割： 800 トークン、オーバーラップ 100（ポリシーのセクションの文脈を保持）
• フィールドブースト： ポリシータイトル 5.0 倍、セクション見出し 3.0 倍、本文 1.0 倍
• ガードレール： システムプロンプトでポリシーの正確な引用を要求し、法的文言の言い換えを禁止します

例 3：複数のソースを対象にした技術ナレッジ検索

複数の技術ナレッジベースを対象に AI Search を設定します。

• ソース： インフラストラクチャ KB、アプリケーション KB、セキュリティ KB、解決済みのインシデント
• プロファイル： 自然言語クエリ向けに、セマンティックの重みを高くした（0.7）テクニカルサポート設定
• チャンク分割： 技術記事向けに 500 トークン、オーバーラップ 50
• ランキング： 変化の速い技術コンテンツに対応するため、新しい記事を優先（recency_weight=0.2）
• モニタリング： 評価の低い回答を毎週追跡し、見落としをもとに再トレーニングします

関連スキル

• genai/now-assist-qa - AI Search の結果を利用する会話型 AI
• genai/skill-kit-custom - AI Search を呼び出せるカスタムスキル
• knowledge/article-generation - 検索対象となるナレッジコンテンツの管理
• reporting/executive-dashboard - 検索分析ダッシュボードの構築