rag-implementation

RAG の実装

Retrieval-Augmented Generation（RAG）を習得し、外部のナレッジソースを使用して正確で根拠のある回答を提供する LLM アプリケーションを構築しましょう。

このスキルを使用する場面

• 独自のドキュメントに対する Q&A システムを構築する場合
• 最新の事実情報を備えたチャットボットを作成する場合
• 自然言語クエリによるセマンティック検索を実装する場合
• 根拠のある回答によってハルシネーションを削減する場合
• LLM がドメイン固有の知識にアクセスできるようにする場合
• ドキュメントアシスタントを構築する場合
• 出典引用を備えたリサーチツールを作成する場合

コアコンポーネント

1. ベクトルデータベース

目的: ドキュメントの埋め込みを効率的に保存および取得する

選択肢:

• Pinecone: マネージド、スケーラブル、サーバーレス
• Weaviate: オープンソース、ハイブリッド検索、GraphQL
• Milvus: 高性能、オンプレミス
• Chroma: 軽量、使いやすい、ローカル開発向け
• Qdrant: 高速、フィルタ検索、Rust ベース
• pgvector: PostgreSQL 拡張、SQL 統合

2. 埋め込み

目的: 類似度検索のためにテキストを数値ベクトルに変換する

モデル（2026年）:

モデル	次元数	最適な用途
voyage-3-large	1024	Claude アプリ（Anthropic 推奨）
voyage-code-3	1024	コード検索
text-embedding-3-large	3072	OpenAI アプリ、高精度
text-embedding-3-small	1536	OpenAI アプリ、コスト効率重視
bge-large-en-v1.5	1024	オープンソース、ローカルデプロイ
multilingual-e5-large	1024	多言語サポート

3. 検索戦略

アプローチ:

• 密検索（Dense Retrieval）: 埋め込みによるセマンティック類似度
• 疎検索（Sparse Retrieval）: キーワードマッチング（BM25、TF-IDF）
• ハイブリッド検索: 密検索 + 疎検索を重み付き融合で組み合わせる
• マルチクエリ: 複数のクエリバリエーションを生成する
• HyDE: より良い検索のために仮想ドキュメントを生成する

4. リランキング

目的: 結果を並べ替えて検索品質を向上させる

手法:

• クロスエンコーダー: BERT ベースのリランキング（ms-marco-MiniLM）
• Cohere Rerank: API ベースのリランキング
• Maximal Marginal Relevance（MMR）: 多様性 + 関連性
• LLM ベース: LLM を使用して関連性をスコアリングする

LangGraph を使ったクイックスタート

from langgraph.graph import StateGraph, START, END
from langchain_anthropic import ChatAnthropic
from langchain_voyageai import VoyageAIEmbeddings
from langchain_pinecone import PineconeVectorStore
from langchain_core.documents import Document
from langchain_core.prompts import ChatPromptTemplate
from langchain_text_splitters import RecursiveCharacterTextSplitter
from typing import TypedDict, Annotated

class RAGState(TypedDict):
    question: str
    context: list[Document]
    answer: str

# Initialize components
llm = ChatAnthropic(model="claude-sonnet-5")
embeddings = VoyageAIEmbeddings(model="voyage-3-large")
vectorstore = PineconeVectorStore(index_name="docs", embedding=embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 4})

# RAG prompt
rag_prompt = ChatPromptTemplate.from_template(
    """Answer based on the context below. If you cannot answer, say so.

    Context:
    {context}

    Question: {question}

    Answer:"""
)

async def retrieve(state: RAGState) -> RAGState:
    """Retrieve relevant documents."""
    docs = await retriever.ainvoke(state["question"])
    return {"context": docs}

async def generate(state: RAGState) -> RAGState:
    """Generate answer from context."""
    context_text = "\n\n".join(doc.page_content for doc in state["context"])
    messages = rag_prompt.format_messages(
        context=context_text,
        question=state["question"]
    )
    response = await llm.ainvoke(messages)
    return {"answer": response.content}

# Build RAG graph
builder = StateGraph(RAGState)
builder.add_node("retrieve", retrieve)
builder.add_node("generate", generate)
builder.add_edge(START, "retrieve")
builder.add_edge("retrieve", "generate")
builder.add_edge("generate", END)

rag_chain = builder.compile()

# Use
result = await rag_chain.ainvoke({"question": "What are the main features?"})
print(result["answer"])

詳細なパターンと実例

詳細なパターンのドキュメントは references/details.md にあります。上記のナビゲーション階層では不十分な場合は、そのファイルを参照してください。