Loading...

📚

ナイーブ RAG(NRAG)

従来のインデックス作成・検索・生成のプロセスに従う、基盤的な「Retrieve-Read」フレームワーク

複雑さ: low知識検索（RAG）

In 30 seconds

What: セマンティック検索で最も一致する文書の一節を取得し、それらをプロンプトに連結してから回答を生成します。
When to use: 十分にインデックス化された文書に対する単純な事実質問で、検索の精度が高く、多段階の推論を必要としない場合。
Watch out: 取得した一節どうしが矛盾したり、無関係なノイズを含んだりすることがあり、ランキングやフィルタリングがなければ回答の質が落ちます。

Loading technique guide…

Patterns

Loading...

設計パターンと手法

Loading...

📚

ナイーブ RAG(NRAG)

従来のインデックス作成・検索・生成のプロセスに従う、基盤的な「Retrieve-Read」フレームワーク

複雑さ: low知識検索（RAG）

In 30 seconds

What: セマンティック検索で最も一致する文書の一節を取得し、それらをプロンプトに連結してから回答を生成します。
When to use: 十分にインデックス化された文書に対する単純な事実質問で、検索の精度が高く、多段階の推論を必要としない場合。
Watch out: 取得した一節どうしが矛盾したり、無関係なノイズを含んだりすることがあり、ランキングやフィルタリングがなければ回答の質が落ちます。

30秒でわかる概要

パターン: 単純な retrieve-then-read パイプライン: クエリ → 文書を取得 → 連結 → 生成

理由: 最小限の複雑さで外部知識へのアクセスを提供する - Lewis et al. (2020) が確立した基礎的手法

重要なポイント: 取得した上位 k 件の文書をクエリのプロンプトに直接連結する - 最適化も後処理もなし

クイック実装

1インデックス作成:ナレッジベースのベクトル埋め込みを作成する

2検索:類似度で上位 k 件の関連文書を見つける

3連結:取得した文書をクエリのプロンプトに追加する

4生成:結合したプロンプトを LLM に渡す

5返却:生成された応答をそのまま出力する

Example: query → vector_search → concat_context → llm_generate → response

推奨事項と禁止事項

✅意味的な埋め込みを使う(例: sentence-transformers)

✅基本的なチャンク分割戦略を実装する(固定サイズ 512-1024 トークン)

✅top-k の取得上限を明確に設定する(通常 3-5 件)

✅文書のメタデータと出典情報を含める

✅効率的なベクトル検索に FAISS などを使う

❌クエリの前処理や正規化を省く

❌文書を取得しすぎる(文脈を汚染する)

❌関連度スコアのしきい値を無視する

❌文書の区切りを明示せず連結する

❌基本的な手法に高度な推論を期待する

使用する場面

使用する場合

• 文書に対する単純な Q&A
• 概念実証段階の RAG システム
• 技術的な複雑さを抑える必要がある場合
• 小規模から中規模のナレッジベース
• 単純明快な事実確認のクエリ

避けるべき場合

• 複雑なマルチホップ推論が必要な場合
• 高い精度が不可欠なクリティカルな用途
• 大規模な本番システム
• ノイズが多い、または矛盾するナレッジベース
• リアルタイム性能の要件

主要指標

検索精度

上位 k 件に含まれる関連文書 (Recall@k)

回答の品質

正解データに対する BLEU/ROUGE スコア

応答時間

エンドツーエンドのレイテンシ (検索 + 生成)

コンテキストの活用度

回答で使われた取得コンテキストの %

ハルシネーション率

根拠のない主張を含む回答の %

出典の明示

正しい出典を示した回答の %

主なユースケース

文書 Q&A: 社内文書やナレッジベースに対する単純な事実質問

FAQ システム: 既存ドキュメントを用いたよくある質問への自動応答

研究支援: 学術論文や研究コレクションからの基本的な情報検索

カスタマーサポート: ドキュメントやマニュアルで回答できるレベル1の問い合わせ

教育ツール: 教科書や教材に対する単純な質問応答

参考文献と関連資料

厳選された資料で理解を深めましょう

基礎となる論文

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Lewis et al., 2020)

Dense Passage Retrieval for Open-Domain Question Answering (Karpukhin et al., 2020)

Retrieval Augmentation Reduces Hallucination in Conversation

包括的なサーベイ

Retrieval-Augmented Generation for Large Language Models: A Survey (Gao et al., 2023)

A Comprehensive Survey of RAG: Evolution and Future Directions (Gupta et al., 2024)

Retrieval-Augmented Generation for AI-Generated Content: A Survey (Li et al., 2024)

RAG and RAU: A Survey on Retrieval-Augmented Language Model (Zhao et al., 2024)

実装リソース

LangChain RAG チュートリアル - 基本実装

Hugging Face の RAG ドキュメントとサンプル

OpenAI の RAG 実装ガイド

LlamaIndex の基本 RAG パイプラインチュートリアル

ベクトルデータベースのソリューション

FAISS - Facebook AI Similarity Search ライブラリ

Pinecone ベクトルデータベースのドキュメント

Weaviate ベクトル検索エンジン

Chroma - オープンソースの埋め込みデータベース

埋め込みモデルと評価

Sentence-BERT: Sentence Embeddings using Siamese BERT (Reimers & Gurevych, 2019)

Text and Code Embeddings by Contrastive Pre-Training (OpenAI, 2022)

MTEB: Massive Text Embedding Benchmark (Muennighoff et al., 2022)

BGE: BAAI General Embedding モデルのドキュメント

評価フレームワーク

RAGAS: RAG アプリケーションの評価フレームワーク

TruLens: LLM アプリケーションの評価とトラッキング

LangSmith: LLM アプリケーションのテストと監視

DeepEval: LLM アプリケーションのユニットテスト

Loading technique guide…