RAG構築とは？初心者向けに仕組み・実装ステップ・導入の流れを解説

AIプロジェクトでスキルを発揮したいけれど、「RAGって難しそう...」「本当に自分にもできるのかな？」と不安を感じている方も多いのではないでしょうか？

実は、RAG（Retrieval-Augmented Generation）は初心者でも取り組める技術です。この記事では、RAGの基礎から実際の構築手順、よくある疑問への解決策までを、ステップごとにわかりやすく解説します。

【この記事で学べること】

1. RAGの基本的な仕組みと、活用されるユースケース
2. LangChainを使ったRAG構築の具体的な3つのステップ
3. 初心者がつまずきやすいポイントと、その解決策

この記事を読み終えた頃には、RAGを活用したチャットボットのプロトタイプを自分で構築できる自信がついているはずです。AI技術への第一歩を踏み出し、プロジェクトで成果を上げたい方は、ぜひ最後までご覧ください。

RAGとは？基本から理解する技術の概要

AIの回答精度と信頼性を高める技術として、RAGが注目を集めています。外部データベースを活用することで、最新かつ正確な情報に基づいた回答を実現するRAGの基本的な仕組みを理解していきましょう。

RAG（Retrieval-Augmented Generation）の定義と仕組み

RAGは外部情報源とAIを組み合わせて、高精度な回答を生み出す技術システムです。

その核となる処理は以下の2段階で構成されています。

検索フェーズ：外部データベースから質問に関連する情報を探し出します。データは多次元の数値データ（ベクトル）として保存されており、意味が近い情報を素早く見つけることができます。

生成フェーズ：検索された情報を基に、AIが自然な文章を作り出します。このとき、情報を文脈に沿って適切に組み合わせることで、分かりやすい回答を生成します。

例えば、企業の製品サポートでは、マニュアルの内容をデータベースに保存しておくことで、ユーザーからの質問に対して常に最新の情報に基づいた正確な回答を提供できます。

従来のAIモデルとの違いとRAGの強み

RAGと従来のAIモデルの大きな違いは、情報の更新性と正確性にあります。

例えば、製品の仕様変更時には、RAGはデータベースの更新だけで対応できます。一方、従来のAIモデルでは、システム全体の再学習が必要でした。

代表的なユースケースと活用場面

RAGはさまざまな分野で具体的な成果を上げています。特に情報の正確性と更新性が重要な場面で力を発揮します。

【実践例：守口市のゴミ分別AIチャットボット】

導入のポイント：

• データ基盤：分別ルールと問い合わせ履歴のデータベース化
• 地域対応：方言や地域特有の表現への対応
• 利用者配慮：音声入力による高齢者への配慮
• 継続改善：定期的な更新とフィードバック活用

この事例では、電話相談件数を削減を実現し、市民サービスの向上と行政コストの削減を達成しました。

その他の活用分野：

• 医療：診療ガイドラインに基づく意思決定支援
• 金融：市場データを活用したリアルタイム分析
• カスタマーサポート：製品情報を活用した問い合わせ対応

なぜRAGが今注目されているのか：AIプロジェクトでの価値

AIプロジェクトの成功には、正確な情報提供と効率的な運用が不可欠です。RAGはこの両方を実現する技術として、多くの企業から注目を集めています。

業務効率化とコスト削減におけるRAGの効果

RAGの導入は、企業の業務効率とコスト面で大きな効果をもたらします。

【RAGがもたらす具体的な効果】

例えば、製品マニュアルやFAQをRAGシステムに組み込むことで、問い合わせ対応の効率が大幅に向上します。社内文書の検索でも、必要な情報をより速く正確に見つけ出せるようになります。

チャットボットやFAQシステムでの実用例

RAGを活用したチャットボットやFAQシステムは、すでに多くの企業で実用化されています。

実装のポイント：

• 質問データベース：よくある質問と回答のパターンを体系化
• 回答生成ロジック：ユーザーの意図を理解し、最適な情報を提供
• 継続的な改善：利用状況の分析とシステムの最適化

RAGを活用した24時間対応のカスタマーサポートでは、以下の効果が得られています。

• 初期応答の即時化：問い合わせからすぐに最初の応答が可能になり、顧客の待ち時間を大幅に削減
• 回答品質の均一化：データベースに基づく回答により、オペレーターの経験や知識の差に関係なく、一貫した品質の回答を提供。製品仕様や利用規約に関する問い合わせでは、誤回答のリスクを最小限に抑制
• 運用コストの削減：24時間365日の問い合わせ対応を自動化することで、深夜帯のオペレーター人件費を削減。さらに、1次対応の自動化により、専門スタッフは複雑な問い合わせに集中可能に

他の生成AI技術との比較：RAGの優位性

RAGは、他の生成AI技術と比較して、以下のような明確な優位性があります。

【生成AI技術の比較】

RAGは特に以下のような場面で高い効果を発揮します。

頻繁な情報更新が必要な環境：

• ECサイトの商品情報（在庫状況、価格、仕様変更）
• 金融機関の市場情報や規制対応
• 医療機関の治療プロトコルや薬剤情報

コスト効率を重視するプロジェクト：

• 社内ヘルプデスクの自動化
• マニュアル類の検索・参照システム
• 新入社員向けの研修支援システム

高い回答精度が求められる業務：

• 法務部門での契約書確認
• 製薬企業の安全性情報管理
• 製造業の品質管理基準の確認

LangChainを使ったRAG構築の具体的手順

このセクションでは、実際に動作するRAGシステムを構築するためのコードと手順を説明します。LangChainというツールを使うことで、初心者でも30行程度のコードでチャットボットを作ることができます。

LangChainのインストールと初期設定の方法

LangChainは、RAGシステムの構築を簡単にするために開発されたPythonのツールです。RAGシステムの複雑な処理を、シンプルなコードで実現できます。

まず、必要なツールをインストールします。

pip install langchain langchain-openai langchain-chroma

次に、AIモデル（OpenAI）を使うための認証設定を行います。

import os
os.environ["OPENAI_API_KEY"] = "your-api-key-here"  # OpenAIのウェブサイトで取得したキーを入力

【LangChainを使う理由】

• 複雑なRAGの仕組みを簡単なコードで実現
• データの処理から回答生成までを一括で管理
• 初心者でも理解しやすい直感的な設計

外部データの取り込みと管理のポイント

RAGシステムでは、外部のテキストデータ（技術文書、マニュアル、FAQなど）を効率的に扱う必要があります。以下の3つのポイントに注意してデータを準備します。

1. データの分割： 長い文書を適切な長さに分けることで、必要な情報を素早く見つけられます。
   ・文書を250-500文字程度に分割
   ・分割した部分の25%程度を重複させて、文脈を維持
   ・文書の区切り（段落、章など）を考慮
2. データの整形： AIが理解しやすい形に文書を整えます。
   ・不要な記号や空白の削除
   ・文字コードの統一 文章の区切りの明確化
3. データの数値化： テキストを数値（ベクトル）に変換し、似た内容の文章を素早く探せるようにします。

シンプルなRAGチャットボットの構築例（サンプルコード付き）

【このコードでできること】

• テキストファイルからの情報読み込み
• 質問に関連する情報の検索
• 自然な日本語での回答生成

# 必要な機能の読み込み
from langchain.document_loaders import TextLoader  # テキストファイルを読み込む
from langchain.text_splitter import CharacterTextSplitter  # テキストを分割
from langchain.embeddings import OpenAIEmbeddings  # テキストをベクトル化
from langchain.vectorstores import Chroma  # ベクトルを保存・検索
from langchain.chains import RetrievalQA  # 質問応答の機能
from langchain.llms import OpenAI  # OpenAIのモデルを使用

# 1. テキストファイルの読み込みと分割
loader = TextLoader("your_document.txt")  # 使用したいテキストファイルのパスを指定
documents = loader.load()
text_splitter = CharacterTextSplitter(
    chunk_size=1000,  # 1回の分割サイズ（文字数）
    chunk_overlap=200  # 分割の重複サイズ（文字数）
)
texts = text_splitter.split_documents(documents)

# 2. テキストの数値化と保存
embeddings = OpenAIEmbeddings()  # テキストを数値に変換する設定
vectorstore = Chroma.from_documents(texts, embeddings)  # 変換した数値を保存

# 3. 質問応答システムの構築
qa_chain = RetrievalQA.from_chain_type(
    llm=OpenAI(),  # AIモデルの指定
    chain_type="stuff",  # 処理方式の指定
    retriever=vectorstore.as_retriever()  # 情報検索の設定
)

# 4. チャットボットの実行
while True:
    query = input("質問を入力してください（終了するには'quit'と入力）: ")
    if query.lower() == 'quit':
        break
    result = qa_chain.run(query)
    print(result)

【コードの動作の流れ】

1. テキストファイルを読み込み、適切な長さに分割
2. 分割したテキストを数値に変換して保存
3. 質問に関連する情報を検索できるシステムを構築
4. ユーザーからの質問に対して、関連情報を基に回答を生成

【実行時の注意点】

• テキストファイルのパスは実際のファイルの場所に合わせて変更
• OpenAIのAPIキーが正しく設定されていることを確認
• 大きなファイルの場合、処理に時間がかかる可能性あり

このコードを実行することで、独自の情報を基に質問に答えるチャットボットを作ることができます。例えば、社内の業務マニュアルや製品FAQなどを読み込ませることで、それらの情報に基づいた回答を生成するシステムが構築できます。

初心者がつまずきやすいポイントとその解決策

RAGシステムの構築では、プログラミング経験に関係なく、多くの方が同じような課題に直面します。この章では、これまでの経験から得られた具体的な解決策を紹介します。

データの選定基準と管理方法

RAGシステムの精度は、使用するデータの質で決まります。「どんなデータを用意すればいいの？」という疑問から始めましょう。

【データ選定の4つの基準】

【データ管理の具体的な手順】

1. データの収集：社内文書、マニュアル、FAQなどを整理
2. 形式の統一：すべてのドキュメントを同じ形式に変換
3. 内容の確認：重複や矛盾がないかチェック
4. 更新計画：定期的な見直しスケジュールの設定

抽出器・生成器の設定で失敗しないコツ

システムの心臓部となる設定。ここでの失敗は全体の性能に大きく影響します。

【最適な設定のポイント】

1. チャンクサイズの設定： 初期設定として、以下の値から始めることをお勧めします。 文書の長さ：512トークン（約300-400文字） 重複部分：25%（128トークン程度） これらの値は、多くのケースで良好な結果が得られます。
2. 検索方式の選択： 以下の組み合わせが最も安定した結果を提供します。 ベクトル検索：文章の意味を理解した検索 キーワード検索：重要な用語の完全一致検索 重み付け：ベクトル検索70%、キーワード検索30%
3. プロンプトの設計： AIへの指示（プロンプト）は具体的であるほど良い結果が得られます。

【効果的なプロンプトの3要素】

【プロンプト作成のステップ】

1. 目的を明確に：「何を知りたいのか」を具体的に書き出す
2. 例を示す。期待する回答の形式を実例として提示
3. テスト：小規模なデータで動作確認
4. 改善：回答の質を見ながらプロンプトを調整

よくあるエラーとその対処法

エラーが発生しても慌てる必要はありません。以下の手順で着実に解決できます。

【主なエラーと対処法】

【トラブル対応の基本手順】

1. エラーメッセージの確認： エラー発生時のスクリーンショットを保存 エラーコードをメモ（例：Memory Error, API Error） エラーの発生タイミングと頻度を記録
2. ログの確認： コンソールログをコピー メモリー使用量をモニタリング APIコール回数をチェック エラー前後の処理内容を確認
3. 設定値の見直し： チャンクサイズ：512→256トークンへ削減 バッチサイズ：20→10件へ削減 API待機時間：1秒→3秒へ延長 メモリー割り当て：確認と必要に応じた増加
4. 段階的な改善： テストデータ（100件程度）で動作確認 1つのパラメータのみを変更してテスト 変更前後の性能を比較（応答時間、精度） 改善結果を記録

【性能改善の確認ポイント】 • 応答時間：質問から回答までの所要時間 • メモリー使用量：処理中のメモリー消費量 • 回答の正確性：既知の質問に対する正答率 • システムの安定性：エラーの発生頻度

これらの手順に従うことで、多くの問題を効率的に解決できます。エラーが発生したら、このガイドを参考に一つずつ確認していきましょう。

【重要なポイント】 • データの質が最も重要 • 設定値は小さい値から始める • エラーは必ず解決できる • 段階的な改善を心がける

実践：プロトタイプ構築のロードマップ

まず、RAGシステムを構築する準備として、必要な環境を整えましょう。

1. 開発環境の準備

最初に、必要なツールをインストールし、開発環境を整えます。

# 1. Pythonの仮想環境を作成
python -m venv rag_env
source rag_env/bin/activate  # Windowsの場合: rag_env\\\\Scripts\\\\activate

このコードが必要な理由：

• 仮想環境を作ることで、他のプロジェクトと設定が衝突するのを防ぎます
• 必要なパッケージを管理しやすくなります
• プロジェクトの再現性が高まります

# 2. 必要なパッケージをインストール
pip install langchain langchain-openai langchain-community chromadb

インストールする各パッケージの役割：

• langchain：RAGシステムの基本機能を提供
• langchain-openai：OpenAIのAPIを使うための機能を提供
• langchain-community：追加の便利な機能を提供
• chromadb：データをベクトル化して保存・検索するためのデータベース

2. データの前処理

RAGシステムの性能は、データの質に大きく依存します。以下のコードは、テキストデータを適切な形に整えるためのものです。

import re
from langchain.text_splitter import CharacterTextSplitter

def clean_text(text):
    """テキストの前処理"""
    # 不要な空白の削除
    text = re.sub(r'\\\\s+', ' ', text)
    # 特殊文字の削除
    text = re.sub(r'[^\\\\w\\\\s\\\\.,!?]', '', text)
    return text.strip()

このコードの役割：

• 複数の空白を1つに統一
• 特殊文字（例：©、®、™など）を削除
• テキストの前後の余分な空白を削除

なぜこの処理が必要か：

• AIモデルが理解しやすい形式にテキストを整えるため
• 不要な情報を削除してデータの質を向上させるため
• 検索精度を上げるため

def prepare_documents(file_path):
    """文書の準備"""
    # テキストの読み込みと前処理
    with open(file_path, 'r', encoding='utf-8') as f:
        text = clean_text(f.read())

    # テキストの分割
    splitter = CharacterTextSplitter(
        separator="\\\\n",      # 改行で区切る
        chunk_size=512,      # 1つの塊の最大文字数
        chunk_overlap=128,   # 前後の文脈を保持するための重複部分
        length_function=len  # 長さの計算方法
    )

    return splitter.split_text(text)

このコードの重要なポイント：

• chunk_size（512文字）： 長すぎると：検索精度が下がる 短すぎると：文脈が失われる 512文字は多くのケースで適度なサイズ
• chunkoverlap（128文字）： 前後の文脈をつなげるために必要 chunksizeの25%程度が推奨 重複が少なすぎると文脈が失われる

使用例：

# 実際の使用方法
docs = prepare_documents("manual.txt")
print(f"分割されたテキストの数: {len(docs)}")
print(f"最初の部分の例:\\\\n{docs[0]}")

3. ベクトルストアの構築

次に、処理したテキストをAIが検索しやすい形式（ベクトル）に変換し、保存します。

from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import Chroma

def build_vectorstore(documents):
    """ベクトルストアの構築"""
    # テキストのベクトル化
    embeddings = OpenAIEmbeddings()  # OpenAIのAPIを使ってテキストを数値化

    # ベクトルストアの作成
    vectorstore = Chroma.from_texts(
        documents,           # 処理済みのテキスト
        embeddings,         # ベクトル化の設定
        collection_name="product_manuals"  # データの保存名
    )

    return vectorstore

このコードの重要性：

1. ベクトル化とは： テキストを数値の羅列（ベクトル）に変換 似た意味の文章は似た数値になる これにより、高速で正確な検索が可能に
2. なぜChromaDBを使うのか： 高速な検索が可能 データの永続化（保存）ができる メモリー使用量が効率的

4. 質問応答システムの構築

実際にユーザーからの質問に答えるシステムを作ります。

from langchain.chains import RetrievalQA
from langchain.llms import OpenAI

def create_qa_system(vectorstore):
    """質問応答システムの構築"""
    # AIモデルの準備
    llm = OpenAI(
        temperature=0.1,  # 回答の創造性（0=事実的, 1=創造的）
        max_tokens=200    # 回答の最大長さ
    )

    # 質問応答システムの作成
    qa_chain = RetrievalQA.from_chain_type(
        llm=llm,
        chain_type="stuff",  # 検索結果をまとめて処理
        retriever=vectorstore.as_retriever(
            search_kwargs={"k": 3}  # 上位3件の検索結果を使用
        )
    )

    return qa_chain

このコードの重要なポイント：

1. temperature（温度）パラメータ： 0.1に設定：事実に基づいた正確な回答を重視 高すぎると創造的すぎる回答になりがち マニュアルやFAQでは低め（0.1-0.3）を推奨
2. max_tokens： 200に設定：適度な長さの回答を生成 長すぎると：不要な情報が含まれる 短すぎると：情報が不足する
3. search_kwargs={"k": 3}： 検索結果の上位3件を使用 多すぎると：ノイズが増える 少なすぎると：必要な情報が不足

5. エラー対策とパフォーマンス改善

実運用ではさまざまな問題が発生する可能性があります。以下のコードでそれらに対処します。

from functools import lru_cache
import time

# 頻出質問のキャッシュ機能
@lru_cache(maxsize=1000)
def cached_query(question: str) -> str:
    """同じ質問への回答を高速化"""
    return qa_chain.run(question)

キャッシュ機能の利点：

• 同じ質問への回答が即座に返る
• APIコストの削減
• サーバーの負荷軽減

def safe_qa_response(question: str, max_retries: int = 3) -> str:
    """エラーに強い質問応答システム"""
    for attempt in range(max_retries):
        try:
            # 質問への回答を試みる
            response = qa_chain.run(question)
            return response
        except Exception as e:
            # エラーが発生した場合
            if attempt == max_retries - 1:
                # 最後の試行でも失敗した場合
                return f"申し訳ありません。エラーが発生しました: {str(e)}"
            # 1秒待って再試行
            time.sleep(1)

エラーハンドリングの重要性：

• APIの一時的な障害に対応
• システムの安定性向上
• ユーザー体験の改善

6. システムの評価と改善

システムの性能を測定し、改善点を見つけるためのコードです。

def evaluate_response(question, response, ground_truth):
    """回答の品質を評価"""
    # 応答時間の測定
    start_time = time.time()
    result = qa_chain.run(question)
    response_time = time.time() - start_time

    # 回答の正確性を評価（0-1の値）
    from difflib import SequenceMatcher
    accuracy = SequenceMatcher(
        None,
        result.lower(),
        ground_truth.lower()
    ).ratio()

    return {
        'response_time': response_time,  # 応答時間
        'accuracy': accuracy,            # 正確性
        'meets_criteria': response_time < 2 and accuracy > 0.8  # 基準達成
    }

評価機能の重要性：

1. 応答時間の測定： 2秒以上かかる場合は改善が必要 ユーザー体験に直結
2. 正確性の評価： 0.8（80%）以上を目標に 低い場合はデータの見直しが必要

実際の評価例：

# 評価の実行例
test_question = "製品Aの保証期間は？"
expected_answer = "製品Aの保証期間は1年間です"
result = evaluate_response(test_question, None, expected_answer)

print(f"応答時間: {result['response_time']:.2f}秒")
print(f"正確性: {result['accuracy']:.2%}")
print(f"基準達成: {'はい' if result['meets_criteria'] else 'いいえ'}")

このように、各コードの役割と重要性を理解することで、RAGシステムの全体像が把握しやすくなります。また、問題が発生した際にも、どの部分を修正すべきかが明確になります。

RAGを習得し、AIプロジェクトでの存在感を発揮しよう

RAG技術の習得は、単なる技術の習得以上の価値があります。この章では、習得したスキルを実践的なキャリア構築につなげる方法を説明します。

習得したRAG技術をキャリアにどう活かすか

RAG技術は、以下の3つの方向性でキャリアに活かすことができます。

1. 社内プロジェクトでの活用：

【具体的な提案例】

実践のポイントと具体的なアプローチ：

プロトタイプ開発： まず、特定の部門の小規模な問題に焦点を当てます。例えば、技術部門であれば、よく参照される特定の製品マニュアルだけを対象にしたチャットボットを作成します。これにより、短期間で具体的な効果を示すことができます。

効果測定： 導入前と導入後で以下の指標を測定し、具体的な数値で効果を示します。

• 問い合わせ対応時間
• ユーザー満足度
• 業務効率化の度合い
• コスト削減額

段階的な機能拡張： 成功事例を基に、対象範囲を徐々に広げていきます。例えば： 第1段階：特定の製品マニュアル 第2段階：全製品のマニュアル 第3段階：技術文書全般 第4段階：社内ナレッジ全般

1. 新規プロジェクトの立案：

【プロジェクト提案書の作成ガイド】

現状の課題分析：

• 具体的な数値データの収集 例：問い合わせ対応に月間100時間を要している
• 影響範囲の特定 例：カスタマーサポート部門20名が影響を受けている
• コストの算出 例：年間の人件費として約1,000万円が発生

RAGによる解決策：

• システム構成の詳細設計 例：OpenAI GPT-4 + ChromaDBによるベクトル検索
• 必要なリソースの明確化 例：開発者2名、3カ月の開発期間
• 具体的な実装スケジュール 例：Phase1（1カ月）：基本システム構築 Phase2（1カ月）：データ整備・学習 Phase3（1カ月）：テスト・改善

1. スキルのアピール方法：

技術的な強みの示し方：

• 実装経験のポートフォリオ作成
• 技術ブログの執筆
• 社内勉強会の開催

問題解決能力のアピール：

• 具体的な課題解決事例の文書化
• 効果測定結果の可視化
• 改善プロセスの明確化

学んだスキルを発展させるための次のステップ

90日間の具体的な学習計画を示します。

第1フェーズ（1-30日）：基礎固め

毎日の学習管理：

# 学習記録システム
class LearningTracker:
    def __init__(self):
        self.logs = []

    def add_entry(self, date, topic, resources, practice, questions, next_steps):
        entry = {
            'date': date,
            'topic': topic,
            'resources': resources,
            'practice': practice,
            'questions': questions,
            'next_steps': next_steps,
            'status': 'In Progress'
        }
        self.logs.append(entry)

    def review_progress(self):
        completed = len([log for log in self.logs if log['status'] == 'Completed'])
        return f"進捗率: {(completed/len(self.logs))*100}%"

# 使用例
tracker = LearningTracker()
tracker.add_entry(
    date="2024-01-01",
    topic="RAG基礎概念",
    resources=["LangChain公式ドキュメント", "RAG入門講座"],
    practice="基本的なRAGシステムの実装",
    questions=["最適なチャンクサイズの決定方法"],
    next_steps="ベクトルデータベースの学習"
)

第2フェーズ（31-60日）：応用技術の習得

具体的な学習項目：

1. ハイブリッド検索の実装 BM25とベクトル検索の組み合わせ方 重み付けの最適化手法 検索精度の評価方法
2. マルチモーダルRAG 画像と文書の統合的な処理 異なるモダリティの組み合わせ方 マルチモーダルなインデックス作成
3. 大規模データ処理 分散処理システムの基礎 スケーラブルなアーキテクチャ設計 パフォーマンスチューニング

第3フェーズ（61-90日）：実践プロジェクト

具体的な実践項目：

1. 業務課題の特定 部門へのヒアリング実施 課題の定量的評価 解決策の仮説立案
2. プロトタイプ開発 要件定義書の作成 システム設計書の作成 テスト計画の立案
3. 効果測定と改善 KPIの設定と測定 ユーザーフィードバックの収集 改善点の特定と対応

これらの学習と実践を通じて、RAG技術者としての総合的なスキルを身につけることができます。重要なのは、理論だけでなく、実践を通じて経験を積み、具体的な成果を示していくことです。

まとめ

RAGは、初心者でも段階的に学習し、実践できる技術です。本記事で解説した内容を実践することで、以下の3つの成果を得ることができます。

1. RAGの基本的な仕組みの理解

• 検索と生成を組み合わせた仕組み
• 外部データの活用による高精度な回答生成
• 常に最新の情報を反映できる柔軟性

1. 実践的な実装スキルの習得

• LangChainを使った基本実装
• データの前処理とベクトル化
• エラー対策とパフォーマンスチューニング

1. プロジェクトとしての成果

• カスタマーサポートでの対応時間を削減
• 情報検索時間の削減
• システムの継続的な改善サイクルの確立

RAGは決して難しい技術ではありません。本記事の手順に従い、一歩ずつ着実に進めることで、誰でも実用的なAIシステムを構築できます。まずは小規模なプロトタイプから始め、徐々にシステムを改善していくことをお勧めします。

あなたもRAG技術者としての第一歩を踏み出し、AIプロジェクトで成果を上げましょう。

【関連記事】

初心者でもわかる！RAGの意味と仕組み：AI革命の裏側