RAGの次は「探索」？ Corpus2Skillを試す
論文「Don't Retrieve, Navigate」（arXiv:2604.14572）とその実装 Corpus2Skill が面白かったので紹介します。日本語解説サイトも公開しました。
解説サイト: https://corpus2skill.businesshub.trueone.co.jp/
コンセプト: 検索するな、ナビゲートせよ
従来のRAGでは、LLMは検索結果の受動的な消費者です。コーパス全体がどう構成されているか、何をまだ見ていないかを知る術がありません。
Corpus2Skillは発想を変えます。
- オフラインで文書コーパスを階層スキルツリーにコンパイルしておく
- サーブ時はLLMエージェントが鳥瞰ビューから要約階層をドリルダウンし、外れたブランチはバックトラックして文書に到達する
サーブ時のランタイム構成要素はLLMのみ。ベクトルDBも検索APIも不要です。
コンパイルパイプライン（6段階）
Load → Embed → Cluster → Summarize → Label → Build
- Load: .txt / .md / .json / .jsonl を読み込み
- Embed: sentence-transformers（既定は Qwen3-Embedding-0.6B）
- Cluster: 再帰的K-means＋凝集マージで階層ツリーを構築
- Summarize / Label: 各クラスタノードの説明文と短いトピックラベルをLLMが生成
-
Build:
SKILL.md/INDEX.md/documents.jsonとして実体化。出力は.claude/skills/規約でAnthropic Skills API互換
使ってみる
pip install -e .
cp .env.example .env # Anthropic APIキーを設定
python -m corpus2skill \
--input ./corpus_dir \
--output ./compiled_output \
--p 10 \ # 分岐率（ノードあたり子数）
--max-top 8 \ # トップレベルスキル数の上限
--model claude-sonnet-4-6
サーブ側はPython APIから:
from corpus2skill.serve import answer_query
from corpus2skill.config import ServeConfig
config = ServeConfig(skills_dir=Path("./compiled/.claude/skills"))
result = answer_query("How do I add a custom domain?",
skills_dir=skills_dir, output_dir=output_dir, config=config)
エージェントはトップレベルのスキル説明→ブランチ→リーフの文書IDと辿り、get_document ツールで全文を取得して回答します。
ベンチマーク結果の要点
- エンタープライズ顧客サポートQAで、single-shot dense / ハイブリッド / 階層検索 / エージェント型RAGの全ベースラインを回答品質とグラウンディングで上回る
- コストは中程度の増加。ただしプロンプトキャッシュで1クエリ$0.172→$0.089（48%削減）（WixQA、入力の約70%がキャッシュヒット）
重要な注意: 万能ではない
論文の10サブセット汎化実験が誠実で、
- ✅ 単一ドメイン＋復元可能なトピック分類体系を持つコーパス → ナビゲーションが一貫して有効
- ❌ オープンドメインの事実断片プール、均質な表形式データ → フラット検索の方が強い
「社内マニュアル・製品ドキュメント向き、雑多なFAQ寄せ集めには不向き」と覚えておくとよさそうです。
まとめ
実装はWIPで粗削りですが、「検索インフラなしのRAG代替」という方向性は追う価値があります。クラスタリングの内部やコスト構造の深掘りはZennに書きました。