1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@agdexai

RAG完全ガイド2026：RAGパイプラインの設計・実装・評価まで【実践編】

1
Posted at

RAG完全ガイド2026：RAGパイプラインの設計・実装・評価まで【実践編】

検索拡張生成（RAG: Retrieval-Augmented Generation）は、LLMの知識制限を克服する最も実践的な手法です。本記事では、2026年現在の最新RAGアーキテクチャから実装、評価ツールまで徹底解説します。

なぜRAGが必要か？

LLMが抱える3つの根本的な限界：

限界 症状 RAGの解決策
知識のカットオフ 最新情報に答えられない リアルタイム検索で補完
ハルシネーション 自信満々に間違いを言う 根拠文書を参照して生成
コンテキスト不足 社内ドキュメントを知らない プライベートデータを注入

RAGの進化：Naive RAG → Advanced RAG → Agentic RAG

Naive RAG（2023年以前）

質問 → 埋め込み検索 → チャンク取得 → LLM生成

シンプルだが精度に限界。

Advanced RAG（2024年主流）

質問 → クエリ変換 → ハイブリッド検索 → リランキング → LLM生成

HyDE、クエリ分解、MMRなどの技術で精度向上。

Agentic RAG（2025〜2026年最新）

質問 → エージェントが戦略を立案
      → 複数データソースを並列検索
      → 結果を統合・検証
      → 必要に応じて再検索
      → 最終回答生成

エージェントが動的に検索戦略を決定。複雑な質問に対応。

実装：LangChainでRAGパイプラインを構築

Step 1：文書の読み込みとチャンキング

from langchain_community.document_loaders import PyPDFLoader, WebBaseLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# PDFの読み込み
loader = PyPDFLoader("technical_manual.pdf")
documents = loader.load()

# Webページの読み込み
web_loader = WebBaseLoader(["https://docs.example.com"])
web_docs = web_loader.load()

# チャンキング
splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,      # 1チャンク = 1000文字
    chunk_overlap=200,     # 前後のチャンクと200文字重複（コンテキスト保持）
    separators=["\n\n", "\n", "。", ".", " ", ""]
)

all_docs = documents + web_docs
chunks = splitter.split_documents(all_docs)
print(f"チャンク数: {len(chunks)}")

Step 2：ベクトルストアへの格納

from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
import chromadb

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

# Chromaに格納（永続化あり）
vectorstore = Chroma.from_documents(
    documents=chunks,
    embedding=embeddings,
    persist_directory="./chroma_db",
    collection_name="knowledge_base"
)

print(f"格納完了: {vectorstore._collection.count()} チャンク")

Step 3：Advanced検索（ハイブリッド + リランク）

from langchain.retrievers import EnsembleRetriever, ContextualCompressionRetriever
from langchain_community.retrievers import BM25Retriever
from langchain.retrievers.document_compressors import CrossEncoderReranker
from langchain_community.cross_encoders import HuggingFaceCrossEncoder

# ベクトル検索（意味的類似性）
vector_retriever = vectorstore.as_retriever(
    search_type="mmr",  # 多様性を確保（Maximal Marginal Relevance）
    search_kwargs={"k": 10, "fetch_k": 30}
)

# BM25検索（キーワードマッチ）
bm25_retriever = BM25Retriever.from_documents(chunks)
bm25_retriever.k = 10

# ハイブリッド検索（ベクトル60% + BM25 40%）
hybrid_retriever = EnsembleRetriever(
    retrievers=[vector_retriever, bm25_retriever],
    weights=[0.6, 0.4]
)

# クロスエンコーダーでリランキング
reranker_model = HuggingFaceCrossEncoder(model_name="BAAI/bge-reranker-v2-m3")
reranker = CrossEncoderReranker(model=reranker_model, top_n=5)

final_retriever = ContextualCompressionRetriever(
    base_compressor=reranker,
    base_retriever=hybrid_retriever
)

Step 4：RAGチェーンの構築

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

llm = ChatOpenAI(model="gpt-4o", temperature=0)

prompt = ChatPromptTemplate.from_template("""
あなたは丁寧で正確な技術アシスタントです。
以下の参考文書のみを使って質問に答えてください。
文書に答えがない場合は「この質問に答えるための情報が文書中に見つかりませんでした」と正直に伝えてください。

参考文書:
{context}

質問: {question}

回答（日本語で、根拠を示しながら）:
""")

def format_docs(docs):
    return "\n\n---\n\n".join([
        f"[出典: {doc.metadata.get('source', '不明')}]\n{doc.page_content}"
        for doc in docs
    ])

rag_chain = (
    {"context": final_retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)

# 実行
response = rag_chain.invoke("RAGのハルシネーション対策について教えてください")
print(response)

Agentic RAGの実装（LangGraph版）

from langgraph.graph import StateGraph, END
from langchain_core.messages import HumanMessage
from typing import TypedDict, List, Optional

class RAGState(TypedDict):
    question: str
    search_queries: List[str]
    retrieved_docs: List[str]
    answer: Optional[str]
    needs_more_search: bool
    iteration: int

def query_decomposer(state: RAGState) -> RAGState:
    """複雑な質問を複数のサブクエリに分解"""
    decompose_prompt = f"""
    以下の質問を、効率的に検索するための2〜4つのサブクエリに分解してください。
    各サブクエリは独立して検索できる具体的なものにしてください。
    
    質問: {state['question']}
    
    サブクエリ（JSON配列で返してください）:
    """
    result = llm.invoke(decompose_prompt)
    # 実際にはJSONパースが必要
    queries = [state['question']]  # 簡略化
    return {"search_queries": queries}

def parallel_retriever(state: RAGState) -> RAGState:
    """複数クエリを並列検索"""
    all_docs = []
    for query in state['search_queries']:
        docs = final_retriever.get_relevant_documents(query)
        all_docs.extend([doc.page_content for doc in docs])
    
    # 重複除去
    unique_docs = list(dict.fromkeys(all_docs))
    return {"retrieved_docs": unique_docs[:10]}

def answer_generator(state: RAGState) -> RAGState:
    """回答生成 + 十分かどうか評価"""
    context = "\n\n".join(state['retrieved_docs'])
    
    answer_prompt = f"""
    文書: {context}
    
    質問: {state['question']}
    
    回答を生成し、最後に以下のJSONを付けてください：
    {{"needs_more_search": true/false, "reason": "理由"}}
    
    十分な情報があれば false、情報が不足していれば true を設定してください。
    """
    
    response = llm.invoke(answer_prompt)
    # 実際にはJSONパースが必要
    return {
        "answer": response.content,
        "needs_more_search": False,
        "iteration": state.get('iteration', 0) + 1
    }

def should_continue(state: RAGState) -> str:
    if state['needs_more_search'] and state['iteration'] < 3:
        return "retry"
    return "end"

# グラフ構築
workflow = StateGraph(RAGState)
workflow.add_node("decompose", query_decomposer)
workflow.add_node("retrieve", parallel_retriever)
workflow.add_node("generate", answer_generator)

workflow.set_entry_point("decompose")
workflow.add_edge("decompose", "retrieve")
workflow.add_edge("retrieve", "generate")
workflow.add_conditional_edges("generate", should_continue, {
    "retry": "retrieve",
    "end": END
})

agentic_rag = workflow.compile()
result = agentic_rag.invoke({"question": "RAGとFine-tuningの使い分けは？", "iteration": 0})

RAGの評価：2026年おすすめツール比較

ツール 特徴 主なメトリクス
Ragas RAG特化の評価フレームワーク Faithfulness, Answer Relevancy, Context Recall
DeepEval LLMアウトプット全般の評価 G-Eval, Hallucination, Contextual Precision
LangSmith LangChainとの深い統合 トレース + 評価 + フィードバック
GAIA 難易度の高いベンチマーク エージェントの汎用タスク達成率

Ragasで評価する

from ragas import evaluate
from ragas.metrics import (
    faithfulness,        # 生成された回答が文書に忠実か
    answer_relevancy,    # 回答が質問に関連しているか
    context_recall,      # 正解を得るために必要な情報が取得できているか
    context_precision,   # 取得した文書の中で有用なものの割合
)
from datasets import Dataset

# 評価データセット
eval_data = {
    "question": ["RAGとは何ですか？", "ベクトル検索の仕組みを説明してください"],
    "answer": [rag_chain.invoke(q) for q in ["RAGとは何ですか？", "ベクトル検索の仕組みを説明してください"]],
    "contexts": [
        [doc.page_content for doc in final_retriever.get_relevant_documents("RAGとは何ですか？")],
        [doc.page_content for doc in final_retriever.get_relevant_documents("ベクトル検索の仕組みを説明してください")],
    ],
    "ground_truth": ["検索拡張生成（RAG）は...", "ベクトル検索は..."]
}

dataset = Dataset.from_dict(eval_data)
result = evaluate(
    dataset=dataset,
    metrics=[faithfulness, answer_relevancy, context_recall, context_precision],
    llm=llm,
    embeddings=embeddings
)

print(result.to_pandas())

理想的なスコアの目安：

  • Faithfulness: > 0.9（ハルシネーション対策の要）
  • Answer Relevancy: > 0.85
  • Context Recall: > 0.8
  • Context Precision: > 0.7

よくある問題と解決策

1. チャンクの粒度が合わない

症状：長すぎると関連性が薄まり、短すぎるとコンテキストが失われる
解決：ドキュメントの性質に応じてサイズを調整（技術文書: 500〜1000、対話ログ: 200〜500）

2. クエリと文書の表現がずれる

症状：同じ意味でも言い回しが違うと検索ヒットしない
解決：HyDE（仮想的な文書生成でクエリを拡張）+ ハイブリッド検索

3. 古い情報が混ざる

症状：更新前の情報が回答に含まれる
解決：メタデータでフィルタリング（date >= 2025-01-01）+ 定期的な再インデックス

4. 長文書でコンテキストが分断

症状：重要な情報がチャンクの境界で切れる
解決：Hierarchical RAG（文書→セクション→パラグラフの階層管理）

2026年のRAGトレンド

  1. GraphRAG：知識グラフを活用した関係性を考慮した検索（Microsoft GraphRAG）
  2. Multi-modal RAG：テキストだけでなく画像・表・グラフも検索対象に
  3. Adaptive RAG：質問の複雑さに応じて検索戦略を動的に選択
  4. Long-context RAG：128k〜1Mトークンモデルによる大量文書の直接処理

RAGは「使えれば終わり」ではなく、継続的な評価と改善が必要な技術です。Ragasなどのツールで定期的に品質を測定し、チャンキング戦略や検索パラメータを最適化し続けることが、プロダクションRAGの成功の鍵です。

AIエージェント・RAGツールの総合ディレクトリは AgDex.ai で！460以上のツールを収録中。

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?