はじめに：前回のあらすじと、残された課題

前回の記事では、Python経験半年のバックエンドエンジニアである私が、AIエージェント（Gemini/Cursor）とペアプログラミングを行い、数日で**企業向けAIガバナンス基盤「Prism」**を開発した話を書きました。

前回時点で、以下の「守り」の機能は完成していました。

✅ ガバナンス: 質問内容に応じたモデル（Pro/Flash）の自動ルーティング
✅ マルチモーダル: PDFをアップロードしてその場で解析・比較
✅ 監査ログ: 全会話の記録と復元

しかし、実際に使ってみると2つの大きな課題が見えてきました。

「その場限り」の知識: ブラウザを閉じるとアップロードしたPDFの内容を忘れてしまう（長期記憶がない）。
待ち時間のストレス: 複雑な推論（決算比較など）を行うと、回答が出るまで20秒近く画面が固まる（UXが悪い）。

今回は、これらの課題を解決するために実装した**「ハイブリッドRAG」と「リアルタイム・ストリーミング」**の技術的な裏側を公開します。

🏆 進化した「Prism v1.0」

今回のアップデートにより、Prismは単なるチャットボットから、**「社内知識を蓄積し、即座に引き出せるナレッジ・プラットフォーム」**へと進化しました。

)
▲ Angular Material で構築したUI。回答がストリーミングで表示され、Markdownの表組みも綺麗にレンダリングされています。

追加された新機能

🧠 ハイブリッドRAG (検索拡張生成):
- ベクトル検索 (ChromaDB): 「セキュリティの思想は？」といった抽象的な質問に強い。
- キーワード検索 (SQLite): 「エラーコード E-404」といった記号の完全一致に強い。
- これらを組み合わせることで、「意味」と「記号」の両方を正確に検索できるようになりました。
⚡️ リアルタイム・ストリーミング:
- NDJSON (Newline Delimited JSON) を採用し、AIの思考プロセスをリアルタイムで画面に表示。「待ち時間ゼロ」の体感速度を実現しました。
📚 ナレッジベース管理画面:
- 社内規定やマニュアルをドラッグ＆ドロップで登録し、管理する専用UIを実装しました。

)
▲ サイドバーから切り替え可能な管理画面。ここで登録したPDFは永続的にAIの知識となります。

🔧 技術的な実装ポイント

1. 「意味」と「記号」を逃さないハイブリッド検索の実装

RAGの実装において、単なるベクトル検索（Embedding）だけでは、「品番（PROJ-A77）」のような特定の記号検索に弱いという課題がありました。
そこで、軽量な構成でハイブリッド検索を実現するアーキテクチャを採用しました。

Vector Store: ChromaDB (OSS版) を採用。サーバーレスでPythonコード内に組み込めるため、手軽に導入可能。
Keyword Store: 既存の SQLite を活用し、簡易的な全文検索を実装。

# backend/rag_kernel.py (イメージ)
class HybridRetriever:
    def search(self, query):
        # 1. 意味で検索 (Vector / ChromaDB)
        vector_results = self.vector_store.search(query)
        
        # 2. キーワードで検索 (Keyword / SQLite)
        keyword_results = self.keyword_store.search(query)
        
        # 3. 結果を統合 (Rerank / Merge)
        return self.merge_results(vector_results, keyword_results)

2. UXを劇的に改善するストリーミング (NDJSON)

Gemini ProによるRAG検索と推論は、処理に時間がかかります（長いときは20秒〜）。
その間、ユーザーを待たせないために、NDJSON を用いたストリーミング応答を実装しました。

Backend (FastAPI):
yield を使った非同期ジェネレータで、処理状況（ステータス）と回答（チャンク）を順次送信します。

# backend/main.py (非同期ジェネレータ)
async def chat_stream():
    # 1. まず「検索中」と伝える
    yield json.dumps({"type": "status", "content": "🔍 Searching Knowledge Base..."}) + "\n"
    
    # 2. RAG検索 (非同期実行でブロック回避)
    context = await run_in_threadpool(retriever.search, query)
    
    # 3. 生成された文字を逐次送信
    async for chunk in llm.generate_stream(prompt, context):
        yield json.dumps({"type": "chunk", "content": chunk.text}) + "\n"

Frontend (Angular):
Angular標準の HttpClient はストリームの途中経過を取得できないため、ネイティブの fetch API を使用して実装しました。

// frontend/src/app/chat.service.ts
async sendMessageStream(message: string): Promise<void> {
  const response = await fetch('/api/chat', { ... });
  const reader = response.body!.getReader();
  
  while (true) {
    const { done, value } = await reader.read();
    if (done) break;
    // 受信したJSON行をパースして画面に反映
    this.updateChatUI(new TextDecoder().decode(value));
  }
}

これにより、検索中は「🔍 Searching...」とステータスを表示し、回答生成が始まると文字がパラパラと流れる**「ChatGPTのようなUX」**を実現しました。

🚀 実際の挙動（デモ）

シナリオ：ログ解析と経費ルールの特定

「デプロイログ.txt」と「経費規定.pdf」をナレッジベースに登録。
「11月15日のエラーの原因と、そのプロジェクトの経費上限を教えて」 と複合的な指示を出す。

結果:
Prismはハイブリッド検索でログからエラー原因（ユーザー名）を特定し、同時に規定から金額（5000円）を抽出。
それらを組み合わせて、Gemini 2.5 Pro が論理的な回答を生成しました。

🏁 まとめ

今回の開発を通じて、Prismは単なるツールから**「業務に組み込めるプラットフォーム」**へと進化しました。

技術力: FastAPIの非同期処理、Angularのストリーム処理、ChromaDBの統合など、モダンな技術スタックを実践で習得できました。
設計力: 「ガバナンス」と「利便性」を両立させるアーキテクチャを設計し、実装まで落とし込む経験ができました。

公開リポジトリ

コードはGitHubで公開しています。

GitHub: KanadeYumesaki/prism-enterprise-ai