はじめに
こちらの続きです！
Langflowで以下のフローを作成し、RAGの動きを実際に試してみました！
作成にあたって以下記事を参考にさせていただきました
ほぼ同じですが
RAGとは
(ChatGPTより)
RAG（検索拡張生成、Retrieval-Augmented Generation）は、生成型AI（例えば、GPTのような言語モデル）と情報検索システムを組み合わせた技術です。このアプローチでは、AIがユーザーの質問に対して回答を生成する際に、事前に用意された大規模な文書データベースやインターネット上の情報から関連する情報を検索し、その検索結果を基にして回答を生成します。
学習モデルを使うのと何が違うの？
RAGに関してはデータベースを用意するということで最新の情報を取り扱える点、加えて事実ベースの情報集合となるためハルシネーションを抑制できる点が大きな魅力かと思います。
試してみた
事前に以下のデータをデータベースに登録させておきます。
以下は弊社のおこおこシステムでコンテンツの情報を更新する手順です。
手順：
1. ログイン画面でIDとパスワードを入力してログイン
2. ログイン後、コンテンツ一覧画面から情報を更新したいコンテンツ画像をクリック
3. コンテンツ情報を編集したら保存ボタンをクリック
4. 保存が完了すると、コンテンツ一覧画面に戻ります
よくある質問：
Q.ログインできません
A.入力したIDまたはパスワードが正しくない可能性があります。再度入力を試しても解決しない場合は管理者Aまでお問い合わせください。
Q.スマホからアクセスすると画面のレイアウトが崩れます
A.スマホ対応していません。スマホ対応をご希望される場合は弊社カスタマーサポートまでお問い合わせください。
格好つけるためにプロンプトも用意しておきました。
回答は以下の形式で
### 事象発生の要因
### 解決方法
### 解決しないときの問い合わせ先
まずは「スマホ対応してないんだけど
」と問い合わせしてみました。(スクショ撮り忘れました)
学習させた内容に基づいて回答してくれていますね...!
次に学習させていないことについても聞いてみました。
学習させていない内容については答えられていないですね。
あえて学習させた単語に似ている単語を使ってみたのですが、適当な回答をするのではなく、分からないことは分からないと答えてくれています。
おわりに
自分でデータを用意して回答精度を試せると面白いですね。
LLMはGeminiを使っています。無料でAPI Keyを取得できます！(記事執筆時点では)