Gemini 2.5 Flash-LiteとFile Search API（Gemini API）で爆速RAGアプリを半日で作る方法

はじめに

こんにちは、フトシ（AI侍 Xでは@samuraiai）です。

2025年11月6日、GoogleがGemini APIにFile Searchという強力な機能を追加しました。これは、開発者がインフラを意識することなく、簡単に高精度なRAG（検索拡張生成）システムを構築できるというものです。さらに、最新のGemini 2.5 Flash-Liteモデルを使うことで、従来の1.5モデルよりも低コスト・高速・高精度なRAGアプリケーションを実現できます。

この記事では、ReactとGemini APIを使って、ドキュメント検索用のWebアプリケーションを半日で構築する手順を、技術的なポイントに絞って解説します。

完成したデモのソースコードは、以下のリポジトリで公開しています。

• GitHub: feel-flow/gemini-file-search-demo

また、本記事の内容は弊社（株式会社フィールフロウ）テックブログでも紹介しています。ビジネス寄りの内容に興味がある方は、こちらもご覧ください。

• FeelFlow Report: Gemini API File Search実装ガイド

File Searchはなぜ「ゲームチェンジャー」なのか？

従来のRAGシステム構築は、多くの開発者にとって茨の道でした。

• ベクトルDBの選定・構築: Pinecone, Chroma, pgvector...どれを選ぶ？
• チャンキング戦略: 固定長？再帰的？最適な分割方法は？
• 埋め込みモデルの管理: モデルのバージョン管理や更新が大変。
• 引用機能の実装: 回答の根拠を示すロジックを自前で組む必要がある。

File Searchは、これらの面倒な作業をすべてGoogle側でマネージドしてくれます。開発者はAPIを叩くだけで、最先端のRAGをアプリケーションに組み込めるようになりました。

項目	従来のRAG	File Search
ベクトルDB	自前で構築・運用	完全マネージド
チャンク分割	独自実装が必要	自動処理
埋め込み生成	モデル選定・管理	Gemini Embeddingが自動
引用機能	独自実装	自動付与
初期コスト	高（インフラ構築）	低（API利用料のみ）

まさに「RAGの民主化」と言えるでしょう。

Gemini 2.5 Flash-Liteのコスト優位性

本記事で使用するGemini 2.5 Flash-Liteは、Googleが提供する最小・最軽量モデルで、コスト重視のプロジェクトに最適です。

モデル	Input ($/1M tokens)	Output ($/1M tokens)	特徴
Gemini 2.5 Flash-Lite	$0.10	$0.40	最小コスト・高速・1Mトークンコンテキスト
Gemini 2.0 Flash-Lite	$0.075	$0.30	従来の軽量モデル
Gemini 2.5 Flash	$0.30	$1.20	バランス型

さらに、File Search APIの価格も魅力的です:

• 初期インデックス作成: $0.15/1M tokens
• ストレージと検索時の埋め込み生成: 無料

つまり、一度インデックス化すれば、その後の検索・応答はモデル使用料のみで利用できます。

最小構成デモアプリの実装

今回は、以下の技術スタックでシンプルな文書検索アプリを構築します。

• フロントエンド: React 19.2.0
• AI SDK: @google/genai 1.29.0 (最新の公式SDK)
• AIモデル: gemini-2.5-flash-lite

注意: 従来の @google/generative-ai パッケージは2025年8月31日にサポート終了予定です。本記事では最新の @google/genai SDKを使用します。

プロジェクト構成

create-react-appで作成したシンプルな構成です。

gemini-file-search-demo/
├── src/
│   ├── App.js          # メインコンポーネント
│   ├── App.css         # スタイリング
│   └── index.js
├── public/
├── sample_product_spec.txt  # 検索対象のサンプルファイル
└── package.json

コアロジック (src/App.js)

App.jsに実装するコア機能は主に2つです。

1. ファイルをフロントエンドで読み込み、Base64エンコードする処理
2. ファイルデータと質問をGemini APIに送信する処理

今回はシンプル化のため、ファイルをアップロードするたびにクライアントサイドでデータを保持する「インラインデータ方式」を採用します。

1. ファイルのハンドリング

FileReader を使ってファイルを読み込み、stateに保持します。ポイントは、Gemini APIが要求する inlineData オブジェクトの形式に整形する部分です。

src/App.js

// ... ReactのuseStateなどをimport

const App = () => {
  // ... state定義 (apiKey, file, query, response, loading, error)

  const handleFileChange = (e) => {
    setFile(e.target.files[0]);
  };

  const handleFileUpload = async () => {
    if (!file) {
      setError('ファイルを選択してください');
      return;
    }

    setLoading(true);
    setError('');

    // FileReaderでファイルを読み込み、Base64に変換
    const reader = new FileReader();
    reader.onload = (e) => {
      const fileData = {
        inlineData: {
          data: e.target.result.split(',')[1], // "data:mime/type;base64," の部分を除去
          mimeType: file.type,
        },
      };

      // 整形したデータをstateに保存
      setUploadedFile({
        name: file.name,
        data: fileData,
      });

      setResponse(`ファイル「${file.name}」を読み込みました。質問をどうぞ。`);
      setLoading(false);
    };
    reader.onerror = (err) => {
      setError('ファイル読み込みに失敗: ' + err.message);
      setLoading(false);
    };
    reader.readAsDataURL(file);
  };

  // ...
};

2. Gemini APIへの問い合わせ

最新の @google/genai SDKを使い、generateContent メソッドを呼び出します。質問とファイルデータを含む contents を渡すだけです。

src/App.js

// ...
import { GoogleGenAI } from '@google/genai';

const handleQuery = async () => {
  if (!apiKey || !uploadedFile || !query) {
    setError('APIキーを設定し、ファイルをアップロードしてから質問してください');
    return;
  }

  setLoading(true);
  setError('');

  try {
    const ai = new GoogleGenAI({ apiKey });

    // 最新のSDKでは、models.generateContentメソッドを使用
    const result = await ai.models.generateContent({
      model: 'gemini-2.5-flash-lite',
      contents: [
        { text: query },
        uploadedFile.data
      ]
    });

    setResponse(result.text);
  } catch (err) {
    setError('APIリクエストに失敗しました: ' + err.message);
  } finally {
    setLoading(false);
  }
};

// ...

これだけで、基本的なRAGアプリケーションのコア機能は完成です。驚くほどシンプルですね。

簡易的な性能検証

3.2KBの製品仕様書（TXT）を対象に、いくつかの質問を投げてみました。

項目	結果	備考
ファイル読み込み時間	0.3秒	フロントエンド処理
初回応答時間	1.2秒	コールドスタート
2回目以降の応答時間	0.8秒	平均値

テストケース1: 情報抽出

• 質問: この製品の標準価格はいくらですか？
• 回答: この製品の標準価格は29,800円（税込）です。
• 評価: ◎ 完璧

テストケース2: 計算

• 質問: この製品を10台導入する場合、延長保証を含めた初期費用の総額は？
• 回答: ...合計: 347,800円
• 評価: ◎ 計算も正確

テストケース3: 存在しない情報

• 質問: この製品のバッテリー寿命は何時間ですか？
• 回答: 申し訳ございませんが、提供された製品仕様書にはバッテリーに関する記載がありません。
• 評価: ◎ ハルシネーションを起こさず、誠実に回答

gemini-2.5-flash-lite の速さと精度のバランスは素晴らしく、しかも従来の1.5モデルより低コスト。簡単なドキュメント検索なら十分実用レベルだと感じました。

プロダクト化への「次の一歩」

このデモは最小構成ですが、実用的なアプリケーションにするには、いくつかの追加機能が考えられます。

1. 引用（Citation）の表示:
   File Search APIは、回答の根拠となった箇所を citationMetadata として返します。これをUIに表示することで、回答の信頼性が格段に向上します。

2. チャット履歴:
   一問一答形式ではなく、過去のやり取りを保持するチャットUIにすることで、文脈に沿った対話が可能になります。

3. File Search Toolの本格導入:
   今回のデモでは、シンプルな inlineData 方式を使いました。より本格的なRAGシステムを構築する場合は、File Search Toolを使いましょう。これにより、複数のファイル（最大100MB/ファイル）を事前にインデックス化し、ベクトル検索による高精度な情報取得が可能になります。

   • サポート形式: PDF, DOCX, TXT, JSON, 各種プログラミング言語ファイル
   • ストレージ上限: Free tier 1GB、有料tier 10GB〜1TB
   • 自動引用機能: 回答の根拠箇所を自動で提示

4. フィードバック機能:
   ユーザーがAIの回答を評価（Good/Badなど）できる機能をつけ、そのログを分析することで、ナレッジソース（元の文書）の改善やプロンプトのチューニングに繋げられます。

まとめ

Gemini APIのFile Search機能とGemini 2.5 Flash-Liteを使えば、これまで数週間かかっていたRAGシステムのプロトタイピングが、わずか半日で可能になります。

• インフラ不要: 面倒なベクトルDBやチャンキング処理はGoogleにお任せ。
• 圧倒的低コスト: Gemini 2.5 Flash-Liteは入力$0.10/1M tokens、出力$0.40/1M tokensという驚異的な価格設定。
• 高精度: 最新のGemini 2.5モデルの能力を最大限に活用し、従来の1.5モデルより高品質な回答を実現。
• 開発が容易: @google/generative-ai SDKを使えば数行で実装可能。

RAGアプリ開発のハードルを劇的に下げたFile Search、そしてコスト重視のプロジェクトに最適なGemini 2.5 Flash-Lite。ぜひ皆さんも、お手元のドキュメントでその実力を試してみてください。

---

株式会社フィールフロウでは、生成AIを活用したシステム開発やコンサルティングを行っています。ご興味のある方は、お気軽にご相談ください。

• コーポレートサイト
• お問い合わせ