RAGを試すだけでも、ストレージ、文書分割、Embedding、ベクトルDB、検索API、生成モデル、ログを組み合わせる必要があります。Cloudflare AI Searchは、この検索基盤をマネージドにまとめて提供します。

この記事では、Built-in storageへ検証文書をアップロードし、Playgroundで確認した後、Cloudflare Workerから現行のAI Search bindingを使って検索・回答するところまでを作ります。

2026年8月18日時点でAI Searchはopen betaです。無料枠や課金条件は変更される可能性があります。公開前・導入前に公式のLimits & pricingを再確認してください。

今回、実際に確認したこと

Cloudflare DashboardでAI Search instanceを作り、Built-in storageへのファイル登録とPlaygroundのSearchまで実行しました。顧客データは使わず、架空の「サンプル株式会社」のMarkdown文書3件だけで検証しています。

項目	検証内容
Instance	検証用instance、Built-in storage
文書	出張旅費規程、情報セキュリティ規程、入社初日ガイド
質問	国内出張の宿泊費上限と精算期限
検索結果	`01_出張旅費規程.md`
スコア	0.761
該当内容	1泊12,000円、帰着日の翌日から5営業日以内

完成構成

社内用途ではAI SearchのPublic Endpointをそのまま公開せず、Cloudflare Accessで認証したWorker経由に限定する構成を想定します。

1. AI Search instanceを作る

Cloudflare dashboardで次の順に進みます。

AI → AI Searchを開く
Create Instanceを選ぶ
例としてinternal-docs-pocと命名する
データソースを選ぶ
設定内容を確認して作成する

データソースは主に次の3種類です。

データソース	使いどころ
Built-in storage	少数ファイルをすぐ試す
R2 bucket	既存のR2文書を継続同期する
Website	自社サイトやドキュメントをクロールする

今回はBuilt-in storageを使います。

2. 架空の社内文書をアップロードする

作成したinstanceのItemsタブから、架空企業の規程・手順書をアップロードします。アップロード後は自動でインデックスされます。

travel-policy.md
security-policy.md
onboarding-guide.md

completedになる前に質問すると結果が安定しないため、ItemsまたはStatsで処理状況を確認します。

今回は3件すべてのアップロード成功を確認してから、同期とインデックス作成を開始しました。

現行のWorkers Freeでは、AI Searchのファイルサイズ上限は1ファイル4MB、月間クエリは20,000件などの制限があります。大きなPDFは章単位に分ける、画像中心のPDFは事前にOCRする、といった前処理が必要です。

3. Playgroundで検索と回答を分けて試す

PlaygroundにはSearchとChatがあります。

Search: 関連チャンクとスコアを確認する
Chat: 検索結果を使った生成回答を確認する

最初はSearchで次を確認します。

国内出張の宿泊費上限はいくらですか？

正しい文書が返らない状態でChatのプロンプトを調整しても改善しません。まず検索、次に生成の順で原因を分けます。

実際のSearchでは、国内出張の宿泊費上限と精算期限に対して01_出張旅費規程.mdがスコア0.761で返りました。表示されたチャンクに、宿泊費上限と精算期限の両方が含まれることも確認しています。

なお、インデックス作成直後にChatを試したときは該当文書なしになりました。同期中の結果をそのまま評価せず、Itemsの処理完了後に同じ質問を再実行するのが安全です。

4. Workerプロジェクトを作る

npm create cloudflare@latest -- internal-docs-rag
cd internal-docs-rag

wrangler.jsoncにinstance bindingを追加します。

{
  "$schema": "./node_modules/wrangler/config-schema.json",
  "name": "internal-docs-rag",
  "main": "src/index.ts",
  "compatibility_date": "2026-08-17",
  "ai_search": [
    {
      "binding": "INTERNAL_DOCS",
      "instance_name": "internal-docs-poc",
      "remote": true
    }
  ]
}

remote: trueを指定すると、ローカル開発中もデプロイ済みのAI Search instanceへ接続できます。

旧AutoRAGのenv.AI.autorag()はlegacyです。新規実装ではai_searchまたはai_search_namespaces bindingを使います。

5. 検索APIを実装する

まずは生成を行わず、検索チャンクだけを返します。

export default {
  async fetch(request: Request, env: Env): Promise<Response> {
    const url = new URL(request.url);
    const query = url.searchParams.get("q")?.trim();

    if (!query || query.length > 500) {
      return Response.json({ error: "invalid query" }, { status: 400 });
    }

    const result = await env.INTERNAL_DOCS.search({
      messages: [{ role: "user", content: query }],
      ai_search_options: {
        retrieval: {
          retrieval_type: "hybrid",
          max_num_results: 5,
          match_threshold: 0.4
        }
      }
    });

    return Response.json({
      query: result.search_query,
      sources: result.chunks.map((chunk) => ({
        file: chunk.item.key,
        score: chunk.score,
        text: chunk.text
      }))
    });
  }
};

先にwrangler typesを実行し、bindingを含むEnv型を生成してください。

6. RAG回答と引用元を返す

次にchatCompletions()で回答を生成します。レスポンスのchunksを捨てず、回答と一緒にクライアントへ返すのがポイントです。

const result = await env.INTERNAL_DOCS.chatCompletions({
  messages: [
    {
      role: "system",
      content: "登録文書だけを根拠に回答し、根拠がなければ不明と答えてください。"
    },
    { role: "user", content: query }
  ],
  ai_search_options: {
    retrieval: { max_num_results: 5 },
    query_rewrite: { enabled: true }
  }
});

return Response.json({
  answer: result.choices[0]?.message.content ?? "",
  citations: result.chunks.map((chunk) => ({
    source: chunk.item.key,
    score: chunk.score
  })),
  usage: result.usage
});

画面側では、回答本文の下にファイル名を表示し、利用者が根拠を確認できるようにします。

7. 社内向けに閉じる

Public Endpointは認証なしで使えるため、社内文書用では無効のままにします。Workerの前にCloudflare Accessを置き、会社のIdPまたは許可したメールドメインで認証します。

さらに次を実施します。

CORSを自社フロントエンドに限定する
Workerで入力長、HTTP method、Content-Typeを検証する
ユーザーまたは部署を監査ログへ残す
AI Gatewayでモデル利用量、コスト、エラーを監視する
DLP・Guardrailsの適用可否を検討する
機密度ごとにinstanceまたはnamespaceを分離する

AI Searchに接続したAI Gatewayでは、埋め込み呼び出しまで通るため、Gateway側の一般的なキャッシュや厳しいレート制限がインデックス処理を妨げる場合があります。検索結果のキャッシュにはAI Search側のSimilarity cacheを使い、Gateway設定は公式の注意事項に従います。

8. コストを見るときの注意

2026年8月18日時点では、AI Searchはopen betaの範囲内で無料ですが、Workers AIとAI Gateway経由のモデル推論などは別計算です。「RAG全体が無料」という意味ではありません。

PoCでは次を分けて記録します。

初回・更新時のEmbedding
1質問あたりの検索
Query rewritingとReranking
回答生成モデルの入力・出力トークン
Workerリクエスト
ログ保持や外部モデルの費用

まとめ

Cloudflare AI Searchは、R2、Vectorize、文書分割、検索APIを個別に組み合わせる手間を減らし、小さなRAGを早く試すのに向いています。検索結果のchunksに引用元とスコアが含まれるため、根拠表示も実装しやすい構成です。

一方、open betaの仕様・料金変更、ファイルサイズ制限、文書ごとの権限制御は事前に確認が必要です。まずは公開情報または低機密の文書でPoCし、Access、Worker、監査ログまで含めて評価すると安全です。

導入判断・費用・制限を比較したい方へ

低コスト化できる範囲、open betaの注意点、認証、文書ACL、PoCの概算はRoot on公式ブログの「低コストで社内文書RAGを作る」に整理しています。