RAGの構築:検索と根拠のある回答
RAG(Retrieval-Augmented Generation、検索拡張生成)は、選んだ資料をLLMへのリクエストと一緒に渡す仕組みです。ただし、RAGを構築しても、それだけで答えが正しくなるわけではありません。役に立つパイプラインは、呼び出した人がどのレコードを見てよいか、そのリビジョンが現在のものか、返ってきた答えが資料に支えられているかを、それぞれ判断する必要があります。このプロジェクトでは、その流れをPythonで実装します。
方針のサービスの例
架空の顧客向けの方針のサービスなら、まず文書を、問い合わせたテナントと承認済みのリビジョンに絞り込みます。順位を付けるのは、残ったチャンクだけです。用意された回答の処理にそのソースのIDを渡し、検索していないIDを引用した答えは拒否します。求められた方針を支える資料がなければ、ルールを作り出さずに、決められた「回答の見送り」の結果を返します。
パイプラインの確認
関係はあるが別のテナントの文書、古いリビジョン、ありそうだが存在しないIDを引用する答え、の3つをテストしてください。どれも違う境界を確かめます。引用の数を数えるだけでは、所属と範囲を確かめない限り、3つとも見逃します。
検索のドキュメント(英語、2026年11月14日に確認)は、実際のプラットフォームでの検索を説明しています。ここでは資料も返答もオリジナルのフィクスチャで、確認はPythonで手元に実装します。ホスト型のインデックスも、実際の生成も使いません。プロジェクトの8つのステップは元の境界を持つチャンクから始まり、引用の所属の確認、テナントとリビジョンでの絞り込みを通ります。評価の分け方は取り分けたデータのIDの境界で練習できます。