【要約】RAGとは？仕組みと実装パターンをエンジニア向けに解説 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
LLM単体では解決できない以下の課題がある。
- ・学習データに含まれない最新情報の欠如。
- ・社内ドキュメント等の非公開情報の参照不可。
- ・事実に基づかない回答（ハルシネーション）の発生。
- ・コンテキスト不足による回答精度の低下。
// Approach
以下のステップでRAGを構築・改善する。
1.インデックス構築
- ・
RecursiveCharacterTextSplitterで文書を分割。 - ・
text-embedding-3-small等でベクトル化。 - ・ChromaやPinecone等のベクトルDBへ保存。
2.推論プロセス
- ・質問をベクトル化し、類似検索を実行。
- ・取得したチャンクをコンテキストとしてLLMへ渡す。
3.精度向上（Advanced RAG）
- ・Hybrid Search：ベクトル検索とBM25を併用。
- ・Re-ranking：
co.rerankで候補を再順位付け。 - ・Parent-Child Chunking：検索用と回答用でチャンクサイズを分離。
4.定量評価
- ・
RAGASを用い、FaithfulnessやContext Recallを測定。
// Result
RAGの精度は、チャンク設計、検索手法、再ランキング、評価のサイクルによって決定される。具体的なツール（Chroma, Qdrant, Pinecone, Azure AI Search, pgvector）の使い分けにより、用途に応じたシステム構築が可能。RAGASによる定量評価が、継続的な精度改善の要となる。
Senior Engineer Insight
>
RAGの成否は、チャンク設計と検索精度の最適化に依存する。単なる実装は容易だが、実運用での精度維持は極めて困難。特にレイテンシと精度のトレードオフ管理が重要。スケーラビリティ確保のため、DB選定は慎重に行うべき。開発時はChroma、大規模運用ではPineconeやAzure AI Searchが適している。RAGASによる評価パイプラインの構築を、開発初期段階から組み込むことが、実戦投入への必須条件である。