ナレッジベースとRAG

概要

ナレッジベースを使うと、独自のドキュメントをAIに与えて回答の根拠にすることができます。ToRunはドキュメントを取り込み、チャンクに分割し、インデックス化して、クエリ時にはベクトル（意味）検索とレキシカル（キーワード）検索のハイブリッドを用いて最も関連性の高いチャンクを取得します。これがRetrieval-Augmented Generation（RAG）です。

構成

• ナレッジベース — プロジェクトのファイルの索引で、あなたのものです。
• ナレッジドキュメント — ベースに追加する各ファイルまたはソースです。
• ナレッジチャンク — ドキュメントが分割されたインデックス化済みの断片で、取得はチャンク単位で行われます。

ナレッジベースはユーザースコープです。あなたのベースとその内容はあなたに属します。

ベースの作成と投入

1. プロジェクトを開くか作成します。追加したファイルがそのプロジェクトのナレッジベースになります。
2. ドキュメントを追加します。ToRunは各ドキュメントを取り込み、チャンクに分割し、意味検索のための埋め込み（embedding）を構築します。
3. インデックス化されると、ベースは回答の根拠として利用可能になります。

取得の仕組み

ベースに対して質問すると、ToRunは次を実行します。

1. ベクトル検索 — クエリを埋め込み、意味的に類似したチャンクを見つけます。
2. レキシカル検索 — キーワードを直接マッチさせ、ベクトル検索が見逃しがちな完全一致の用語を捕捉します。
3. 統合された上位結果が根拠コンテキストとしてモデルに渡され、そこから回答が生成されます。

このハイブリッド手法により、「同じ意味を持つ」一致と「この用語を正確に含む」一致の両方を捕捉します。

コスト

取り込み時のドキュメントの埋め込みと、根拠付き質問への回答はAI呼び出しであるため、それぞれが価格スナップショット付きのBillingRecordを生成します。取り込みコストはおおむねドキュメント量に比例し、クエリコストは質問ごとです。

ヒント

• きれいで構造の整ったドキュメントを追加してください。文字化けしたテキストはインデックス化も取得も不十分になります。
• 1つのベースは1つのトピックまたはプロジェクトに集中させてください。巨大で混在した単一のベースはノイズの多い結果を取得します。
• 元の資料が変わったらドキュメントを追加し直すか更新してください。取得はインデックス化されたものしか把握しません。