はじめに
こんにちは、James Akiraです。
私は2018年からWebエンジニアとして開発に携わり、React、Next.js、TypeScript、Go、Ruby on Rails、Python、AWSなどを用いたフルスタック開発を経験してきました。
近年は、生成AI、LLM、RAG、AIエージェントなどの技術を活用したシステム開発を中心に取り組んでいます。
今回は、2023年11月から2025年3月にかけて携わった、企業向けRAG型ナレッジ検索システムの開発経験について紹介します。
1. プロジェクトの概要
企業では、社内規程、業務マニュアル、技術資料など、さまざまなドキュメントが管理されています。
しかし、従来のキーワード検索だけでは、必要な情報を効率的に見つけることが難しい場合があります。
この課題に対して、生成AIとRAG(Retrieval-Augmented Generation)を活用し、自然言語による質問から関連情報を検索し、その内容を基に回答を生成するシステムの開発に取り組みました。
2. 使用した主な技術
- Python / FastAPI
- Next.js / TypeScript
- PostgreSQL / pgvector
- LLM / RAG
- Embedding / Vector Search
- AWS
- Docker / GitHub
私は主にAIバックエンドの開発を担当しながら、フロントエンドやクラウド環境の構築・運用にも携わりました。
3. RAGシステムの開発
RAGシステムでは、単純にLLMへ質問を送るのではなく、関連する社内ドキュメントを検索し、その情報を回答生成に利用します。
今回の開発では、主に以下の処理を実装しました。
① ドキュメントの取り込みと前処理
PDF、Word、CSVなどのドキュメントを取り込み、テキストの抽出、前処理、チャンク分割を実装しました。
② Embeddingとベクトル検索
ドキュメントからEmbeddingを生成し、PostgreSQL/pgvectorなどを活用して関連文書を検索する仕組みを開発しました。
③ LLMによる回答生成
検索結果をコンテキストとしてLLMへ渡し、関連情報を基にした回答を生成する処理を実装しました。
④ Webアプリケーションとの連携
Python/FastAPIによるバックエンドAPIとNext.js/TypeScriptによるチャットUIを連携させ、ユーザーが自然言語で質問できる環境を構築しました。
4. 開発で重視したポイント
RAGシステムでは、LLMの性能だけでなく、検索対象となるデータの品質や検索精度も重要です。
開発では、ドキュメントの前処理、チャンク分割、検索ロジック、プロンプト設計などを継続的に見直し、回答品質の改善に取り組みました。
また、実際の業務システムとして利用することを想定し、ログ分析、不具合調査、レスポンス速度、安定性なども意識して開発を進めました。
5. 開発を通じて得た経験
このプロジェクトを通じて、LLMを単体で利用するだけでなく、データ処理、検索、API、Webアプリケーション、クラウド環境までを一体として設計することの重要性を学びました。
フルスタック開発で培った経験を活かしながら、AIシステム全体の構成を理解し、実装から運用まで幅広く対応できたことは、大きな経験になりました。
6. 今後取り組みたいこと
今後は、RAGに加えてTool Callingや外部API連携を活用したAIエージェント開発にも、引き続き取り組んでいきたいと考えています。
単に質問へ回答するだけでなく、ユーザーの指示に応じて情報検索、データ取得、タスク実行などを行えるAIシステムには、大きな可能性があると感じています。
これからも新しい技術を学びながら、実用性と品質を重視したAIプロダクトの開発に貢献していきたいと思います。
最後までお読みいただき、ありがとうございました。
James Akira
フルスタックエンジニア / AIエンジニア / テックリード