検索拡張生成

RAGの処理フロー:
1. ユーザーの質問
   ↓
2. クエリのベクトル化
   ↓
3. ベクトルDBから類似文書検索
   ↓
4. 関連文書を取得
   ↓
5. 質問 + 文書をLLMに入力
   ↓
6. 文書を参照した回答生成

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA
from langchain.llms import OpenAI

# ベクトルストア構築
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(
    documents, embeddings
)

# RAGチェーン作成
qa = RetrievalQA.from_chain_type(
    llm=OpenAI(),
    retriever=vectorstore.as_retriever()
)

# 質問応答
result = qa.run("質問内容")

高度なRAG手法:
├── チャンク[最適化](/glossary/optimization)
│   └── 適切なサイズで文書分割
├── ハイブリッド検索
│   └── ベクトル＋キーワード検索
├── リランキング
│   └── 検索結果の再順位付け
├── クエリ変換
│   └── 質問を検索に適した形に
└── 自己評価
    └── 回答の妥当性チェック