RAG・検索・LLM アプリケーション開発

RAG（Retrieval-Augmented Generation）と LLM アプリケーション開発は、AI インフラ（tech-153 配下）の中でも「データ取得 → 推論 → アプリ統合」の接合層を担う。本ハブは埋め込みモデル（tech-001 BGE-M3）・ベクトルデータベース（tech-002 Qdrant）・LLM SDK フレームワーク（tech-72）を束ね、このサブツリーのナビゲーション起点として機能する。

RAG パイプラインの構成要素

RAG は「検索フェーズ」と「生成フェーズ」の 2 段構成で動く。検索フェーズはクエリを埋め込みベクトルに変換し、ベクトル DB を問い合わせて上位 k 件のドキュメントを取得する。生成フェーズは取得したコンテキストを LLM プロンプトに注入し、幻覚（hallucination）を抑えた回答を生成する。

実装上の重要な判断点は「ハイブリッド検索」の採用有無である。Dense（意味）検索だけでは固有名詞や専門用語の完全一致が弱い。Sparse（BM25 / SPLADE）と組み合わせることで精度が上がる。Qdrant は複数ベクトルヘッドとペイロードフィルタを 1 回のクエリで処理できるため、外部マージ不要でハイブリッド検索を実現できる（詳細 → tech-002）。

埋め込みモデル — BGE-M3

BGE-M3（tech-001）は BAAI が開発した多言語埋め込みモデルで、Dense・Sparse・ColBERT の 3 モードを 1 モデルで出力する。100 言語以上に対応し、日英混在コーパスでも高精度な検索が可能。セルフホスト環境では「複数モデルを並走させる」コストを回避できる唯一の実用解として重要度が高い。

情報カットオフ ~2025-08、confidence: medium 固定。BGE-M3 のリリース後の改訂版・後継モデルについては 2026-06-14 時点で外部検証ができていない。

ベクトルデータベース — Qdrant

Qdrant（tech-002）はベクトル検索に特化した OSS データベース。1 ポイントに複数の名前付きベクトルを持てる設計と、ペイロードフィルタの高速評価が特長。RAG スタックでは埋め込みの格納・ANN インデックス・スコアリング・フィルタリングをすべて Qdrant 内で完結させることができ、アプリ側のロジックを簡素に保てる。

LLM SDK アプリケーション開発

tech-72 は Anthropic SDK・OpenAI SDK・LangChain・LangGraph・MCP 等の主要フレームワークを横断的に整理した記事。公式 SDK によるシンプルな呼び出しから、Agent ループ・Tool Use・構造化出力・RAG 統合・観測性まで 10 セクションで網羅する。

このハブ（tech-324）は RAG/検索レイヤー（tech-001, tech-002）とアプリフレームワーク層（tech-72）を束ねる MOC として機能する。各記事の詳細はそれぞれのリンク先を参照。