RAG（Retrieval-Augmented Generation／検索拡張生成）は、LLMの「記憶の弱点」を補うための仕組み
### RAGの基本アイディア
– 学習データが古い
– 企業固有の情報を知らない
– 事実を正確に記憶していない
### RAGの仕組み（流れ）
1. ユーザーの質問（Query）
2. 検索（Retrieval）
・質問を ベクトル化（embedding） して数値化
・ベクトルデータベース（例：FAISS, Chroma, Milvusなど）から
・「意味的に近い文書」を検索
3. 統合（Augmentation）
検索で得たテキストをまとめて「プロンプトに埋め込む」
以下の資料を参考に質問に答えてください： [資料1: ...] [資料2: ...] 質問：2025年の日本の経済成長率は？
4. 生成（Generation）
LLMがその検索結果（コンテキスト）をもとに回答を生成
ユーザー質問
↓
【Embedding】→ ベクトル化
↓
【Vector DB】→ 意味的に近い文書を検索
↓
【Augmentation】→ 文書をプロンプトに追加
↓
【LLM生成】→ 文脈に基づいて回答生成
### デメリット
– 検索精度が悪いと、間違った情報を引用してしまう
– ベクトルDBの管理・更新が必要
– 長いコンテキストを扱うとコストが増える
from openai import OpenAI
import faiss
import numpy as np
client = OpenAI(api_key="sk-***")
docs = ["富士山は日本で一番高い山です", "日本の首都は東京です"]
embs = [client.embeddings.create(model="text-embedding-3-small", input=d).data[0].embedding for d in docs]
index = faiss.IndexFlatL2(len(embs[0]))
index.add(np.array(embs))
query = "日本の一番高い山は？"
q_emb = client.embeddings.create(model="text-embedding-3-small", input=query).data[0].embedding
D, I = index.search(np.array([q_emb]), k=1)
context = docs[I[0][0]]
prompt = f"次の情報を参考に質問に答えてください。\n資料: {context}\n質問: {query}"
resp = client.responses.create(model="gpt-4o-mini", input=prompt)
print(resp.output_text)
$ python3 rag.py
日本の一番高い山は富士山です。
FAISSとPostgreSQLの違い
観点 FAISS PostgreSQL（psql）
開発元 Meta（旧Facebook） PostgreSQL Global Development Group
主な用途 ベクトル検索（類似度検索） 構造化データの検索・管理
データの種類 数値ベクトル（例：768次元の埋め込み） テーブル形式（行・列）
検索内容 「意味的に似ている文章や画像を探す」 「条件に一致する行を探す（例：WHERE句）」
検索方法 コサイン類似度 / 内積 / L2距離 SQL文（SELECT, JOIN, ORDER BYなど）
速度 超高速（数百万ベクトルでもミリ秒単位） 適度（構造化クエリに最適）
保存形式 メモリ上のインデックス（永続化も可） 永続的なデータベースファイル
例 「この文に似た文を探せ」 「age > 30 のユーザーを取得」
なるほど、FAISSはmetaが開発しているのね。
