ナレッジベースの概要と設計方針
dify-docs-knowledge-base-overview-and-design-policy
RAGとは
RAG（Retrieval-Augmented Generation：検索拡張生成）は、LLM（大規模言語モデル）が回答を生成する際に、外部ドキュメント検索（Retrieval）で得た根拠情報を参照しながら生成（Generation）することで、回答の正確性・再現性を高める手法です。
RAGの仕組み
- ドキュメントを取り込み（PDF/HTML/Markdown/FAQなど）
- チャンク分割（後段の検索に適した粒度へ分割）
- 埋め込み（Embedding）作成し、ベクトルDBへ格納
- ユーザーの質問を ベクトル化し、近傍検索で関連チャンクを取得
- 取得したチャンクを コンテキストとしてプロンプトに差し込み、LLMが回答を生成
RAGのメリット
- 最新情報を反映しやすい：モデル自体の再学習なしでドキュメント更新に追従できる
- ハルシネーション抑制：根拠に基づく回答になりやすく、誤回答の防止につながる
- 出典提示・監査性：参照元ドキュメントを示しやすい
- 運用で改善可能：検索ヒット率、チャンク設計、メタデータ、評価で継続改善できる
RAGでも「検索で誤ったチャンクを拾う」「根拠が薄い」「質問が曖昧」などの条件では誤答が起き得ます。ナレッジ設計と評価が重要です。
ナレッジベースとは
Difyのナレッジベースは、RAGを実現するためのドキュメント管理・検索基盤です。ドキュメントを登録し、チャンク化・インデックス化して、アプリケーションから検索して参照できる状態にします。
ナレッジベース作成フロー
- ドキュメントのアップロード
- セグメント設定（チャンク分割）：自動設定またはルールベースでのカスタム設定が可能。
- インデックス作成
- 高品質モード（推奨）：Embeddingモデルを使用してベクトル化
- 経済的モード：キーワード検索用のインデックスのみ作成（トークン消費を抑えるが精度は劣る場合がある）
- アプリケーションから検索・参照
検索精度の向上機能（Dify推奨設定）
特にデジタルヒューマン用途など、高い回答精度が求められる場合は以下の設定を検討します。
- ハイブリッド検索（Hybrid Search）： ベクトル検索（意味の類似性）とキーワード検索（単語の一致）を組み合わせ、両方の長所を活かす手法です。専門用語が多い場合に有効です。
- Rerank（再ランク付け）設定： 検索で粗く抽出したチャンク候補を、Rerankモデルを用いて「質問との関連度」で再評価し、並び替える機能です。最も関連性の高い情報だけをLLMに渡すことで、回答精度が大幅に向上します。
デジタルヒューマン向け設計方針
デジタルヒューマン（対話型エージェント）用途では、
- 質問が多岐にわたり
- 言い回しが揺れ
- 正誤がユーザー体験に直結する
ため、「答えやすい形に情報を整理する」ことが最優先です。
よくある登録情報
情報種別 | 例 |
製品・サービス情報 | 製品カタログ、価格表、仕様、プラン、制限、比較、導入手順 |
FAQ | よくある質問と回答、エラー、トラブルシューティング |
対応マニュアル | オペレーション手順、一次回答テンプレ、エスカレーション |
企業情報 | 概要、沿革、所在地、問い合わせ、規約、ポリシー |
ナレッジベースの分割戦略
ナレッジは「一つにまとめれば良い」わけではなく、検索精度・運用性の観点で分割が有効です。
分割の考え方（推奨）
- 用途で分割：FAQ / 仕様 / マニュアル / 規約 など
- 更新頻度で分割：頻繁に変わる情報と、固定情報を分ける
- 公開範囲（権限）で分割：社外公開OK / 社内限定 / 機密 を分ける
- 回答の責任境界で分割：正確性が必須の領域（契約・法務等）は特に独立管理
方針 | 用途 | メリット |
単一ナレッジ | 小規模プロジェクト | シンプル、管理が容易 |
目的別分割 | 中規模以上 | 検索精度向上、更新が容易 |
推奨分割例
デジタルヒューマンプロジェクト
├── ナレッジベースA: 製品情報（ハイブリッド検索推奨）
├── ナレッジベースB: FAQ（Q&A形式でチャンク化）
├── ナレッジベースC: 会社情報
└── ナレッジベースD: 対応マニュアル（社内用/参照優先度低）設計時のチェックリスト
参考URL
Difyナレッジベースガイド: https://docs.dify.ai/ja/use-dify/knowledge
お役に立ちましたか？
😞
😐
🤩
最終更新日 February 20, 2026