ナレッジベースの概要と設計方針
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
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
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
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
最終更新