RAG Retrieval

本番環境対応の RAG システム構築のための包括的なパターン集です。各カテゴリーのルールファイルは rules/ ディレクトリに個別に配置されており、オンデマンドで読み込まれます。

クイックリファレンス

カテゴリ	ルール数	重要度	使用場面
Core RAG	4	CRITICAL	基本的な RAG、引用、ハイブリッド検索、コンテキスト管理
Embeddings	3	HIGH	モデル選択、チャンキング、バッチ/キャッシュ最適化
Contextual Retrieval	3	HIGH	コンテキスト前置き、ハイブリッド BM25+ベクトル、パイプライン
HyDE	3	HIGH	語彙不一致、仮説的文書生成
Agentic RAG	4	HIGH	Self-RAG、CRAG、ナレッジグラフ、適応的ルーティング
Multimodal RAG	3	MEDIUM	画像+テキスト検索、PDF チャンキング、クロスモーダル検索
Query Decomposition	3	MEDIUM	マルチコンセプト クエリ、並列検索、RRF フュージョン
Reranking	3	MEDIUM	クロスエンコーダー、LLM スコアリング、複合シグナル
PGVector	4	HIGH	PostgreSQL ハイブリッド検索、HNSW インデックス、スキーマ設計

合計: 9 カテゴリー30 ルール

Core RAG

検索、生成、パイプライン構成の基本的なパターンです。

ルール	ファイル	キーパターン
Basic RAG	rules/core-basic-rag.md	検索 + コンテキスト + 引用付き生成
Hybrid Search	rules/core-hybrid-search.md	RRF フュージョン (k=60) でセマンティック + キーワード結合
Context Management	rules/core-context-management.md	トークン予算管理 + 十分性チェック
Pipeline Composition	rules/core-pipeline-composition.md	構成可能な Decompose → HyDE → 検索 → 再ランク

Embeddings

埋め込みモデル、チャンキング戦略、本番環境最適化です。

ルール	ファイル	キーパターン
Models & API	rules/embeddings-models.md	モデル選択、バッチ API、類似度
Chunking	rules/embeddings-chunking.md	セマンティック境界分割、512 トークン最適値
Advanced	rules/embeddings-advanced.md	Redis キャッシュ、Matryoshka 次元削減、バッチ処理

Contextual Retrieval

Anthropic のコンテキスト前置き技術 — 検索失敗を 67% 削減します。

ルール	ファイル	キーパターン
Context Prepending	rules/contextual-prepend.md	LLM 生成コンテキスト + プロンプトキャッシング
Hybrid Search	rules/contextual-hybrid.md	BM25 40% / ベクトル 60% の重み配分
Complete Pipeline	rules/contextual-pipeline.md	エンドツーエンドのインデックス構築 + ハイブリッド検索

HyDE

語彙ギャップをブリッジするための仮説的文書埋め込みです。

ルール	ファイル	キーパターン
Generation	rules/hyde-generation.md	クエリではなく仮説的文書を埋め込む
Per-Concept	rules/hyde-per-concept.md	マルチトピック クエリ向けの並列 HyDE
Fallback	rules/hyde-fallback.md	2-3 秒タイムアウト → 直接埋め込みにフォールバック

Agentic RAG

LLM 駆動の意思決定による自己修正検索です。

ルール	ファイル	キーパターン
Self-RAG	rules/agentic-self-rag.md	関連性に関する二項文書評価
Corrective RAG	rules/agentic-corrective-rag.md	Web フォールバック付き CRAG ワークフロー
Knowledge Graph	rules/agentic-knowledge-graph.md	エンティティ豊富なドメイン向け KG + ベクトルハイブリッド
Adaptive Retrieval	rules/agentic-adaptive-retrieval.md	最適な戦略へのクエリ ルーティング

Multimodal RAG

クロスモーダル検索を備えた画像+テキスト検索です。

ルール	ファイル	キーパターン
Embeddings	rules/multimodal-embeddings.md	CLIP、SigLIP 2、Voyage multimodal-3
Chunking	rules/multimodal-chunking.md	画像を保持した PDF 抽出
Pipeline	rules/multimodal-pipeline.md	重複排除 + ハイブリッド検索 + 生成

Query Decomposition

複雑なクエリを概念に分解して並列検索を実施します。

ルール	ファイル	キーパターン
Detection	rules/query-detection.md	ヒューリスティック指標 (<1ms 高速パス)
Decompose + RRF	rules/query-decompose.md	LLM 概念抽出 + 並列検索
HyDE Combo	rules/query-hyde-combo.md	最大カバレッジのための Decompose + HyDE

Reranking

検索後のスコアリングで精度を向上させます。

ルール	ファイル	キーパターン
Cross-Encoder	rules/reranking-cross-encoder.md	ms-marco-MiniLM (~50ms、無料)
LLM Reranking	rules/reranking-llm.md	バッチ スコアリング + Cohere API
Combined	rules/reranking-combined.md	マルチシグナル重み付けスコアリング

PGVector

PostgreSQL を使用した本番環境対応ハイブリッド検索です。

ルール	ファイル	キーパターン
Schema	rules/pgvector-schema.md	HNSW インデックス + 事前計算済み tsvector
Hybrid Search	rules/pgvector-hybrid-search.md	SQLAlchemy RRF with FULL OUTER JOIN
Indexing	rules/pgvector-indexing.md	HNSW (17 倍高速) vs IVFFlat
Metadata	rules/pgvector-metadata.md	フィルタリング、ブースティング、Redis 8 比較

クイックスタート例

from openai import OpenAI

client = OpenAI()

async def rag_query(question: str, top_k: int = 5) -> dict:
    """引用付き基本 RAG。"""
    docs = await vector_db.search(question, limit=top_k)
    context = "\n\n".join([f"[{i+1}] {doc.text}" for i, doc in enumerate(docs)])

    response = await llm.chat([
        {"role": "system", "content": "インライン引用 [1]、[2] 付きで答えてください。提供されたコンテキストのみを使用してください。"},
        {"role": "user", "content": f"コンテキスト:\n{context}\n\n質問: {question}"}
    ])

    return {"answer": response.content, "sources": [d.metadata['source'] for d in docs]}

重要な決定事項

決定事項	推奨値
埋め込みモデル	text-embedding-3-small (汎用)、voyage-3 (本番環境)
チャンクサイズ	256-1024 トークン (典型値: 512)
ハイブリッド重み	BM25 40% / ベクトル 60%
Top-k	3-10 文書
温度	0.1-0.3 (事実的)
コンテキスト予算	4K-8K トークン
再ランク	50 件検索、10 件に再ランク
ベクトルインデックス	HNSW (本番環境)、IVFFlat (大規模)
HyDE タイムアウト	2-3 秒 (フォールバック付き)
クエリ分解	最初はヒューリスティック、マルチコンセプト時のみ LLM

よくある間違い

1. 引用追跡なし (検証不可能な答え)
2. コンテキストが大きすぎる (関連性が低下)
3. 単一検索方法 (キーワードマッチを見落とし)
4. 長文書のチャンキングなし (コンテキスト損失)
5. クエリと文書を異なる方法で埋め込む
6. Agentic RAG にフォールバックパスなし (ワークフロー停止)
7. 無限書き換えループ (再試行制限なし)
8. 不適切な類似度メトリックを使用 (コサイン vs ユークリッド)
9. 埋め込みキャッシングなし (不変コンテンツを再計算)
10. Multimodal RAG で画像キャプションなし (テキスト検索が制限される)

評価

全カテゴリー対応の 30 テストケースについては test-cases.json を参照してください。

関連スキル

• ork:langgraph - LangGraph ワークフロー パターン (Agentic RAG ワークフロー向け)
• caching - 繰り返しクエリの RAG レスポンス キャッシング
• ork:golden-dataset - 検索品質の評価
• ork:llm-integration - nomic-embed-text を使用したローカル埋め込み
• vision-language-models - Multimodal RAG の画像分析
• ork:database-patterns - ベクトル検索のスキーマ設計

機能詳細

retrieval-patterns

キーワード: retrieval、context、chunks、relevance、rag 解決する問題:

• LLM 用の関連コンテキストを検索
• 引用付き RAG パイプラインを実装
• 検索品質を最適化

hybrid-search

キーワード: hybrid、bm25、vector、fusion、rrf 解決する問題:

• キーワード検索とセマンティック検索を組み合わせる
• Reciprocal Rank Fusion を実装
• 精度と再現率のバランスを取る

embeddings

キーワード: embedding、text to vector、vectorize、chunk、similarity 解決する問題:

• テキストをベクトル埋め込みに変換
• 埋め込みモデルと次元を選択
• チャンキング戦略を実装

contextual-retrieval

キーワード: contextual、anthropic、context-prepend、bm25 解決する問題:

• チャンクにコンテキストを前置きしてより良い検索を実現
• 検索失敗を 67% 削減
• ハイブリッド BM25+ベクトル検索を実装

hyde

キーワード: hyde、hypothetical、vocabulary mismatch 解決する問題:

• セマンティック検索の語彙ギャップをブリッジ
• 埋め込み用の仮説的文書を生成
• 抽象的または概念的なクエリを処理

agentic-rag

キーワード: self-rag、crag、corrective、adaptive、grading 解決する問題:

• 自己修正 RAG ワークフローを構築
• 文書の関連性を評価
• Web 検索フォールバックを実装

multimodal-rag

キーワード: multimodal、image、clip、vision、pdf 解決する問題:

• 画像とテキストを含む RAG を構築
• クロスモーダル検索 (テキスト → 画像)
• 混合コンテンツを含む PDF を処理

query-decomposition

キーワード: decompose、multi-concept、complex query 解決する問題:

• 複雑なクエリを概念に分解
• 概念ごとの並列検索
• 複合質問の対応範囲を改善

reranking

キーワード: rerank、cross-encoder、precision、scoring 解決する問題:

• 検索後の精度を向上させる
• クロスエンコーダーまたは LLM で関連性をスコアリング
• 複数のスコアリング シグナルを組み合わせる

pgvector-search

キーワード: pgvector、postgresql、hnsw、tsvector、hybrid 解決する問題:

• PostgreSQL を使用した本番環境対応ハイブリッド検索
• HNSW vs IVFFlat インデックス選択
• SQL ベースの RRF フュージョン