Step 01：イントロダクション

• RAGとは？

  • RAG（Retrieval-Augmented Generation）の基本概念と、なぜRAGを使うのかを理解する。従来手法（プロンプト法・ファインチューニング）との比較を通じて、RAGの利点を学ぶ。

  Step 02：RAGの構造

• RAGの回答生成フロー

  • RAGを構成するStoreフェーズ、Retrievalフェーズ、Generationフェーズの仕組みを理解する。　- Storeフェーズ：テキストデータをベクトル変換（Embedding）し、ベクトルデータベース（Vector DB）に保存する。

  • Retrievalフェーズ：質問文（クエリ）をもとに、類似度検索（Similarity Search）で関連情報を抽出す

  • Generationフェーズ：抽出した情報をLLMに渡し（Augmentation）、回答を生成する。

• OpenAI APIの利用

  • OpenAI APIの概要と準備

    • OpenAI APIの基礎知識、APIキーの発行方法、環境変数での管理方法を学ぶ。

  • APIを用いたRAG実装

    • OpenAI APIを活用し、LangChainを用いたRAGの実装準備を行う。

• LangChainの基本実装

  • LangChain v0.3を使い、LCEL（LangChain Expression Language）の記法でプロンプトチェーンを構築する。従来のLLMChain記法との違いを理解する。

  Step 03：RAGの実装

• LangChainとLCELによる実装

  • LCEL構文でRetriever／Prompt／Model／評価のChainを構築し、質問応答の一連フローを作成する

• Structured Outputによるクエリ生成

  • 検索クエリの質を高めるため、複数クエリ生成と型指定（Pydantic）によるstructured outputを実装

• multi_query_rag_chainによる多視点検索

  • 多視点検索→Retrieval→生成→出力までを一つのチェーンに統合

    
    

  Step 04：RAGの性能改善

• ReRanker導入による評価改善

  • MMR（Maximal Marginal Relevance）やスコア順によるReRank実装と効果比較を行う

• 出力精度の評価

  • precision／recall／F1-scoreの導入による自動評価と、人手評価との使い分けを理解

    
    

  Step 05：RAGの運用

• 評価観点とLLMOpsの考え方

  • 精度維持・監視・バージョン管理・セキュリティなど、業務適用時に考慮すべきLLMOps観点を学ぶ

• パイプライン設計と運用設計

  • プロンプト・Retriever・モデル・ReRanker・評価指標までを一つのパイプラインとして設計する方法を学ぶ