はてなブックマーク

本記事では、RAGの性能を高めるための「WriteBack-RAG」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。 この記事は何 この記事は、RAGのナレッジベース自体をAIで書き直すことで精度を上げる手法「WriteBack-RAG」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー 「WriteBack-RAG」は、RAGの回答精度を高めるための新しい手法です。 北京大学・ジョージア工科大学・清華大学の研究者らによって2026年3月に提案されました。 最近、「AIでナレッジを管理する」というコンセプトが盛り上がっています。 「AI

本記事では、AIエージェントの性能を決める「ハーネス」の設計手法について、ざっくり解説します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。 この記事は何 この記事は、AIエージェントのハーネス設計を自然言語で統一的に記述する手法「NLAH（Natural-Language Agent Harnesses）」の論文[1]について、日本語で簡単にまとめたものです。 本題 ざっくりサマリー 「NLAH」は、エージェントのハーネス設計を、自然言語で統一フォーマットに書こう、という提案です。 清華大学・ハルビン工業大学の研究者らによって2026年3月に発表されました。 最近、「ハーネスエンジニアリング」が話題です。 ハーネスとは、AIエージェントを制御する技法のことです。AIエージェントを自分の意図通りに行動をさせるため

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は超長文をLLMが理解できるようにするための手法、「SRLM」について紹介します。 サマリー LLMの性能は日々向上していますが、超長文に対しては、そもそものモデルの入力限界の問題や、精度の問題で必要な情報を適切に取り出すことができなくなってしまいます。 「SRLM」は長文に対しての検索手法を複数作成して、その結果の多数決、推論ステップでの確信度合い、そして、推論ステップの長さをもとに、最も確からしい情報を取り出す手法です。モデルが直接扱いきれない1000万文字級のドキュメントの内容も把握できるようになっています。 課題意識 超長文の理解力 LLMの性能の向上によって、目立ちにくくなってはいますが、依然としてLLMは超長文を理解して、必要な情報を取ってくる能力には限界があります。一つの要因は、単純にLLMに入力できる文字数に限界

本記事では、コーディングAIエージェントに渡す「指示ファイル」の効果について、ざっくり解説します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。 この記事は何 この記事は、コーディングAIエージェント向けの指示書ファイル（AGENTS.mdやCLAUDE.md）の効果を検証した論文[1]について、日本語で簡単にまとめたものです。 本題 ざっくりサマリー 「CLAUDE.md」をAIで生成すると、むしろタスクの成功率が下がります。 ETH ZurichとLogicStar.aiの研究チームによって2026年2月に発表されました。 指示ファイルなし / LLMによる指示ファイルあり / 人間による指示ファイルありでの比較。SWE-BENCH LITE(左) / AGENTBENCH (右). もう少し前提から話します

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回はMicrosoftの提案するLLM向けのメモリ機能、「Mnemis」を紹介します。 サマリー Agentの能力の上昇により、コンテキストエンジニアリングがより重要になってきています。特に、これまでの会話の情報をコンテキストとして効率的に取得するメモリ管理方法は、どのエージェントにも欠かせない機能となっていきます。 「Mnemis」は、新しいメモリの管理手法として、登場しました。カテゴリ分けを利用した階層構造と、ベクトル検索を利用した類似度検索、LLMを利用してAgentic Searchを組み合わせて高い精度の検索を実現しています。 課題意識 メモリー機能の重要性 以前コンテキストエンジニアリングがなぜ重要かという記事を出しました。Agentが自動的に動作するようになっているからこそ、どうやって同じ失敗を繰り返さないか、そして

最近盛り上がっている「RAG不要論」をご存知でしょうか。 本記事では、RAG不要論を検証した論文について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、「キーワード検索だけでもRAG並みの性能が出る」ということを示す論文[1]について、日本語で簡単にまとめたものです。 ...ただ、みなさん、落ち着いてください。 一応、先にネタバレすると、RAGは不要、という結論というより、「従来のRAGも、速いし柔軟なので、やっぱり必要なケースも多いよね」という結論になっています。[2] 以下、今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー 「Agentic Keyword Se

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、なぜClaude Codeがベクトル検索[1]ではなく、agentic search(Agentic RAG)を利用しているのかを簡単に解説していこうと思います。 Claude Codeの初期バージョンではRAGとローカルのベクトルDBを使用していたが、agentic searchの方が概ね優れていることがすぐに判明した。agentic searchはよりシンプルで、セキュリティ、プライバシー、情報の鮮度、信頼性に関する問題も抱えていない。 — Boris Cherny (@bcherny) 2026年2月1日 少し話を進める前に、簡単に整理したいと思います。 まずRAGというのは、検索とLLMを組み合わせた手法全般のことを指しています。そして、ベクトル検索手法は、そのRAGの中の一番オーソドックスな手法と言えます。Bori

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、多段階のRAGで最初に入力した質問の大事なキーワードを、忘れないようにする手法「ActiShade」について紹介します。 複雑な質問に回答する際に、RAGを複数回繰り返すことで精度を上げることは一般的な手法として確立されています。しかし、検索回数が増えるごとに情報量が増えていき、ハルシネーションのリスクが高くなります。その中でも、特に致命的なのがユーザーの質問そのものの一部を忘れてしまうことです。 ActiShadeは「無視されたキーワード」に焦点をあてた手法です。「ActiShade」では、LLMの入力にノイズを紛れ込ませることで、LLMがキーワードを無視していないかを判定します。無視されている単語を見つけたら、その単語を強調して次のRAGを実行することで、最後までユーザーの質問を忘れない多段式RAGを実現しています。 課

本記事では、AIエージェントを自己進化させて性能を高める手法について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、訓練データなしでAIエージェントを自己進化させる手法「Dr. Zero」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもAIエージェントとは？」については、知っている前提で進みます（参考）。 本題 ざっくりサマリー Dr. Zeroは、「AIエージェント」を訓練データなしで進化させるための手法です。Meta社とイリノイ大学の研究者らによって2026年1月に提案されました。 ここで言う「AIエージェント」とは、例えばOpenAIの「Deep Research」や「Claude Code」のような、検索エージェントです

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、RAGの検索結果の順序による精度低下を防ぐ手法、Stable-RAGについて紹介します。 RAGは、情報を検索しその内容をLLMに渡すことで、LLMが知らない内容についてもLLMに回答させることができる手法となっています。しかし、言語モデルの特性上、同じ検索結果でも並び順が違うだけで回答が変わるという問題があります。 この問題に対してStable-RAGは、LLMをファインチューニングすることで、検索結果の順序によって回答精度が下がる問題を抑制し、同じ情報から一貫して正しい回答を生成できるようにしています。 課題意識 データの位置と回答精度 LLMは特性上、先頭の文章と最後の方の文章により着目しやすい性質があります。そのため、回答に必要な情報をLLMに渡したとしても、その情報が文章全体のどの位置にあるかによって、正しく回答で

本記事では、RAGの精度を向上させるための「ドメイン特化埋め込みモデル」の手法について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、メルカリの研究チームがAAAI 2026で発表した「ドメイン認識型テキスト埋め込み」に関する論文[1]について、日本語で簡単にまとめたものです。 ちなみに、この論文自体はRAGについて直接言及したものではありません。しかし、 RAGとは検索エンジンそのものです。一般的な検索技術の精度向上手法は、そのままRAGに使えることも多いです。 今回は特に、「一般的なベクトル検索だけでは、業界用語・日本語データをうまく検索できない」 という、RAGで「あるある」な課題に対する、強力な解決策が示されています。 今回も「そもそもRAGと

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、過去の対話情報をもとに、LLMと一貫した会話を続けられる仕組み「Hindsight」について紹介します。 サマリー RAGの代表的な活用方法の一つとして、過去のメールやチャットを情報源に、それまでのやり取りを前提とした会話を成立させる手法があります。 しかし、やり取りのデータは時間とともにどんどん増えていきます。さらに事実と意見が混在したデータも多く存在するため、標準的なRAGを導入してもうまく会話を成立させることができません。 「Hindsight」は、過去のやり取りを構造化し検索性を上げることで、高い精度で関連する情報を検索しつつ、LLMが認識しやすい形で情報を渡すことができるようになっています。 課題意識 会話データとRAGの相性 一般的なRAGは、大量の情報の中から、いかに正解の情報を効率よく見つけるか、に焦点が当て

本記事では、RAGの応答速度を速くするための「MixLM」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、RAGで必須の手法「リランキング」の速度を飛躍的に高める「MixLM」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー 「MixLM」は、RAGの応答を高速にするための手法です。LinkedInの研究チームによって2025年11月に公開されました。 通常のRAGでは、リランキングという手法がよく使われます。これは何かというと、ベクトル検索で取ってきた文書を「ユーザーの質問との関連性」で並び

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、非構造データから構造データとナレッジグラフを構成して、質問に応じた検索手法を実行することで高い精度を実現する手法「BookRAG」を紹介します。 サマリー RAGはこれまでチャンク化した文書を検索するや、ナレッジグラフを構築して検索する手法など様々な手法が提案されて来ましたが、それぞれ苦手な検索(詳細は後述の課題意識で説明)が存在し精度に限界がありました。 「BookRAG」はツリー構造データとナレッジグラフを組み合わせたうえで、検索に利用可能な処理を11種類作成し、検索時に適切な処理を選択することで高い精度を実現できる手法となっています。 課題意識 既存手法の課題 RAGはこれまで様々な手法が提案されてきましたが、苦手な検索も存在します。 一般的なチャンク化した文書を検索するRAGでは、離れた場所の内容同士の関係性を捉える

本記事では、RAGの性能を高めるための「SINR」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。 この記事は何 この記事は、RAGにおける「検索」と「生成のための読み込み」を分離する新手法「SINR」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー 「SINR」は、RAGの回答精度を高めるための手法です。Dell Technologiesの研究チームによって2025年11月に発表されました。 ちなみに「SINR」は「Search is not Retrieval」の略です。「検索とリトリーバルは違うよ」という主張です。 通常のRAG

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、ドキュメントをグループに分けてリランクを行う「GroupRank」という手法について紹介します。 サマリー RAGの重要な構成要素の一つがリランクです。ベクトル検索して取得したドキュメントをユーザーのクエリとの関連性で並び替え、関連性のより高いドキュメントのみをLLMに渡し、回答を生成できます。リランクの精度が、RAGの性能に直結するとも言えます。 リランクには大きく分けて2種類の方法があり、個別に関連度を点数化する手法と、全てのドキュメントをまとめて比較する手法があります。しかし、前者は精度面で、後者は速度とドキュメント数の上限の問題を抱えています。「GroupRank」では、2種類のリランク手法のいいとこ取りをすることで、高速に精度の高いリランクを可能にしました。 課題意識 リランクの精度と時間 リランクは、ユーザーのク

本記事では、RAGの基本的な仕組みを理解するために、Pythonを使ってゼロからRAGを実装する手順をざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事では、非エンジニアでも、手元のPCで「RAG」を動かせるというところまで解説したいと思います。 こんな感じでRAGを構築できます。入門から解説します 最近、非エンジニアでも、RAGに興味を持つ方が増えました。 ただ、一方で、RAGの「基本」についての記事は、だいぶ減っています。このままだと、「RAGに詳しい人だけが、さらに詳しくなっていく」という状態になってしまいます。 そこで今回は、入門者向けに、「やってみた」形式で、RAG技術のざっくり解説をしていきます。なるべく簡単に行きます↓ そもそもRAGとは？ RA

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、検索結果を効率的にキャッシュすることで、Agentで利用するRAGの速度を高速化することのできる手法「RAGBoost」について紹介します。 サマリー RAGは検索とLLMを組み合わせることで、チャット形式で情報を検索できる便利な手法です。一方で、検索にかかる時間や、コンテキストの増加によるコストや時間の増加が問題となります。今回紹介する「RAGBoost」は、検索手法の工夫とコンテキストの再利用でRAGの高速化に成功しています。特にAgent内でRAGを利用した際にさらに効果を発揮するなど、活用の幅が広いです。 課題意識 RAGの回答時間 RAGを利用するうえでの大きな課題の一つとして、回答が遅くなる問題があります。これは、長文を入力するとLLMの回答が生成され始めるまでが遅くなるためです。一般的に文章は長いほど回答までの

本記事では、精度の高い「Deep Research」機能を実装するための手法について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、「Deep Research」の新手法「Enterprise Deep Research (EDR)」の論文[1]について、日本語で簡単にまとめたものです。 本題 ざっくりサマリー 「EDR」は、Deep Researchの「がっかり体験」を減らすための新しい手法です。 Salesforce AI Research の研究者らによって2025年10月に提案されました。 「Deep Research」が話題です。この機能では、Web上の情報をもとに深く考え、高精度な回答ができます。しかし、Deep Researchは、「途中

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、DeepResearchの精度を底上げする手法「SLIM」について紹介します。 サマリー DeepResearchは、検索を何度も繰り返すことで、知りたい情報を深く詳細に知ることのできる手法です。DeepResearchはその性質上、膨大な量の文章を処理する必要があります。gpt-5を含む最近のLLMはこの大量の文章を処理・理解する能力が飛躍的に伸びている一方で、検索を繰り返し、情報が増えていくことでLLMの性能は段々と低下していきます。 今回紹介する「SLIM」は、DeepResearchが検索を繰り返す過程で情報を見失う前に、そこまでの検索内容を適切な要約に変換することで、情報を見失わないまま高い精度で検索を続けられます。 課題意識 DeepResearchのコンテキスト爆発による精度低下 DeepResearchは、詳

本記事では、RAGの性能を高めるための「DualCSE」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ企業向けに開発しているスタートアップです。 この記事は何 この記事は、日本語特有の「あいまいな婉曲表現」（=ぬるっとした日本語）を含む文章でもRAGの精度を上げるための手法「DualCSE」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー DualCSEは、RAGの「ベクトル検索の弱点」に立ち向かうための手法です。北陸先端科学技術大学院大学と東芝の研究者らによって2025年10月に提案されました。 通常のRAGでは、RAGの対象となるソース文書を、一つのベクトルデータに変換

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、ドキュメントの更新に強いRAGの手法「VersionRAG」を紹介します。 サマリー RAGは便利な手法ですが、文書のバージョンの変化が苦手です。例えば、仕様書のように更新されていく文書の新旧の認識が苦手です。Google検索で出てきた情報が古い情報で、今では利用できない。というのは誰しもが経験してきたのではないでしょうか。RAGでも、同様の問題が発生します。 今回紹介する「VersionRAG」は、内容が時間経過でどんどん更新されていくドキュメントに特化することで、バージョンの更新に強い手法となっています。 課題意識 意味検索の弱点 RAGは基本的に、意味的な類似度や単語の類似度をベースに関連するドキュメントを探す機能となっています。これで多くのケースをカバーすることができますが、不得意なドキュメントのパターンというものも

この記事は何 ナレッジセンスでは、エンタープライズ向けにRAGサービスを提供しています。その中で「RAGは簡単に作れるけど、精度を上げるのは難しい」という課題に日々向き合っています。本記事は、2024~2025年に公開された研究や事例をもとに、RAGの回答精度を高める代表的なアプローチを ざっくりまとめたものです。 ざっくりサマリー この記事では、企業の社内データを利用したRAG、特に大企業で「エンタープライズRAG」での実装手法についてざっくり理解します。まず、エンタープライズRAGでのよくある課題をお伝えします。その上で、2025年現在の最新動向を踏まえ、評価手法のような基本戦略から、ちょっと高度なテクニックまで、RAGの精度を向上手法を概観します。 （エンタープライズRAGとは、社内の膨大なデータをLLMが活用可能にするためのソリューションのことです。） RAG、実装は簡単。しかし、

本記事では、RAGの性能を高めるための「REFRAG」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、生成AIやRAGを使ったプロダクトを、エンタープライズ向けに開発提供しているスタートアップです。 この記事は何 この記事は、RAGの回答を爆速にする手法「REFRAG」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます。確認する場合は、こちらの記事もご参考下さい。 本題 ざっくりサマリー REFRAGは、RAGの回答速度を上げるための新しい手法です。「巨額報酬での人材引き抜き」で話題になったMeta社の「Superintelligence Labs」[2]の研究者らによって2025年9月に提案されました。 通常のRAGでは、外部のデータベースから検索した関連文書を、そのままLLMに渡します。しかし、

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、RAGで数値情報を正しく認識できるのかを調査した論文を紹介します。 サマリー RAGはユーザーの質問に対して、意味的な類似度から関連性の高い情報を検索して、ユーザーの質問に回答します。この意味的な類似度の検索がRAGの技術を支えていますが、その性能に関しては様々なベンチマークが乱立しており、体系的に把握されていないことも多く存在します。 今回は、数値にフォーカスして、RAGが正確に数値を把握できているかの調査結果とその分析をしていきます。 課題意識 類似度検索の限界 意味的な類似度による検索は、一見万能に見えますが苦手もあります。一般的には、固有名詞、特に社内用語などの一般には知られていない単語や言葉の使い方が登場すると、類似度検索の性能は大きく下がります。これは、学習の段階で登場しない単語の類似度を判定できないためです。そ

本記事では、RAGの性能を高めるための「PageIndex」という手法について、ざっくり理解します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、RAGで「ベクトルDB」を使わずに回答精度を上げる手法「PageIndex」[1]について、日本語で簡単にまとめたものです。 今回も「そもそもRAGとは？」については、知っている前提で進みます（参考）。 本題 ざっくりサマリー PageIndexは、RAGの精度を上げるための新しい手法です。Vectify AIによって開発されました。 通常のRAGでは、文章をベクトル化して、類似度が高いものを検索して参照します。しかし、これだと「意味は似ているが、文脈は違う」情報を取ってきてしまい、回答精度が落ちます。 そこで、PageInde

導入 こんにちは、株式会社ナレッジセンスの須藤英寿です。 今回は、RAGの認知の階層を分析して、ハルシネーションを防ぐ手法「LFD」について紹介します。 サマリー 以前の我々のブログでLLMに無関係な文書を渡すことでRAGの性能が向上する、という突拍子もない論文を紹介したことがありました。 今回紹介する論文では、その無関係な文書がLLM内部でどのような役割を担っているのかを分析し、原因を突き止めました。さらにそこから一歩踏み込み、無関係な文書を渡すことなく、同等の性能を向上させる手法「LFD」を発見しました。 課題意識 RAGのハルシネーション RAGはユーザーの知りたい情報を検索して、検索結果をLLMに渡すことで、LLMの知らない情報も回答できるようにする為の技術です。しかし、LLMは自身の知る知識と検索結果を明確に区別できないために、たとえ正確に情報を検索できたとしても、正しい情報を回

本記事では、AIエージェントの性能を高めるための手法について、ざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事は、AIエージェントに「手続き記憶」を持たせることで性能を向上させる手法「Memp」の論文[1]について、日本語で簡単にまとめたものです。 今回も「そもそもAIエージェントとは？」については、知っている前提で進みます（参考）。 本題 ざっくりサマリー Mempは、AIエージェントの精度・効率を上げるための新しい手法です。浙江大学とアリババの研究者らによって2025年8月に提案されました。 ここで言う「AIエージェント」とは、例えばOpenAIの「Deep Research」や「Claude Code」のようなエージェントです。 「AIエージェント」が