RAG_Techniques OSS

概要

RAG_Techniquesは、AIエンジニア・Nir Diamant氏が公開するオープンソースのJupyter Notebookコレクションです。RAG（Retrieval-Augmented Generation＝手持ちの資料をAIに読ませて答えさせる仕組み）をテーマに、基礎から最先端まで42本以上のノートブックが収録されており、コードをそのままブラウザ上で実行しながら学べます。GitHubスター数は27,000超（2026年時点）を誇り、世界中の開発者から参照されるコミュニティ主導プロジェクトです。

なぜ注目されるのか。従来のRAGシステムは「とりあえず資料を検索してAIに渡す」という単純な方法でしたが、実際の現場では「検索結果がズレている」「AIが嘘をつく」「複雑な質問に答えられない」などの問題が頻発します。本リポジトリは、そうした課題を解決するための実践的な手法を一か所に集約し、仕組みの直感的な理解・コード・参考文献をセットで提供しています。ペイウォール（課金の壁）なしに誰でもアクセスできる点も大きな支持を集めている理由です。

主な機能

• 42本以上の実行可能ノートブック（随時追加中）: Simple RAGから始まり、Corrective RAG・Agentic RAG・Graph RAG・MemoRAGなど、初歩から最先端のテクニックまで段階的に学習できます。各ノートブックには解説・コード・評価コードがすべて含まれています。
• 段階的な難易度設計: 「初めてRAGを触る人向け」の基礎チュートリアルから、研究論文ベースの高度な手法まで体系的に並んでおり、自分のレベルに合わせて入門できます。
• Reliable RAG（信頼性強化）: 取得した資料の関連度を自動チェックし、AIが「でたらめな回答（ハルシネーション）」をしていないかを検証する仕組みを実装できます。ちょうど答案を採点する仕組みをAI自身が持つイメージです。
• Fusion Retrieval（複合検索）: キーワード検索と意味的な類似度検索を同時に行い、スコアを統合して最も関連性の高い資料を取り出せます。どちらか一方だけでは拾えない情報も網羅できるようになります。
• Hierarchical Indices（階層インデックス）: 文書の要約と詳細チャンクを二段構えで管理し、大量の資料から素早く目的の箇所にたどり着けます。図書館の目次と本文を使い分けるイメージです。
• Adaptive Retrieval（適応的検索）: 質問の種類（事実確認・分析・意見・文脈依存）をAIが自動判定し、それぞれに最適な検索戦略を切り替えます。質問によって「調べ方」を変える賢い仕組みです。
• Graph RAG・Knowledge Graph統合: 人物・概念間の「関係性」をグラフ構造で管理し、複数ステップにまたがる複雑な質問にも正確に答えられるRAGを構築できます。

料金プラン

> ⚠️ リポジトリ本体はカスタム非商用ライセンスです。商用利用を検討する場合はLICENSEファイルを必ず確認してください。

導入方法

① リポジトリをクローンする（ローカル環境）

git clone https://github.com/NirDiamant/RAG_TECHNIQUES.git
cd RAG_TECHNIQUES

② 必要なライブラリをインストールする

各ノートブックの冒頭にpip installコマンドが記載されています。OpenAI・LangChain・FAISSなどを使うノートブックが多いため、まずOpenAI APIキーを取得しておくとスムーズです。

pip install openai langchain faiss-cpu python-dotenv

③ APIキーを設定する

# .envファイルを作成してAPIキーを記入
echo "OPENAI_API_KEY=sk-xxxxx" > .env

④ Google Colabで試す（ローカル環境不要）

各ノートブックの先頭セルには以下のようなClone用コードが含まれています。Colabを開いてそのまま実行できます。

!git clone https://github.com/NirDiamant/RAG_TECHNIQUES.git
import sys
sys.path.append('RAG_TECHNIQUES')

⑤ まずはSimple RAGから始める

all_rag_techniques/simple_rag.ipynb を開いて順番にセルを実行するだけで、PDFをAIに読ませて質問に答えさせる基本的な仕組みが動きます。

こんな人におすすめ

• 「ChatGPTに自分の資料を読ませたい」個人開発者: 社内マニュアル・議事録・PDFをAIで検索・回答させるシステムを自力で作りたい方の最初の教材として最適です。
• AIアプリ開発を始めたばかりの非エンジニア: 各ノートブックはコピペして動かせるレベルまで整理されており、Pythonの基礎がある程度あれば動作確認できます。
• RAGの精度を上げたいプロトタイプ開発者: シンプルな実装で「AIの答えが的外れ」「ハルシネーションが起きる」という課題に直面している方が、次の一手を探す参照先として活用できます。
• 最新RAG研究を実装で追いかけたい学習者: MemoRAG・Graph RAGなど論文ベースの手法が順次追加されており、研究トレンドをコードで確認したい方にも向いています。

よくある質問

Q. プログラミング経験がほとんどなくても使えますか？ A. Pythonの基礎（変数・関数・ライブラリのインポート）がわかる程度の経験があれば、Google Colabでノートブックをそのまま実行できます。ただし、APIキーの取得・設定など最低限の準備は必要です。

Q. OpenAI以外のAIモデルでも使えますか？ A. はい。ノートブックによってはGroq（Llama）・Cohere・Ollamaなど複数のモデルに対応したものも含まれています。すべてがOpenAI専用というわけではありません。

Q. 商用プロジェクトに使えますか？ A. リポジトリにはカスタム非商用ライセンスが適用されています。商用利用を検討する場合は、GitHubリポジトリのLICENSEファイルを必ず確認し、必要に応じて作者に問い合わせてください。

Q. 関連書籍「RAG Made Simple」は必須ですか？ A. 必須ではありません。書籍はリポジトリの内容をより深く解説する「視覚的な補足資料」として位置付けられており、ノートブック単体でも学習・実装は完結します。書籍を使うと各テクニックの「なぜそうするか」の理解が深まります。