Danielskry/Awesome-RAG

解決する問題

大規模言語モデルには知識のカットオフがあり、外部情報に自らアクセスできないため、古い情報や幻覚的な回答を生成しがちです。検索拡張生成（RAG）は、生成中に外部知識ソースから関連コンテキストを動的に取得することでこの問題を解決し、最新のドメイン固有情報や専有情報をモデルに取り込むことを可能にします。このリポジトリは、そのようなRAGシステムの学習と構築に最適なリソースをまとめており、開発者がウェブ上でチュートリアルやフレームワーク、ベストプラクティスを探し回る必要をなくします。

仕組み

このリポジトリ自体は、ソフトウェアではなく、整理されたカタログです。一般的なRAG概念、アーキテクチャパターン（単純な検索-生成パイプラインからエージェントベースやグラフベースのアプローチまで）、高度な技術、RAGを容易にするフレームワーク、Pythonエコシステム、チャンキングと埋め込み方法、メトリクスと評価、データベース、本番運用の考慮事項、ベストプラクティスをカバーするセクションで構成されています。各エントリは、信頼できる情報源、チュートリアル、実行可能なノートブック、論文、実装にリンクしています。READMEでは、具体的な例を用いてRAGの核となるアイデアを説明しています。特定の家の改修材料について問い合わせるシステムが、一般的なLLMが知らない設計図、材料仕様、地域の建築基準を取得できることを示しています。また、VS Code、GitHub Copilot CLI、Claude Codeのエージェントプラグインとして利用でき、DeepWikiを介してクエリすることもできます。

対象読者

RAGアプリケーションを探索または構築したい開発者、エンジニア、研究者。ゼロから始める人、既存のフレームワークを採用しようとしている人、チャンキングや埋め込み戦略を選択する人、RAGシステムを本番環境に準備する人など、誰でも関連するツールや資料を見つけることができます。また、高度なRAGバリアントを比較したり、評価やメトリクスのガイダンスを求めている人にも役立ちます。

ハイライト

• 完全なRAGエコシステムをカバーする厳選リソースマップ：アーキテクチャパターン、高度なアプローチ、フレームワーク、技術、メトリクス、データベース、本番運用ガイダンス
• 実行可能なPythonノートブック、LangChain、LlamaIndex、Haystackのチュートリアル、論文、YouTube解説など、信頼できる情報源へのリンク
• Corrective RAG、RAG Fusion、Self-Reflective RAGからGraphRAG、マルチモーダルRAG、ビデオRAG、推論ベースのフレームワークまで、幅広い高度なアプローチをカバー
• チャンキング戦略、埋め込み、プロンプティングなどの実践的な技術に関する詳細なガイダンスを、各手法の長所と短所とともに提供
• VS Code、GitHub Copilot CLI、Claude Codeのエージェントプラグインとして利用可能で、DeepWikiを介してクエリ可能