決定版ガイド · 全16章 · スクリプト付き · 生涯アップデート
ローカルRAGとは
本当に実用に耐える

このキットは日本語で書かれています(PDF とオンライン教材)。フランス語の原本も付属します。お支払いは Stripe で安全に処理されます。
ローカルRAGキット : 自分の文書を使って信頼性の高いRAGを構築するための決定版ガイド — PDF、ノート、メール、Zotero 書誌情報 — クラウドに送信することなく。300 件の PDF で安定して動作する RAG。3 回に 1 回しか動作しないデモではありません。
あと25 €で、現在の9つのキットと今後追加されるキットもすべて手に入ります。
一回払い · 生涯アップデート込み
- 目指すこと
- 自分のドキュメントを活用するAI。コーパスを整理し、システムの回答を評価するためのガイド付きルート。
- 受け取れるもの
- 自分だけのローカルRAGを作るためのキット一式。私たちの現場での経験とガイド付きルートを活かして、ドキュメントの準備から回答の評価まで実際に手を動かしましょう。
- 必要な環境
- コマンドラインに慣れていること。OllamaまたはLM Studioを一度使ったことがある必要があります。Pythonの知識は役立ちますが、必須ではありません。
ローカルRAGキットとは?
ローカルRAGキットは、16章(97ページ)からなるリファレンスガイドで、21個のスクリプトとテンプレート、無期限で利用できるオンラインスペースが付属します。コマンドラインに慣れたプロ、研究者、開発者を対象としており、PC(VRAM 8〜16 GB)またはMac mini M4 24 GBで利用できます。成果物は、取り込み、チャンク分割、フランス語の埋め込み、インデックス、ハイブリッド検索、再ランキングを含む完全なRAGパイプラインです。3つの例でテストしただけではなく、recall@kプロトコルで測定しています。
✓ 向いている人…
専門職、研究者、または開発者で、コマンドラインの操作に慣れている方(Pythonは大半の章で役立ちますが、必須ではありません)。すでにローカルAIを利用しており(OllamaやLM Studio、場合によってはローカルAIキット)、契約書、Zoteroの参考文献一覧、やり取りの記録、社内Wikiなど、数十から数百の文書を対象に、ボタンをクリックするだけの仕組みを超えるRAGを求めている方。
✗ 次のような場合は向いていません…
たまに3つのPDFに質問するだけでよい(これはすでにローカルAIキットの第8章で扱っています)、コードコパイロットに情報を供給するための文書RAGを探している(これはローカルコパイロットキット)、またはGDPRの制約がある企業で複数ユーザー向けに導入する(企業向けローカルAIキット)。
信頼できる理由
本ガイドを執筆・更新しているのは ローカルLLMナビ編集チーム — 258 件のモデルを登録、382 件のガイドを掲載し、毎朝更新 — 年間を通じて本番環境の AI プラットフォームも運用している(RegulIA, IAPRO)。本ガイドのすべてのコマンド、モデル、ライセンスは、編集日時点で公式ソースと照合しています(エディションごとに再確認しています)。パックのすべてのスクリプトはコンパイルが通ることを確認し、一つずつレビューしています。ここでお読みいただく内容は、要点を凝縮して検証済みで、回りくどさを排したものです。偶然見つけたチュートリアルの寄せ集めではありません。 ローカルLLMナビの運営者について →
問題点
すでにローカルAIアシスタントを使っていて、クリック操作だけで使えるRAG(AnythingLLM、Open WebUI)も導入済みかもしれません。PDFをドラッグして質問すると、答えが返ってきます。ところが、ある日、的外れな回答を返したり、さらに悪いことに、ドキュメントに存在しない引用を捏造したりします。300件のPDF、Zoteroのライブラリ全体、あるいは何年分ものやり取りを扱うとなると、クリック操作だけの仕組みでは対応しきれません。単純なチャンク分割、検証できる引用がないこと、そして何より、 何も一度も測定されていません — 検証手順に基づくのではなく、たった3つの例を見て信頼しているのです。
基本情報はすでにサイト上で無料提供されていますが、7つのガイド(ChromaDB、チャンク分割、ハイブリッドBM25、Zotero、フランス語埋め込み、リランキング、LlamaIndex)に分散しています。 このキットは、基準となる決定版の手法です。データ取り込み、測定に基づくチャンク分割、フランス語の埋め込み、規模が拡大しても対応できるインデックス、ハイブリッド検索、リランキング、そして実際に機能するかを検証する方法まで、完全なパイプラインを組み立て、テスト済みです。自分で照合しながら組み合わせる必要のあるチュートリアル集ではありません。
RAG: 組み立てて測定する vs ボタン操作だけ vs すべてをLLMに貼り付ける
同じニーズ — 自分のドキュメントに質問する — それに応える3つの方法。誠実な比較:
| 組み立てたRAG(本キット) | ボタン操作だけのRAG | すべてをLLMに貼り付ける | |
|---|---|---|---|
| 数百件のドキュメントを収容できます | はい | 限定的 | いいえ |
| 体系的に検証可能な引用 | はい、必須です | 信頼できることは少ない | いいえ |
| ハイブリッド検索(識別子、固有名詞) | はい(BM25 + ベクトル検索) | いいえ | 該当なし |
| 品質の測定(実施前後のrecall@k) | はい、プロトコルが提供されています | いいえ | いいえ |
| セットアップ | 複数のセッション、整理されたパイプライン | 数分 | 即時 |
| プライバシー(100 %ローカル) | はい | はい | 使用するLLMによる |
| コスト | 構築後は月額0 € | 0 €/月 | 数件を超えるとコンテキストのコストが高い |
3つの文書をたまに扱う用途なら、ボタン操作で済む方式が引き続き適切です(ローカルAIキットの第8章で扱っています)。文書群の規模、課題の重要性、または求められる信頼性が、ボタン操作だけで対応できる範囲を超えたときに、このキットが次の手段となります。
得られるもの
- あなた専用のオンラインスペース、生涯利用可能 — 全16章をウェブで読むことができ、常に最新版をご覧いただけます。
- PDF完全ガイド(97ページ) — 同じコンテンツをずっと手元に置き、オフラインで利用できます。
- すぐに使える21個のファイル (スクリプト、テンプレート、比較資料)— OCRからビジョンへの切り替え、引用付きのZoteroパイプライン、mboxの解析、3つのチャンキング戦略、埋め込みモデル/ベクトルデータベースの比較、RRFによるハイブリッド検索、リランカーの追加、LlamaIndexパイプラインとLangChainエージェント、recall@kの測定スクリプト、トラブルシューティング用の判断ツリー。
- 基準となる2つの構成プロファイル — VRAMが8〜16 GBのPC、24 GBのMac mini M4:どの例もお使いの構成に対応しており、自分には関係のないケースは登場しません。
- 測定プロトコル (第14章)— 30〜50問の質問セットを作成します。変更前後のrecall@kを測定します。印象に頼らず、実際の検証手順に従って、有効な引用を伴わないハルシネーションを検出します。
- 継続的に更新される版 — すべての更新(新しい埋め込みモデル、ベクトルデータベース、フレームワーク)が、ご自身の利用スペースに生涯にわたって反映され、追加の支払いは一切不要です。
ツール:ChromaDB、Qdrant、LanceDB、LlamaIndex、LangChain、Open WebUI Knowledge、AnythingLLM。埋め込み:bge-m3、nomic-embed-text-v2-moe。構築後は100 %ローカル、0 €/月です。
キットの 全16章 の内容
97ページ、パイプラインの基礎から、計測・信頼性検証済みのRAGまで。飛ばす箇所はありません:各章から次の章へ案内されています。
- 今のあなたのRAGは嘘をつく(このキットが存在する理由)
- 実用に耐えるRAGパイプラインの構造
- スタックの選択:スクリプト、フレームワーク、または高度なインターフェース
- OCR、クリーニング、重複除去:実際に手元にあるデータを取り込む
- Zotero:参考文献リストを、出典をきちんと引用するRAGに接続する
- メールや書簡:RAGへの活用を忘れがちなコーパス
- チャンク分割:5つの戦略と、どれが優れているかの測定方法
- フランス語向けの多言語埋め込み:どれを選び、どう検証するか
- ローカルベクトルインデックス:ChromaDB、Qdrant、LanceDB — 2026年にどれを選ぶか
- ハイブリッド検索:ベクトル検索だけでは不十分な場合
- リランキング:検索結果を補正するクロスエンコーダー
- LlamaIndexとLangChainをローカルで利用:自作スクリプトの枠を超えた構築
- Open WebUI KnowledgeとAnythingLLMの高度な利用
- 自分のRAGを評価する:質問セット、引用、ハルシネーション
- マシン別のコスト、速度、トラブルシューティング
- 職場でのRAG — そしてその先
継続的に更新される版:更新のたびにこの目次の内容が充実します(日付付きの更新ログは第16章)— 次のバージョンでも買い直す必要はありません。
すぐに成果が出る3つの取り組み — ターミナルを開く前に
第1章は単なる導入にとどまらず、現在のインストール環境に対して、それぞれ30分未満で実行可能な3つの測定可能な改善策を提供します。
1 · 現在のRAGを監査する
10項目のチェックリストを使えば、10分で既存の導入環境の最も弱い部分(または未導入であること)を特定できます。
2 · 1 つのコマンドで embedder を変更
ollama pull bge-m3、AnythingLLMまたはOpen WebUIで埋め込みモデルを切り替え、変更前後を比較します。
3 · 検証可能な引用を求める
すでに尋ねた質問に厳格な引用条件を追加し、引用された箇所が本当に存在することを確認します。
4 · それから完全なパイプラインを構築する
データの取り込み、測定に基づくチャンク分割、フランス語の埋め込み、インデックス、ハイブリッド検索、リランキング:パート2〜4で、これらを順を追って学べます。
- 生涯利用できるオンラインスペース:常に最新の全16章(完全な目次は上部に掲載)
- PDFガイド(97ページ)+ダウンロード可能な21ファイル(スクリプト、テンプレート、比較資料 — Zotero、chunking、ハイブリッド、reranking、評価…)
- 基準となる2つのプロファイル(PC 8~16GB、Mac 24GB)とRAGのトラブルシューティング用分岐図
- 今後のすべての版を生涯にわたり利用できます。各版はマイページに表示されます。
- 支払い後すぐにアクセス可能、アクセスキーはメールで送信
Stripeによる安全な支払い。PDF請求書は自動送信されます · 付加価値税(TVA)は適用されません(フランス一般租税法典〈CGI〉第293 B条)。
率直な事実
構築し、測定を行ったローカルRAGは、ご自身のドキュメントを扱うのに非常に適していますが、万能ではありません。リファレンスガイドとして、次のようにできることと限界を正直に示す必要があります:
読み終えるころには、 これができるようになります
- 構築: 完全なRAGパイプライン — 取り込み、チャンク分割、フランス語対応の埋め込み、インデックス、ハイブリッド検索、リランキング、出典付きの生成まで。
- 接続: Zotero、メールのやり取り、スキャンしたPDF を、出典をきちんと示すRAGにつなげられます。
- 選定: チャンク分割、埋め込みモデル、ベクトルデータベース を、デフォルト任せではなく根拠をもって選べます。
- 測定: 変更の前後でrecall@kを測り、「なんとなく良くなった」と思い込まずに効果を確かめられます。
- ステップアップ: 手作りスクリプトからフレームワーク(LlamaIndex/LangChain)へ移行できます (または、必要に応じてAnythingLLM/Open WebUIを高度な設定で使いこなすこともできます)。
エディション ライブ — ローカルLLMナビの全キット共通
「生涯アップデート」は単なるスローガンではありません。このキットは、追加の支払いを求めることなく、RAGエコシステム(埋め込みモデル、ベクトルデータベース、フレームワーク)の進化に合わせて更新されます。
v2026.10 (現行版、2026年10月19日) — 9~11章の手順を、1つのデータベース上で最初から最後まで実行可能(新しいスクリプト index-chroma.py)、ハイブリッド検索のアクセント記号のバグを修正し、2026年10月19日に実環境で試験しました。
v2026.09 — キット初版:16章、2つの基準プロファイル(VRAM 8-16 GBのPC、24 GBのMac mini M4)、21ファイル(スクリプト、テンプレート、比較資料)。
今後の版(新しい埋め込みモデル、ベクトルデータベース、フレームワーク)は、日付付きでここに追加され、追加料金なしでご利用スペースに届きます。
よくある質問
すでに RAG の章があるローカル AI キットとは、どのような違いがありますか?
ローカルAIキット(第8章)は、AnythingLLMまたはOpen WebUIにワンクリックでRAGを導入します。PDFをドラッグし、質問を入力すれば、たまに使う程度なら動作します。このキットは、この章が終わるところから始まります。測定に基づくチャンク分割、フランス語の埋め込みの比較、規模に耐えられるベクトルインデックス、ハイブリッド検索、再ランキング、そして何より、RAGが単に回答するだけでなく、正しく回答していることを検証する方法を扱います。第8章の内容はここでは再説明せず、上級設定とワンクリック機能にはない構成要素だけを説明します。
当サイトの7つの無料RAGガイドとは、どのような違いがありますか?
QuelLLM.frの無料ガイドは、各要素を個別に扱います(ChromaDBのみ、chunkingのみ、ハイブリッドBM25のみ、Zoteroのみ…)。キットはパイプライン全体を順序どおりに組み立て(取り込み → chunking → embeddings → インデックス → ハイブリッド → reranking → 生成 → 引用 → 計測)、個別のガイドではつながっていない要素をつなぎ、どの個別ガイドにも含まれていない、テスト済みの21ファイル(スクリプト、テンプレート、比較資料)を提供します — 料金が発生するのは組み立てとスクリプトであり、基本情報ではありません。
このキットの内容に取り組むには、Pythonでコードを書ける必要がありますか?
Python 3.10以降は役に立ち、ほとんどの章(第4章~第12章)で使います。スクリプトは用意されているので、調整すればよく、ゼロから書く必要はありません。第13章(Open WebUI Knowledge、AnythingLLMの高度な設定)は、コードを1行も書かずに取り組めます。このキットはコマンドラインの操作に慣れていることを前提としています。ローカルAIをゼロから始める場合は、まずローカルAIキットから始めてください。
最初の具体的な結果が出るまでにどのくらいかかりますか?
第1章では、それぞれ30分未満で実行できる3つのクイックウィンを紹介します。既存のRAG環境に適用可能で、迅速な監査、1コマンドでのembedderの変更、検証可能な引用の必須化が含まれます。完全なパイプラインに取り組む前に、測定可能な改善を得ることができます。独自のコーパスで完全なパイプラインを構築する(第2部から第4部)には、1時間ではなく複数セッションが必要です。
どのマシンで動作しますか?
アンカリングのプロファイルは2つあり、各例で名称が指定されています。VRAM 8〜16 GBのPC(推奨される生成モデルは境界値によって異なります)、または統一メモリ 24 GBのMac Apple Siliconです。RAGにおいて、ボトルネックはほぼ常に生成ではなく、インジェスト(OCR、埋め込み)とインデックスサイズです。この2つのプロファイルは、実際のプロ/開発環境の大部分をカバーしています。
私のドキュメントの機密性は保たれますか?
それがまさに基本原則です。パイプライン(データ取り込み、エンベディング、インデックス、生成)はすべてあなたのマシン上で動作し、第三者に送られるものは何もありません。第6章(メール)と第16章(業務でのRAG)では、メールや機密文書のコーパスで何が変わるのかを具体的に扱っています。企業でのマルチユーザー展開(GDPR、AI Act、サーバー構成)には、このキットではなく企業向けローカルAIキット(local-llm-navi.com/kit-ia-entreprise)が適しています。
このキットはエージェントまたは自動化に対応していますか?
第12章では、最小構成のエージェント(エージェント1つ、ツール2つ)がRAGをツールとして使う例を紹介します。原理を理解するには十分な内容です。複数ステップのオーケストレーション、MCP、n8nについては、ローカルエージェントキット(local-llm-navi.com/kit-agents-locaux/)を明示的に案内しています。これらは本キットの対象外です。
購入後に合わなかった場合は?
30日間の返金保証。メール1通で返金を申請でき、理由の提示は不要です。ローカルLLMナビのすべてのキットと同様です。
どのように提供され、どのくらいの期間利用できますか?
支払い後すぐにアクセスできます:生涯利用できるオンラインスペース(常に最新版)に加え、ダウンロード可能なPDFと21ファイルのzipが、永久にあなたのものになります。今後の更新(新しいembedders、新しいベクトルデータベース、進化するframeworks)は、追加料金なしであなたのスペースに表示されます。
キットは最新の状態に保たれますか?ベクトルデータベースや RAG フレームワークは急速に進化しています。
それこそが永久アップデートの考え方です。埋め込みモデルの位置づけが変わったとき、ベクトルデータベースが成熟したとき、フレームワークが互換性を壊したとき、版はそれに追随します。ローカルLLMナビのほかのキットと同じです。第16章では、版と版のあいだで、引用された事実が今も正しいかを自分で確かめる方法も解説しています。
ローカルLLMナビのキットを複数購入したい場合は?
「全キット・無期限」バンドルには、現在および将来のすべてのキットが含まれ、価格は 49 €です。すでに 24 €のキットを購入している場合、バンドルへのアップグレード費用は 49 €ではなく 25 €です。クーポンは自動的に適用されます。
RAGとは具体的に何ですか?
RAG(retrieval-augmented generation、検索拡張生成)とは、LLMが学習時に得た知識だけで回答するのではなく、回答前にあなた自身の文書から情報を検索する仕組みです。原則として、検証可能な出典の引用も付けます。ローカルRAGキットは、あなたのPDF、参考文献、メールを対象に、測定を伴うこのパイプライン全体を構築します。
OllamaをRAGに接続するには?
OllamaはRAGパイプラインで生成エンジンとして機能し、多くの場合は埋め込みの生成も担います。たまに使う程度であれば、AnythingLLMやOpen WebUI Knowledgeのようなボタン操作で使えるツールをOllamaに直接接続できます。数百の文書を扱えるパイプラインに向けて、ローカルRAGキットでは、インターフェースだけに頼るのではなく、テスト済みのスクリプトを使ってOllamaをChromaDBやQdrantに接続する方法を紹介しています。
ローカルRAGにはどのLLMを選ぶべきですか?
モデルの選択より、その周囲のパイプラインのほうが重要です。お使いのマシンで動かせる汎用モデルでも、前段の検索処理(チャンク分割、埋め込み、ハイブリッド検索、再ランキング)が適切な文章を渡せば、生成には十分です。ローカルRAGキットでは、最終モデルの選び方だけでなく、この一連の処理全体を解説しています。
実用に耐えるRAGを構築する。
最初のPDFの取り込みから、文書ライブラリ全体を対象に、性能を測定した信頼性の高いRAGを実現するまでを網羅する決定版ガイド。クラウドには何も送信しません。「いつか」ではなく、今日。
キットを入手する — 24 €