※本記事には広告（楽天アフィリエイト）リンクが含まれる場合があります。

「社内ドキュメントにChatGPTで質問したい」「自分のブログ記事をAIに回答させたい」——そう思ったことはありませんか？その要望を現実にする技術が、RAG（Retrieval-Augmented Generation / 検索拡張生成）です。

RAGは「外部の情報を検索して、その結果をAIに渡して回答させる」仕組み。LLM単体では知らない最新情報や非公開ドキュメントも、RAGなら正確に回答できるようになります。しかも追加学習（ファインチューニング）不要で、個人開発レベルでも十分に作れるのが魅力です。

本記事では、2026年現在のRAG事情を踏まえつつ、個人開発者が最速でRAGシステムを作るための完全ガイドをお届けします。仕組みの解説からベクトルDBの選び方、チャンキング戦略、Cloudflare Workers + Upstash Vectorを使った実装コード、精度改善のテクニックまで、実際に動く形で紹介します。

プログラミング技術書

広告・楽天アフィリエイト

プログラミング技術書

実践寄りの技術書・参考書を探す。

楽天ポイント還元

技術書を楽天で見る →

1. RAGとは何か？　なぜ2026年の今、必須の技術なのか

RAGの基本構造

RAGは大きく3つのステップで構成されます。

  • ① 取り込み（Indexing）：ドキュメントを小さな塊（チャンク）に分割し、それぞれをベクトル（数値配列）に変換してベクトルDBに保存
  • ② 検索（Retrieval）：ユーザーの質問を同じモデルでベクトル化し、DB内で最も似ているチャンクを上位k件取得
  • ③ 生成（Generation）：取得したチャンクをプロンプトに埋め込んでLLMに回答させる

「検索してから生成する」からRetrieval-Augmented Generation。LLMに記憶を頼るのではなく、その都度必要な情報を引っ張ってくることで、誤情報（ハルシネーション）を抑え、最新情報にも対応できるのです。

ファインチューニングとの違い

観点 RAG ファインチューニング
情報の更新 ドキュメント追加だけで即反映 再学習が必要で時間・コスト大
ハルシネーション 根拠付きで回答（抑制しやすい） 知識として記憶（誤りも記憶）
コスト 埋め込み+生成の従量課金 学習費用が高額
個人開発向き ◎ 数日で作れる △ 専用環境・GPUが必要

「最新情報を正確に答えたい」「非公開の自分のデータをAIに読ませたい」ならRAG一択です。ファインチューニングは「特定の文体・トーンを学習させる」など、別の用途に取っておきましょう。

2. 2026年のRAG構成：個人開発者向けスタック選定

RAGを構成する主要パーツは「埋め込みモデル」「ベクトルDB」「LLM」の3つ。それぞれ2026年時点の個人開発者向けおすすめを紹介します。

埋め込みモデル（Embedding Model）

  • OpenAI text-embedding-3-small：$0.02/1Mトークンと格安。日本語も良好。個人開発の定番
  • Cohere Embed v4：検索特化で精度が高く、RAG向けの評価がトップクラス
  • Cloudflare Workers AI（bge-m3）：Workers上で完結するので無料枠から始められる
  • ローカル：all-MiniLM-L6-v2：プライバシー重視なら。精度はAPI勢にやや劣る

ベクトルDB

サービス 無料枠 特徴
Upstash Vector 500次元×1,000ベクトル サーバーレス。Workersと相性◎。REST APIで簡単
Cloudflare Vectorize 5,000ベクトル Workersと同じ環境で完結。将来性あり
Supabase pgvector PostgreSQL 500MB 既存DBと同居できる。SQLで検索
Pinecone 100ベクトル（開発用） RAG専用の老舗。マネージドだがやや高め
Qdrant Cloud 1GB OSS版が充実。Dockerで自前運用も可

個人開発で最もコスパが良いのはUpstash Vectorです。無料枠で十分な容量があり、REST APIを叩くだけなので実装がとてもシンプル。本記事のコード例もUpstash Vector + Cloudflare Workersで書きます。

LLM（生成モデル）

回答生成にはClaude / GPT / Geminiのどれでも使えます。2026年現在、長文コンテキスト対応が進み「検索結果をまるごとプロンプトに載せる」スタイルが主流です。予算重視ならClaude HaikuやGPT-4o-miniクラスの小型モデルで十分な品質が出ます。

3. 実装準備：プロジェクト構成と必要なもの

では実際に作っていきましょう。今回は「自分のMarkdownノートやブログ記事にAIで質問できるAPI」をCloudflare Workers + Hono + Upstash Vectorで構築します。

必要なもの

  • Node.js 20+ / npm
  • Cloudflareアカウント（無料）
  • Upstash VectorのAPIキー（無料枠でOK）
  • OpenAI APIキー（埋め込み用）またはWorkers AI
  • LLM APIキー（回答生成用）

プロジェクト作成

npm create cloudflare@latest rag-api -- --template hono
cd rag-api
npm i @upstash/vector openai

Upstash Vectorのダッシュボードでインデックスを作成し、REST URLとトークンを控えます。次に環境変数を設定しましょう。

# .dev.vars
UPSTASH_VECTOR_REST_URL=your-url
UPSTASH_VECTOR_REST_TOKEN=your-token
OPENAI_API_KEY=sk-...
LLM_API_KEY=sk-...

4. ドキュメントの取り込み（Indexing）を実装する

まずはドキュメントを分割してベクトル化し、DBに保存する処理です。/ingestエンドポイントとして実装します。

チャンキングの基本

ドキュメントをそのままベクトル化するのではなく、適切なサイズで分割することが精度の鍵です。2026年の実務では以下の方針が定番です。

  • チャンクサイズ：300〜800文字（日本語の場合。トークン換算で200〜400トークン程度）
  • オーバーラップ：50〜100文字（前後の文脈を繋ぐ）
  • 見出し単位で分割：Markdownなら##見出しごとに分割すると文脈が保たれる
import { Hono } from "hono";
import { Index } from "@upstash/vector";
import OpenAI from "openai";

const app = new Hono();
const vector = new Index({
  url: env.UPSTASH_VECTOR_REST_URL,
  token: env.UPSTASH_VECTOR_REST_TOKEN,
});
const openai = new OpenAI({ apiKey: env.OPENAI_API_KEY });

function chunkText(text: string, size = 500, overlap = 80) {
  const chunks: string[] = [];
  let i = 0;
  while (i < text.length) {
    chunks.push(text.slice(i, i + size));
    i += size - overlap;
  }
  return chunks;
}

app.post("/ingest", async (c) => {
  const { title, body } = await c.req.json();
  const chunks = chunkText(body);

  const embeddings = await openai.embeddings.create({
    model: "text-embedding-3-small",
    input: chunks,
  });

  const records = chunks.map((chunk, i) => ({
    id: `${title}-${i}`,
    data: chunk,
    metadata: { title, chunkIndex: i },
    vector: embeddings.data[i].embedding,
  }));

  await vector.upsert(records);
  return c.json({ ok: true, chunks: records.length });
});

ポイントはチャンク本文（data）をそのまま保存しておくことです。検索ヒット時にこの原文をLLMへ渡すので、ここが欠けるとRAGが成立しません。

5. 検索＋生成（Query）を実装する

次にユーザーの質問を受け取り、関連チャンクを検索してLLMに回答させる/queryエンドポイントです。

app.post("/query", async (c) => {
  const { question } = await c.req.json();

  // ① 質問をベクトル化
  const q = await openai.embeddings.create({
    model: "text-embedding-3-small",
    input: [question],
  });

  // ② ベクトルDBから上位5件を検索
  const results = await vector.query({
    vector: q.data[0].embedding,
    topK: 5,
    includeMetadata: true,
    includeData: true,
  });

  // ③ 検索結果をコンテキストに整形
  const context = results
    .map((r) => `【${r.metadata?.title}】\n${r.data}`)
    .join("\n\n---\n\n");

  // ④ LLMにコンテキスト付きで質問
  const llm = await fetch("https://api.openai.com/v1/chat/completions", {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      Authorization: `Bearer ${env.LLM_API_KEY}`,
    },
    body: JSON.stringify({
      model: "gpt-4o-mini",
      messages: [
        {
          role: "system",
          content:
            "あなたはナレッジアシスタントです。与えられた資料だけを根拠に回答してください。資料にないことは「資料に記載がありません」と正直に答えてください。",
        },
        {
          role: "user",
          content: `【資料】\n${context}\n\n【質問】\n${question}`,
        },
      ],
    }),
  });

  const data = await llm.json();
  return c.json({
    answer: data.choices[0].message.content,
    sources: results.map((r) => r.metadata?.title),
  });
});

この時点で「自分のドキュメントに答えられるAI検索API」が完成です。sources（引用元）を返しているので、フロントエンドで「参照元リンク」として表示できます。RAGの回答に信頼性を与える重要な要素です。

6. 精度を劇的に上げる7つのテクニック

RAGは「動く」と「精度が出る」の間に大きな差があります。実務で効果のあった改善ポイントを7つ紹介します。

① ハイブリッド検索を取り入れる

ベクトル検索だけだと「商品名・型番」などの完全一致に弱いです。Upstash Vectorはキーワード検索（BM25）とベクトル検索のハイブリッドをサポートしており、両方の結果を融合（RRF）することで精度が大きく向上します。

const results = await vector.query({
  vector: q.data[0].embedding,
  filter: `title LIKE '%${keyword}%'`,
  topK: 5,
});

② メタデータフィルタリング

「カテゴリ」「日付」「著者」などのメタデータを保存しておき、検索時にフィルタするとノイズが減ります。「2026年の記事だけ検索」のような絞り込みが可能になります。

③ クエリ変換（Query Rewriting）

ユーザーの質問をそのまま検索に使うのではなく、LLMに「検索に適したクエリ」へ変換させる手法です。「あれどうやってやるんだっけ」→「〜の設定方法」のように言い換えるだけでヒット率が上がります。

④ HyDE（Hypothetical Document Embeddings）

質問から「仮の回答文」を先にLLMで生成し、その文をベクトル化して検索する手法。質問文より回答文の方がドキュメントと似ている、という原理を利用します。実装コストは低く、効果は大きめです。

⑤ チャンクサイズのチューニング

「細かく切れば精度が上がる」は誤解です。あまりに細かいと文脈が欠落します。資料の構造に合わせて分割単位を変えるのがコツ。技術ドキュメントなら「見出し単位＋本文」、FAQなら「質問＋回答」を1チャンクにすると良い結果になります。

⑥ リランキング（Reranking）

一次検索で上位20件取ってきて、Cohere RerankやBGE-rerankerで再ランキングして上位5件に絞る「2段階検索」は、精度改善の定番テクニック。処理時間は微増ですが、回答品質は明確に上がります。

⑦ プロンプトで「根拠に忠実」を強制する

システムプロンプトで「資料に書かれていないことは答えない」「回答の最後に引用元を明記する」と明示するだけでハルシネーションが激減します。検索結果にスコアを埋め込んで「スコア0.7未満の資料は使わない」と指示する方法も効果的です。

7. おすすめのRAG活用ユースケース

個人開発者が実際に作っているRAG活用例をいくつか紹介します。

  • ブログ記事のAI検索：過去記事に「このサイトで◯◯のやり方載ってた？」と聞けるチャットボックスを設置
  • 個人メモ・Obsidianナレッジの要約検索：日々のメモをRAG化して「先月の◯◯の議論の結論は？」と聞く
  • 製品マニュアルのサポートボット：自分のSaaSのヘルプページをRAG化し、ユーザーサポートを自動化
  • 技術書・論文の読書アシスタント：「この本の◯◯の章で言ってたこと」を検索対象にする
  • Slack/Discordの過去ログ検索：チームの会話履歴から必要な情報を引き出す

8. コスト見積もり：月額いくらで動くのか

個人開発でRAGを運用する場合の目安コストをまとめました。

項目 無料枠での運用 本格運用（目安）
埋め込み（text-embedding-3-small） 数万トークン/日なら実質無料 約$1〜5/月
ベクトルDB（Upstash Vector） 1,000ベクトルまで無料 $5〜15/月
LLM回答生成 小型モデルで数百回/月なら$1〜3 $10〜50/月
ホスティング（Cloudflare Workers） 無料（10万リクエスト/日） $5/月

使い始めは月数百円〜2,000円程度で運用できます。アクセスが増えたらUpstash Vectorの有料プランやリランキングAPI追加でスケールさせる、という段階が個人開発には最適です。

9. まとめ：RAGは個人開発の新・標準装備

2026年の今、RAGは「大企業のAIプロジェクト専用」ではなく、個人開発者が自分のデータをAIに繋ぐための標準的な道具になりました。埋め込みAPIもベクトルDBも、無料枠とシンプルなREST APIで誰でも扱える時代です。

本記事の手順に沿えば、半日もあれば「自分のドキュメントに答えられるAI検索」が動きます。最初は小さく始めて、チャンキングやリランキングを少しずつ改善していくのがおすすめです。精度改善のテクニック7選は、どれも数行の変更で試せるものばかりなので、ぜひ実際に触って体感してみてください。

「AIに何でも聞ける」ではなく「自分の情報にだけ正確に答えるAI」——RAGはその土台になる技術です。あなたの持っている資料や知識が、次のプロダクトの核になるかもしれません。