Solutions · Open Source

Argus RAG Studio

RAGパイプラインの構築（Build）・検索/生成（Retrieve & Generate）・評価（Evaluate）・運用/デプロイ（Operate & Deploy）を一か所で扱うオープンソースのセルフホスト型RAGプラットフォームです。「一度動くRAGデモ」ではなく、品質を数値で測る評価ハーネス、最適設定を自動探索するスイープ、フィードバック還流、エージェントベースの遠隔デプロイまで備え、オンプレミス・エアギャップ（閉域網）で運用できます。

Apache License 2.0 · オープンソースGitHub リポジトリ製品紹介資料

パース戦略5種チャンキング戦略8種ベクトルストア5種

01 · RAG の概念と全体像

まず文書を根拠に回答する RAG の仕組みを理解し、準備から運用までの流れを確認します。

RAG とは

RAGは質問に関連する文書を検索し、大規模言語モデルにコンテキストとして渡します。回答に添えられた引用を使って、利用者が根拠を確認できます。

RAG 未使用と RAG 適用 — インデックス作成（事前準備）とクエリ（リアルタイム）の二つの経路図を選択すると元のサイズに拡大できます。

RAGの全工程

文書を検索可能な知識に整え、質問に必要な根拠を検索して回答を生成します。評価結果で設定を改善し、実行設定のバージョン・サービス状態・配備を管理します。

知識の準備 → 根拠を使った回答 → 評価と改善 → 運用と拡張図を選択すると元のサイズに拡大できます。

02 · 検索する文書を準備

文書を読み取り、機密情報を処理し、検索できる小さな単位とベクトルに変換する流れです。

構築

文書を取り込み、ナレッジベースを選び、解析・分割・インデックス作成を行う段階

文書取り込み → 宛先と処理の割り当て → 検索用コンテンツの準備 → 保存と確認図を選択すると元のサイズに拡大できます。

文書ルーティング

文書ルーティングは、取り込み前に文書の保存先となるナレッジベースを決める処理です。ファイル名・パス・メタデータ・埋め込み類似度・LLMの判断などをポリシーに組み合わせ、宛先と判断理由を記録します。

宛先選択 → 取り込みモード → ルーティング規則 → 決定の記録と確認図を選択すると元のサイズに拡大できます。

文書解析

文書解析は、ファイルから検索に使うテキストと構造を抽出する処理です。形式やレイアウトに合うパーサーを選び、抽出したMarkdownの表・見出し・読み順を原本と比較して確認します。

入力文書の確認 → パーサー選択 → テキスト・構造の抽出 → インデックス前の確認図を選択すると元のサイズに拡大できます。

韓国語文書のためのパイプライン

HWP/HWPXの表、スキャンPDF、段組み、韓国語の文境界に応じて処理経路を選びます。抽出結果を原本と比較し、文書の改訂版や画像ラベルを確認して検索に反映します。

HWPの表・スキャンページ・韓国語の文・文書改訂版と画像ラベルの処理と確認図を選択すると元のサイズに拡大できます。

PIIのマスキング

PIIは個人を識別できる情報です。変換を有効にすると、解析後の本文で設定した規則に一致する内容を、チャンク化・埋め込みの前にマスキングします。検出漏れを確認し、原本の保存とアクセスは別途管理します。

適用位置 → マスキング前後 → 検出規則 → エラー処理と原本管理図を選択すると元のサイズに拡大できます。

チャンキング

チャンキングは、文書を検索可能な文章のまとまりに分ける処理です。大きすぎると無関係な内容が混ざり、小さすぎると必要な文脈が途切れる場合があります。文書に合う境界・サイズ・重複範囲を選び、検索結果で確認します。

チャンクへの分割 → 境界戦略の選択 → サイズ・重複範囲の調整 → プレビューと評価図を選択すると元のサイズに拡大できます。

埋め込み — 検索できるベクトルへ

埋め込み設定がコレクションのベクトル空間を決めます。プロバイダー・モデル・次元・距離指標はコレクション作成時に確定し、後から変更するには再インデックスが必要です。閉域網や CI では、埋め込みサーバーなしでも配線を検証できます。

チャンクと質問をベクトルに変換し、互換性のあるモデル空間で候補を比較する流れ図を選択すると元のサイズに拡大できます。

03 · 根拠の検索と回答の生成

準備した文書から質問に合う根拠を探し、優先順位を付けて引用付きの回答につなげます。

検索・生成

質問に合う根拠を探し、引用付きの回答を生成する段階

ベクトル・レキシカルの並列検索から引用付き回答まで図を選択すると元のサイズに拡大できます。

検索 — 根拠を見つける仕組み

質問から作ったベクトルと質問の単語で候補チャンクを探し、RRFで順位を統合します。コレクションの範囲とメタデータフィルターで結果を絞り、本文とメタデータはPostgreSQLから取得します。

検索範囲 → ベクトル・字句検索の候補 → 本文取得とRRF → 根拠チャンク図を選択すると元のサイズに拡大できます。

リランキング — 広く探し、狭く選ぶ

リランキングは検索済みの候補を質問と照らして再評価し、順序を変えます。候補にない根拠は復元できず、設定変更に再インデックスは不要です。

候補チャンク → 質問と照合 → 順位変更と選択 → リランカー設定図を選択すると元のサイズに拡大できます。

社内文書から引用付き回答へ

文書のインデックス化と質問処理を分け、検索した根拠を生成時のコンテキストに渡します。

文書準備、インデックス作成、RRF・リランキングによる検索、引用付き生成の4段階の構成 — 文書準備 → インデックス作成 → 根拠検索 → 引用付き回答図を選択すると元のサイズに拡大できます。

04 · 品質の評価と改善

検索と回答の品質を確認し、設定を比較して、検証したバージョンを本番環境に適用します。

評価 — 品質を数値で測る

検索は LLM なしで Hit Rate・MRR として計算し、回答は LLM 判定者が忠実性・関連性・正確性の 3 軸で採点します。設定スイープは再インデックスの要否で探索空間を分け、ホールドアウトと過学習フラグが優勝設定を検証します。

基準質問と期待する出典、Hit Rate・MRRの計算例、LLM評価とホールドアウト比較図を選択すると元のサイズに拡大できます。

評価・運用

品質を評価し、設定・実行設定のバージョン・運用状態を管理する段階

評価結果を次の運用設定へ

ゴールデンデータセットで品質を測り、設定を比較してバージョンと配備状態を管理します。

基準評価、設定スイープ、パイプラインのバージョン管理、エージェント配備の4段階の流れ — 評価 → 設定比較 → 選択・バージョン管理 → 配備・観察図を選択すると元のサイズに拡大できます。

05 · システム構成を理解

ここまで見てきた文書処理・検索・評価を、各サービスとストレージがどう分担するかを確認します。

概念図

APIとワーカーが文書準備と質問処理をつなぎます。PostgreSQLはチャンクと運用データ、S3/MinIOは原本と画像を管理し、推論サービスとホストエージェントが処理と配備を支えます。

Argus RAG Studio システム構成図を選択すると元のサイズに拡大できます。

06 · デプロイと運用の拡張

基本の流れを理解したら、エアギャップ環境、エージェント、連携、運用機能を確認します。

閉域網（エアギャップ）への配備

コンテナイメージとモデルパックを別々に搬入し、各ホストのArgus Agentでワーカーと推論サービスを配備します。オフライン運用には内部レジストリ、モデル保存先、ローカルエンドポイントの準備が必要です。

エージェント遠隔デプロイとエアギャップのモデル搬入経路図を選択すると元のサイズに拡大できます。

品質改善と閉域運用

評価、検索学習、ホストエージェント、画像レビューを RAG パイプラインに接続します。

Apache License 2.0 · オープンソース

オープンソースで公開されるRAGプラットフォーム

Argus RAG Studio は Apache License 2.0 で GitHub に公開されます。バックエンド（FastAPI）・フロントエンド（Next.js）・スタンドアロンの埋め込み/リランカーサーバーまでRAGエンジン全体を公開し、企業がコードを直接検証し、自社環境に合わせて拡張し、データを外部に出さずに運用できます。

商用利用の制約がない Apache 2.0
コードを直接検証・拡張可能
エアギャップ・オンプレミスで自社運用

GitHub リポジトリお問い合わせ

お問い合わせ製品紹介資料