← SpecBridge に戻る
RAG — Retrieval-Augmented Generation

SpecBridge のしくみ

Upstash Vector + OpenAI Embeddings + GPT / GeminiのRAGパイプライン解説

PHASE 1 — INGEST
ドキュメントを事前にベクトル化してDBに蓄積する。POST /api/ingest が担当。
PHASE 2 — QUERY
質問を受けて関連チャンクを検索し、LLMで回答生成する。POST /api/query が担当。
// PHASE 1: ドキュメント取り込み
01
ファイルアップロード
PDF / TXT / MD → API /ingest に送信
▶
02
チャンク分割
長文を 500文字 × オーバーラップ 50文字 で切り出す
▶
03
ベクトル化 & DB保存
OpenAI Embeddings → Upstash Vector に格納
▶
// PHASE 2: 質問応答
04
質問のベクトル化
ユーザーの質問文 → 同じ Embedding モデルでベクトル化
▶
05
類似度検索（Vector Search）
Upstash Vector から意味的に近いチャンクを Top-K 取得
▶
06
プロンプト組み立て
取得チャンク + 質問 + ロール → LLMへのプロンプト生成
▶
07
LLM 生成 & レスポンス
コンテキストを根拠に回答生成 → 出典情報付きで返す
▶