Posted in人工知能 LlamaIndex Workflows:プロダクション品質のEvent-driven AI Agentを構築する Posted by By admin 8月 21, 2026 LlamaIndex WorkflowsでPipelineからEvent-drivenへ移行する方法を解説。自己修正機能を持ち、本番環境で高いパフォーマンスを発揮する柔軟なAI Agentの構築ガイド。
Posted in人工知能 Arize PhoenixでローカルRAGの「ブラックボックス」を5分で可視化する Posted by By admin 8月 12, 2026 100%ローカルなRAGのトレースと評価のためにArize Phoenixをセットアップ。LLM Judgeを使用した自動採点や、AIシステムのレイテンシを最適化する方法を紹介します。
Posted in人工知能 AI専用の独自「Google検索」を構築:SearXNGとLangChainを組み合わせて知識の限界を超える Posted by By admin 8月 12, 2026 SearXNGとLangChainを使用して、プライベートで無料のAI検索エンジンを自作。高額なAPI費用なしでLLMがリアルタイムデータにアクセスし、知識の限界を克服する方法を紹介します。
Posted in人工知能 Qdrantによるハイブリッド検索:RAGが苦手なキーワードで「物忘れ」する問題を解決する秘策 Posted by By admin 8月 2, 2026 RAGシステムが特定のキーワードを見落としていませんか?キーワード検索とベクトル検索の強みを融合させるQdrantのハイブリッド検索の実装方法を解説し、精度を劇的に向上させる手法を紹介します。
Posted in人工知能 LanceDB:ベクトルデータベースの「SQLite」 – AIアプリケーション向けの超軽量ストレージソリューション Posted by By admin 7月 29, 2026 LanceDBは、SQLiteのように動作するAI向けの超軽量な組み込み型ベクトルデータベースです。RAGアプリケーション向けのインストール方法とベクトル検索の最適化について解説します。
Posted inMySQL MySQL 9.0とVECTOR:外部DB不要でAIアプリのEmbeddingを保存するソリューション Posted by By admin 7月 22, 2026 MySQL 9.0がVECTORデータ型を正式サポート。AIのEmbedding保存、コサイン類似度の計算、そしてMySQL内での効率的なセマンティック検索システムの構築方法を詳しく解説します。
Posted in人工知能 Flowise:ドラッグ&ドロップUIでチャットボット・RAGパイプラインを構築する — コード不要 Posted by By admin 7月 18, 2026 Flowiseはオープンソースのツールで、ドラッグ&ドロップのインターフェースを使ってチャットボット、RAGパイプライン、AIワークフローをコードなしで構築できます。本記事では、Docker/npmを使ったインストール方法と、OllamaでのチャットボットおよびPDFドキュメントを読むRAGパイプラインの構築手順を実践的に解説します。
Posted in人工知能 Mem0でAIエージェントに「長期記憶」を:Pythonデベロッパーのための長期記憶ソリューション Posted by By admin 7月 18, 2026 AIがユーザーの好みをすぐに忘れてしまいませんか?Mem0をPythonに統合して長期記憶を構築し、AIエージェントをより賢く、パーソナライズする方法を解説します。
Posted in人工知能 LlamaIndex + Ollama: 完全オフラインで構築する社内文書Q&Aシステム Posted by By admin 7月 3, 2026 LlamaIndexとOllamaを組み合わせることで、PDF・Word・社内Webサイトのデータをクラウドへ一切送信せずに文書Q&Aシステムを構築できる。各アプローチの比較、オフラインソリューションが適したケースの分析、インストールから本番導入までのステップバイステップガイドを解説する。
Posted in人工知能 Haystack 2.0: Document Indexing・Hybrid Retrieval・スマートQ&Aで構築するドキュメント処理パイプライン Posted by By admin 6月 29, 2026 Haystack 2.0は有向グラフ形式のAIドキュメント処理パイプラインを構築できる。各コンポーネントが明示的に接続され、デバッグも拡張も容易だ。本記事では、ドキュメントのインデックス化、BM25とEmbeddingを組み合わせたHybrid Retrieval、Pythonを使った本番対応Q&Aパイプラインまでを実践的に解説する。