Redmineの設定

作業内容¶

RAG (Retrieval Augmented Generation) パイプラインを設計・実装し、ベクトル検索結果を基にした LLM 応答生成機能を構築します。

詳細タスク¶

1. RAG コアサービスの実装

   • /api/services/rag/index.js - メインモジュール
   • /api/services/rag/retriever.js - 検索機能
   • /api/services/rag/generator.js - 応答生成機能
   • /api/services/rag/context.js - コンテキスト管理

2. ベクトル検索機能の実装

   • セマンティック検索（ベクトル類似度）
   • ハイブリッド検索（キーワード + ベクトル）
   • メタデータフィルタリング
   • 結果ランキング最適化

3. コンテキスト構築機能の実装

   • 検索結果のコンテキスト組み立て
   • トークン制限内での最適化
   • 関連チャンク結合
   • 重要情報優先

4. プロンプト生成と応答管理の実装

   • 検索結果を含むプロンプト構築
   • 複数ターン対応
   • ソース追跡・引用機能
   • フォールバック戦略

5. パフォーマンス最適化

   • キャッシュ機構
   • 並列処理
   • バッチ処理
   • 先読み最適化

技術的指示¶

• 高精度と低レイテンシのバランスを考慮した設計
• ベクトル検索は pgvector の最適化機能を活用
• コンテキストサイズは各 LLM の制限に応じて動的に調整
• 関連性スコアを用いた検索結果の適切なランキング
• デバッグ・分析用のログ機能を充実させる
• 単体テストでエッジケースを検証

成果物¶

• RAG コアサービス
• ベクトル検索機能
• コンテキスト構築機能
• プロンプト生成・応答管理機能
• パフォーマンス最適化モジュール
• テスト・評価スクリプト

参考リソース¶

• RAG システムアーキテクチャベストプラクティス
• ベクトル検索最適化テクニック
• LLM コンテキスト管理戦略
• Node.js パフォーマンス最適化ガイド