Case 03
社内文書検索AI (RAG)
92%の精度を実現した社内向けRAG検索システム。
RAGSupabase pgvectorOpenAI Embeddings
Before
社内資料が複数箇所に散在し、必要な情報を探すのに時間がかかる
→
After
自然文で質問するだけでAIが該当箇所を検索・回答（精度92%）
対象
社内マニュアルや規程の検索に時間を取られているバックオフィス担当者様・情報システム担当者様（架空クライアント TechBridge を想定）
課題
社内資料が複数の場所に散在し、必要な情報を探すのに時間がかかる。マニュアル化されていない知識も多く、都度担当者に確認しないと分からない情報が発生していた（架空クライアント TechBridge を想定）。
解決
Supabase pgvectorとOpenAI Embeddingsを用いたRAG検索システムを設計し、キーワード完全一致に頼らず、自然文での質問に対応できる検索精度92%を実現した。
実装
- →Next.js + TypeScriptでフロントエンド・APIを構築
- →Supabase pgvectorでベクトル検索基盤を構築
- →OpenAI Embeddingsで文書をベクトル化
- →章単位のチャンク分割(chapter-aware chunking)に変更し類似度スコアを改善
- →マッチング閾値を0.5→0.45に調整し精度を最適化
- →Supabase Authでマジックリンク+メールドメイン制限を実装
- →Vercel上に本番稼働（rag-search-ai.vercel.app）、Qiita記事として技術解説を公開
工数
設計 → 実装 → 精度検証まで一貫対応
効果
- ✓資料を探し回る手間や、担当者への都度確認にかかる工数の削減が期待できる
- ✓従来のキーワード検索では見つけにくかった関連情報も、質問文の意図を理解して検索できるため、社内ナレッジ活用の促進につながる
- ✓テスト12問中11問正解、92%の精度を達成。誤情報を拾うリスクを抑えた実用レベルの検索体験を実現
- ✓平均応答時間2,622ms、テスト全12問で5秒以内に回答を返却し、実務利用に耐える応答速度を確認
今後の拡張提案
- →Word・Confluenceなど対応ファイル形式の拡張
- →部署別アクセス制御（RLS）の実装
- →Slack連携によるBot化
- →差分更新パイプラインの構築
- →質問ログ・分析ができる管理画面の追加
使用技術
Next.jsTypeScriptSupabase pgvectorOpenAI EmbeddingsClaude API
このようなシステムの構築・自動化をご検討中の方は
お気軽にご相談ください。