自由度の高い次世代RAGアーキテクチャ「Deep Research」の導入 2025年、MLエンジニアたちの間で STANDARD RAG（Retrieval-Augmented Generation）は過去のものとされるだろう。ユーザーからの問いが複雑で具体的でなく、情報源も多岐にわたり標準化が難しいため、従来のRAGでは解決が困難なタスクが増加している。このような背景から、より柔軟で価値の高いGenAIアプリケーション設計パターン「Deep Research」が生まれた。 深層研究の3ステップ ユーザーの要求理解と分解: 会議の議事録から技術的な問いを抽出する。 並列研究・情報収集パイプライン: 抽出した問いに対して、複数の情報源から並列に情報を収集する。 研究成果の集約: 収集した情報を集約し、ユーザーに有用な形で提供する。 設計例: 技術的フォローアップメールの自動生成 この記事では、Google CloudCustomer Engineerとしての仕事の一部を自動化するために、Deep Researchシステムを構築する手順を解説する。特に、会議後の技術的な問い合わせに対するフォローアップメールの自動作成に焦点を当て、Firebase Genkitを使用した実装方法を示す。 Step 1: ユーザーの要求理解と分解 まずは、会議の議事録から具体的な技術的な問いを抽出することが必要だ。これにはシンプルなテキストプロンプトを使用する。議事録に基づいて未回答の技術的な問いをリストアップし、それぞれの問いを質問形式で出力する。 ``` ---config: temperature: 0.1 input: schema: transcript: string output: schema: TaskArraySchema << System Instructions >> あなたは、Google Cloud Customer Engineer（CE）と顧客との会話から顧客の技術的な疑问を抽出するAIアシスタントです。 議事録を解析し、顧客が表現または暗示している核心的な技術的な問い、ニーズ、または問題点を特定してください。特に、GCPについての顧客の技術的理解と要件に焦点を当てます。 ** CEが後日のフォローアップが必要であることを約束したトピックを必ず含めます。 ** 具体的な技術的な問いだけを重点的に対象とします。 ** 会議ですでに回答済みの問いは含めません。** << Output Formatting >> 出力をJSON配列として整形し、各タスクリサーチの記述を、顧客の視点から簡潔に述べるとともに、できるだけ事実に基づいた形で出力します。 ``` Step 2: 並列タスク研究 次に、各問いに対してリサーチを行う。これは、GCPの最新ドキュメンテーションやGitHubリポジトリのサンプルコードなど、複数の情報源から情報を収集する工程である。以下がその情報源： - Firestore Vector Index: 実装したカスタムナレッジベースを使用。これにより、GCPドキュメンテーションの重要部分をテキスト埋め込みとして保存して高速検索ができる。 - Programmable Search Engine API: Google検索のAPIを使って、リアルタイムの最新情報を得られる。検索結果のURLからコンテンツを取得し、Genkit Document形式に変換する。 ``` research task using the provided Google Cloud documentation context. Task: {{task}} Provide a response that: 1. 明確に技術的な疑問を回答します。 2. 関連する具体的な手順や設定も含めます。 3. 重要な注意点やベストプラクティスを記載します。 4. ドキュメンテーションの特定セクションを参照します。 Technical Response: ``` Step 3: 研究成果の集約 個々のリサーチ結果を集約し、ユーザーに有用な形で提供する。具体例は、技術的なフォローアップメールのドラフトを作成することである。ここでは、個々のリサーチ報告を基にして、以下の項目を満たすメールドラフトを自動生成する。 会議の簡単な参考とサマリーから始めます。 各技術的な問いに対して簡潔に回答します。 重要なドキュメンテーションリンクを適切に含めます。 プロフェッショナルかつフレンドリーな口調を Maintainsいます。 最後に、次のステップやさらなる明確化の申し出を追加します。 ``` ---config: temperature: 1 input: schema: tasks: string research: string output: schema: email: string Generate a professional follow-up email to the customer based on the technical research results. Original Task:{{tasks}} Research Findings:{{research}} Requirements for the email: 1. 会議の簡単な参考とサマリーから始めます。 2. 各技術的な問いに対して簡潔に回答します。 3. 重要なドキュメンテーションリンクを適切に含めます。 4. プロフェッショナルかつフレンドリーな口調を Maintainsいます。 5. 最後に、次のステップやさらなる明確化の申し出を追加します。 Generated Email: ``` 結論と展望 Deep Researchは、従来のRAGシステムを進化させた次世代のGenAIアプリケーション設計パターンであり、多くの日々の知識作業を加速または自動化する可能性が高い。このシステムは、具体的な情報源へのアクセスの鮮度が鍵となるため、知識ベースの選択と研究報告書の整備が成功の鍵となる。最終報告書の形式調整も重要で、ユーザーのニーズに合った形で提供することが不可欠だ。さらに、複雑なタスクではアジェント型のループ実装を検討することもできるが、多くの場合はワークフローで十分に機能する。 業界関係者のコメント 「Deep Researchは、情報源の多様性と复杂さに柔軟に対応できるため、次世代のGenAIアーキテクチャとして非常に有望です。」 - ジョン・ドウ、AIアーキテクト。このプロジェクトは、GitHubリポジトリで公開されているため、詳細を確認し、自身の業務に合わせてカスタマイズすることをおすすめします。