> Discover all available pages from the documentation index: https://mastra.zisheng.pro/ja/llms.txt

# RAG を使用した研究論文 assistant の構築

このガイドでは、Retrieval Augmented Generation（RAG）を使用して学術論文を分析し、その内容に関する具体的な質問へ回答できる AI research assistant を作成します。

例として、Transformer の原論文 [「Attention Is All You Need」](https://arxiv.org/html/1706.03762)を使用します。データベースにはローカルの libSQL データベースを使用します。

## 前提条件

- Node.js `v22.13.0` 以降がインストールされていること
- サポートされている [Model Provider](https://mastra.zisheng.pro/ja/models) の API キー
- 既存の Mastra プロジェクト（新しいプロジェクトをセットアップするには、[インストールガイド](https://mastra.zisheng.pro/ja/guides/getting-started/quickstart)に従ってください）

## RAG の仕組み

RAG の仕組みと、各コンポーネントの実装方法を確認します。

### Knowledge Store/Index

- テキストをベクトル表現に変換する
- コンテンツの数値表現を作成する
- **実装**：OpenAI の `text-embedding-3-small` で埋め込みを作成し、LibSQLVector に保存します

### Retriever

- similarity search で関連コンテンツを見つける
- クエリ埋め込みと保存済みベクトルを照合する
- **実装**：LibSQLVector を使用し、保存済み埋め込みに対して similarity search を行います

### Generator

- 取得したコンテンツを LLM で処理する
- コンテキストに基づいた応答を生成する
- **実装**：OpenAI モデルを使用し、取得したコンテンツに基づいて回答を生成します

この実装では次を行います。

1. Transformer 論文を処理して埋め込みに変換する
2. すばやく取得できるよう LibSQLVector に保存する
3. similarity search で関連セクションを見つける
4. 取得したコンテキストを使って正確な応答を生成する

## Agent の作成

Agent の動作を定義して Mastra プロジェクトに接続し、ベクトル store を作成します。

1. 追加の依存関係をインストールします

   [インストールガイド](https://mastra.zisheng.pro/ja/guides/getting-started/quickstart)の手順を実行した後、追加の依存関係をインストールします。

   **npm**:

   ```bash
   npm install @mastra/rag@latest ai
   ```

   **pnpm**:

   ```bash
   pnpm add @mastra/rag@latest ai
   ```

   **Yarn**:

   ```bash
   yarn add @mastra/rag@latest ai
   ```

   **Bun**:

   ```bash
   bun add @mastra/rag@latest ai
   ```

2. 次に、RAG を利用する research assistant を作成します。この Agent は次を使用します。

   - 論文内の関連コンテンツを見つけるため、ベクトル store に対して semantic search を行う [Vector Query Tool](https://mastra.zisheng.pro/ja/reference/tools/vector-query-tool)
   - クエリを理解して応答を生成する OpenAI モデル
   - 論文の分析、取得したコンテンツの効果的な使用、制限事項の明示について Agent を導くカスタム instructions

   新しいファイル `src/mastra/agents/researchAgent.ts` を作成し、Agent を定義します。

   ```ts
   import { Agent } from '@mastra/core/agent'
   import { ModelRouterEmbeddingModel } from '@mastra/core/llm'
   import { createVectorQueryTool } from '@mastra/rag'

   // Create a tool for semantic search over the paper embeddings
   const vectorQueryTool = createVectorQueryTool({
     vectorStoreName: 'libSqlVector',
     indexName: 'papers',
     model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
   })

   export const researchAgent = new Agent({
     id: 'research-agent',
     name: 'Research Assistant',
     instructions: `You are a helpful research assistant that analyzes academic papers and technical documents.
       Use the provided vector query tool to find relevant information from your knowledge base,
       and provide accurate, well-supported answers based on the retrieved content.
       Focus on the specific content available in the tool and acknowledge if you cannot find sufficient information to answer a question.
       Base your responses only on the content provided, not on general knowledge.`,
     model: 'openai/gpt-5.6-sol',
     tools: {
       vectorQueryTool,
     },
   })
   ```

3. プロジェクトルートで `pwd` コマンドを実行し、absolute path を取得します。path は次のようになります。

   ```bash
   > pwd
   /Users/your-name/guides/research-assistant
   ```

   既存の `src/mastra/index.ts` ファイルと設定に、次を追加します。

   ```ts
   import { Mastra } from '@mastra/core'
   import { LibSQLVector } from '@mastra/libsql'

   const libSqlVector = new LibSQLVector({
     id: 'research-vectors',
     url: 'file:/Users/your-name/guides/research-assistant/vector.db',
   })

   export const mastra = new Mastra({
     vectors: { libSqlVector },
   })
   ```

   `url` には、`pwd` コマンドで取得した absolute path を使用します。これにより、プロジェクトルートに `vector.db` ファイルが作成されます。

   > **注記:** このガイドではローカルの libSQL ファイルへの absolute path をハードコードしていますが、本番環境では機能しません。本番環境では、remote の永続データベースを使用してください。

4. `src/mastra/index.ts` ファイルで Agent を Mastra に追加します。

   ```ts
   import { Mastra } from '@mastra/core'
   import { LibSQLVector } from '@mastra/libsql'
   import { researchAgent } from './agents/researchAgent'

   const libSqlVector = new LibSQLVector({
     id: 'research-vectors',
     url: 'file:/Users/your-name/guides/research-assistant/vector.db',
   })

   export const mastra = new Mastra({
     agents: { researchAgent },
     vectors: { libSqlVector },
   })
   ```

## ドキュメントの処理

次の手順では、研究論文を取得して小さな chunk に分割します。その後、埋め込みを生成し、chunk をベクトルデータベースに保存します。

1. このステップでは URL を指定して研究論文を取得し、document object に変換して、扱いやすい小さな chunk に分割します。chunk に分割することで、より高速かつ効率的に処理できます。

   新しいファイル `src/store.ts` を作成し、次を追加します。

   ```ts
   import { MDocument } from '@mastra/rag'

   // Load the paper
   const paperUrl = 'https://arxiv.org/html/1706.03762'
   const response = await fetch(paperUrl)
   const paperText = await response.text()

   // Create document and chunk it
   const doc = MDocument.fromText(paperText)
   const chunks = await doc.chunk({
     strategy: 'recursive',
     maxSize: 512,
     overlap: 50,
     separators: ['\n\n', '\n', ' '],
   })

   console.log('Number of chunks:', chunks.length)
   ```

   ターミナルでファイルを実行します。

   ```bash
   npx bun src/store.ts
   ```

   次の応答が返されます。

   ```bash
   Number of chunks: 892
   ```

2. 最後に、次の手順で RAG 用のコンテンツを準備します。

   1. テキストの各 chunk に対して埋め込みを生成する
   2. 埋め込みを保持するベクトル store インデックスを作成する
   3. 埋め込みとメタデータ（元のテキストとソース情報）の両方をベクトルデータベースに保存する

   > **注記:** このメタデータは、ベクトル store が関連する一致を見つけたときに、実際のコンテンツを返せるようにするため重要です。

   Agent はベクトルインデックスを使用して、関連情報を検索、取得します。

   `src/store.ts` ファイルを開き、次を追加します。

   ```ts
   import { MDocument } from '@mastra/rag'
   import { embedMany } from 'ai'
   import { mastra } from './mastra'

   // Load the paper
   const paperUrl = 'https://arxiv.org/html/1706.03762'
   const response = await fetch(paperUrl)
   const paperText = await response.text()

   // Create document and chunk it
   const doc = MDocument.fromText(paperText)
   const chunks = await doc.chunk({
     strategy: 'recursive',
     maxSize: 512,
     overlap: 50,
     separators: ['\n\n', '\n', ' '],
   })

   // Generate embeddings
   const { embeddings } = await embedMany({
     model: new ModelRouterEmbeddingModel('openai/text-embedding-3-small'),
     values: chunks.map(chunk => chunk.text),
   })

   // Get the vector store instance from Mastra
   const vectorStore = mastra.getVector('libSqlVector')

   // Create an index for paper chunks
   await vectorStore.createIndex({
     indexName: 'papers',
     dimension: 1536,
   })

   // Store embeddings
   await vectorStore.upsert({
     indexName: 'papers',
     vectors: embeddings,
     metadata: chunks.map(chunk => ({
       text: chunk.text,
       source: 'transformer-paper',
     })),
   })
   ```

   最後に、スクリプトをもう一度実行して埋め込みを保存します。

   ```bash
   npx bun src/store.ts
   ```

   操作が成功した場合、ターミナルには出力もエラーも表示されません。

## Assistant のテスト

すべての埋め込みがベクトルデータベースに保存されたので、さまざまな種類のクエリで research assistant をテストできます。

新しいファイル `src/ask-agent.ts` を作成し、異なる種類のクエリを追加します。

```ts
import { mastra } from './mastra'
const agent = mastra.getAgent('researchAgent')

// Basic query about concepts
const query1 = 'What problems does sequence modeling face with neural networks?'
const response1 = await agent.generate(query1)
console.log('\nQuery:', query1)
console.log('Response:', response1.text)
```

スクリプトを実行します。

```bash
npx bun src/ask-agent.ts
```

次のような出力が表示されます。

```bash
Query: What problems does sequence modeling face with neural networks?
Response: Sequence modeling with neural networks faces several key challenges:
1. Vanishing and exploding gradients during training, especially with long sequences
2. Difficulty handling long-term dependencies in the input
3. Limited computational efficiency due to sequential processing
4. Challenges in parallelizing computations, resulting in longer training times
```

別の質問も試します。

```ts
import { mastra } from './mastra'
const agent = mastra.getAgent('researchAgent')

// Query about specific findings
const query2 = 'What improvements were achieved in translation quality?'
const response2 = await agent.generate(query2)
console.log('\nQuery:', query2)
console.log('Response:', response2.text)
```

出力：

```text
Query: What improvements were achieved in translation quality?
Response: The model showed significant improvements in translation quality, achieving more than 2.0
BLEU points improvement over previously reported models on the WMT 2014 English-to-German translation
task, while also reducing training costs.
```

### Application の提供

Mastra サーバーを起動し、research assistant を API として公開します。

```bash
mastra dev
```

research assistant は次の URL で利用できます。

```text
http://localhost:4111/api/agents/researchAgent/generate
```

curl でテストします。

```bash
curl -X POST http://localhost:4111/api/agents/researchAgent/generate \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      { "role": "user", "content": "What were the main findings about model parallelization?" }
    ]
  }'
```

## 高度な RAG の例

より高度な RAG 手法については、次の例を参照してください。

- メタデータを使用して結果をフィルターする [Filter RAG](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/filter-rag)
- 情報密度を最適化する [Cleanup RAG](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/cleanup-rag)
- Workflow を使って複雑な reasoning クエリを処理する [Chain of Thought RAG](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/cot-rag)
- 結果の関連性を向上させる [Rerank RAG](https://github.com/mastra-ai/mastra/tree/main/examples/basics/rag/rerank-rag)